EP3491591A1 - Procédé de prédiction de demande de consommation, utilisant un modèle de prédiction perfectionné - Google Patents

Procédé de prédiction de demande de consommation, utilisant un modèle de prédiction perfectionné

Info

Publication number
EP3491591A1
EP3491591A1 EP17740416.7A EP17740416A EP3491591A1 EP 3491591 A1 EP3491591 A1 EP 3491591A1 EP 17740416 A EP17740416 A EP 17740416A EP 3491591 A1 EP3491591 A1 EP 3491591A1
Authority
EP
European Patent Office
Prior art keywords
model
parameter
parameters
received
values
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
EP17740416.7A
Other languages
German (de)
English (en)
Inventor
Philippe CHARPENTIER
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 EP3491591A1 publication Critical patent/EP3491591A1/fr
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Definitions

  • the invention relates to the management of an electrical energy distribution network, by estimating the energy demand by consumers, in particular with the aim of providing for the erasure of targeted consumers (which amounts to imposing maximum consumption on them), limited to a threshold) in case of peak demand.
  • a computing entity optimizing the energy supplier in order to optimize the electricity production from its various sources of production (eg nuclear, hydraulic, photovoltaic and / or fossil energy with generator).
  • the setting of this model is preferably pessimistic, as indicated, because it is generally taken a safety margin.
  • link function When the link function is set, data that can only be intermittently available (from time to time), but not always, is ignored. However, this data may be more recent than parameter data retained and, therefore, provide more relevant information than the parameter data retained.
  • the provider is never immune to a computer problem, particularly for the retrieval of the chosen parameter data, which could prevent the model from working effectively.
  • the present invention improves the situation.
  • the link function chosen for the model applied in step c) is adaptive and depends on the parameter values received in step b).
  • Steps a) and b) include in particular the operations:
  • step b2) determining, according to a chosen criterion, a ranking in order of relevance of the parameters whose values are received in step b1), and
  • step c) constructing a model based on at least one link function involving at least one of the most relevant parameters according to the classification of the operation b2), for the subsequent implementation of step c).
  • the link function used is not fixed, but it is adaptive according to the most promising parameters for the prediction to be made.
  • the aforementioned criterion has at least one component relating to the novelty of a value received for one parameter, relative to other values received for other parameters.
  • the above-mentioned chosen criterion may be unique or, in a more sophisticated variant, result from a combination of several criteria.
  • the criterion chosen may also take into account a planned date for estimating the energy demand.
  • the model constructed in operation a2) is based on an average of link functions (and thus results from an average of models) each involving at least one parameter among the most relevant parameters according to the ranking of operation b2).
  • this average is a weighted average according to the order of relevance of the parameters determined in the operation b2).
  • the ranking in order of relevance of the parameters is done by calculating more precisely the relevance of the models using these parameters.
  • the operation b2) then comprises:
  • the error for each model is preferably estimated by comparing:
  • the models of the plurality of models are constructed by learning in a received parameter value history database.
  • the method may then comprise a target erection step d) of targeted consumers, in case of prediction of a peak demand in step c).
  • the invention also relates to a computer program (the general algorithm of which may correspond to FIG. 4) and comprising instructions for the implementation of the above method, when this program is executed by a processor.
  • the present invention also relates to a computing device (reference SI of Figure 1 discussed below) for managing an electric power distribution network, and implementing an estimate of energy demand by consumers.
  • This device comprises in particular a processing circuit including a processor (reference PROC of Figure 1) for the implementation of the method above.
  • FIG. 1 illustrates a global system comprising the computing device SI for the implementation of the present invention
  • FIG. 2 illustrates more precisely the operation of the computing device SI
  • FIG. 3 illustrates the adaptation of the data in history for a particular update
