EP3080758A1 - Prediction d'une consommation de fluide effacee - Google Patents

Prediction d'une consommation de fluide effacee

Info

Publication number
EP3080758A1
EP3080758A1 EP14825421.2A EP14825421A EP3080758A1 EP 3080758 A1 EP3080758 A1 EP 3080758A1 EP 14825421 A EP14825421 A EP 14825421A EP 3080758 A1 EP3080758 A1 EP 3080758A1
Authority
EP
European Patent Office
Prior art keywords
consumption
consi
consumption data
data
fluid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
EP14825421.2A
Other languages
German (de)
English (en)
Inventor
Philippe CHARPENTIER
Isabelle DEBOST
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electricite de France SA
Original Assignee
Electricite de France SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electricite de France SA filed Critical Electricite de France SA
Publication of EP3080758A1 publication Critical patent/EP3080758A1/fr
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Definitions

  • the subject of the present invention relates to the field of the management of the fluid consumption, and more particularly relates to the reduction of fluid consumption.
  • One of the objectives of the present invention is to accurately predict at a given moment the amount of fluid erased for an erasure phase to come.
  • the present invention thus finds many advantageous applications, in particular for energy operators, by enabling them to optimally manage their fluid production and to ensure a balance between fluid supply and demand, especially during peak consumption.
  • the present invention also finds other advantageous applications in particular for adjustment operators by allowing them to accurately quantify the consumption of erased fluid during an erasure period, this for example in order to contractualize an erasure offer.
  • any energy source such as for example electricity, water, or gas or fuel oil, likely to be consumed by equipment of an installation (domestic or industrial) in particular for its operation.
  • Controlling the consumption of fluids has become a daily and growing challenge for both individuals and industry: the reasons for controlling this consumption are both economic (high financial costs) and ecological (pollution , greenhouse gas emissions, natural resources management).
  • This peak consumption comes in particular from the fluid consumption called for heating and / or air conditioning. It is mainly a consumption of electrical energy.
  • certain electrical uses such as heating may be voluntarily interrupted at times of high demand, for example for a period of two hours (preferably between 18 and 20 hours).
  • this quantity of erased fluid also called “erasure”; this amount of erased fluid corresponds here to the difference between the amount of fluid actually consumed and the amount of fluid that would have been consumed if the customer had not erased (this theoretical amount is also called “baseline”).
  • Predicting in advance this consumption of erased fluid makes it possible to quantify a quantity of energy fluid for example to indicate this quantity in a sales contract.
  • the operator may undertake to supply a quantity of energy fluid for a given period.
  • An operator can therefore decide to delete any number of clients from his portfolio at any time for a variable duration.
  • the prediction of the erasure can not therefore be built solely on a limited history of data.
  • erasures are useful about twenty times in winter and ten times in summer.
  • the document EP 2 047 577 relates to the erasure and proposes a solution for regulating the energy consumption. More particularly, this document describes a method for managing and modulating in real time the power consumption of a set of consumers. In this document, to know the consumption in real time, the method provides for the installation of an electrical control unit at each consumer to send in "push" mode a periodic record of consumption measurements to a central server that collects this information. and establishes an individual estimate of consumption.
  • the present invention aims to improve the situation described above.
  • the present invention provides a statistical approach for effectively predicting the effected fluid consumption for an upcoming erasure phase.
  • the subject of the present invention relates to a method for predicting an erased fluid consumption which is implemented by computer means; the prediction method firstly comprises a collection of consumption data.
  • the consumption data comprise information relating to a real consumption of fluid of a plurality of consumers during a learning phase.
  • the method according to the present invention comprises an aggregation of consumption data collected in groups.
  • this aggregation by groups is carried out in particular according to one or more specific descriptive variables; this or these variables are associated with each consumer and are contained in the consumption data.
  • these descriptive variables are selected from at least one of the following variables: the region, the type and the housing area, the number of people for housing or the heating mode and / or the air conditioning mode.
  • the method according to the present invention also comprises a determination, from the aggregated consumption data, of an overall load curve for each group.
  • This global load curve is the curve relating to the fluid consumption of each group during the learning phase.
  • the method according to the present invention comprises a calculation of a model of extraction of a load curve, called heating load curve and / or air conditioning.
  • This load heating and / or air conditioning curve is here the curve relating to the fluid consumption for heating and / or cooling of each of the groups.
  • this extraction model is made from each global load curve and meteorological data; preferably, these meteorological data contain at least one meteorological information for each group during the learning phase.
  • the method according to the present invention comprises a prediction of an erased fluid consumption for each group for an erasure phase to come.
  • this prediction is calculated according to each heating load curve and / or air conditioning estimated by the extraction model and a history of consumption data. Thanks to this succession of technical steps, characteristic of the present invention, it is possible to construct during a learning phase a model for extracting a heating and / or air conditioning load curve from a curve. global load, then to predict at a given time, on the basis of a history of consumption data, a fluid consumption erased for an erasure phase to come.
  • the present invention makes it possible to accurately predict a consumption of erased fluid on a set of consumers; this prediction makes it possible, for example, to manage the energy production plan in advance and / or to sell this non-consumed energy on the adjustment market.
  • the method according to the present invention comprises, prior to the aggregation of the consumption data, a pretreatment.
  • a correction of the consumption data for at least one consumer is performed when consumption data of said at least one consumer are missing.
  • This correction makes it possible to have a continuous consumption data sequence on the learning phase, which makes it possible to minimize the errors during the prediction.
  • This preliminary correction can take several forms.
  • the missing consumption data are estimated, during the correction, by interpolation with the other consumption data. collected for that same consumer.
  • the missing consumption data are estimated, during the correction, by searching in a consumption data history for a consumption period. a sequence of consumption data minimizing the distance with the collected consumption data.
  • the threshold period determined is a period of 3 hours.
  • other periods can also be envisaged within the scope of the present invention.
  • the aggregate aggregate load curves obtained with the consumption data are of good quality.
  • the consumption data must be synchronous with each other.
  • the fluid consumption data comprise temporal information relating to the instant at which the consumption of fluid by the consumer has been achieved.
  • the pretreatment advantageously comprises a synchronization of the data when these are desynchronized.
  • this synchronization of the consumption data is performed by interpolation.
  • the meteorological data contains information relating to the outside temperature for each consumer during the learning phase.
  • the method comprises, for each group, the calculation of an average of the temperatures contained in the meteorological data weighted by the called power of the consumers of the group.
  • the calculation of the extraction model comprises a modeling of a consumption power called for heating and / or cooling by the same group at a time t, by a linear regression of the LASSO type carried out according to the following formula: in which :
  • variable dh corresponds to the half-hourly step whose power is sought to be modeled at time t with dh iij f, 48];
  • P t is the global power called for a group at a time t;
  • the LASSO algorithm may be less efficient in estimating model parameters.
  • a PLS type algorithm is used, in particular to retrieve the coordinates of the components.
  • the prediction of the fluid consumption erased at a time t for a forecast horizon k is estimated according to the following formula:
  • X t represents a matrix of explanatory variables of the forecasting model
  • the method further comprises a step of orthogonalizing the matrix f of the explanatory variables of the prediction model by using a PLS1 type algorithm for maximizing the correlation between the components of said matrix X t and the parameters of the prediction model.
  • the method prior to the collection of consumption data, includes consumer stratification in which the inter-stratum variance is maximized and the intra-stratum variance is minimized.
  • this stratification is carried out in particular on the basis of the descriptive variables above.
  • This stratification makes it possible to avoid the installation of a backup device for each of the consumers.
  • the subject of the present invention relates to a computer program which includes instructions adapted to the execution of the steps of the method as described above, this in particular when said computer program is executed by a computer or at least one processor.
  • Such a computer program can use any programming language, and be in the form of a source code, an object code, or an intermediate code between a source code and an object code, such as in a partially compiled form, or in any other desirable form.
  • the subject of the present invention relates to a computer-readable or processor-readable recording medium on which is recorded a computer program comprising instructions for the execution of the steps of the method as described below. above.
  • the recording medium can be any entity or device capable of storing the program.
  • the medium may comprise storage means, such as a ROM, for example a CD-ROM or a microelectronic circuit-type ROM, or a magnetic recording means, for example a diskette of the type " floppy says "or a hard drive.
  • this recording medium can also be a transmissible medium such as an electrical or optical signal, such a signal can be routed via an electrical or optical cable, conventional radio or radio or self-directed laser beam or other means.
  • the computer program according to the invention can in particular be downloaded to an Internet type network.
  • the recording medium may be an integrated circuit in which the computer program is incorporated, the integrated circuit being adapted to execute or to be used in the execution of the method in question.
  • the subject of the present invention also relates to a computer system for predicting a consumption of erased fluid.
  • the computer system comprises:
  • a collection module configured to collect consumption data comprising information relating to a real consumption of fluid of a plurality of consumers during a learning phase
  • a processing circuit configured to aggregate the consumption data collected in groups as a function of at least one specific descriptive variable associated with each consumer and contained in the consumption data
  • a processor configured to determine from the aggregated consumption data an overall load curve for each group; a calculator configured to calculate a model for extracting a load curve, referred to as heating and / or air conditioning, relating to the overall fluid consumption for the heating and / or cooling of each of the groups from each global load curve and meteorological data containing at least one meteorological information for each group during said learning phase, and
  • the computer system also comprises computer means which are specifically configured for the implementation of the steps of the method as described above.
  • the present invention makes it possible to predict in advance and accurately the amount of fluid consumption erased during an erasure phase.
  • the present invention has the advantage of providing with good reliability erasable power without the need to observe the slightest erasure.
  • FIGS. 1 and 5 illustrate an embodiment of this embodiment which is devoid of any limiting character and on which:
  • Figure 1 shows a schematic view of a computer system according to an exemplary embodiment of the present invention
  • FIG. 2 represents a graph illustrating the evolution of the power consumed as a function of the outside temperature
  • FIG. 3 represents a graph illustrating the evolution of the temperature, of a heating and / or air conditioning curve and of an overall load curve as a function of time:
