FR3015792A1 - OPTIMIZED ENERGY SUPPLY OF A DISTRIBUTION NETWORK. - Google Patents
OPTIMIZED ENERGY SUPPLY OF A DISTRIBUTION NETWORK. Download PDFInfo
- Publication number
- FR3015792A1 FR3015792A1 FR1363361A FR1363361A FR3015792A1 FR 3015792 A1 FR3015792 A1 FR 3015792A1 FR 1363361 A FR1363361 A FR 1363361A FR 1363361 A FR1363361 A FR 1363361A FR 3015792 A1 FR3015792 A1 FR 3015792A1
- Authority
- FR
- France
- Prior art keywords
- consumers
- class
- consumption
- consumer
- models
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 16
- 238000010438 heat treatment Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000005485 electric heating Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 101100042626 Arabidopsis thaliana SIGF gene Proteins 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002074 deregulated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010616 electrical installation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04S10/30—State monitoring, e.g. fault, temperature monitoring, insulator monitoring, corona discharge
-
- 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
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
L'invention concerne un procédé mis en oeuvre par des moyens informatiques, de gestion de la fourniture d'énergie à un ensemble de consommateurs, dans lequel, suite à l'obtention de données relatives aux consommateurs et à des variables influant sur la consommation (A) : a) on construit un premier jeu, grossier, de classes de consommateurs (B), b) on estime ensuite un modèle de consommation intra-classe (C), pour chaque classe, c) on construit ensuite un deuxième jeu, consolidé, de classes de consommateur (E), en regroupant dans une même classe des consommateurs dont les modèles sont proches, selon une estimation de distances entre modèles (D), d) on définit au moins un modèle cible de consommateurs parmi le deuxième jeu, et on génère une consigne de fourniture d'énergie (F), préconisée pour des consommateurs selon ledit modèle cible.The invention relates to a method implemented by computer means, for managing the supply of energy to a set of consumers, in which, following the obtaining of data relating to consumers and variables influencing consumption ( A): a) we build a first, coarse set of consumer classes (B), b) we then estimate an intra-class consumption model (C), for each class, c) we then build a second set, consolidated, of consumer classes (E), by grouping in the same class consumers whose models are close, according to an estimate of distances between models (D), d) defines at least one target model of consumers among the second set and an energy supply instruction (F) is generated which is recommended for consumers according to said target model.
Description
FOURNITURE D'ENERGIE OPTIMISEE D'UN RESEAU DE DISTRIBUTION La présente invention concerne la gestion de fourniture d'énergie. Elle concerne une méthode de pilotage de la consommation d'énergie à destination de groupes de consommateurs ou de consommateurs individuels.The present invention relates to the management of energy supply. It relates to a method of controlling the consumption of energy for groups of consumers or individual consumers.
Des dispositifs de gestion des réseaux de distribution d'énergie peuvent avoir accès à des données précises sur la congestion du réseau ou sur la consommation des utilisateurs de ce réseau. Par exemple, les fournisseurs d'énergie électrique peuvent disposer d'informations précises sur les consommations individuelles de chaque utilisateur disposant d'un compteur électrique connecté à des serveurs centraux de gestion du réseau. De plus, les dispositifs de gestion du réseau peuvent transmettre individuellement ou à des groupes de consommateurs des ordres ou des propositions d'application de consignes de fourniture d'énergie. On entend ici par « consigne de fourniture d'énergie », des instructions susceptibles de modifier la consommation en énergie d'un utilisateur. Des instructions de limitation de la puissance disponible par consommateur ou des schémas de production géolocalisés à destination des centrales électriques peuvent par exemple conduire à la diminution de la consommation globale d'énergie à des heures où le réseau est habituellement congestionné. Ce pilotage du réseau se fait habituellement dans le cadre d'un ou plusieurs programmes de gestion active de la demande (« Demand Response Programs » en anglais). Ainsi, il a été proposé de traiter les données disponibles au niveau de serveurs informatiques de gestion centralisée afin de construire des consignes de fourniture d'énergie ajustées à l'état du réseau. En plus d'informations relatives à la consommation, les données disponibles peuvent comprendre des grandeurs exogènes telles que des prévisions météorologiques ou des données calendaires. La multiplication de ces données entraîne une augmentation sensible de la complexité des étapes de génération des consignes de fourniture d'énergie. Pour résoudre ces problèmes de complexité, il a pu être proposé de rassembler certains types de consommateurs dans des classes de consommateurs. Par exemple, les consommateurs disposant d'une climatisation sont regroupés dans une première classe et les consommateurs disposant d'une source d'énergie qui leur est propre (énergie photovoltaïque, éolienne, etc.) dans une seconde classe. Les consommateurs ainsi rassemblés, les consignes de fourniture d'énergie peuvent être construites à partir de modèles statistiques estimés pour l'ensemble des consommateurs d'une classe. Toutefois, ces modèles présentent des faiblesses et peuvent manquer de précision. En effet, habituellement, le regroupement des consommateurs est fixe et il est effectué en fonction d'au plus deux critères (type de chauffage et type d'habitation par exemple). Or, la pertinence du regroupement des consommateurs varie en fonction d'un très grand nombre de variables (prévisions météorologiques, vacances, type de contrats passés entre le consommateur et le fournisseur d'énergie, etc.). Par exemple, dans les jours de grands vents froids, le modèle d'une classe de consommateurs possédant une isolation performante et celui d'une classe de consommateurs possédant une source d'énergie personnelle (éolienne ou photovoltaïque) présentent des similarités très fortes (faibles besoins en énergie venant de l'extérieur). Ainsi, la rigidité d'un traitement imposant des classes de consommateurs a priori peut être un obstacle à une optimisation des modèles de consommation.Power distribution network management devices can have access to precise data on the network congestion or the consumption of the users of this network. For example, electric power providers may have accurate information on the individual consumption of each user having an electricity meter connected to central network management servers. In addition, the network management devices can transmit orders or proposals for application of energy supply instructions individually or to groups of consumers. Here, the term "energy supply instruction", instructions that can change the energy consumption of a user. Limiting instructions for the power available per consumer or location-based production plans for power plants can, for example, lead to a decrease in overall energy consumption at times when the network is usually congested. This control of the network is usually done within the framework of one or more programs of active management of the demand ("Demand Response Programs" in English). Thus, it has been proposed to process the data available at centrally managed computer servers in order to construct energy supply