  • FIG. 4 illustrates the main steps of a method in a particular embodiment of the invention.
  • the computing device SI (for "information system") is presented in the form of a computer typically comprising a computer processing circuit including:
  • an input interface IN to receive historical data to be stored, and to process to establish models by self-learning
  • a memory MEM2 for storing these data in a database BD history
  • a working memory MEM cooperating with the processor PROC for the processing of these data, this memory being able to store further instructions of a computer program within the meaning of the invention
  • an output interface OUT for example to send an erasure instruction calculated by the computing device SI, as a function of the processing of the received data.
  • the input data IN can be received via an NW network. It can be typically:
  • HRD power consumed for example
  • the output data OUT can be sent via the NW network and can correspond to:
  • a self-learning solution is set up so that when new data arrives, the model relearns the actual parameters of the model.
  • the data used for forecasting often come from individual meters (for example, from companies).
  • An imponderable thing about this approach is that the data recovery time remains random. However, it appeared that the more recent data used in the model, the better the forecast.
  • a self-learning solution where the parameters of the model are regularly updated with the arrival of new data is proposed here.
  • the link function that is the basis of the definition of the model is not definitively fixed, but it is adaptive according to the most recent data received.
  • the invention makes it possible to always make a prediction even in the case where data recovery is not possible.
  • the forecast is not simply realized using a single model, but using several models where the final forecast is a weighted average of the together model forecasts, the weight of a model being all the more important as its latest forecasts are better.
  • it seeks to predict the erasure of consumers having a consumption contract greater than 250 kW and adhering to an offer with a tariff incentive to erase on a general peak day.
  • the data recorded in individual counters 1 to n are read remotely by the supplier and then stored in a database BD.
  • the data is then corrected (for obvious errors) and aggregated.
  • a file of the available data history is then generated. This file includes the polling date, the aggregated power of the portfolio, and the deletion indication.
  • This file with the desired start and end dates, is provided to a self-learning module.
  • the self-learning module adjusts the link function of each prediction model according to the data, learns the parameters and makes the prediction on dates passed as parameters.
  • the prediction is written by the module in an output file which is then read by the computing device SI.
  • the prediction can then be transmitted to an erasure optimizer for example (not shown).
  • the module therefore builds one or more models where the most recent variable ("delayed power” here) is delayed by Delta. It should be noted that it is possible to provide several delayed variables as explanatory variables of the model, possibly different from a delayed power.
  • the first step is the calculation of Delta in step S1.
  • the module in order to learn the parameters of these link functions, the module generates a learning database from which the parameters of the N models are learned (step S2).
  • a prediction is then made from each model for N models from 1 to N (step S3).
  • the applied prediction is simply an arithmetic mean of all the predictions of the N models (step S5).
  • a weighted average based on the error made by the N models on the last predictions is rather calculated (step S6).
  • a consumption model (and the associated link function) using yesterday's meteorological data would have less weight than a trend model. consumption and using consumption data collected from consumers at a pace of 20 minutes for example. On the other hand, the receipt of more recent meteorological data could reverse this weighting.
  • the second criterion presented above if a prediction has already been made for the type of day on which the prediction must be made (for example a Monday, or a Tuesday, ...) and a type of instant (for example at 8h, or 8h30, ...) (T7 test of Figure 4), the final prediction is:
  • step S8 the weighted average of the predictions of the N models (step S8), or the prediction of one of the N models if this model is more efficient for the type of time of day and type of day than the prediction by weighted average (step S9).
  • step S 8 the weighted average prediction is used (step S 8).