  • FIG. 4 represents a graph illustrating the comparison between the actual erased power and the prediction of an erased power
  • Fig. 5 is a flowchart illustrating the remote learning method according to an advantageous exemplary embodiment of the present invention.
  • the largest erasure field is electric heating and / or air conditioning; the example described here thus relates to the electrical consumption related to the operation of the electric heating or heaters for a home, also called consumer. It will be understood by those skilled in the art that application of the present invention to other fluids and / or other types of consumption may be contemplated.
  • the heating and / or cooling of the customers are controlled in ON / OFF, to predict the erasure, it is necessary to take into account the history of the load curve of the erased use (the heating and / or the air conditioner).
  • the present invention overcomes these problems and offers a powerful alternative solution that saves hardware, installation costs and IT.
  • One of the objectives of the present invention is to reduce the average cost of the solution per customer.
  • the computer system 100 comprises a collection module 10 which is configured to collect during a collection step IF data of consumption D_CONSi, iu [l Jî
  • l ? nj include information relating to a real electricity consumption of a plurality of consumers CONSi, iji .n
  • each of these data also includes temporal information relating to the time at which the consumption of electricity by the consumer has been achieved. We talk about timestamping.
  • this collection SI is performed with a collection step of 30 minutes, which corresponds to a half-hourly step.
  • a collection step of 30 minutes which corresponds to a half-hourly step.
  • another collection step for example a step of 20, 15 or 10 minutes.
  • the step of 30 minutes allows to obtain results of good quality, this step corresponding to the official step of the adjustment mechanism.
  • the consumption data can undergo a pretreatment S2 to improve the operation that follows.
  • this pretreatment comprises firstly a synchronization S2_l consumption data D CONS; when they are out of sync.
  • the consumption data D CONS are synchronized and arrive preferably every 30 minutes from midnight.
  • a consumption data D CONSi for a consumer i having a time stamp corresponding to "00h10m30s" is reduced to "OOhlOmOOs" after synchronization. If alternatively consumption data D CONS; are desynchronized by more than 1 minute, the data is then interpolated to reset the time stamp.
  • the pretreatment also comprises a correction S2_2 of the data.
  • the missing consumption data is estimated by searching in a consumption data history a data sequence minimizing the distance with the consumption data. collected.
  • the data sequence is transformed into a power curve.
  • the curve is then cut daily.
  • the consumption data D CONS are aggregated in groups, Gj, jO [Î, m].
  • Gj the consumption data D CONS; are aggregated in groups, Gj, jO [Î, m].
  • m groups where m is strictly less than or equal to n.
  • This aggregation S3 is performed by a processing circuit 20 as a function of a plurality of specific descriptive variables associated with each consumer CONSi. This variable can be initially contained in the consumption data D CONS;
  • these descriptive variables include information relating for example to the region, the type of housing, the heating and / or air conditioning means, the number of persons per dwelling, etc.
  • the average global charge curve Cg j for each group G j is calculated from consumer consumption data belonging to said group. To each group G j therefore corresponds to a global average load curve Cg j .
  • past erasures and associated load deflates can bias the history of the load curve overall. This may change the extracted heating load curve and alter the prediction of the erasable power potential.
  • meteorological data D MET j are recovered, for example via the collection module 10 or by other means. These data contain weather information for each group G j during said learning phase J.
  • these meteorological data are retrieved from the weather stations SM] to SM j directly by the relief devices DR] to DR n .
  • the relief devices DR 1? DR 2 and DR 3 associated respectively with the consumers CONS 15 CONS 2 , and CONS 3 recover from the weather station SM] the meteorological data D_METi containing information such as, for example, the outside temperature T ⁇ .
  • the DR n-1 and DR n polling devices associated respectively with consumers CONS n-1 and CONS n recover from meteorological station SM m meteorological data D_MET m containing information such that for example, the outside temperature Te m .
  • this data coming from weather stations SM ! SM m associated with each consumer or each group of consumers, can be recovered directly by the collection module 10.
  • the weather stations are geolocated as consumers; thus, to make the association between the consumer and the meteorological data, one looks for the weather station available closest to a consumer. For each group, an average of the curves of the weather stations weighted by the power demand of the customers belonging to the group is calculated so that the meteorological data is representative of the group.
  • An overall load curve Cg j for each group G j is then determined by a processor 30 of the system 100, during a determination step S4.
  • This overall load curve Cg j represents the electricity consumption of each group G j during the learning phase.
  • the present invention seeks to extract the charge curve Cc j , called heating and / or air conditioning, relating to the electricity consumption for heating each of the groups G j from each global load curve.
  • Cg j and meteorological data D MET j ; j is here a positive integer between 1 and m.
  • This extraction requires the best modeling of the impact of temperature on the level of the overall load curve at each moment. This is done by a calculator 40 during a calculation step S5 during which an extraction model is calculated.
  • the variation of the load curve related to heating and / or air conditioning depends on the outside temperature.
  • the inertia of the buildings means that it is not the instantaneous gross external temperature that impacts the level of the load curve, but the whole of the past outside temperatures.
  • this outside temperature impacts the load curve for a certain period; the impact of the outside temperature on this curve then reduces as and when.
  • the so-called heating power is therefore a linear combination of past temperatures if they are below the threshold temperature Ts.
  • the normal temperature variable must be introduced in order to model so-called "seasonal" uses.
  • raw temperatures are used instead of the smoothed temperatures.
  • the present invention therefore provides for an automatic adaptation of the perimeter changes.
  • the underlying concept here consists in estimating the impact of each hourly temperature of the last 48 hours on the power demand of the dwelling at a given moment when these temperatures are below the threshold temperature of heating and / or air conditioning.
  • the delayed temperatures being numerous and strongly correlated with each other, the extraction model is based on a so-called LASSO criterion.
  • the advantage of the LASSO regression is to be able to take into account in the model many variables with a certain correlation between them, which is not possible with a classical linear regression (the estimation of the parameters becomes unstable).
  • the selection of variables of a linear regression is a discrete process, the variable is either retained or eliminated.
  • the LASSO regression is a more continuous selection and allows to keep more information.
  • this temperature is the temperature below which the electric heating or the air conditioning is started.
  • the impact of the temperature on the electrical consumption is significant only below a certain temperature, which is this threshold temperature.
  • the present invention provides for regressing the called power at a time t on the temperature in a B-spline base of degree 1 with an inner node (corresponding to the threshold temperature).
  • the position of the node is varied and the position of the node minimizing the mean squared error of the regression is chosen as optimum.
  • the function to be minimized is therefore the mean squared error of the regression
  • the raw temperature variable is converted into a "thresholded" temperature depending on whether we wish to extract the heating load curve or the air conditioning load curve.
  • the computer system 100 comprises a computer 40 which is configured to model, during a step S5, the called power P £ at a time t by a LASSO regression taking into account the following variables :
  • the computer 40 Since the reaction of the power demand at the temperature differs from half an hour to another, it is desirable to estimate a LASSO model in no time in a day (ie 48 models and therefore 48 sets of parameters in the half hour case); the computer 40 according to the present invention is therefore implemented to implement the following algorithm:
  • dh corresponds to the "half-hour type" whose power is sought to be modeled at time t with ah E l, 48j
  • the LASSO algorithm may be less efficient in estimating model parameters.
  • Pc t is an estimate of the heating power demand at time t for the half-hour type dh.
  • This history is then used as a learning history to develop the prediction model of erasable power.
  • the load curve of the erasable power is in the example described here the load curve Cc j relative to the heating and / or air conditioning since it is the only use that we pilot.
  • predicting the load curve of the erasable power is to predict the load curve of the power demand called heating and / or air conditioning.
  • the heating load curve Cc j was extracted from the overall load curve Cg j .
  • a predictor 50 which is configured to calculate a prediction of an erased power consumption for future erasure in a prediction step S6.
  • the estimation of the heating and / or air conditioning load curve on the data history is used as a learning history to establish a prediction model of the load curve of heating and / or air conditioning.
  • the variables retained in this model are as follows:
  • the reaction of the power demand at the temperature differs from half an hour to another. Consequently, the prediction depends on the half-hour type of the instant t + k that one wishes to predict.
  • Pc t + k is an estimate of the expected power in t + k where t is the time when the forecast is made and k the forecast horizon
  • • is the link function between the predictable variable and the explanatory variables of the forecasting model, with dh the typical half-hour of the time t + k that we are trying to predict.
  • the predictor 50 is thus configured to implement the following mathematical algorithm:
  • Pc t + k is the erase field that we want to predict at time t + k
  • X t represents the matrix of explanatory variables of the forecasting model where each of the columns corresponds to each of the variables previously listed above
  • the LASSO algorithm may have a lower efficiency in estimating model parameters.
  • the construction of the components must be done according to their link with the variable to explain (in our case the power to be provided at time t).
  • T the constraint of penalization.
  • the formula implemented on the predictor 50 is the following at a time t to obtain the expected erasable power at a horizon k:
  • the client refuses to have some of his appliances piloted like a towel dryer in the bathroom. He wants to be able to keep the management of the device,
  • the electrical panel does not clearly identify the devices to be cut, - part of the customers of the group cancels the deletion order.
  • the heating or cooling load curve Ccj of the customers of the group j is greater than the erasable charge curve Cej on the customers of the group j, Ccj> Cej.
  • the proposed solution is to conduct a survey.
  • the backup devices are installed only for certain consumers and not for all consumers of the erasure portfolio.
  • the energy operator holds information on the type of housing, the surface of the dwelling, the year of construction of the dwelling, the weather station closest to the customer's place of residence, the regular presence of 'a person during the day, the number of people in the dwelling.
  • the data collection is done by stratified sampling.
  • the strata consist of so-called homogeneous consumers. In other words, consumers in the same stratum must be as homogeneous as possible.
  • the collection of consumption data in each stratum is done by a simple random survey without discount.
  • the present invention makes it possible to integrate an erase deposit upstream in order to integrate it into an energy production plan.
  • This allows for example a supplier to predict in the short term the amount of erasable energy on a set of customers (also called erasure deposit).
  • the erasure field is explained by various explanatory variables which are notably the rhythm of life, the type of housing, the outside temperature.
  • This outside temperature is the most significant variable, especially with regard to consumption for heating and / or electric air conditioning.
  • the present invention proposes a mathematical and statistical approach to take into account all of these parameters and to be able to predict with accuracy this deposit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