instructions adjusted to the state of the network. In addition to consumption information, the available data may include exogenous quantities such as weather forecasts or calendar data. The multiplication of these data leads to a significant increase in the complexity of the steps of generating the energy supply instructions. To solve these complexity problems, it has been proposed to bring together certain types of consumers in consumer classes. For example, consumers with air conditioning are grouped in a first class and consumers with a source of energy of their own (photovoltaic energy, wind, etc.) in a second class. Consumers thus collected, energy supply guidelines can be built from statistical models estimated for all consumers of a class. However, these models have weaknesses and may lack precision. In fact, the grouping of consumers is usually fixed and is carried out according to at most two criteria (type of heating and type of dwelling, for example). However, the relevance of the grouping of consumers varies according to a very large number of variables (weather forecasts, holidays, type of contracts between the consumer and the energy supplier, etc.). For example, in the days of high cold winds, the model of a class of consumers with high-performance insulation and that of a class of consumers with a personal energy source (wind or photovoltaic) have very strong similarities (low energy needs from outside). Thus, the rigidity of a treatment imposing classes of consumers a priori can be an obstacle to an optimization of consumption models.
A l'inverse, dans un autre exemple de jours froids avec beaucoup de soleil mais sans vent, le modèle d'une classe de consommateurs unique possédant une source d'énergie personnelle (éolienne ou photovoltaïque) n'est pas satisfaisant. En effet, dans cette situation, les consommateurs disposant de capteurs photovoltaïques n'ont pas besoin de beaucoup d'énergie venant de l'extérieur alors que ceux disposant d'éoliennes ont davantage de besoins. La solution consistant à générer un nombre de classes de consommateurs croissant afin de gagner en précision n'est pas non plus satisfaisante. En effet, comme une consigne de fourniture d'énergie est générée pour chaque classe, il est alors nécessaire d'adapter la production d'énergie à chacune de ces consignes. Cette adaptation est, en pratique, très complexe à mettre en oeuvre. A cette difficulté s'ajoute le risque d'une mauvaise estimation statistique des modèles dans chaque classe. La présente invention vient améliorer la situation. L'invention propose à cet effet l'utilisation de modèles consolidés fondés sur une 30 mesure de distance entre des modèles générés pour différentes classes de consommateurs.Conversely, in another example of cold days with lots of sun but no wind, the model of a single consumer class with a source of personal energy (wind or photovoltaic) is not satisfactory. Indeed, in this situation, consumers with photovoltaic sensors do not need a lot of energy from outside, while those with wind turbines have more needs. The solution of generating a growing number of consumer classes to gain precision is also unsatisfactory. Indeed, as a power supply instruction is generated for each class, it is then necessary to adapt the energy production to each of these instructions. This adaptation is, in practice, very complex to implement. To this difficulty is added the risk of a bad statistical estimation of the models in each class. The present invention improves the situation. The invention proposes for this purpose the use of consolidated models based on a measure of distance between models generated for different classes of consumers.
La présente invention vise alors un procédé, mis en oeuvre par des moyens informatiques, de gestion de la fourniture d'énergie à un ensemble de consommateurs, dans lequel, suite à l'obtention de données relatives aux consommateurs et à des variables influant sur la consommation : a) un premier jeu, grossier, de classes de consommateurs est construit ; b) on estime ensuite un modèle de consommation intra-classe, pour chaque classe, c) on construit ensuite un deuxième jeu, consolidé, de classes de consommateur, en regroupant dans une même classe des consommateurs dont les modèles sont proches, selon une estimation de distances entre modèles, d) on définit un modèle cible de consommateurs parmi le deuxième jeu, et e) on génère une consigne de fourniture d'énergie, préconisée pour des consommateurs selon ce modèle cible. Les similarités existantes entre modèles sont déduites de l'estimation de distances entre ces modèles. Les consignes de fourniture d'énergie sont donc générées pour des classes 15 de consommateurs ayant des comportements similaires à un instant donné et non pas en fonction de critères de classes immédiats. En effet, en reprenant un des exemples mentionnés ci-avant, les estimations de distances entre le modèle grossier généré pour la classe de consommateurs possédant une isolation performante et le modèle grossier d'une classe de consommateurs possédant 20 une source personnelle d'énergie éolienne indiquent que ces modèles sont très proches. Ainsi, les consommateurs appartenant à ces classes auront une consommation en énergie proche d'une consommation habituelle même si les vents froids contribueraient à l'augmentation de la consommation d'énergie en chauffage. Une consigne de fourniture d'énergie optimisée peut donc être envoyée à des moyens de production 25 d'énergie qui adapteront la quantité d'énergie à fournir. Par exemple, on peut éviter ainsi pour ces consommateurs au moins une production d'énergie en urgence en utilisant des sources d'appoint (type centrale thermique et/ou groupes électrogènes, en sus de la production habituelle issue de centrales électriques hydrauliques et nucléaires).The present invention thus aims at a method, implemented by computer means, of managing the supply of energy to a set of consumers, in which, following the obtaining of data relating to consumers and variables influencing the Consumption: a) a first game, rude, of classes of consumers is built; b) we then estimate an intra-class consumption model, for each class, c) we then build a second, consolidated set of consumer classes, by grouping in the same class consumers whose models are close, according to an estimate d) define a target model of consumers among the second set, and e) generate a set of energy supply, recommended for consumers according to this target model. The similarities existing between models are deduced from the estimation of distances between these models. The energy supply instructions are therefore generated for classes of consumers having similar behaviors at a given time and not according to immediate class criteria. In fact, by taking one of the examples mentioned above, estimates of distances between the coarse model generated for the class of consumers possessing efficient insulation and the coarse model of a class of consumers having a personal source of wind energy. indicate that these models are very close. Consumers in these classes will therefore have energy consumption close to usual consumption even if the cold winds would contribute to the increase in energy consumption in heating. An optimized energy supply instruction can therefore be sent to energy production means that will adapt the amount of energy to be supplied. For example, it is possible to avoid at least one emergency energy production for these consumers by using backup sources (such as thermal power plants and / or generators, in addition to the usual production from hydraulic and nuclear power plants). .