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

L'invention concerne la gestion d'un réseau de distribution d'énergie électrique, par estimation de demande en énergie par des consommateurs, comportant les étapes: a1) prévoir une pluralité de fonctions de lien, propres chacune à un type de modèle et à au moins un paramètre d'entrée (S2), b1) recevoir en entrée du dispositif informatique plusieurs valeurs de paramètres respectifs d'entrée (S1), b2) déterminer, selon un critère choisi,un classement par ordre de pertinence des paramètres dont les valeurs sont reçues à l'opération b1) (S6), et a2) construire un modèle basé sur au moins une fonction de lien faisant intervenir au moins l'un des paramètres les plus pertinents selon le classement de l'opération b2), pour la mise en œuvre ultérieure de l'étape c) (S8; S9).

Description

Procédé de prédiction de demande de consommation, utilisant un modèle de prédiction perfectionné
L'invention concerne la gestion d'un réseau de distribution d'énergie électrique, par estimation de la demande d'énergie par des consommateurs, notamment dans le but de prévoir l'effacement de consommateurs ciblés (revenant à leur imposer une consommation maximale, limitée à un seuil) en cas de pic de demande.
Plus particulièrement, on cherche à prévoir la puissance effaçable d'une journée J+l à J+X sur un portefeuille de consommateurs (appelés « clients » ci-après) ayant souscrit à une puissance supérieure à un seuil donné (par exemple 250 kW) (typiquement à un tarif avec une incitation tarifaire à un effacement volontaire). Cette prévision est ensuite transmise à une entité informatique d'optimisation du fournisseur d'énergie afin notamment d'optimiser la production électrique issue de ses différentes sources de production (par exemple nucléaire, hydraulique, photovoltaïque et/ou énergie fossile avec groupe électrogène).
Il existe peu de publications dans l'état de l'art relativement à la prévision d'effacement en tant que telle, même si plusieurs techniques de prévision de consommation électrique sont présentées dans l'état de l'art. Ces techniques de prévision de consommation mettent en avant des solutions où un seul modèle est généralement utilisé et l'apprentissage du modèle est effectué sur des historiques de données assez longs. De plus, une fois l'apprentissage effectué, les paramètres sont programmés en dur (de façon définitive) dans un système informatique de prévision de consommation / prise de décision d'effacement.
Ce sont donc toujours les mêmes variables (ou retards de variables) qui sont utilisées pour réaliser la prédiction, et la fonction dite « fonction de lien » entre les paramètres surveillés et la prévision de consommation est toujours fixée. Habituellement, la fonction de lien entre les variables explicatives et la variable à prédire est fixée, et ce même si les paramètres sont mis à jours au cours du temps. Par exemple dans un modèle de prévision d'effacement, par faute de temps, il n'est pas toujours possible d'avoir accès aux dernières observations. Le retard des variables est donc fixé de manière « pessimiste » pour être sûr d'avoir la donnée juste nécessaire à la prévision.
Ces variables sont choisies généralement de manière à s'assurer de disposer de leur valeur courante au moment où le fournisseur souhaite réaliser la prédiction de consommation. Le paramétrage de ce modèle est de préférence pessimiste, comme indiqué, car il est pris généralement une marge de sécurité. Lorsque la fonction de lien est fixée, une donnée qui ne peut être disponible que par intermittence (de temps en temps), mais pas systématiquement, est ignorée. Or, cette donnée peut être plus récente que des données de paramètres retenus et, de ce fait, apporterait une information plus pertinente que les données de paramètres retenus. Par ailleurs, le fournisseur n'est jamais à l'abri d'un problème informatique, notamment pour la récupération des données de paramètres retenus, et qui pourrait empêcher le modèle de fonctionner efficacement.
La présente invention vient améliorer la situation.
Elle propose à cet effet un procédé mis en œuvre par des moyens informatiques, de gestion d'un réseau de distribution d'énergie électrique, le procédé comportant une estimation de demande en énergie par des consommateurs, l'estimation de demande comportant les étapes :
a) prévoir au moins un modèle basé sur une fonction de lien entre au moins un paramètre d'entrée du modèle et au moins un paramètre de sortie du modèle, b) recevoir en entrée d'un dispositif informatique au moins une valeur du paramètre d'entrée, et c) appliquer le modèle à la valeur reçue du paramètre d'entrée pour délivrer une valeur de paramètre de sortie, relative à une prédiction de demande en énergie.