La présente invention concerne un système informatique (100) de prédiction d'une consommation de fluide effacée comportant; un module de collecte (10) de données de consommation (D_CONSi, i∈[l,n]) comportant des informations relatives à une consommation réelle de fluide d'une pluralité de consommateurs (CONSi, i∈[l,n]) pendant une phase d'apprentissage (J), - un circuit de traitement (20) pour agréger les données de consommation collectées (D_CONSi) par groupes (Gj, j∈[l,m]) en fonction d'au moins une variable descriptive déterminée associée à chaque consommateur (CONSi) et contenue dans les données de consommation (D_CONSi), - un processeur (30) pour déterminer à partir des données de consommation agrégées (D_CONSi) une courbe de charge globale (Cgj) pour chaque groupe (Gj), - un calculateur (40) pour calculer un modèle d'extraction d'une courbe de charge (Ccj), dite chauffage et/ou climatisation, à partir de chaque courbe de charge globale (Cgj) et de données météorologiques (D_METj), et - une prédicteur (50) pour calculer une prédiction d'une consommation de fluide effacée pour chaque groupe (Gj) pendant une phase d'effacement à venir (J+l).

Description

PREDICTION D'UNE CONSOMMATION DE FLUIDE EFFACEE
Domaine technique
L'objet de la présente invention a trait au domaine de la gestion de la consommation de fluide, et porte plus particulièrement sur la réduction de la consommation de fluide.
Un des objectifs de la présente invention est de prédire avec précision à un instant déterminé la quantité de fluide effacée pour une phase d'effacement à venir.
La présente invention trouve ainsi de nombreuses applications avantageuses notamment pour les opérateurs énergétiques en leur permettant de gérer de façon optimisée leur production de fluide et d'assurer un équilibre entre l'offre et la demande en fluide, notamment lors de pic de consommation.
La présente invention trouve également d'autres applications avantageuses notamment pour les opérateurs d'ajustement en leur permettant de quantifier avec précision la consommation de fluide effacée lors d'une période d'effacement, ceci par exemple afin de contractualiser une offre d'effacement.
Par fluide au sens de la présente invention, il faut comprendre ici dans toute la présente description qui suit toute source énergétique, telle que par exemple l'électricité, l'eau, ou encore le gaz ou le fioul, susceptible d'être consommée par un équipement d'une installation (domestique ou industrielle) en vue notamment de son fonctionnement.
Etat de la technique
Maîtriser la consommation de fluides est devenu un défi quotidien et grandissant, ceci tant pour les particuliers que pour les industriels : les raisons qui incitent à maîtriser cette consommation sont aussi bien d'ordre économique (coûts financiers élevés) que d'ordre écologique (pollution, émission de gaz à effet de serre, gestion des ressources naturelles).
Pour maîtriser cette consommation, les opérateurs énergétiques mettent en place depuis plusieurs années des politiques énergétiques performantes visant à réduire la consommation de fluide, notamment pendant les périodes de pic de consommation. Chez les particuliers, ce pic de consommation survient le plus souvent l'hiver entre 18 et 20 heures ; ceci s'explique notamment par les conditions climatiques à cette période de l'année et les usages domestiques classiques.
Ce pic de consommation provient notamment de la consommation de fluide appelée pour le chauffage et/ou pour la climatisation. Il s'agit principalement d'une consommation en énergie électrique.
En hiver, lorsque les températures sont au plus bas, ces pics de consommation peuvent dépasser les 100 Gigawatts, comme par exemple en France en février 2012.
Comme l'électricité ne se stocke pas, il faut en permanence s'assurer que la consommation en électricité soit égale à la production ; cet équilibre est fragilisé lorsque la demande est forte.
Généralement, un pic de consommation de fluide énergétique est satisfait par des moyens de production « rapides » qui sont bien souvent polluants : par exemple, pour la production d'énergie électrique, des turbines à combustion sont utilisées.
Dans le domaine de l'énergie électrique, on connaît depuis plusieurs dizaines d'années la mise en place d'incitation tarifaire pour réduire la consommation en énergie pendant les pics de consommation.
Pour assurer l'équilibre entre la consommation de fluide et la production, plutôt que de continuer à construire toujours plus de centrales électriques et investir sur le réseau, les fournisseurs d'énergie électrique cherchent désormais à limiter la consommation en sollicitant des clients pour qu'ils consomment moins durant certaines périodes.
Ainsi, la plupart des fournisseurs d'énergie électrique ont mis en place des tarifs spécifiques pour les heures dites « creuses » et les heures dites « pleines » : le prix de l'électricité est ainsi augmenté sur une tranche horaire déterminée afin de réduire ou de reporter la demande.
D'autres solutions sont également mises en place pour mieux maîtriser cette consommation et assurer l'équilibre entre la production et la consommation ; les opérateurs énergétiques ont ainsi développé une politique accrue dans la Gestion Active de la Demande, également connue sous l'acronyme « GAD » ; cette gestion vise à maîtriser et réduire la consommation en fluide énergétique. Ce type de gestion fonctionne aussi bien sur le marché résidentiel que sur le marché des industriels.
Parmi ces solutions, l'une d'entre elles consiste à contrôler directement la charge électrique de certains équipements.
Par exemple, certains usages électriques tels que le chauffage peuvent être interrompus volontairement aux heures de forte demande, ceci par exemple pour une durée de deux heures (de préférence entre 18 et 20 heures).
Pendant ces heures de réduction de consommation électrique, on dit que le client « s 'efface », le client ayant souscrit à un tel service d'effacement (bien souvent en bénéficiant de tarifs préférentiels en contrepartie).
Ces moyens de contrôle de la charge ne sont généralement actionnés que quelques jours par an (15 à 20 jours) pendant l'hiver.
Ceci permet de réduire de façon significative la consommation en fluide ainsi que la facture finale du consommateur.
II est désormais devenu décisif et stratégique de pouvoir prédire, à l'avance et avec précision, cette quantité de fluide effacée, appelée également « effacement » ; cette quantité de fluide effacée correspond ici à la différence entre la quantité de fluide effectivement consommée et la quantité de fluide qui aurait été consommée si le client ne s'était pas effacé (cette quantité théorique s'appelle également « baseline »).
Cependant, pour que les effacements soient utiles, il faut connaître précisément le potentiel de puissance effaçable.
Si le niveau de puissance effacée est inconnu ou trop imprécis, des moyens de production additionnels doivent être prévus pour prendre la relève de l'effacement en cas de besoin, ce qui limite l'intérêt de l'effacement.
Pour que l'effacement ait un réel intérêt et soit performant, il faut être en mesure de prévoir de manière fiable la puissance effaçable sur le portefeuille client.
Cette prédiction de la quantité de fluide effacée, ou effacement, est d'autant plus stratégique qu'il est désormais possible de valoriser cet effacement en revendant cette énergie, par exemple à un industriel pour qu'il fasse fonctionner son usine ou à un autre opérateur énergétique (par exemple étranger) : il existe en effet des opérateurs qui s'engagent contractuellement à vendre à un autre opérateur pendant un pic une quantité d'énergie non consommée par exemple toutes les demi-heures sur un intervalle de temps prédéterminé.
Ce type de pratique permet à un opérateur de faire face à la demande, ce qui permet de réguler la production de fluide.
Prédire à l'avance cette consommation de fluide effacée permet de pouvoir quantifier une quantité de fluide énergétique en vue par exemple d'indiquer cette quantité dans un contrat de vente. Ainsi, dans le contrat, l'opérateur peut s'engager à fournir pendant une période déterminée une quantité de fluide énergétique.
On comprend qu'il est donc décisif de pouvoir réaliser une telle prévision avec une grande précision afin de respecter cet engagement contractuel.
A un niveau plus local, sur une branche du réseau « basse tension » par exemple, il est possible de créer des groupes de clients effaçables en fonction de la typologie du réseau.
Ainsi, lorsque les moyens de production ou les ouvrages des réseaux locaux sont sous-dimensionnés pour répondre à la demande, il est possible d'effacer les chauffages ou les climatisations des groupes de clients acceptant de s'effacer pour éviter de délester la région toute entière.
Il est alors possible de prédire la puissance effaçable sur chaque groupe de clients effaçables, et grâce à cette prédiction, seul le nombre de clients nécessaires à assurer l'équilibre production-consommation est effacé.
Cela permet entre autres d'éviter de couper toujours les mêmes clients.
Cela permet également de préserver ainsi le confort de ces derniers et de garder par conséquent un bon niveau d'acceptabilité du service d'effacement.
En effet, si le niveau de confort d'un client baisse trop, il sera difficile de continuer à le solliciter pour l'effacement, on risque de voir de nombreux clients refuser l'effacement.
Bien prévoir la puissance effaçable permet donc d'optimiser le placement des effacements chez les clients afin de limiter la baisse de confort des clients et améliorer l'acceptabilité de l'effacement par ces derniers.
Si l'effacement de consommation n'est pas nouveau, celui est devenu plus compliqué à prévoir. En effet, avec l'émergence des nouvelles technologies et le pilotage à distance des usages chauffage et/ou climatisation, il est devenu plus flexible.
Un opérateur peut donc décider d'effacer un nombre quelconque de clients parmi son portefeuille à toutes heures pour une durée variable.
Cela change considérablement des formats « figés » qui sont mis en place actuellement.
De plus, les clients sont très souvent invités et encouragés à changer d'offres. Les groupes de clients participant à l'effacement sont donc potentiellement modifiés d'une saison à l'autre:
- des clients n'adhérant pas à l'effacement une saison peuvent passer au service la saison suivante ;
des clients peuvent arrêter subitement leur souscription au service d'effacement ;
des clients changent désormais facilement de fournisseur ou d'opérateur d'effacement.
La prévision de l'effacement ne peut donc pas se construire uniquement sur un historique limité de données.
Les groupes de clients ayant été modifiés en structure, leur réponse à l'effacement est également modifiée.
Ainsi, au début de chaque saison, les opérateurs ont des groupes de clients effaçables sans avoir observé le moindre effacement sur chacun des groupes.
De plus, les effacements sont utiles une vingtaine de fois l'hiver et une dizaine de fois l'été.
Même si un groupe de clients n'est pas modifié d'une saison à l'autre, il faut plusieurs années pour disposer d'un nombre suffisant d'observations permettant d'estimer les paramètres ou les fonctions de lien par des méthodes classiques.