De plus, les combinaisons de classes concourent à la réduction du nombre de consignes de fourniture d'énergie et à la simplification de la génération de ces consignes. Ainsi, plus de données peuvent être fournies en entrée du procédé de génération de ces consignes sans toutefois saturer les capacités de calcul mises en oeuvre. Les modèles et les consignes de fourniture d'énergie qui en résultent tiennent compte de plus de paramètres et sont donc plus robustes face aux évolutions de ces paramètres. Ainsi, par rapport à une variation anticipée d'un (ou plusieurs) paramètre donné (tel que par exemple une information de température issue d'un bulletin météorologique sur une période future), la construction de classes pertinentes, sur la base de modèles plus robustes que dans l'état de l'art, permet de délivrer une consigne efficace de fourniture d'énergie, pour un modèle cible au moins. Typiquement, dans l'exemple ci-avant de forts vents froids, il est alors possible de générer une consigne dite « d'effacement » (c'est-à-dire d'un niveau maximal de consommation à ne pas dépasser) pour cette classe particulière des consommateurs disposant d'une éolienne et/ou d'un habitat isolé.In addition, the class combinations contribute to reducing the number of energy supply instructions and to simplifying the generation of these instructions. Thus, more data can be provided at the input of the method of generating these instructions without, however, saturating the calculation capabilities implemented. The models and the resulting energy supply guidelines take into account more parameters and are therefore more robust in the face of changes in these parameters. Thus, with respect to an anticipated variation of one or more given parameters (such as, for example, temperature information derived from a weather report over a future period), the construction of relevant classes, based on more than one model. robust than in the state of the art, allows to deliver an effective instruction of energy supply, for a target model at least. Typically, in the above example, strong cold winds, it is then possible to generate an instruction called "erasure" (that is to say a maximum level of consumption not to be exceeded) for this particular class of consumers with wind turbines and / or isolated dwellings.
Néanmoins, la consigne d'effacement par exemple, et plus généralement de proposition de fourniture d'énergie, si elle est communiquée aux consommateurs visés, peut avoir une influence sur leur comportement de consommation (par exemple du sur-chauffage avant ou après effacement).Nevertheless, the erasure instruction, for example, and more generally the energy supply proposal, if it is communicated to the targeted consumers, may have an influence on their consumption behavior (for example overheating before or after erasure). .
Ainsi, dans une forme de réalisation où un signal comportant une information sur une proposition d'application de la consigne de fourniture d'énergie est transmis aux consommateurs, les étapes du procédé selon l'invention sont réitérées répétitivement suite à l'obtention de données relatives à des réactions des consommateurs à ce signal. En particulier, l'information que comporte ce signal est injectée dans l'estimation des modèles intra-classes lors de la réitération des étapes du procédé. Les modèles habituellement utilisés manquent de précision car ils ne prennent pas en compte l'efficacité d'acheminement des consignes de fourniture d'énergie. Cette efficacité de l'exécution des consignes envoyées peut par exemple dépendre des problèmes de communication au niveau des réseaux de télécommunications, de la pertinence des modèles de consommation, mais également de la possibilité pour le consommateur de déroger à la consigne reçue. La réinjection du signal comportant la proposition d'application d'une consigne de fourniture d'énergie introduit ce paramètre de l'efficacité d'acheminement des consignes, dans ce mode de réalisation. Ainsi, les consignes de fourniture d'énergie peuvent être affinées pour prendre en compte la réactivité des consommateurs aux propositions d'application de ces consignes. Les données relatives aux consommateurs peuvent comporter des éléments parmi des relevés de consommation dans un habitat, un nombre de personnes dans l'habitat, un type d'installation pour la consommation et/ou la production d'énergie, un type d'abonnement souscrit par le consommateur pour être fourni en énergie. De plus, les données relatives aux variables influant sur la consommation peuvent comporter des éléments parmi des variables météorologiques et des variables calendaires.Thus, in an embodiment where a signal comprising information on a proposed application of the energy supply directive is transmitted to the consumers, the steps of the method according to the invention are repeated repeatedly after obtaining data. relating to consumer reactions to this signal. In particular, the information contained in this signal is injected into the estimation of intra-class models during the reiteration of the process steps. The commonly used models lack precision because they do not take into account the efficiency of delivery of the energy supply instructions. This efficiency of the execution of the instructions sent may, for example, depend on the communication problems at the level of the telecommunications networks, the relevance of the consumption models, but also the possibility for the consumer to derogate from the received instruction. The feedback of the signal comprising the proposal for applying a power supply instruction introduces this parameter of the routing efficiency of the instructions, in this embodiment. Thus, the energy supply guidelines can be refined to take into account the responsiveness of consumers to the proposals for applying these instructions. Consumer data may include items from consumption records in a habitat, number of people in the habitat, type of facility for consumption and / or energy production, type of subscription subscribed by the consumer to be supplied with energy. In addition, data on variables affecting consumption may include items among weather variables and calendar variables.