En particulier dans la présente invention, la fonction de lien choisie pour le modèle appliqué à l'étape c) est adaptative et fonction des valeurs de paramètres reçues à l'étape b). Les étapes a) et b) comportent en particulier les opérations :
al) prévoir une pluralité de fonctions de lien, propres chacune à un type de modèle et à au moins un paramètre d'entrée,
bl) recevoir en entrée du dispositif informatique plusieurs valeurs de paramètres respectifs d'entrée,
b2) déterminer, selon un critère choisi, un classement par ordre de pertinence des paramètres dont les valeurs sont reçues à l'opération bl), et
a2) construire un modèle basé sur au moins une fonction de lien faisant intervenir au moins l'un des paramètres les plus pertinents selon le classement de l'opération b2), pour la mise en œuvre ultérieure de l'étape c).
Ainsi, la fonction de lien utilisée n'est pas fixée, mais elle est adaptative en fonction des paramètres les plus prometteurs pour la prédiction à réaliser. Dans une forme de réalisation, le critère choisi précité comporte au moins une composante relative à la nouveauté d'une valeur reçue pour un paramètre, relativement à d'autres valeurs reçues pour d'autres paramètres.
Ainsi, des paramètres « prometteurs » comme indiqué ci-avant sont préférentiellement ceux dont les valeurs reçues sont les plus récentes.
Le critère choisi précité peut être unique ou, dans une variante plus sophistiquée, résulter d'une combinaison de plusieurs critères.
Ainsi, en variante ou en combinaison, le critère choisi peut tenir compte aussi d'une date prévue pour l'estimation de la demande en énergie. Dans une réalisation, le modèle construit à l'opération a2) est basé sur une moyenne de fonctions de lien (et résulte donc d'une moyenne de modèles) faisant intervenir chacune au moins un paramètre parmi les paramètres les plus pertinents selon le classement de l'opération b2).
Préférentiellement, cette moyenne est une moyenne pondérée selon l'ordre de pertinence des paramètres déterminé à l'opération b2).
Dans une réalisation, le classement par ordre de pertinence des paramètres s'effectue en calculant plus précisément la pertinence des modèles utilisant ces paramètres. Dans cette réalisation, l'opération b2) comporte alors :
- la construction d'une pluralité de modèles utilisant des paramètres d'entrée pour lesquels des valeurs ont été reçues,
- pour chaque modèle construit, une estimation d'erreur par rapport à un historique de valeurs des paramètres d'entrée intervenant dans chaque modèle, et
- le classement des paramètres par ordre de pertinence, en fonction de l'erreur estimée sur les modèles utilisant ces paramètres.
Dans cette réalisation, l'erreur pour chaque modèle est préférentiellement estimée en comparant :
- l'application du modèle sur des valeurs précédentes d'un historique de valeurs de paramètres pour anticiper une valeur courante d'un paramètre de sortie, à
- une valeur courante du paramètre de sortie, effectivement reçue par le dispositif informatique.
Dans un mode de réalisation, les modèles de la pluralité de modèles sont construits par apprentissage dans une base de données d'historique de valeurs de paramètres reçues.
Le procédé peut comporter ensuite une étape d) de consigne d'effacement de consommateurs ciblés, en cas de de prédiction d'un pic de demande à l'étape c). L'invention vise aussi un programme informatique (dont l'algorithme général peut correspondre à la figure 4) et comportant des instructions pour la mise en œuvre du procédé ci-avant, lorsque ce programme est exécuté par un processeur. La présente invention vise aussi un dispositif informatique (référence SI de la figure 1 commentée ci-après) de gestion d'un réseau de distribution d'énergie électrique, et mettant en œuvre une estimation de demande en énergie par des consommateurs. Ce dispositif comporte en particulier un circuit de traitement incluant un processeur (référence PROC de la figure 1) pour la mise en œuvre du procédé ci-avant.
D'autres avantages et caractéristiques de l'invention apparaîtront à la lecture de la description d'exemples de réalisation ci-dessous, et à l'examen des dessins annexés et sur lesquels :
- la figure 1 illustre un système global comprenant le dispositif informatique SI pour la mise en œuvre de la présente invention ;
- la figure 2 illustre plus précisément le fonctionnement du dispositif informatique SI,
- la figure 3 illustre l'adaptation des données en historique pour une mise à date particulière,
- la figure 4 illustre les principales étapes d'un procédé dans une forme de réalisation particulière de l'invention.
En référence à la figure 1 , le dispositif informatique SI (pour « système d'information ») est présenté sous la forme d'un ordinateur comprenant typiquement un circuit de traitement informatique incluant :
- une interface d'entrée IN, pour recevoir des données d'historique à stocker, et à traiter pour établir des modèles par autoapprentissage,