En effet, pour estimer précisément l'effacement à toutes heures, tous types de jours et selon toutes conditions climatiques, il faut généralement des années d'observations pour la mise au point des modèles reposant sur des méthodes classiques. Les équipes en lien avec le pilotage opérationnel du système électrique, comme les fournisseurs, distributeurs ou opérateurs d'effacements se trouvent donc démunis pour prendre en compte les effacements dans leur optimisation de la charge et donc ont tendance à sous-utiliser le potentiel des nouveaux dispositifs d'effacement.
Le document EP 2 047 577 concerne l'effacement et propose une solution pour réguler la consommation d'énergie. Plus particulièrement, ce document décrit un procédé de gestion et de modulation en temps réel de la consommation électrique d'un ensemble de consommateurs. Dans ce document, pour connaître la consommation en temps réel, le procédé prévoit l'installation d'un boîtier de régulation électrique chez chaque consommateur pour envoyer en mode « push » un relevé périodique des mesures de consommation vers un serveur central qui recueille ces informations et établit une estimation individuelle de la consommation.
Cependant, la demanderesse soumet que rien dans ce document ne décrit précisément la méthode utilisée pour réaliser une prédiction de la consommation de fluide effacée.
Selon la demanderesse, il n'existe pas à ce jour dans l'état de la technique de méthode performante pour prédire, à l'avance et avec précision, la consommation de fluide effacée.
Résumé et objet de la présente invention
La présente invention vise à améliorer la situation décrite ci-dessus.
Ainsi, la présente invention propose une approche statistique pour prédire efficacement la consommation de fluide effacée pour une phase d'effacement à venir.
Plus particulièrement, l'objet de la présente invention concerne un procédé de prédiction d'une consommation de fluide effacée qui est mis en œuvre par des moyens informatiques ; le procédé de prédiction comporte tout d'abord une collecte de données de consommation.
Avantageusement, les données de consommation comportent des informations relatives à une consommation réelle de fluide d'une pluralité de consommateurs pendant une phase d'apprentissage.
Suite à cette collecte, le procédé selon la présente invention comporte une agrégation des données de consommation collectées par groupes. De préférence, cette agrégation par groupes est réalisée notamment en fonction d'une ou plusieurs variables descriptives déterminées ; ce ou ces variables sont associées à chaque consommateur et sont contenues dans les données de consommation.
De préférence, ces variables descriptives sont sélectionnées parmi au moins l'une des variables suivantes: la région, le type et la surface de logement, le nombre de personnes pour le logement ou encore le mode de chauffage et/ou le mode de climatisation.
Bien évidemment, l'homme du métier comprendra ici que d'autres variables descriptives peuvent également être envisagées dans le cadre de la présente invention.
Avantageusement, le procédé selon la présente invention comporte également une détermination, à partir des données de consommation agrégées, d'une courbe de charge globale pour chaque groupe. Cette courbe de charge globale est la courbe relative à la consommation de fluide de chaque groupe pendant la phase d'apprentissage.
Avantageusement, le procédé selon la présente invention comporte un calcul d'un modèle d'extraction d'une courbe de charge, dite courbe de charge chauffage et/ou climatisation.
Cette courbe de charge chauffage et/ou climatisation est ici la courbe relative à la consommation de fluide pour le chauffage et/ou la climatisation de chacun des groupes.
De préférence, le calcul de ce modèle d'extraction est réalisé à partir de chaque courbe de charge globale et de données météorologiques ; de préférence, ces données météorologiques contiennent au moins une information relative aux conditions météorologiques pour chaque groupe pendant la phase d'apprentissage.
Avantageusement, le procédé selon la présente invention comporte une prédiction d'une consommation de fluide effacée pour chaque groupe pour une phase d'effacement à venir.
Selon la présente invention, cette prédiction est calculée en fonction de chaque courbe de charge chauffage et/ou climatisation estimée par le modèle d'extraction et d'un historique de données de consommation. Grâce à cette succession d'étapes techniques, caractéristique de la présente invention, il est possible de construire lors d'une phase d'apprentissage un modèle d'extraction d'une courbe de charge chauffage et/ou climatisation à partir d'une courbe de charge globale, pour ensuite prédire à un instant déterminé, sur la base d'un historique de données de consommation, une consommation de fluide effacée pour une phase d'effacement à venir.
Ainsi, selon les résultats obtenus par la demanderesse, la présente invention permet de prédire avec précision une consommation de fluide effacée sur un ensemble de consommateurs ; cette prédiction permet par exemple de gérer à l'avance le plan de production en énergie et/ou de vendre cette énergie non-consommée sur le marché de l'ajustement.
Avantageusement, le procédé selon la présente invention comporte, préalablement à l'agrégation des données de consommation, un prétraitement.
Au cours de ce prétraitement, une correction des données de consommation pour au moins un consommateur est réalisée lorsque des données de consommation dudit au moins un consommateur sont manquantes.
Cette correction permet d'avoir une séquence de données de consommation continue sur la phase d'apprentissage, ce qui permet de minimiser les erreurs lors de la prédiction.
Cette correction préalable peut prendre plusieurs formes.
Par exemple, lorsque, pour un même consommateur, des données de consommation sont manquantes sur une période inférieure ou égale à une période seuil prédéterminée, alors les données de consommation manquantes sont estimées, lors de la correction, par interpolation avec les autres données de consommation collectées pour ce même consommateur.
Par contre, lorsque, pour un même consommateur, des données de consommation sont manquantes sur une période supérieure à une période seuil prédéterminée, alors les données de consommation manquantes sont estimées, lors de la correction, en recherchant dans un historique de données de consommation une séquence de données de consommation minimisant la distance avec les données de consommation collectées. Ces deux approches complémentaires pour corriger les données manquantes sont satisfaisantes : elles minimisent les erreurs de correction.
De préférence, la période seuil déterminée est une période de 3 heures. Bien évidemment, l'homme du métier comprend ici que d'autres périodes peuvent également être envisagées dans le cadre de la présente invention.
Il est souhaitable que les courbes de charge globale agrégées obtenues avec les données de consommation soient de bonne qualité. Pour ce faire, les données de consommation doivent être synchrones entre elles. Ainsi, selon une variante avantageuse, les données de consommation de fluide comportent une information temporelle relative à l'instant auquel la consommation de fluide par le consommateur a été réalisée. Selon cette variante, le prétraitement comporte avantageusement une synchronisation des données lorsque celles-ci sont désynchronisées.
De préférence, cette synchronisation des données de consommation est réalisée par interpolation.
Avantageusement, les données météorologiques contiennent une information relative à la température extérieure pour chaque consommateur pendant la phase d'apprentissage.
Afin que ces données météorologiques soient les plus représentatives du groupe, le procédé comporte, pour chaque groupe, le calcul d'une moyenne des températures contenues dans les données météorologiques pondérée par la puissance appelée des consommateurs du groupe.
Avantageusement, le calcul du modèle d'extraction comporte une modélisation d'une puissance de consommation appelée pour le chauffage et/ou climatisation par un même groupe à un instant t, par une régression linéaire de type LASSO réalisée selon la formule suivante: dans laquelle :
- la variable dh correspond au pas demi-horaire dont on cherche à modéliser la puissance à l'instant t avec dh iij f ,48] ; - Pt est la puissance globale appelée pour un groupe à un instant t ;
- fi est la constante associée au modèle ;
- correspondent aux paramètres associés aux variables de températures Tct_h ;
- correspond au paramètre associé à la température normale ;
- τ est une contrainte de pénalisation ; et
- βάΗ (τ) correspond au vecteur des estimations des paramètres du modèle d'extraction.
Les variables de températures étant potentiellement corrélées entre elles, l'algorithme de type LASSO peut rencontrer une moindre efficacité dans l'estimation des paramètres du modèle.
Pour améliorer l'estimation, il est avantageux de remplacer les variables températures par des composantes, combinaisons linéaires des variables températures, qui soient orthogonales entre elles.
La construction des composantes se fait alors en fonction de leur lien avec la variable à expliquer (par exemple ici la puissance appelée à l'instant t).
Pour réaliser cela, un algorithme de type PLS est utilisé, notamment pour récupérer les coordonnées des composantes.
Dans ce cas, seules les composantes issues de la régression PLS sont retenues pour l'estimation des paramètres du modèle se faisant par régression LASSO.
Avantageusement, la prédiction de la consommation de fluide effacée à un instant t pour un horizon de prévision k est estimée selon la formule suivante :
Pct+k = xtùdh
dans laquelle :
- Xt représente une matrice de variables explicatives du modèle de prévision ; et
- ΩΜ (τ) correspond au vecteur des estimations des paramètres du modèle de prédiction.
Avantageusement, le procédé comporte en outre une étape d'orthogonalisation de la matrice f des variables explicatives du modèle de prévision en utilisant un algorithme de type PLS1 pour maximiser la corrélation entre les composantes de ladite matrice Xt et les paramètres du modèle de prédiction.
Il est encore possible d'optimiser le procédé et d'en réduire les coûts.
Pour ce faire, préalablement à la collecte de données de consommation, le procédé comporte une stratification des consommateurs au cours de laquelle la variance inter-strates est maximisée et la variance intra-strates est minimisée.
De préférence, cette stratification est réalisée notamment sur la base des variables descriptives ci-dessus.
Cette stratification permet d'éviter l'installation de dispositif de relève chez chacun des consommateurs.
Corrélativement, l'objet de la présente invention porte sur un programme d'ordinateur qui comporte des instructions adaptées pour l'exécution des étapes du procédé tel que décrit ci-dessus, ceci notamment lorsque ledit programme d'ordinateur est exécuté par un ordinateur ou au moins un processeur.
Un tel programme d'ordinateur peut utiliser n'importe quel langage de programmation, et être sous la forme d'un code source, d'un code objet, ou d'un code intermédiaire entre un code source et un code objet, tel que dans une forme partiellement compilée, ou dans n'importe quelle autre forme souhaitable.
De même, l'objet de la présente invention porte sur un support d'enregistrement lisible par un ordinateur ou un processeur et sur lequel est enregistré un programme d'ordinateur comprenant des instructions pour l'exécution des étapes du procédé tel que décrit ci-dessus.
D'une part, le support d'enregistrement peut être n'importe quel entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire ROM, par exemple un CD-ROM ou une mémoire ROM de type circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une disquette de type « floppy dise » ou un disque dur.