Dans une forme de réalisation possible, la construction du premier jeu de classes de consommation comporte des opérations de projection des données sur une base d' ondelettes et ce premier jeu est construit par classification des coefficients dans cette projection. L'estimation des modèles intra-classes peut comporter par exemple une estimation des consommations dans chaque classe selon une base de fonctions de spline, de type : e = >fik(xi,t)+ >lic(e,xi,t)+ ieht ieht où : gt correspond à une somme de consommations des consommateurs d'une classe k, et à un instant t, - Jk est un ensemble de variables explicatives, notées xi,t , retenues parmi les variables influant sur la consommation pour modéliser la classe k, - Et est un bruit correspondant à un aléa de la classe k, - pt correspond à l'information sur une proposition d'application de la consigne de fourniture d'énergie, telle que définie ci-avant, à l'instant t envoyé à la classe k, - /k (p x ) représente une fonction d'élasticité des consommateurs de la classe k t relativement à cette information, - fik représente des fonctions de spline propres à des variables explicatives dans la classe k. L'élasticité des consommateurs peut dépendre de paramètres exogènes (d'où la double dépendance de cette fonction). Par exemple, un consommateur peut être plus favorable à un effacement de sa consommation à certaines heures de la journée ou de la nuit, plutôt qu'à d'autres. Dans un mode de réalisation particulier, on obtient Q classes de modèles dans le deuxième jeu à partir de Q classes de consommateurs dans le premier jeu.In one possible embodiment, the construction of the first set of consumption classes includes wavelet based data projection operations and this first set is constructed by classifying the coefficients in that projection. The estimate of the intra-class models can include for example an estimate of the consumptions in each class according to a base of spline functions, of type: e => fik (xi, t) +> lic (e, xi, t) + ieht ieht where: gt corresponds to a sum of consumer consumptions of a class k, and at a time t, - Jk is a set of explanatory variables, denoted xi, t, retained among the variables influencing consumption to model the class k, - and is a noise corresponding to a hazard of the class k, - pt corresponds to the information on a proposal to apply the energy supply directive, as defined above, at the instant t sent to class k, - / k (px) represents a kt elasticity function of consumers with respect to this information, - fik represents spline functions specific to explanatory variables in class k. Consumer elasticity may depend on exogenous parameters (hence the dual dependence of this function). For example, a consumer may be more in favor of erasing his consumption at certain times of the day or night than at others. In a particular embodiment, Q classes classes are obtained in the second set from Q consumer classes in the first set.
Toutefois, on peut prévoir aussi beaucoup de classes dans la classification grossière initiale, et chercher ensuite à les agréger selon le critère de proximité des modèles. Pour estimer les distances entre modèles de consommateurs, on peut calculer, pour chaque variable d'un modèle, des valeurs prévues de la variable sur une partition d'un ensemble de définition de cette variable, lesdites valeurs formant un repère vectoriel dans lequel sont calculées lesdites distances. En particulier, ces distances peuvent être calculées par une formule de type : N c1N(1", g) = (1.(x,) - g (x,))2 i=1 avec : - N la dimension du repère vectoriel mentionné ci-avant ; - xi avec i E [[1; Aill les valeurs prévues de la variable sur la partition d'ensemble mentionnée ci-avant ; - f et g des fonctions caractérisant des modèles de consommation intra-classe.However, we can also provide many classes in the initial rough classification, and then seek to aggregate them according to the criterion of proximity of the models. To estimate the distances between consumer models, it is possible to calculate, for each variable of a model, predicted values of the variable on a partition of a set of definition of this variable, said values forming a vector reference in which are calculated said distances. In particular, these distances can be calculated by a formula of the type: ## EQU1 ## where: ## EQU1 ## mentioned above; xi with i E [[1; Aill the expected values of the variable on the ensemble partition mentioned above; f and g functions characterizing intra-class consumption models.
De plus, le repère vectoriel peut être d'une dimension correspondant à un paramètre ajustable en fonction d'un compromis entre exhaustivité de résultats et complexité de calculs.In addition, the vector reference can be of a dimension corresponding to an adjustable parameter according to a compromise between completeness of results and complexity of calculations.
La présente invention vise également un serveur informatique de gestion de la fourniture d'énergie à un ensemble de consommateurs, comportant une interface d'entrée pour l'obtention de données relatives aux consommateurs et pour l'obtention de variables influant sur la consommation, et comportant des moyens de calcul (tels qu'un processeur et une mémoire de travail, par exemple) pour : a) la construction d'un premier jeu, grossier, de classes de consommateurs, b) l'estimation d'un modèle de consommation intra-classe, pour chaque classe, c) la construction d'un deuxième jeu, consolidé, de classes de consommateur, en regroupant dans une même classe des consommateurs dont les modèles sont proches, selon une estimation de distances entre modèles, d) l'estimation d'au moins un modèle cible de consommateurs parmi le deuxième jeu, e) la génération d'une consigne de fourniture d'énergie, préconisée pour des consommateurs selon ce modèle cible. La présente invention vise également une installation pour la gestion de la fourniture d'énergie à un ensemble de consommateurs, caractérisée en ce qu'elle comporte : - un serveur informatique selon l'invention, - une première infrastructure de télécommunications pour la transmission au serveur précité, de données relatives aux consommateurs et de variables influant sur la consommation, et - une deuxième infrastructure de télécommunications (distincte de la première infrastructure ou commune à celle-ci), pour la transmission depuis le serveur vers les consommateurs selon le modèle cible précité, de la consigne précitée de fourniture d'énergie. La présente invention vise également un programme informatique comportant des instructions pour la mise en oeuvre du procédé précédemment décrit, lorsque ce programme est exécuté par un processeur. Ce programme peut utiliser un langage quelconque de programmation (par exemple, un langage objet ou autre), et être sous la forme d'un code source interprétable, d'un code partiellement compilé ou d'un code totalement compilé.The present invention also aims at a computer server for managing the supply of energy to a set of consumers, comprising an input interface for obtaining data relating to consumers and for obtaining variables influencing consumption, and comprising computing means (such as a processor and a working memory, for example) for: a) building a first game, coarse, classes of consumers, b) estimating a consumption model intra-class, for each class, c) the construction of a second consolidated set of consumer classes, by grouping in the same class consumers whose models are close, according to an estimation of distances between models, d) l estimating at least one target model of consumers from the second set, e) generating an energy supply instruction, recommended for consumers according to this target model. The present invention also aims at an installation for managing the supply of energy to a set of consumers, characterized in that it comprises: a computer server according to the invention, a first telecommunications infrastructure for transmission to the server above, consumer data and variables affecting consumption, and - a second telecommunications infrastructure (separate from, or common to, the first infrastructure), for transmission from the server to consumers according to the aforementioned target model of the aforementioned instruction of supply of energy. The present invention also relates to a computer program comprising instructions for implementing the method described above, when this program is executed by a processor. This program can use any programming language (for example, an object language or other), and be in the form of an interpretable source code, a partially compiled code or a fully compiled code.