- un processeur PROC relié à l'interface d'entrée IN,
- une mémoire MEM2 de stockage de ces données dans une base de données BD d'historique, - une mémoire de travail MEM coopérant avec le processeur PROC pour le traitement de ces données, cette mémoire pouvant stocker en outre des instructions d'un programme informatique au sens de l'invention,
- une interface de sortie OUT, par exemple pour envoyer une consigne d'effacement calculée par le dispositif informatique SI, en fonction du traitement des données reçues.
Bien entendu, un opérateur peut piloter le fonctionnement du dispositif SI et dispose notamment d'un écran de visualisation SCR à cet effet. Les données d'entrée IN peuvent être reçues via un réseau NW. Il peut s'agir typiquement :
- de données de consommation (puissance consommée par exemple) HRD, qui sont horodatées comme on le verra plus loin,
- de données météorologiques, avec une date associée d'événement météorologique prévu,
- de données d'effacement DEFF pour certains consommateurs volontaires, à des instants choisis par ces consommateurs par exemple.
Les données de sortie OUT peuvent être envoyées via le réseau NW et peuvent correspondre à :
- des consignes d'effacement CEFF destinées à des compteurs identifiés, et que peut calculer le dispositif informatique SI, en fonction des pics de demande prévus et des capacités d'effacement indiquées par des données DEFF,
- des informations utiles pour le producteur d'énergie, pour l'assister à la décision de produire de l'énergie à partir d'une source (photovoltaïque PV, par exemple) plutôt qu'à partir d'une autre (nucléaire N, par exemple), en fonction des prévisions de besoins de consommation que peut calculer le dispositif informatique SI,
- etc. Dans un exemple de réalisation décrit ci-après, seul un historique de données fiables du phénomène à prévoir (l'effacement par exemple, ou simplement un pic de demande) est disponible. Selon une approche proposée dans un mode de réalisation de l'invention, une solution d'auto-apprentissage est mise en place de sorte que quand de nouvelles données arrivent, le modèle réapprend les paramètres-mêmes du modèle. En effet, les données servant à la prévision proviennent souvent de compteurs individuels (d'entreprise par exemple). Un impondérable quant à cette approche est que le temps de récupération de la donnée reste aléatoire. Toutefois, il est apparu que plus la donnée utilisée dans le modèle était récente, et meilleure était la prévision. Ainsi, une solution d'auto-apprentissage où les paramètres du modèle sont mis à jour régulièrement avec l'arrivée de nouvelles données est proposée ici. La fonction de lien qui est à la base de la définition du modèle n'est donc pas définitivement fixée, mais elle est adaptative en fonction des données les plus récentes reçues.
Le fait de ne pas fixer la fonction de lien et de l'adapter aux données les plus récentes permet de toujours utiliser l'information la plus récente disponible et donc la plus pertinente. Ainsi, l'invention permet de réaliser toujours la meilleure prédiction à partir des données disponibles.
En outre, au cas où une panne informatique parvient au niveau du système informatique (ou du dispositif SI présenté ci-avant) et que les données nécessaires à la réalisation de la prédiction ne sont pas disponibles, il suffit de relancer le module de prédiction, lequel adapte alors la fonction de lien aux données présentes dans la base d'historique. Là encore, l'invention permet de réaliser toujours une prédiction même dans le cas où la récupération des données n'est pas possible.
Ainsi, il est proposé de faire évoluer les paramètres avec l'arrivée de nouvelles données. En outre, dans un exemple de réalisation proposé ci-après, la prévision n'est pas simplement réalisée à l'aide d'un modèle unique, mais à l'aide de plusieurs modèles où la prévision finale est une moyenne pondérée de l'ensemble des prévisions des modèles, le poids d'un modèle étant d'autant plus important que ses dernières prévisions sont meilleures. Dans un exemple d'application, on cherche à prédire l'effacement des consommateurs ayant un contrat de consommation supérieure à 250 kW et adhérant à une offre avec une incitation tarifaire à l'effacement un jour de pointe générale.
Seul est disponible un historique limité de données permettant de réaliser la prédiction. Il est mis alors en œuvre un traitement informatique permettant aux modèles de réapprendre les paramètres avec l'arrivée de nouvelles données (auto-apprentissage) et d'adapter la fonction de lien en fonction des données les plus récentes à disposition.
En référence à la figure 2, les données enregistrées dans des compteurs individuels 1 à n sont relevées à distance par le fournisseur puis stockées dans une base de données BD. Les données sont ensuite corrigées (pour les erreurs manifestes) et agrégées. Un fichier de l'historique de données disponibles est ensuite généré. Ce fichier comprend la date de relève, la puissance agrégée du portefeuille, et l'indication d'effacement.