D'autre part, ce support d'enregistrement peut également être un support transmissible tel qu'un signal électrique ou optique, un tel signal pouvant être acheminé via un câble électrique ou optique, par radio classique ou hertzienne ou par faisceau laser autodirigé ou par d'autres moyens. Le programme d'ordinateur selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme d'ordinateur est incorporé, le circuit intégré étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
L'objet de la présente porte également sur un système informatique de prédiction d'une consommation de fluide effacée.
Plus particulièrement, le système informatique comporte :
- un module de collecte configuré pour collecter des données de consommation comportant des informations relatives à une consommation réelle de fluide d'une pluralité de consommateurs pendant une phase d'apprentissage,
- un circuit de traitement configuré pour agréger les données de consommation collectées par groupes en fonction d'au moins une variable descriptive déterminée associée à chaque consommateur et contenue dans les données de consommation,
- un processeur configuré pour déterminer à partir des données de consommation agrégées une courbe de charge globale pour chaque groupe, - un calculateur configuré pour calculer un modèle d'extraction d'une courbe de charge, dite chauffage et/ou climatisation, relative à la consommation globale de fluide pour le chauffage et/ou climatisation de chacun des groupes à partir de chaque courbe de charge globale et de données météorologiques contenant au moins une information relative aux conditions météorologiques pour chaque groupe pendant ladite phase d'apprentissage, et
- un prédicteur configuré pour calculer une prédiction d'une consommation de fluide effacée pour chaque groupe pendant une phase d'effacement à venir en fonction de chaque courbe de charge chauffage et/ou climatisation estimée par le modèle d'extraction et d'un historique de données de consommation. Avantageusement, le système informatique selon la présente invention comporte également des moyens informatiques qui sont spécifiquement configurés pour la mise en œuvre des étapes du procédé tel que décrit ci-dessus.
Ainsi, par ses différents aspects fonctionnels et structurels décrits ci-dessus, la présente invention permet de prédire à l'avance et avec précision la quantité de consommation de fluide effacée lors d'une phase d'effacement.
La présente invention a pour avantage de prévoir avec une bonne fiabilité la puissance effaçable sans avoir besoin d'observer le moindre effacement.
Brève description des figures annexées
D'autres caractéristiques et avantages de la présente invention ressortiront de la description ci-dessous, en référence aux figures 1 et 5 annexées qui en illustrent un exemple de réalisation dépourvu de tout caractère limitatif et sur lesquelles :
la figure 1 représente une vue schématique d'un système informatique conforme à un exemple de réalisation de la présente invention ;
la figure 2 représente un graphique illustrant l'évolution de la puissance consommée en fonction de la température extérieure ;
la figure 3 représente un graphique illustrant l'évolution de la température, d'une courbe chauffage et/ou climatisation et d'une courbe de charge globale en fonction du temps :
la figure 4 représente un graphique illustrant la comparaison entre la puissance effacée réelle et la prévision d'une puissance effacée ; et
la figure 5 représente un organigramme illustrant le procédé d'apprentissage à distance selon un exemple de réalisation avantageux de la présente invention.
Description détaillée d'un mode de réalisation de l'invention
Un procédé de prédiction d'une consommation de fluide effacée, selon un mode de réalisation avantageux, ainsi que le système informatique associé vont maintenant être décrits dans ce qui suit en faisant référence conjointement aux figures 1 à 5.
Le mécanisme de l'effacement a déjà été décrit précédemment.
Il a notamment été mentionné qu'afin qu'une puissance effacée soit prise en compte dans le plan de production d'un opérateur énergétique ou vendue sur le marché d'ajustement, il est souhaitable de prévoir le plus précisément possible cet effacement, cet effacement correspondant à une quantité de fluide énergétique non consommé.
Dans le secteur résidentiel, le gisement d'effacement le plus important concerne le chauffage électrique et/ou la climatisation ; l'exemple décrit ici porte donc sur la consommation électrique liée au fonctionnement du ou des chauffages électriques pour un foyer, encore appelé consommateur. L'homme du métier comprendra ici que l'application de la présente invention à d'autres fluides et/ou d'autres types de consommation peut être envisagée.
Comme le chauffage et/ou la climatisation des clients sont pilotés en ON/OFF, pour prévoir l'effacement, il est nécessaire de prendre en considération l'historique de la courbe de charge de l'usage effacé (le chauffage et/ou la climatisation).
Classiquement, pour prédire cet effacement, il est nécessaire de collecter la courbe chauffage et/ou climatisation de chaque client, traiter puis agréger l'ensemble de ces courbes et enfin prévoir à un horizon déterminé la puissance appelée de chauffage et/ou de climatisation pour déterminer le potentiel d'effacement à cet horizon.
Cette approche coûte cher.
Elle nécessite en effet d'instrumenter le système de chauffage électrique et de climatisation de chaque foyer, ce qui implique le déploiement d'un matériel spécifique et l'intervention d'un électricien spécialisé.
Par ailleurs, cette approche nécessite un système informatique très évolué pour traiter l'ensemble de la chaîne d'acquisition des données dans un délai raisonnable.
En d'autres termes, prévoir cet effacement coûte cher.
La présente invention remédie à ces problèmes et propose une solution alternative performante qui permet une économie de matériel, de frais d'installation et d'informatique.
Un des objectifs de la présente invention est de diminuer le coût moyen de la solution par client.
Ainsi, dans l'exemple décrit ici, et comme illustré en figure 1, le système informatique 100 selon la présente invention comporte un module de collecte 10 qui est configuré pour collecter lors d'une étape de collecte SI des données de consommation D_CONSi, iu[l Jî| qui sont envoyés par les dispositifs de relève DRl5 DRn associés à chaque compteur électrique installé chez chaque consommateur CONSi, ilJ [1,4
Dans l'exemple décrit ici, ces données D_CONSi, iG | l?nj comportent notamment des informations relatives à une consommation réelle en électricité d'une pluralité de consommateurs CONSi, i j i .n | pendant une phase d'apprentissage i.
Dans l'exemple décrit ici, chacune de ces données comportent également une information temporelle relative à l'instant auquel la consommation en électricité par le consommateur a été réalisée. On parle d'horodatage.
Dans l'exemple décrit ici, cette collecte SI est réalisée avec un pas de collecte de 30 minutes, ce qui correspond à un pas demi-horaire. Bien évidemment, l'homme du métier comprendra ici qu'il est possible de prévoir une collecte des données avec un autre pas de collecte, par exemple un pas de 20, 15 ou encore 10 minutes.
Le pas de 30 minutes permet d'obtenir des résultats de bonne qualité, ce pas correspondant au pas officiel du mécanisme d'ajustement.
Suite à cette collecte SI, les données de consommation peuvent subir un prétraitement S2 pour en améliorer l'exploitation qui va suivre.
Dans l'exemple décrit ici, ce prétraitement comporte d'une part une synchronisation S2_l des données de consommation D CONS; lorsque celles-ci sont désynchronisées.
Dans l'exemple décrit ici, en effet, il est souhaitable que les données de consommation D CONS; soient synchronisées et arrivent de préférence toutes les 30 minutes à partir de minuit.
Dans l'exemple décrit ici, si les données de consommation D CONSi sont désynchronisées de moins de 1 minute, on modifie seulement l 'horodatage de ces données.
Par exemple, une donnée de consommation D CONSi pour un consommateur i présentant un horodatage correspondant à « 00hl0m30s » est ramené à « OOhlOmOOs » après synchronisation. Si alternativement les données de consommation D CONS; sont désynchronisées de plus de 1 minute, on interpole alors les données pour recaler l'horodatage.
Dans l'exemple décrit ici, une fois synchronisées, les données peuvent être corrigées si nécessaire. Ainsi, le prétraitement comporte d'autre part une correction S2_2 des données.
Plus particulièrement, lorsque des données de consommation D CONSi d'au moins un consommateur CONS; sont manquantes, alors ces données sont corrigées ou plutôt complétées.
Dans l'exemple décrit ici, lorsque, pour un même consommateur CONSi, des données de consommation D CONSi sont manquantes sur une période inférieure ou égale à une période seuil égale à par exemple 3 heures, alors les données de consommation manquantes sont estimées par interpolation avec les autres données de consommation collectées pour ce même consommateur.
En d'autres termes, lorsqu'une séquence de données manquantes est inférieure à 3 heures, alors on interpole les données de consommation manquantes avec les autres données de consommation collectées.
Dans l'exemple décrit ici, si par contre la séquence de données manquantes est supérieure à 3 heures, alors les données de consommation manquantes sont estimées en recherchant dans un historique de données de consommation une séquence de données minimisant la distance avec les données de consommation collectées.
En d'autres termes, dans l'exemple décrit ici, si cette séquence de données manquantes est supérieure à 3 heures (et inférieure à 24 heures), on réalise une copie de forme.
On transforme la suite de données en courbe de puissances. On découpe ensuite la courbe par jour.
Dans cet exemple, si la courbe originale comprend 200 jours, il en résulte 200 courbes. Pour corriger la séquence manquante d'une courbe journalière, on cherche parmi les jours sans valeurs manquantes la courbe dont la distance est minimale sur les pas de temps non manquants avec la courbe comportant une séquence manquante. On copie les puissances de la courbe sélectionnée sur les points manquants recalé sur l'énergie des points non manquants.
Ainsi, grâce à ces différents prétraitements réalisés par un circuit de prétraitement 60 configuré à cet effet, on dispose d'une séquence de données de consommation complète.
Une fois ces prétraitements réalisés, les données de consommation D CONS; sont agrégées par groupes, Gj, jO[Î,m]. Ici on prend l'exemple de m groupes, où m est strictement inférieur ou égal à n.
Cette agrégation S3 est réalisée par un circuit de traitement 20 en fonction d'une pluralité de variables descriptives déterminées associées à chaque consommateur CONSi. Cette variable peut être initialement contenue dans les données de consommation D CONS;.
Dans l'exemple décrit ici, ces variables descriptives comprennent des informations relatives par exemple à la région, le type de logement, le moyen de chauffage et/ou de climatisation, le nombre de personne par logement, etc.
Ces variables descriptives peuvent également être récupérées lors d'un sondage réalisé préalablement, et être stockées dans une base de données du système 100 (non représentée ici).
L'homme du métier comprendra donc ici que cette agrégation des données de consommations est réalisée selon la manière dont l'opérateur souhaite gérer son portefeuille de clients.