Les figures 2 et 3 décrites en détails ci-après, peuvent former l'organigramme de l'algorithme général d'un tel programme informatique. D'autres caractéristiques et avantages de l'invention apparaîtront encore à la lecture de la description qui va suivre. Celle-ci est purement illustrative et doit être lue en regard des dessins annexés sur lesquels : - la figure 1 illustre le contexte général de l'invention ; - la figure 2 illustre une réalisation générale du procédé selon un mode de réalisation possible de l'invention ; - la figure 3 illustre une détermination de distance entre modèles selon un mode de réalisation possible de l'invention ; - la figure 4A présente une installation possible pour la mise en oeuvre de l'invention, selon un premier mode de réalisation, - la figure 4B présente une installation possible pour la mise en oeuvre de l'invention, selon un deuxième mode de réalisation, - la figure 5 présente une installation possible pour la mise en oeuvre de l'invention, selon un troisième mode de réalisation, - les figures 6A, 6B, 6C et 6D présentent des courbes illustrant des modèles pour des classes de consommateurs dans un mode de réalisation selon l'invention.Figures 2 and 3 described in detail below, can form the flow chart of the general algorithm of such a computer program. Other features and advantages of the invention will become apparent on reading the description which follows. This is purely illustrative and should be read in conjunction with the accompanying drawings in which: - Figure 1 illustrates the general context of the invention; FIG. 2 illustrates a general embodiment of the method according to a possible embodiment of the invention; FIG. 3 illustrates a distance determination between models according to a possible embodiment of the invention; FIG. 4A presents a possible installation for the implementation of the invention, according to a first embodiment, FIG. 4B presents a possible installation for the implementation of the invention, according to a second embodiment, FIG. 5 presents a possible installation for the implementation of the invention, according to a third embodiment, FIGS. 6A, 6B, 6C and 6D present curves illustrating models for classes of consumers in a mode of operation. embodiment according to the invention.
L'invention est décrite ci-après dans son application aux réseaux de fourniture d'énergie électrique à des consommateurs. Elle n'est pas limitée à une telle application et peut par exemple être appliquée aux réseaux de distribution d'eau, à la gestion de la pollution de l'air ou de l'eau, à la gestion de tout type de trafic (par exemple routier, fluvial ou aérien). Comme cela est illustré à la figure 1, l'invention peut être mise en oeuvre par un ensemble de compteurs de consommation électrique M60, M80, M100, MLO connectés à un serveur 2 via un système de collecte et de pilotage 4.The invention is described below in its application to power supply networks to consumers. It is not limited to such an application and can for example be applied to water distribution networks, the management of air or water pollution, the management of all types of traffic (eg road, river or air example). As illustrated in FIG. 1, the invention can be implemented by a set of power consumption meters M60, M80, M100, MLO connected to a server 2 via a collection and control system 4.
Les compteurs M60, M80, M100, MLO sont présents chez les consommateurs M6, M8, M10, ML. Les compteurs peuvent communiquer avec le système de collecte et de pilotage 4 via une liaison de télécommunication locale ou distante (via des courants porteurs en ligne ou « CPL », ou encore via un réseau de radiocommunication local ou via un réseau cellulaire de téléphonie mobile, ou autres).Counters M60, M80, M100, MLO are present in consumers M6, M8, M10, ML. The meters can communicate with the collection and control system 4 via a local or remote telecommunication link (via line power lines or "CPL", or also via a local radio network or via a mobile cellular network, or others).