Ce fichier, avec les dates de début et fin de prédiction voulues, sont fournis à un module d'auto-apprentissage. Le module d'auto-apprentissage adapte la fonction de lien de chaque modèle de prédiction en fonction des données, apprend les paramètres et réalise la prédiction aux dates passées en tant que paramètres.
La prédiction est écrite par le module dans un fichier de sortie qui est lu ensuite par le dispositif informatique SI. La prédiction peut être ensuite transmise à un optimiseur d'effacement par exemple (non représenté).
On se réfère maintenant à la figure 3 pour décrire plus particulièrement le fonctionnement du module d'auto-apprentissage. Ce dernier commence par lire les données explicatives. Dans un premier temps, il calcule la différence en instants de temps entre la donnée à prédire et la donnée la plus récente. Par exemple, s'il faut prédire le 14 Novembre 2016 et que les dernières données disponibles jugées pertinentes datent du 10 novembre, un décalage est alors calculé comme suit : Delta = 4 jours * nb instants par jour
Le module construit donc un ou plusieurs modèles où la variable (« puissance retardée » ici) la plus récente est retardée de Delta. Il convient de noter qu'il est possible de prévoir plusieurs variables retardées comme variables explicatives du modèle, éventuellement différentes d'une puissance retardée.
Ainsi, en référence maintenant à la figure 4, la première étape est le calcul de Delta à l'étape SI . Ensuite, afin d'apprendre les paramètres de ces fonctions de lien, le module génère une base de données d'apprentissage à partir de laquelle les paramètres des N modèles sont appris (étape S2). Une prédiction est alors réalisée à partir de chaque modèle pour N modèles de 1 à N (étape S3). Pour une première prédiction (test T4), la prédiction appliquée est simplement une moyenne arithmétique de l'ensemble des prédictions des N modèles (étape S5). En revanche, si plusieurs prédictions ont déjà été réalisées, une moyenne pondérée en fonction de l'erreur réalisée par les N modèles sur les dernières prédictions est plutôt calculée (étape S6).
Par exemple, selon le premier critère de pertinence présenté précédemment et relatif à la nouveauté des données reçues, un modèle de consommation (et la fonction de lien associée) utilisant des données météorologiques datant de la veille aurait moins de poids qu'un modèle de tendance de consommation et utilisant des données de consommation relevées chez des consommateurs à un pas de 20 minutes par exemple. En revanche, la réception de données météorologiques plus récentes pourrait inverser cette pondération. En outre, selon le deuxième critère présenté précédemment, si une prédiction a déjà été réalisée pour le type de jour où la prédiction doit être réalisée (par exemple un lundi, ou un mardi,...) et à un type d'instant (par exemple à 8h, ou à 8h30,...) (test T7 de la figure 4), la prédiction finale est :
- la moyenne pondérée des prédictions des N modèles (étape S8), - ou la prédiction d'un des N modèles si ce modèle est plus performant pour le type d'heure de la journée et le type de jour que la prédiction par moyenne pondérée (étape S9).
En revanche, si aucune prédiction n'a été précédemment calculée pour ce type d'horodate (instant et jour) alors la prédiction par moyenne pondérée est utilisée (étape S 8).
Bien entendu, la présente invention ne se limite pas aux formes de réalisation présentées ci-avant et admet des variantes.
Par exemple, la nature même des modèles qui peuvent être utilisés admet de nombreuses variantes et peut être complexe. La présente description n'a pas à détailler de tels modèles. Il convient de retenir simplement que le choix même du modèle (et de la fonction de lien entre les paramètres d'entrée et de sortie qui lui sont associés) est adaptatif en fonction des données reçues (de leur nouveauté, de leur pertinence par rapport à une date de prédiction à réaliser, ou autre).
Par ailleurs, on a défini ci-avant un ordre de pertinence des paramètres, calculé à partir de l'erreur évaluée pour chaque modèle utilisant ces paramètres. Cette approche admet néanmoins des variantes et il est possible par exemple, dans une variante moins sophistiquée, de définir un paramètre comme pertinent directement en fonction de l'horodate de réception des données de ce paramètre.
On a en outre décrit ci-avant une moyenne des résultats de modèles qui est pondérée. Il convient de relever que l'application d'une simple moyenne arithmétique a déjà permis d'améliorer (de 15% selon les tests réalisés) les résultats de l'application d'un unique modèle à partir d'une fonction de lien fixe au sens de l'art antérieur.