Suite à cette agrégation S3, on calcule, lors d'une étape de détermination S4, la courbe de charge globale moyenne Cgj pour chaque groupe Gj à partir des données de consommation relatives aux consommateurs appartenant audit groupe. A chaque groupe Gj correspond donc une courbe de charge globale moyenne Cgj.
Il est possible que ces données de consommations soient biaisées, ceci est notamment le cas lorsque par exemple la période d'apprentissage comporte une ou plusieurs période d'effacement.
Dans ce cas, les effacements passés et les reports de charge associés (également connus sous le terme « rebond ») peuvent biaiser l'historique de la courbe de charge globale. Ceci peut venir modifier la courbe de charge de chauffage extraite et altérer la prévision du potentiel de puissance effaçable.
Il peut donc être nécessaire de corriger le biais des variables résultant de l'effacement et du report de charge. Pour cela, il est prévu optionnellement d'estimer la « baseline » pendant l'effacement et ce jusqu'à 3 heures après l'effacement.
Ceci est possible, notamment grâce à l'implémentation du procédé d'estimation décrit dans la demande de brevet FR 13 54694 appartenant à la demanderesse.
Ainsi, grâce à l'application de ce procédé d'estimation, les puissances biaisées de l'historique de données vont être remplacées par celles de la « baseline ».
Ensuite, dans l'exemple décrit ici, des données météorologiques D METj sont récupérées, par exemple via le module de collecte 10 ou par d'autres moyens. Ces données contiennent des informations relatives aux conditions météorologiques pour chaque groupe Gj pendant ladite phase d'apprentissage J.
Plus particulièrement, selon une variante, ces données météorologiques sont récupérées des stations météo SM] à SMj directement par les dispositifs de relève DR] à DRn.
Dans l'exemple décrit ici et illustré en figure 1 , les dispositifs de relève DR1 ? DR2 et DR3 associés respectivement aux consommateurs CONSl5 CONS2, et CONS3 récupèrent de la station météo SM] la donnée météorologique D_METi contenant une information telle que par exemple la température extérieure T \. De la même façon, dans l'exemple décrit ici, les dispositifs de relève DRn-1 et DRn associés respectivement aux consommateurs CONSn-1 et CONSn récupèrent de la station météo SMm la donnée météorologique D_METm contenant une information telle que par exemple la température extérieure Tem.
II s'agit bien évidemment d'un exemple parmi d'autres exemples.
Alternativement, ces données, provenant de stations météo SM! à SMm associées à chaque consommateur ou chaque groupe de consommateurs, peuvent être récupérées directement par le module de collecte 10. Dans ce cas, les stations météos sont géolocalisées tout comme les consommateurs ; ainsi, pour faire l'association entre le consommateur et la donnée météorologique, on recherche la station météo disponible la plus proche d'un consommateur. Pour chaque groupe, une moyenne des courbes des stations météo pondérée par la puissance appelée des clients appartenant au groupe est calculée afin que la donnée météo soit représentative du groupe.
Une courbe de charge globale Cgj pour chaque groupe Gj est ensuite déterminée par un processeur 30 du système 100, lors d'une étape de détermination S4.
Cette courbe de charge globale Cgj représente la consommation en électricité de chaque groupe Gj pendant la phase d'apprentissage.
Dans l'exemple décrit ici, la présente invention cherche à extraire la courbe de charge Ccj, dite chauffage et/ou climatisation, relative à la consommation en électricité pour le chauffage de chacun des groupes Gj à partir de chaque courbe de charge globale Cgj et des données météorologiques D METj ; j est ici un entier positif compris entre 1 et m.
Cette extraction exige de modéliser au mieux l'impact de la température sur le niveau de la courbe de charge globale à chaque instant. Ceci est réalisé par un calculateur 40 lors d'une étape de calcul S5 au cours de laquelle est calculé un modèle d'extraction.
Pour bien extraire cette courbe de charge chauffage et/ou climatisation, il a été observé les fonctionnements suivants :
La variation de la courbe de charge liée au chauffage et/ou à la climatisation dépend de la température extérieure. Cependant, l'inertie des bâtiments fait que ce n'est pas la température extérieure brute instantanée qui impacte le niveau de la courbe de charge, mais l'ensemble des températures extérieures passées.
En effet, une température extérieure à un instant déterminé met un certain laps de temps à « entrer » dans le bâtiment.
De plus, une fois entrée, cette température extérieure impacte la courbe de charge pendant une certaine période ; l'impact de la température extérieure sur cette courbe réduit ensuite au fur et à mesure.
Il a également été observé par la demanderesse qu'il existe un lien substantiel entre la température extérieure et la puissance appelée. Ce lien est linéaire lorsque la température est inférieure à une température seuil. Pour l'exemple du chauffage, lorsque la température extérieure est élevée alors les consommateurs n'utilisent pas ou peu leur chauffage et la température extérieure n'a plus d'impact sur la courbe de charge globale.
La puissance appelée de chauffage est donc une combinaison linéaire des températures passées si celles-ci sont en-dessous de la température seuil Ts.
Ce phénomène est illustré sur la figure 2.
Par ailleurs, les consommateurs n'utilisent pas de la même façon leur chauffage ou leur climatisation dans le temps : par exemple, certains consommateurs n'utilisent pas leur chauffage ou leur climatisation lorsqu'ils sont absents ou qu'ils dorment.
De plus, les apports externes (comme le soleil) sont différents selon l'heure de la journée.
Par conséquent, il s'agit d'avoir un modèle par pas de temps par jour.
Si la courbe de charge est relevée toutes les demi-heures alors il faut construire 48 modèles d'extraction : un modèle pour chaque pas de temps.
Il a par ailleurs été relevé que certains usages ne dépendent pas de la température comme l'éclairage mais sont tout de même corrélés à la température extérieure.
Pour éviter qu'ils soient pris en compte dans l'extraction de la courbe chauffage et/ou climatisation, la variable de température normale doit être introduite afin de modéliser les usages dits « saisonniers ».
En outre, pour refléter l'inertie des bâtiments, on utilise à la place des températures brutes des températures lissées.
Or, si le portefeuille de consommateurs fluctue en termes de périmètre ou si certains consommateurs engagent des travaux dans leur maison, le lissage de température n'est plus adapté.
La présente invention prévoit donc une adaptation automatique des changements de périmètre.
Le concept sous-jacent consiste ici à estimer l'impact de chaque température horaire des dernières 48 heures sur la puissance appelée du logement à un instant déterminé lorsque ces températures sont en deçà de la température seuil de chauffage et/ou de climatisation. Les températures retardées étant nombreuses et fortement corrélées entre elles, le modèle d'extraction est basé sur un critère dit de LASSO.
L'avantage de la régression LASSO est de pouvoir prendre en compte dans le modèle de nombreuses variables avec une certaine corrélation entre elles, ce qui n'est pas possible avec une régression linéaire classique (l'estimation des paramètres devient instable).
De plus, la sélection de variables d'une régression linéaire est un processus discret, la variable est soit retenue soit éliminée. La régression LASSO est une sélection plus continue et permet de garder plus d'information.
Dans l'exemple décrit ici, il est donc souhaitable de déterminer la température seuil mentionnée ci-dessous et illustrée en figure 2. Pour chaque pas de temps et pour chaque retard de température, cette température est calculée. L'homme du métier comprendra ici que cette température seuil est la température en dessous de laquelle, le chauffage électrique ou la climatisation est démarré.
Comme illustré sur la figure 2, l'impact de la température sur la consommation électrique n'est significatif qu'en dessous d'une certaine température, qui est cette température seuil.
Pour détecter cette température pour une variable retardée de la température, la présente invention prévoit de régresser la puissance appelée à un instant t sur la température dans une base B-splines de degré 1 avec un nœud intérieur (correspondant à la température seuil).
Dans cet exemple, on fait fluctuer la position du nœud et on choisit comme optimum, la position du nœud minimisant l'erreur moyenne quadratique de la régression.
La fonction à minimiser est donc l'erreur quadratique moyenne de la régression
B-splines de la puissance appelée sur la température selon la position du nœud intérieur de la base B-Splines.
Dans l'exemple décrit ici, pour optimiser cette fonction, on utilise la méthode de Nelder-Mead. Le formalisme mathématique pour estimer cette température est le suivant :
Où
• F est la puissance appelée à un instant t,
• Tsi-h la température seuil à t-h optimisant le MSE de la régression entre la puissance appelée à l'instant t et la température brute retardéeT^/j,
• B(Tti~fi la variable température brute retardée de h heures dans la base B-
Splines,
β le vecteur de paramètres de la régression,
• £ E (0 T) index de l'historique de données.
Une fois la température seuil trouvée, on transforme la variable température brute en température « seuillée » selon que l'on veuille extraire la courbe de charge chauffage ou la courbe de charge de la climatisation.
Pour le chauffage, la transformation est la suivante :
Pour la climatisation : où Ί'€(„}τ est la température retardée de h heures liée à la puissance appelée de
« chauffage » ou « climatisation » à un instant t.
Ainsi, dans l'exemple décrit ici, le système informatique 100 comporte un calculateur 40 qui est configuré pour modéliser, lors d'une étape S5, la puissance appelée P£ à un instant t par une régression LASSO en prenant en compte les variables suivantes :
• Les 24 dernières températures T par rapport à l'instant t. h E |0,23j
• Tî% la température normale à l'instant t
Comme la réaction de la puissance appelée à la température diffère d'une demi- heure à l'autre, il est souhaitable d'estimer un modèle LASSO par pas de temps dans une journée (soit 48 modèles et donc 48 jeux de paramètres dans le cas demi-horaire) ; le calculateur 40 selon la présente invention est donc implémenté pour mettre en œuvre l'algorithme suivant :
Où
dh correspond à la « demi-heure type » dont on cherche à modéliser la puissance à l'instant t avec ah E l,48j
la constante associée au modèle,
¾¾ les paramètres associés aux variables températures Tty-fy
β le paramètre associé à la température normale,
• T la contrainte de pénalisation,
βαίι(Τ le vecteur des estimations des paramètres du modèle.
Les variables de températures étant potentiellement corrélées entre elles, l'algorithme LASSO peut rencontrer une moindre efficacité dans l'estimation des paramètres du modèle.
Pour améliorer l'estimation, il est prévu dans l'exemple décrit ici de remplacer les variables températures par des composantes, combinaisons linéaires des variables températures, qui soient orthogonales entre elles.
La construction des composantes se faire alors en fonction de leur lien avec la variable à expliquer (ici la puissance appelée à l'instant t).
Pour réaliser cela, on utilise l'algorithme PLS1.