L'invention peut être mise en oeuvre en collectant des données issues par exemple d'un domicile d'un particulier, ou encore d'une entreprise, d'un industriel, une collectivité, ou autres. Un consommateur peut également être un producteur d'énergie, comme présenté plus loin en référence à la figure 4B. Les compteurs communiquent avec le système de collecte et de pilotage 4 qui correspond à l'ensemble des composants de télécommunication qui servent à communiquer avec les équipements distants, et en particulier avec le serveur 2. Dans une infrastructure de collecte et de pilotage évoluée, le système 4 couvre aussi bien le système d'information de comptage qu'un réseau de communication WAN (« WideArea Network» pour réseau étendu), les passerelles ou concentrateurs intermédiaires ou encore un réseau de communication local NAN (« Neigborhood Area Network» pour réseau de voisinage). Cette infrastructure peut être basée sur tout type de protocole et de support physique de communication. Le serveur 2 reçoit des données, notamment celles mesurées par les compteurs et transmises via le système de collecte et de pilotage 4. Ces données sont reçues par une interface d'entrée 14 puis transmises à un circuit 10. Ce circuit, formant les moyens de calcul précités du serveur, peut comporter par exemple: un processeur apte à interpréter des instructions sous la forme de programme informatique, et/ou une carte électronique dont les étapes du procédé de l'invention sont traduites sous la forme d'instructions enregistrées dans une mémoire de la carte, et/ou encore une puce électronique programmable comme une puce FPGA (pour « Field-Programmable Gate Array » en anglais), - ou autres. Ce circuit 10 peut comporter ou simplement coopérer avec une mémoire durable 12 (« hard-disk » en anglais) et avec au moins une mémoire vive 16 (RAM, « random Access Memory » pour mémoire à accès direct en français). Des consignes de fourniture d'énergie, telles que décrites ci-après, sont alors générées puis transmises aux consommateurs M6, M8, M10, ML via une interface de sortie 18. En référence maintenant à la figure 2, à l'étape A, le serveur 2 reçoit du système de collecte et de pilotage 4 des signaux de consommation CONSO et des variables explicatives VAR.The invention can be implemented by collecting data from for example a home of an individual, or a company, an industrial, a community, or other. A consumer may also be an energy producer, as discussed further with reference to Figure 4B. The meters communicate with the collection and control system 4 which corresponds to all the telecommunication components used to communicate with the remote equipment, and in particular with the server 2. In an advanced collection and control infrastructure, the system 4 covers both the metering information system and a Wide Area Network (WAN) communication network, the intermediate gateways or hubs, or a local area network (NAN). neighborhood). This infrastructure can be based on any type of protocol and physical communication medium. The server 2 receives data, in particular those measured by the counters and transmitted via the collection and control system 4. These data are received by an input interface 14 and then transmitted to a circuit 10. This circuit, forming the means of aforementioned calculation of the server, may comprise for example: a processor capable of interpreting instructions in the form of computer program, and / or an electronic card whose steps of the method of the invention are translated in the form of instructions recorded in a memory of the card, and / or a programmable electronic chip such as an FPGA (for "Field-Programmable Gate Array" in English), or other. This circuit 10 may comprise or simply cooperate with a durable memory 12 ("hard-disk" in English) and with at least one RAM memory 16 (RAM, "random access memory" for direct access memory in French). Power supply instructions, as described below, are then generated and then transmitted to consumers M6, M8, M10, ML via an output interface 18. Referring now to FIG. 2, in step A, the server 2 receives from the collection and control system 4 consumption signals CONSO and explanatory variables VAR.
Chaque signal de consommation CONSO[T] est spécifique à un consommateur 1 ou à un groupe 1 de consommateurs. Les signaux de consommation CONSO peuvent être des grandeurs physiques comme des informations d'états du système ou encore des informations renseignées directement par le consommateur. Une liste non-exhaustive des données pouvant constituer les signaux de consommation 20 CONSO est donnée ci-dessous : Puissance active instantanée par phase [en W], Puissance active instantanée totale triphasée [en W], Puissance réactive instantanée par phase [en « var », pour « volt-ampère, réactif »], Puissance réactive instantanée totale triphasée [en var], 25 Puissance réactive instantanée par quadrant (Q1, Q2, Q3 et Q4) [en var], Puissance apparente instantanée par phase [en VA], Puissance apparente instantanée totale triphasée [en VA], Puissance active moyenne par phase [en W], Puissance active moyenne totale triphasée [en W], 30 Puissance réactive moyenne par phase [en var], Puissance réactive moyenne totale triphasée [en var], Puissance réactive moyenne par quadrant (Q1, Q2, Q3 et Q4) [en var], Puissance apparente moyenne par phase [en VA], Puissance apparente moyenne totale triphasée [en VA], Energie active soutirée (index 1 à N) [en Wh], Puissance apparente de référence [en W], Puissance apparente de coupure (organe de coupure) [en W], Puissance maximale souscrite [en W], Puissance effaçable disponible par phase [en W], Puissance effaçable disponible totale triphasée [en W], Etat de l'organe de coupure [ouvert/fermé], Température interne habitation [en 1/10 de °C], Température externe habitation [en 1/10 de °C], Facteur de puissance [sans unité], Tarif en cours [chaîne de caractères], Début et fin de pointes mobiles [format horodaté], Tensions efficaces (phases 1, 2 et 3) [en V], Intensités efficaces (phases 1, 2 et 3) [en A], Fréquence fondamentale du réseau [en 1/10 de Hz], Données saisies par le consommateur (données d'usage du consommateur, périodes où l'effacement est possible, souhaité ou pas, préférences d'utilisation renseignées par le consommateur, etc.), Mesures de consommation sur un ensemble de lignes ou d'appareils du consommateur, et Influence tarifaire ou technique de l'utilisation des réseaux de télécommunication mobilisés pour la mise en oeuvre du procédé. La durée d'intégration des puissances instantanées peut prendre différentes valeurs. Par exemple, ces puissances peuvent être intégrées sur 1, 2, 5, 10, 15, 30 et 60 secondes. La durée d'intégration des puissances moyennes peut également prendre différentes valeurs. Ces valeurs peuvent par exemple être de 1, 5, 10, 30 ou de 60 minutes.Each consumption signal CONSO [T] is specific to a consumer 1 or a group 1 of consumers. CONSO consumption signals may be physical quantities such as system status information or information directly provided by the consumer. A non-exhaustive list of the data that can constitute the CONSO consumption signals is given below: Instantaneous active power per phase [in W], total instantaneous active power three-phase [in W], instantaneous reactive power per phase [in "var , For "volt-ampere, reagent"], three-phase total instantaneous reactive power [in var], 25 instantaneous reactive power per quadrant (Q1, Q2, Q3 and Q4) [in var], instantaneous apparent power per phase [in VA] ], Three-phase total instantaneous apparent power [VA], Average active power per phase [W], Three-phase total active power [W], 30 Average reactive power per phase [in var], Three-phase total reactive power [en var], Average reactive power per quadrant (Q1, Q2, Q3 and Q4) [in var], Mean apparent power per phase [in VA], Three-phase total apparent apparent power [in VA], Active energy withdrawn (index 1 to N ) [in Wh], Power Apparent reference [in W], Apparent breaking power (cut-off device) [in W], Maximum power underwritten [in W], Available erasable power per phase [in W], Three-phase total available erasable power [in W], Switching state [open / closed], internal temperature [1/10 ° C], external temperature [1/10 ° C], power factor [without unit], current tariff [string of characters], Beginning and end of moving spikes [time stamped format], Effective Tensions (phases 1, 2 and 3) [in V], Effective Intensities (phases 1, 2 and 3) [in A], fundamental Frequency of network [in 1/10 Hz], data entered by the consumer (consumer usage data, periods when deletion is possible, desired or not, user-specified usage preferences, etc.), consumption on a set of consumer lines or appliances, and tariff or technical influence on the use of telecommunication networks mobilized for carrying out the method. The duration of integration of the instantaneous powers can take different values. For example, these powers can be integrated on 1, 2, 5, 10, 15, 30 and 60 seconds. The integration time of the average powers can also take different values. These values may for example be 1, 5, 10, 30 or 60 minutes.