Claims

REVENDICATIONS
1. Procédé mis en œuvre par des moyens informatiques, de gestion d'un réseau de distribution d'énergie électrique, le procédé comportant une estimation de demande en énergie par des consommateurs, l'estimation de demande comportant les étapes :
a) prévoir au moins un modèle basé sur une fonction de lien entre au moins un paramètre d'entrée du modèle et au moins un paramètre de sortie du modèle, b) recevoir en entrée d'un dispositif informatique au moins une valeur du paramètre d'entrée, et
c) appliquer le modèle à la valeur reçue du paramètre d'entrée pour délivrer une valeur de paramètre de sortie, relative à une prédiction de demande en énergie,
caractérisé en ce que la fonction de lien choisie pour le modèle appliqué à l'étape c) est adaptative et fonction des valeurs de paramètres reçues à l'étape b),
et en ce que les étapes a) et b) comportent les opérations :
al) prévoir une pluralité de fonctions de lien, propres chacune à un type de modèle et à au moins un paramètre d'entrée,
bl) recevoir en entrée du dispositif informatique plusieurs valeurs de paramètres respectifs d'entrée,
b2) déterminer, selon un critère choisi, un classement par ordre de pertinence des paramètres dont les valeurs sont reçues à l'opération bl), et
a2) construire un modèle basé sur au moins une fonction de lien faisant intervenir au moins l'un des paramètres les plus pertinents selon le classement de l'opération b2), pour la mise en œuvre ultérieure de l'étape c).
2. Procédé selon la revendication 1, caractérisé en ce que le critère choisi comporte au moins une composante relative à la nouveauté d'une valeur reçue pour un paramètre, relativement à d'autres valeurs reçues pour d'autres paramètres.
3. Procédé selon l'une des revendications précédentes, caractérisé en ce que le critère choisi tient compte d'une date prévue pour l'estimation de la demande en énergie.
4. Procédé selon l'une des revendications précédentes, caractérisé en ce que le modèle construit à l'opération a2) est basé sur une moyenne de fonctions de lien faisant intervenir chacune au moins un paramètre parmi les paramètres les plus pertinents selon le classement de l'opération b2).
5. Procédé selon la revendication 4, caractérisé en ce que ladite moyenne est pondérée selon l'ordre de pertinence des paramètres déterminé à l'opération b2).
6. Procédé selon l'une des revendications précédentes, caractérisé en ce que l'opération b2) comporte :
- la construction d'une pluralité de modèles utilisant des paramètres d'entrée pour lesquels des valeurs ont été reçues,
- pour chaque modèle construit, une estimation d'erreur par rapport à un historique de valeurs des paramètres d'entrée intervenant dans chaque modèle, et
- le classement des paramètres par ordre de pertinence, en fonction de l'erreur estimée sur les modèles utilisant ces paramètres.
7. Procédé selon la revendication 6, caractérisé en ce que l'erreur pour chaque modèle est estimée en comparant :
- l'application du modèle sur des valeurs précédentes d'un historique de valeurs de paramètres pour anticiper une valeur courante d'un paramètre de sortie, à
- une valeur courante du paramètre de sortie, effectivement reçue par le dispositif informatique.
8. Procédé selon l'une des revendications 6 et 7, caractérisé en ce que les modèles de la pluralité de modèles sont construits par apprentissage dans une base de données d'historique de valeurs de paramètres reçues.
9. Procédé selon l'une des revendications précédentes, caractérisé en ce qu'il comporte en outre une étape d) de consigne d'effacement de consommateurs ciblés, en cas de de prédiction d'un pic de demande à l'étape c).
10. Programme informatique caractérisé en ce qu'il comporte des instructions pour la mise en œuvre du procédé selon l'une des revendications 1 à 9, lorsque ce programme est exécuté par un processeur.
11. Dispositif informatique de gestion d'un réseau de distribution d'énergie électrique, mettant en œuvre une estimation de demande en énergie par des consommateurs, caractérisé en ce qu'il comporte un circuit de traitement incluant un processeur pour la mise en œuvre du procédé selon l'une des revendications 1 à 9.
EP17740416.7A 2016-07-26 2017-07-24 Procédé de prédiction de demande de consommation, utilisant un modèle de prédiction perfectionné Ceased EP3491591A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1657149A FR3054703B1 (fr) 2016-07-26 2016-07-26 Procede de prediction de demande de consommation, utilisant un modele de prediction perfectionne
PCT/EP2017/068646 WO2018019769A1 (fr) 2016-07-26 2017-07-24 Procede de prediction de demande de consommation, utilisant un modele de prediction perfectionne