De cet algorithme, nous ne récupérerons que les coordonnées des composantes.
On ne s'intéressera pas aux coefficients de la régression PLS, l'estimation des paramètres de notre modèle se faisant par régression LASSO sur les composantes issues de la régression PLS.
La contrainte de pénalisation T est choisie par validation croisée avec K=10. Une fois ce paramètre fixé, on estime les paramètres du modèle sur l'ensemble des données disponibles. Pour extraire la courbe de charge chauffage et/ou climatisation au pas demi- horaire, on applique le modèle exposé ci-dessus en ne gardant que les variables ^ΐψ et leurs paramètres associés :
OÙ
• Pct est une estimation de la puissance appelée de chauffage à l'instant t pour la demi-heure type dh.
Il est ainsi possible de reconstituer la courbe de charge chauffage et/ou climatisation Ccj à partir de la courbe de charge globale Cgj (voir figure 3).
Ainsi, grâce à cette modélisation, il est possible de calculer une estimation de la courbe de charge chauffage et/ou climatisation Ccj à partir d'un historique HIST de données de consommation et de données météorologiques.
Cet historique est ensuite utiliser comme historique d'apprentissage pour mettre au point le modèle de prévision de la puissance effaçable.
La courbe de charge de la puissance effaçable est dans l'exemple décrit ici la courbe de charge Ccj relative au chauffage et/ou à la climatisation puisqu'il est l'unique usage que l'on pilote.
Ainsi, prévoir la courbe de charge de la puissance effaçable revient à prévoir la courbe de charge de la puissance appelée de chauffage et/ou de climatisation.
Précédemment, la courbe de charge chauffage Ccj a été extraite à partir de la courbe de charge globale Cgj.
Corrélativement, il est possible ici d'extraire la courbe de charge chauffage et/ou climatisation sur l'historique de données. Ceci est rendu possible par un prédicteur 50 qui est configuré pour calculer une prédiction d'une consommation électrique effacée pour un effacement à venir lors d'une étape de prédiction S6.
Ainsi, dans l'exemple décrit ici, l'estimation de la courbe de charge du chauffage et/ou de la climatisation sur l'historique de données est utilisée comme historique d'apprentissage pour établir un modèle de prévision de la courbe de charge de chauffage et/ou climatisation. Dans l'exemple décrit ici, les variables retenues dans cette modélisation sont les suivantes :
• Les puissances demi-horaires des 48 dernières demi-heures disponibles.
• La puissance demi-horaire de la même demi-heure type 7 jours avant.
• Les 8 dernières températures tri-horaires seuillées à partir de l'instant que l'on cherche à prévoir.
• Les indicatrices du type de jour de semaine (Samedi, Dimanche, Lundi,..., Fériés).
• La température normale à l'instant que l'on cherche à prévoir.
Comme précédemment pour l'extraction de la courbe de charge chauffage et/ou climatisation, la réaction de la puissance appelée à la température diffère d'une demi- heure à l'autre. En conséquence, la prévision dépend de la demi-heure type de l'instant t+k que l'on souhaite prévoir.
Il convient donc d'établir pour un pas demi-horaire 48 modèles de prévision.
Le formalisme mathématique du modèle de prévision est le suivant :
Pc t+k = f c t ,..., Pct_ 1 , Pt+k_^e, Tct+k..., Tct+k_A5 ,\^lund^,...,\ où
• Pct+k est une estimation de la puissance à prévoir en t+k où t est l'instant où l'on fait la prévision et k l'horizon de prévision
• est la fonction de lien entre la variable à prévoir et les variables explicatives du modèle de prévision, avec dh la demi-heure type de l'instant t+k que l'on cherche à prévoir.
Comme mentionné plus haut, il existe plusieurs méthodes pour résoudre ce problème. On choisit une modélisation LASSO ; le prédicteur 50 est ainsi configuré pour mettre en œuvre l'algorithme mathématique suivant: â
rf* (r) -xtn dh
ou • dh correspond à la « demi-heure type » dont on cherche à modéliser la puissance à l'instant t avec cih G l,48
• Pct+k est le gisement d'effacement que l'on souhaite prévoir à l'instant t+k
• Xt représente la matrice des variables explicatives du modèle de prévision où chacune des colonnes correspond à chacune des variables préalablement listées ci-dessus
• Γ la contrainte de pénalisation
• D.dh le vecteur des paramètres du modèle
• Ùdh le vecteur des estimations des paramètres du modèle
Comme rappelé précédemment, les variables entrant dans le modèle étant potentiellement corrélées entre elles, l'algorithme LASSO peut rencontrer une moindre efficacité dans l'estimation des paramètres du modèle. Pour améliorer l'estimation, on pourra remplacer les variables originales du modèle par des composantes, combinaisons linéaires des variables originales, qui soient orthogonales entre elles. La construction des composantes doit se faire en fonction de leur lien avec la variable à expliquer (dans notre cas la puissance à prévoir à l'instant t). Pour réaliser cela, on utilisera l'algorithme PLS1. De cet algorithme, nous ne récupérerons que les coordonnées des composantes. On ne s'intéressera pas aux coefficients de la régression PLS, l'estimation des paramètres de notre modèle se faisant par régression LASSO de la variable à prédire sur les composantes issues de la PLS.
Pour estimer les paramètres du modèle, il faut choisir T la contrainte de pénalisation. Cette contrainte de pénalisation est sélectionnée par validation croisée avec K=10. Une fois ce paramètre fixé, les paramètres du modèle sont estimés sur l'ensemble des données disponibles.
Une fois le modèle estimé, la formule implémentée sur le prédicteur 50 est la suivante à un instant t pour obtenir la puissance effaçable prévue à un horizon k:
Pct+k = xtùdh
Dans le cas où ce sont les composantes orthogonales qui ont été injectées dans le modèle à la place des variables originales, il ne faut pas oublier de projeter les coordonnées ' dans la base des composantes et d'utiliser ces nouvelles coordonnées pour réaliser la prédiction.
Les résultats comparatifs illustrés en figure 4 sont satisfaisants ; cette figure montre en effet que la distance entre l'effacement réel et la prédiction de l'effacement obtenue par le modèle est minime et permet d'avoir une bonne précision.
Sur certains groupes de clients, il n'est pas possible de couper tous les appareils de chauffage ou de climatisation parce que :
le client refuse que certains de ses appareils soient pilotés comme le sèche serviette dans la salle de bain. Il veut pouvoir garder la gestion de l'appareil,
le tableau électrique ne permet pas de bien identifier les appareils à couper, - une partie des clients du groupe annule l'ordre d'effacement.
Dans ce cas, la courbe de charge chauffage ou climatisation Ccj des clients du groupe j, est supérieure à la courbe de charge effaçables Cej sur les clients du groupe j, Ccj >Cej.
Par conséquent, la méthode décrite ci-dessus a tendance à surestimer l'effacement réalisable sur les clients.
Cela pose donc un problème d'équilibre production-consommation sur les réseaux où sont situés les clients participant à l'effacement.
Puisqu'en surestimant l'effacement, nous ne prévoyons pas de mobiliser suffisamment de moyen de production pour répondre à la demande.
Pour résoudre ce problème, on ajoute une ultime étape à notre procédé de prédiction de la puissance effaçable.
Une fois les deux premiers effacements réalisés sur un groupe, on va comparer la prédiction et la réalisation pour corriger le biais de prédiction.
Pour cela, on va réaliser une régression entre la puissance prédite Pct+k et l'effacement estimé a posteriori grâce à la méthode de « baseline » sélectionnée.
Pratiquement, on calcule la puissance moyenne effacée observée Pe pour chaque session d'effacement (observée grâce à la méthode de « baseline ») que l'on va régresser sur la puissance moyenne prédite (de chauffage ou climatisation) Pv. pour chaque session d'effacement:
Pe = a + ¾ + ε
Ainsi, pour obtenir la prédiction de puissance effaçable pour chaque session d'effacement suivante, nous déterminons la puissance réellement effaçable par :
= +
Ce dernier modèle sera à réactualiser après chaque session d'effacement puisque nous manquons d'observation au départ.
Il est possible d'améliorer le procédé décrit ci-dessus et de le rendre encore moins coûteux en procédant par sondage. On parle ici de sondage stratifié.
Ainsi, au lieu de se rendre chez tous les consommateurs pour installer un dispositif permettant de relever les données de consommation, la solution proposée est de procéder par sondage.
Dans l'exemple décrit ici, les dispositifs de relève ne sont installés que chez certains consommateurs et non chez l'ensemble des consommateurs du portefeuille d'effacement.
Sur ce portefeuille, des variables descriptives permettent d'expliquer la consommation de chauffage et/ou de climatisation, et par conséquent l'effacement.
Ainsi, pour chaque consommateur, l'opérateur énergétique détient des informations sur le type de logement, la surface du logement, l'année de construction du logement, la station météo la plus proche du lieu d'habitation du client, la présence régulière d'une personne en journée, le nombre de personnes du logement.
A partir de ces variables apportant une information auxiliaire sur la variable d'intérêt (la puissance appelée de chauffage et/ou de climatisation à un instant t), la collecte des données se fait par sondage stratifié.
Les strates sont constituées de consommateurs dits homogènes. En d'autres termes, les consommateurs d'une même strate doivent être le plus homogène possible.
Il est donc ici prévu de maximiser la variance inter-strates et de minimiser la variance intra-strates. Plus le nombre de strates est important, meilleure est la précision de l'estimateur.
Dans l'exemple décrit ici, il est prévu de conserver un nombre raisonnable de strates afin d'avoir au moins 2 clients par strates, ce qui permet d'estimer avec précision la dispersion au sein de la strate et in fine de calculer la précision de la variable d'intérêt.
Une fois les strates définies par croisement de modalités par variable, la collecte des données de consommation dans chaque strate se fait par un sondage aléatoire simple sans remise.
Cette stratification S0 permet de réduire significativement le coût global du procédé.
Ainsi, la présente invention permet d'intégrer en amont un gisement d'effacement pour l'intégrer dans un plan de production énergétique. Ceci permet par exemple à un fournisseur de prévoir à court-terme la quantité d'énergie effaçable sur un ensemble de clients (encore appelée gisement d'effacement).
Comme mentionné ci-dessus, dans le domaine résidentiel, le gisement d'effacement est expliqué par différentes variables explicatives qui sont notamment le rythme de vie, le type des logements, la température extérieure.
Cette température extérieure est la variable la plus significative, notamment vis-à-vis de la consommation pour le chauffage et/ou la climatisation électrique.
La présente invention propose une approche mathématique et statistique pour prendre en compte l'ensemble de ces paramètres et être en mesure de prédire avec une bonne précision ce gisement.
Il devra être observé que cette description détaillée porte sur un exemple de réalisation particulier de la présente invention, mais qu'en aucun cas cette description ne revêt un quelconque caractère limitatif à l'objet de l'invention ; bien au contraire, elle a pour objectif d'ôter toute éventuelle imprécision ou toute mauvaise interprétation des revendications qui suivent.