Plus généralement, la périodicité des relevés peut augmenter pour améliorer la précision des calculs ou au contraire être réduite pour accélérer ces calculs. Cette périodicité peut être fixe ou variable. Si elle est fixe, elle peut par exemple être mensuelle, hebdomadaire, journalière, horaire ou encore quasi-instantanée (minutes, secondes, millisecondes). Par exemple, une périodicité journalière pour des consommateurs résidentiels et une périodicité horaire pour des consommateurs industriels est classique. De plus, les signaux de consommation peuvent être envoyés en direct ou en différé.More generally, the periodicity of the readings can increase to improve the precision of the computations or on the contrary to be reduced to accelerate these computations. This periodicity can be fixed or variable. If it is fixed, it can for example be monthly, weekly, daily, hourly or almost instantaneous (minutes, seconds, milliseconds). For example, a daily frequency for residential consumers and an hourly frequency for industrial consumers is conventional. In addition, the consumption signals can be sent live or delayed.
L'existence de latences (par exemple générées par les systèmes de télécommunications) peut conditionner la gestion temporelle des envois de signaux de consommation CONSO. La précision mise en oeuvre pour l'acquisition de ces données dépend des capacités de calcul disponibles au niveau du serveur 2. Par exemple, la précision de la mesure de température peut être de 0,5°K. Chaque variable explicative VAR[m;n] est spécifique à un consommateur m ou à un groupe m de consommateurs et à un phénomène n ayant un impact sur la consommation énergétique. Classiquement, il s'agit de variables météorologiques (température, nébulosité, rayonnement solaire, vent, etc.), de variables calendaires (type de jour, heure, dates des vacances scolaires, jours fériés, etc.), de variables tarifaires (offre tarifaire souscrite par le consommateur, évènements tarifaires comme les effacements, etc.), de variables socio-économiques (type d'habitat, nombre de personnes dans le logement, croissance économique, etc.), d'information sur l'installation électrique du consommateur (production décentralisée, pompe à chaleur, etc.) ou ses usages. Le nombre N de ces phénomènes peut donc être relativement grand (de l'ordre de plusieurs dizaines). Par ailleurs, le nombre de variables explicatives peut varier pour chaque consommateur m ou groupe m de consommateurs. Les signaux de consommation CONSO et les variables explicatives VAR sont collectées à l'étape A de la figure 2 pour constituer les données DATA. A l'étape B, un premier jeu, grossier, de classes de consommateurs est construit. Cette construction peut être réalisée en projetant les données DATA sur une base d' ondelettes puis en classant les coefficients résultant de cette projection. En variante, cette première classification peut être fixe et prévue selon des critères simples tels que le type de chauffage, la situation géographique, etc. Cette classification conduit à Q classes CLASSk(DATA) constituées d'un nombre variable de consommateurs. Q peut être important mais ce nombre est choisi pour que le nombre de consommateurs moyen par classe soit environ égal à 100, dans une forme de réalisation ayant donné de bons résultats. En effet, une estimation correcte d'un modèle de consommation intra-classe tel que mis en oeuvre dans les étapes suivantes requiert environ 100 échantillons. A l'étape C, on estime un modèle de consommation intra-classe pour chaque classe 5 CLASSk(DATA). Ce modèle est fondé sur la somme des consommations dans chaque classe. En particulier, des modèles semi-paramétriques sont proposés pour estimer des consommations agrégées dans chaque classe de consommateurs : e = fik (xi ,t) + (p'tc , xi ,t) + Et (1) jEJk jElk où : gt correspond à une somme de consommations des consommateurs d'une classe k 10 construite à l'étape B, et à un instant t, - Jk est un ensemble de variables explicatives, notées xy, retenues parmi les variables VAR[m;n] influant sur la consommation pour modéliser la classe k, - Et est un bruit correspondant à un aléa de la classe k, - /k (px ) représente une fonction d'élasticité des consommateurs de la classe k t 15 relativement à une consigne SIGk de fourniture d'énergie construite dans une itération préalable du présent procédé (à l'étape F décrite ci-après). Cette fonction d'élasticité est donc disponible à ce stade si les signaux de consommation CONSO fournis à l'étape A comportent des réponses de consommateurs aux propositions d'application de la consigne SIGk préalablement envoyées. Par exemple, cette fonction d'élasticité peut 20 prendre en compte l'ensemble des réponses des consommateurs de la classe k sur les 3 à dernières années, - fik représente des fonctions de spline propres à des variables explicatives dans la classe k. De telles fonctions témoignent de l'évolution de la consommation par rapport aux variables explicatives xy.The existence of latencies (for example generated by telecommunications systems) can condition the temporal management of CONSO consumption signal transmissions. The precision implemented for the acquisition of these data depends on the calculation capacities available at the server 2. For example, the accuracy of the temperature measurement can be 0.5 ° K. Each explanatory variable VAR [m; n] is specific to a consumer m or group m of consumers and to a phenomenon n having an impact on energy consumption. Classically, these are weather variables (temperature, cloudiness, solar radiation, wind, etc.), calendar