La consommation des différentes catégories d’appareils de votre logement peut être mesurée par l’assistant connecté ecojoko et son intelligence artificielle grâce à une analyse détaillée de la consommation d’électricité.
Quel est le rôle de l’intelligence artificielle dans cette reconnaissance des différentes catégories d’appareils ?
Votre consommation mesurée par type d’appareil
L’assistant connecté ecojoko est capable d’identifier la signature d’un type d’appareil et de vous donner donc votre consommation par catégorie : frigos et congélateurs, éclairage, veilles, appareils d’électroménager (lave-linge, sèche-linge, lave-vaisselle), appareils de cuisson, chauffage, eau chaude, voiture électrique, piscine.
L’intelligence artificielle est un moyen de traiter efficacement de nombreuses données, d’identifier des tendances et d’en tirer des modèles. Parmi les différents moyens pour connaître la consommation électrique de vos appareils, celui-ci reste le plus simple à utiliser.
Nous sommes aujourd’hui parmi les seuls à proposer ce service d’analyse de la consommation en France. La plupart des services disponibles ne sont pas capable de reconnaître la consommation des différents appareils. Vous avez alors de simples estimations, qui ne sont pas basées sur votre consommation réelle.
Le fonctionnement étape par étape pour reconnaître vos appareils
Différencier les différents signaux d’activation
Chaque grand groupe d’appareil électrique a une signature électrique qui lui est propre. Ainsi, un lave-linge ne consomme pas l’électricité de la même manière qu’un four, ou même qu’une télévision. Lorsque l’appareil est en marche, sa puissance n’est pas nécessairement constante, mais évolue selon des pics périodiques, très reconnaissables.
Signatures de différents appareils électriques
Nos différents capteurs ecojoko (branché directement sur le compteur Linky ou posé sur votre disjoncteur général) mesurent votre consommation totale d’électricité. Ils sont capables d’effectuer cette mesure grâce à l’effet Hall du courant qui permet d’en mesurer l’intensité et la tension. Les mesures de consommation sont envoyée à distance à l’assistant. Elles sont ensuite transmises cryptées par internet à nos serveurs sécurisés en France.
Les données sont analysées en décomposant dans un premier temps le signal reçu. Plus il y a d’appareils en même temps, plus le signal est complexe à désagréger. Ainsi, si de nombreux appareils consomment en même temps, les algorithmes doivent s’adapter. Ils doivent trouver la combinaison d’activations qui déconstruira le signal le plus fidèlement possible, le tout avec un temps de calcul similaire.
Le niveau de la fréquence d’échantillonnage permet d’obtenir des données fiables, mais un niveau trop faible de données de consommation ou un fonctionnement simultané de très nombreux appareils peut rendre la désagrégation plus complexe. Par exemple, un appareil comme le frigo fonctionne en réalité en plusieurs étapes : d’abord le démarrage du compresseur puis son fonctionnement à proprement parler, deux phases qui n’ont pas la même puissance. Il est donc compliqué de relier la mise en marche et la fin de l’activation de celui-ci. A l’inverse, le niveau des veilles correspond au talon de consommation sur une journée, donc leur détection est infaillible à partir du moment où nous possédons suffisamment de données.
D’ailleurs, ces fameux algorithmes, comment fonctionnent-ils au juste ?
Analyser les différentes signatures de consommation électrique et les attribuer aux catégories d’appareils
Après avoir séparé les différents signaux confondus en un, nos algorithmes procèdent ensuite à l’attribution des activations : c’est ici que les algorithmes utilisent nos connaissances des appareils, ou celles qu’ils ont tirées de leurs activations précédentes. Plus largement, ils utilisent également le contexte, comme la température intérieure ou extérieure de votre logement, l’heure, l’ensoleillement… grâce au machine learning, et au deep learning, sous-ensemble du machine learning.
- LE MACHINE LEARNING, SUPPORT PRINCIPAL DE L’IA :
Ainsi, nous utilisons des algorithmes de Machine Learning où nous restons présents pour définir à la main les paramètres les plus à même de permettre l’identification des motifs caractéristiques de signatures, comme par exemple le pic de consommation typique du fonctionnement d’un réfrigérateur.
- LE DEEP LEARNING, OU L’IA PAR LE RÉSEAU DE NEURONE
D’autre part, nous utilisons le Deep Learning pour reconnaître les appareils grâce aux données brutes. C’est à dire que nos réseaux de neurones, entraînés sur des données collectées chez certains de nos clients, peuvent reconnaître les différentes catégories d’appareils. Au cours de leur entraînement, ils s’adaptent seuls, et définissent plusieurs milliers de paramètres leur permettant de mieux reconnaître les signatures des différents appareils, d’une manière beaucoup plus précise que des algorithmes de machine learning.
Cependant, nombreux sont les appareils aux signatures proches, comme le chauffe-eau et le chauffage de l’eau d’un lave-linge par exemple. À cause de ces similarités, le temps réel est généralement impossible pour confirmer la présence d’un appareil, on a besoin d’attendre la fin de l’activation pour pouvoir déduire clairement à quel appareil cette signature est due. De même, certains appareils sont très spécifiques, et sont en théorie facilement détectable, mais en pratique il est difficile de calculer leur consommation. C’est le cas par exemple de la climatisation, pour laquelle une simple observation de la température suffit à constater son activation, mais dont la puissance trop variable selon les modèles rend leur identification difficile. C’est également le cas du lave-linge, dont l’activation peut être reconnue par notre réseau de neurones, mais dont la diversité des modèles présents chez les utilisateurs rend plus complexe l’identification.
L’intelligence artificielle Ecojoko apprend en continu, pour toujours s’améliorer
Le terme d’apprentissage de l’IA est d’autant plus judicieux qu’aujourd’hui, notre produit est beaucoup plus performant qu’hier, mais toujours moins performant que demain. Les quelques imprécisions commises aujourd’hui par l’algorithme seront utilisées pour l’améliorer demain ; pour affiner les paramètres clés identifiant chaque catégorie d’appareils, pour améliorer les modèles utilisés, ou encore pour détecter de nouveaux appareils dont notre connaissance était encore trop lacunaire.
Notre équipe technique est entièrement dédiée à cette amélioration permanente, en traitant des données à la main, en analysant des plages de données qui semblent non-pertinentes aux moyennes données initialement par les algorithmes, en travaillant sur ces algorithmes… Nous continuons donc à travailler sur cette reconnaissance des différents appareils électriques, car nous avons pour objectif de vous donner la mesure la plus précise de votre consommation selon vos appareils. Nous travaillons également à l’envoi de messages ciblés selon votre consommation, pour vous alerter en cas de consommation anormale d’un appareil.