Claims

REVENDICATIONS
1. Procédé de prédiction d'une consommation de fluide effacée, mis en œuvre par des moyens informatiques, comportant les étapes suivantes :
- une collecte (SI) de données de consommation (D CONSi, il j l .ltj ) comportant des informations relatives à une consommation réelle de fluide d'une pluralité de consommateurs (CONSi, iU [l , n]) pendant une phase d'apprentissage (J),
- une agrégation (S3) des données de consommation collectées (D CONSi) par groupes (Gj, jG fL ]. fil étant Strictement inférieur ou égal à n) en fonction d'au moins une variable descriptive déterminée associée à chaque consommateur (CONSi) et contenue dans les données de consommation (D CONSj),
- une détermination (S4) à partir des données de consommation agrégées (D_CONSj, iU [ 1 l]) d'une courbe de charge (Cgj) globale pour chaque groupe (Gj) relative à la consommation de fluide de chaque groupe (Gj) pendant la phase d'apprentissage (J),
- un calcul (S5) d'un modèle d'extraction d'une courbe de charge (Ccj), dite chauffage et/ou climatisation, relative à la consommation de fluide pour le chauffage et/ou la climatisation de chacun des groupes (Gj) à partir de chaque courbe de charge globale (Cgj) et de données météorologiques (D METj) contenant au moins une information relative aux conditions météorologiques pour chaque groupe (Gj) pendant ladite phase d'apprentissage (J), et
- une prédiction (S6) d'une consommation de fluide effacée pour chaque groupe (Gj) pour une phase d'effacement à venir (J+l) en fonction de chaque courbe de charge chauffage et/ou climatisation Ccj) estimée par le modèle d'extraction et d'un historique (HIST) de données de consommation.
2. Procédé selon la revendication 1 comportant, préalablement à l'agrégation (S3) des données de consommation (D CONSi), un prétraitement (S2) au cours duquel une correction (S2 2) des données de consommation (D CONSi) pour au moins un consommateur (CONSi) est réalisée lorsque des données de consommation (D_CONSj) dudit au moins un consommateur (CONSi) sont manquantes.
3. Procédé selon la revendication 2, dans lequel, lorsque, pour un même consommateur (CONSi), des données de consommation (D CONSj) sont manquantes sur une période inférieure ou égale à une période seuil prédéterminée, alors les données de consommation manquantes (D CONSj) sont estimées, lors de la correction (S2 2), par interpolation avec les autres données de consommation collectées (D CONSi) pour ce même consommateur (CONSi).
4. Procédé selon la revendication 2 ou 3, dans lequel, lorsque, pour un même consommateur (CONSi), des données de consommation (D CONSj) sont manquantes sur une période supérieure à une période seuil prédéterminée, alors les données de consommation manquantes (D_CONSj) sont estimées, lors de la correction (S2 2), en recherchant dans un historique de données de consommation une séquence de données de consommation minimisant la distance avec les données de consommation collectées (D CONSi).
5. Procédé selon l'une quelconque des revendications 2 à 4, dans lequel la période seuil déterminée est une période de 3 heures.
6. Procédé selon l'une quelconque des revendications 2 à 5, dans lequel les données de consommation de fluide (D CONSi) comportent une information temporelle relative à l'instant auquel la consommation de fluide par le consommateur (CONSi) a été réalisée, et dans lequel le prétraitement (S2) comporte une synchronisation (S2 1) desdites données lorsque celles-ci sont désynchronisées.
7. Procédé selon la revendication 6, dans lequel la synchronisation (S2 1) des données de consommation (D CONSj) est réalisée par interpolation.
8. Procédé selon l'une quelconque des revendications précédentes, dans lequel les données météorologiques (D METj) contiennent une information relative à la température extérieure pour chaque consommateur (CONSi) pendant la phase d'apprentissage (J), et dans lequel pour chaque groupe (Gj) est calculé une moyenne des températures contenues dans les données météorologiques (D METj) pondérée par la puissance appelée des consommateurs (CONSi) dudit groupe (Gj).
9. Procédé selon l'une quelconque des revendications précédentes, dans lequel ladite au moins une variable descriptive est sélectionnée parmi au moins l'une des variables suivantes: la région, le type et la surface de logement, le nombre de personnes pour le logement ou encore le mode de chauffage et/ou de climatisation.
10. Procédé selon l'une quelconque des revendications précédentes, dans lequel le calcul (S5) du modèle d'extraction comporte une modélisation d'une puissance de consommation appelée pour le chauffage par un même groupe à un instant t, par une régression linéaire de type LASSO réalisée selon la formule suivante:
dans laquelle :
- la variable dh correspond au pas demi-horaire dont on cherche à modéliser la puissance à l'instant t avec dh iij f ,48] ;
- Pt est la puissance globale appelée pour un groupe à un instant t ;
- β0 est la constante associée au modèle ;
- correspondent aux paramètres associés aux variables de températures Te t-h '
- β25 correspond au paramètre associé à la température normale ;
- τ est une contrainte de pénalisation ; et
- ρ (τ) correspond au vecteur des estimations des paramètres du modèle d'extraction.
11. Procédé selon la revendication 10, dans lequel la prédiction (S6) de la consommation de fluide effacée à un instant t pour un horizon de prévision k est estimée selon la formule suivante :
kt+k = xtùdh
dans laquelle :
- Xt représente une matrice de variables explicatives du modèle de prévision ; et
- ΩΜ (τ) correspond au vecteur des estimations des paramètres du modèle de prédiction.
12. Procédé selon la revendication 10 ou 11, comportant une étape d'orthogonalisation de la matrice Xt des variables explicatives du modèle de prévision en utilisant un algorithme de type PLS 1 pour maximiser la corrélation entre les composantes de ladite matrice Xt et les paramètres du modèle de prédiction.
13. Procédé selon l'une quelconque des revendications précédentes, comportant, préalablement à la collecte de données de consommation (D CONSi), une stratification (S0) des consommateurs (CONSi) au cours de laquelle la variance inter-strates est maximisée et la variance intra-strates est minimisée.
14. Programme d'ordinateur comportant des instructions adaptées pour l'exécution des étapes du procédé selon l'une quelconque des revendications 1 à 13 lorsque ledit programme d'ordinateur est exécuté par au moins un processeur.
15. Support d'enregistrement lisible par un ordinateur sur lequel est enregistré un programme d'ordinateur comprenant des instructions pour l'exécution des étapes du procédé selon l'une quelconque des revendications 1 à 13.
16. Système informatique (100) de prédiction d'une consommation de fluide effacée comportant:
- un module de collecte (10) configuré pour collecter de données de consommation (D CONSi, iL l f Lil]) comportant des informations relatives à une consommation réelle de fluide d'une pluralité de consommateurs (CONSi, iU [l ,û]) pendant une phase d'apprentissage (J),
- un circuit de traitement (20) configuré pour agréger les données de consommation collectées (D_CONSi) par groupes (Gj, jû[lj¾]. m étant strictement inférieur ou égal à n) en fonction d'au moins une variable descriptive déterminée associée à chaque consommateur (CONSi) et contenue dans les données de consommation (D CONSi),
- un processeur (30) configuré pour déterminer à partir des données de consommation agrégées (D CONSi) une courbe de charge globale (Cgj) pour chaque groupe (Gj),
- un calculateur (40) configuré pour calculer un modèle d'extraction d'une courbe de charge (Ccj), dite chauffage et/ou climatisation, relative à la consommation globale de fluide pour le chauffage et/ou pour la climatisation de chacun des groupes (Gj) à partir de chaque courbe de charge globale (Cgj) et de données météorologiques (D_METj) contenant au moins une information relative aux conditions météorologiques pour chaque groupe (Gj) pendant ladite phase d'apprentissage (J), et
- une prédicteur (50) configuré pour calculer une prédiction d'une consommation de fluide effacée pour chaque groupe (Gj) pendant une phase d'effacement à venir (J+1) en fonction de chaque courbe de charge chauffage et/ou climatisation estimée par le modèle d'extraction et d'un historique (HIST) de données de consommation.
17. Système selon la revendication 16, comportant des moyens informatiques configurés pour la mise en œuvre des étapes techniques du procédé selon l'une quelconque des revendications 2 à 13.
EP14825421.2A 2013-12-11 2014-12-10 Prediction d'une consommation de fluide effacee Ceased EP3080758A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1362407A FR3014613B1 (fr) 2013-12-11 2013-12-11 Prediction d'une consommation de fluide effacee
PCT/FR2014/053258 WO2015086994A1 (fr) 2013-12-11 2014-12-10 Prediction d'une consommation de fluide effacee

Publications (1)

Publication Number Publication Date
EP3080758A1 true EP3080758A1 (fr) 2016-10-19

Family

ID=50780555

Family Applications (1)

Application Number Title Priority Date Filing Date
EP14825421.2A Ceased EP3080758A1 (fr) 2013-12-11 2014-12-10 Prediction d'une consommation de fluide effacee

Country Status (4)

Country Link
US (1) US20160314400A1 (fr)
EP (1) EP3080758A1 (fr)
FR (1) FR3014613B1 (fr)
WO (1) WO2015086994A1 (fr)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3006075B1 (fr) * 2013-05-24 2024-05-03 Electricite De France Estimation d'une consommation de fluide effacee
JP6252309B2 (ja) * 2014-03-31 2017-12-27 富士通株式会社 監視漏れ特定処理プログラム，監視漏れ特定処理方法及び監視漏れ特定処理装置
US11301771B2 (en) * 2014-11-21 2022-04-12 C3.Ai, Inc. Systems and methods for determining disaggregated energy consumption based on limited energy billing data
FR3054703B1 (fr) * 2016-07-26 2023-04-28 Electricite De France Procede de prediction de demande de consommation, utilisant un modele de prediction perfectionne
CN106790409A (zh) * 2016-11-30 2017-05-31 哈尔滨学院 基于电商平台用户历史数据处理的负载均衡方法及其系统
CN107392368B (zh) * 2017-07-17 2020-11-10 天津大学 一种基于气象预报的办公建筑动态热负荷组合预测方法
CN107818340A (zh) * 2017-10-25 2018-03-20 福州大学 基于k值小波神经网络的二阶段空调负荷预测方法
KR102096035B1 (ko) * 2018-06-04 2020-04-02 (주) 우림인포텍 자기회귀 및 l0-그룹 라소를 이용한 변수 선택 방법 및 이를 수행하는 변수 선택 시스템
FR3088466B1 (fr) * 2018-11-14 2022-06-17 Electricite De France Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu.
CN110991745B (zh) * 2019-12-05 2022-06-03 新奥数能科技有限公司 一种电力负荷的预测方法、装置、可读介质及电子设备
CN116151032B (zh) * 2023-04-17 2023-07-14 湖南大学 住宅建筑动态负荷柔性潜力计算方法、装置、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR1354694A (fr) 1963-04-29 1964-03-06 Ass Elect Ind Perfectionnements aux circuits magnétiques des transformateurs
FR2904486B1 (fr) 2006-07-31 2010-02-19 Jean Marc Oury Procede et systeme de gestion et de modulation en temps reel de consommation electrique.
US8364609B2 (en) * 2009-01-14 2013-01-29 Integral Analytics, Inc. Optimization of microgrid energy use and distribution

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
None *
See also references of WO2015086994A1 *

Also Published As

Publication number Publication date
FR3014613B1 (fr) 2016-01-15
US20160314400A1 (en) 2016-10-27
FR3014613A1 (fr) 2015-06-12
WO2015086994A1 (fr) 2015-06-18

Similar Documents

Publication Publication Date Title
EP3080758A1 (fr) Prediction d'une consommation de fluide effacee
Woo et al. The impact of wind generation on the electricity spot-market price level and variance: The Texas experience
EP2211300B1 (fr) Procédé de prévision de la production électrique d'un dispositif photovoltaïque
Martinez‐Cesena et al. Assessment of domestic photovoltaic systems based on real options theory
US20120166616A1 (en) System and method for energy performance management
EP3847520B1 (fr) Procédé et système de pilotage et de régulation d'un système de chauffage d'un local
FR3087926A1 (fr) Securisation d’une intervention sur une branche basse tension du reseau de distribution electrique
EP2913786A1 (fr) Estimation de la consommation électrique d'un équipement donné parmi un ensemble d'équipements électriques
Fildes et al. One day ahead demand forecasting in the utility industries: Two case studies
EP2976612A2 (fr) Procédé de réalisation d'un diagnostic thermique d'un bâtiment ou d'une partie d'un bâtiment
EP3491591A1 (fr) Procédé de prédiction de demande de consommation, utilisant un modèle de prédiction perfectionné
FR3099840A1 (fr) Procédé de détermination de quantités d’énergie échangées entre des entités d’une installation électrique et un réseau de distribution électrique
CA2913250A1 (fr) Estimation d'une consommation de fluide effacee
WO2015092193A1 (fr) Fourniture d'energie optimisee d'un reseau de distribution.
FR3131988A1 (fr) Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique
FR2979451A1 (fr) Procede de determination de la part de la consommation electrique liee aux temperatures exterieures
FR3095067A1 (fr) Procédé d'évaluation de la production d’énergie photovoltaïque et unité d’évaluation et de gestion mettant en œuvre le procédé
WO2015036406A1 (fr) Gestion de la consommation energetique d'un parc de calculateurs
FR3072192A1 (fr) Estimation d'une consommation electrique d'une piscine d'agrement
FR3075436A1 (fr) Systeme de prevision de consommation d'energie sur une periode predeterminee.
JP7286428B2 (ja) 電力需要予測システム
WO2024114018A1 (fr) Procédé et appareil d'évaluation de performance de génération d'énergie pour ensemble de génération éolien
WO2015092279A1 (fr) Procédé de localisation d'une anomalie détectée dans une structure arborescente
Noyé et al. Energy demand prediction for the implementation of an energy tariff emulator to trigger demand response in buildings
FR2975521A1 (fr) Procede de prevision d'une quantite d'energie electrique produite par un equipement photovoltaique et systeme de production d'energie electrique associe

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20160707

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

RIN1 Information on inventor provided before grant (corrected)

Inventor name: DEBOST, ISABELLE

Inventor name: CHARPENTIER, PHILIPPE

DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20170712

REG Reference to a national code

Ref country code: DE

Ref legal event code: R003

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN REFUSED

18R Application refused

Effective date: 20200117