Publications (1)

Publication Number Publication Date
EP3491591A1 true EP3491591A1 (fr) 2019-06-05

Family

ID=58162671

Family Applications (1)

Application Number Title Priority Date Filing Date
EP17740416.7A Ceased EP3491591A1 (fr) 2016-07-26 2017-07-24 Procédé de prédiction de demande de consommation, utilisant un modèle de prédiction perfectionné

Country Status (3)

Country Link
EP (1) EP3491591A1 (fr)
FR (1) FR3054703B1 (fr)
WO (1) WO2018019769A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895721B (zh) * 2018-09-12 2021-11-16 珠海格力电器股份有限公司 电器功能的预测方法及装置
CN112001563B (zh) * 2020-09-04 2023-10-31 深圳天源迪科信息技术股份有限公司 一种话单量的管理方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3014613B1 (fr) * 2013-12-11 2016-01-15 Electricite De France Prediction d'une consommation de fluide effacee

Also Published As

Publication number Publication date
FR3054703A1 (fr) 2018-02-02
FR3054703B1 (fr) 2023-04-28
WO2018019769A1 (fr) 2018-02-01

Similar Documents

Publication Publication Date Title
US11876374B2 (en) System and method for optimal control of energy storage system
EP2211300B1 (fr) Procédé de prévision de la production électrique d'un dispositif photovoltaïque
WO2015086994A1 (fr) Prediction d'une consommation de fluide effacee
CN109598447A (zh) 配送压力调整、订单分配方法及装置、电子设备及介质
JP5833267B1 (ja) 発電量予測制御装置、発電量予測方法および発電量予測プログラム
EP3491591A1 (fr) Procédé de prédiction de demande de consommation, utilisant un modèle de prédiction perfectionné
US20230259846A1 (en) Communications apparatus and method for estimating potential demand for improved forecasting and resource management
CN114519461A (zh) 交易时间预测方法及装置
US10515381B2 (en) Spending allocation in multi-channel digital marketing
EP3847520B1 (fr) Procédé et système de pilotage et de régulation d'un système de chauffage d'un local
CN114135794B (zh) 一种水网漏损的检测方法及装置
WO2015036406A1 (fr) Gestion de la consommation energetique d'un parc de calculateurs
EP3646255A1 (fr) Système et procédé de gestion de risques dans un processus
EP3902095B1 (fr) Procédé de prévision d'une durée de fonctionnement d'un objet connecté
FR3061307A1 (fr) Caracterisation perfectionnee d'un dispositif electrochimique en operation pour un pronostic de fonctionnement futur du dispositif
FR3028080A1 (fr) Methode de gestion de la distribution d'energie electrique en temps reel sur un reseau ilote
CA2913250A1 (fr) Estimation d'une consommation de fluide effacee
FR3102873A1 (fr) Procédé de désagrégation d’une courbe de charge électrique
CN120831580B (zh) 储能电池寿命的预测方法、装置、设备、介质及产品
EP3499436A1 (fr) Système de prévision de consommation d'énergie sur une période prédéterminée
EP3651089B1 (fr) Procédé d'agrégation de flexibilités, programme d'ordinateur, support d'enregistrement et système informatique correspondants
FR3045194A1 (fr) Conception et pilotage d'un systeme de production energetique mixte
FR3160850A1 (fr) Gestion d’une coupure de courant dans un réseau de radiocommunication cellulaire
FR3152621A1 (fr) Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé
CN117911078A (zh) 电力数据处理方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

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

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

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

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20190107

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20191105

APBK Appeal reference recorded

Free format text: ORIGINAL CODE: EPIDOSNREFNE

APBN Date of receipt of notice of appeal recorded

Free format text: ORIGINAL CODE: EPIDOSNNOA2E

APBR Date of receipt of statement of grounds of appeal recorded

Free format text: ORIGINAL CODE: EPIDOSNNOA3E

APAF Appeal reference modified

Free format text: ORIGINAL CODE: EPIDOSCREFNE

REG Reference to a national code

Ref country code: DE

Ref legal event code: R003

APBT Appeal procedure closed

Free format text: ORIGINAL CODE: EPIDOSNNOA9E

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: 20221220