variables (type of day, time, dates of school holidays, holidays, etc.), price variables (supply tariffs subscribed by the consumer, tariff events such as erasures, etc.), socio-economic variables (type of housing, number of people in housing, economic growth, etc.), information on the electrical installation of the consumer (decentralized production, heat pump, etc.) or its uses. The number N of these phenomena can therefore be relatively large (of the order of several tens). Moreover, the number of explanatory variables may vary for each consumer m or group m consumers. The CONSO consumption signals and the VAR explanatory variables are collected in step A of FIG. 2 in order to constitute the DATA data. In step B, a first, rude game of consumer classes is built. This construction can be done by projecting DATA data on a wavelet basis and then classifying the coefficients resulting from this projection. Alternatively, this first classification can be fixed and provided according to simple criteria such as the type of heating, geographical location, etc. This classification leads to Q classes CLASSk (DATA) consisting of a variable number of consumers. Q may be important but this number is chosen so that the average number of consumers per class is approximately equal to 100, in one embodiment having given good results. Indeed, a correct estimate of an intra-class consumption model as implemented in the following steps requires about 100 samples. In step C, an intra-class consumption model is estimated for each class CLASSk (DATA). This model is based on the sum of the consumptions in each class. In particular, semi-parametric models are proposed to estimate aggregated consumptions in each class of consumers: e = fik (xi, t) + (p'tc, xi, t) + Et (1) jEJk jElk where: gt corresponds to a sum of consumer consumptions of a class k 10 constructed in step B, and at a time t, - Jk is a set of explanatory variables, denoted xy, retained among the variables VAR [m; n] influencing the consumption to model the class k, - and is a noise corresponding to a randomness of the class k, - / k (px) represents a function of elasticity of the consumers of the class kt 15 relative to a setpoint SIGk of supply of energy constructed in a prior iteration of the present process (in step F described hereinafter). This elasticity function is therefore available at this stage if the CONSO consumption signals provided in step A comprise consumer responses to the SIGk instructions application previously sent. For example, this elasticity function can take into account all the responses of the consumers of the class k over the last 3 to the last years. Fik represents spline functions specific to explanatory variables in the class k. Such functions reflect the evolution of consumption in relation to the explanatory variables xy.
On suppose ici que l'élasticité li-c(ie , xi ,t) est différente selon les valeurs que prennent les variables explicatives xy. En variante, on peut considérer que cette élasticité ne dépend pas de telles variables explicatives et on notera alors II' (e).It is assumed here that the elasticity li-c (ie, xi, t) is different according to the values taken by the explanatory variables xy. As a variant, it can be considered that this elasticity does not depend on such explanatory variables and we will then note II '(e).
Des modèles adaptatifs temporellement peuvent alors être utilisés pour accélérer les calculs et proposer une analyse temporelle plus fine. Typiquement, cette analyse temporelle fine rend possible une meilleure prise en compte des déformations lentes ou rapides des consommations. Ainsi, l'étape C renvoie Q modèles gk(CLASSk)pour chaque classe CLASSk.Time-adaptive models can then be used to speed up computations and provide finer time analysis. Typically, this fine temporal analysis makes it possible to take better account of slow or rapid deformation of consumption. Thus, step C returns Q models gk (CLASSk) for each class CLASSk.
A l'étape D, un deuxième jeu de classes de consommateurs est construit en regroupant, dans une même classe, des consommateurs dont les modèles sont proches. Ce regroupement de modèles est opéré en effectuant une estimation des distances entre les Q modèles gk(CLASSk) afin d'obtenir une mesure de similarité entre modèles. Ainsi, les classes de consommateurs obtenues sont les plus homogènes possibles en termes de comportement de consommation. Ce regroupement de modèles gk est maintenant décrit en référence à la figure 3. En partant de la consommation gk d'une classe modélisée théoriquement par : e = fik (xi ,t) + (p'tc , xi ,t) + Et (1) on obtient (après estimation du modèle semi-paramétrique sur les données) : On peut ensuite considérer une simplification de cette équation en : gk = fi< (x) îk (z) avec: On peut considérer finalement une simplification (2) de l'équation (1) explicitée ci-avant telle que: gk = k (x) îk (z) (2) où l'on remarque que : - la somme Ei, jk tic (xi,t) est simplifiée en f k (X), iE jk /11(pitc , en Îk (z) Ainsi, à l'étape DB de la figure 3, une partition de ce modèle est effectuée. En effet, pour que les calculs d'estimation de distances entre deux modèles gk et gq puissent être effectués par les moyens matériels 10 définis en référence à la figure 1, il faut d'abord mesurer les valeurs des fonctions f k(x) et Îk (Z) en un nombre fini de valeur. Pour chaque variable X et Z inclues dans la simplification mentionnée à l'équation (2), on calcule les valeurs prévues par la simplification sur une partition x1, x2, ..., xN et z1, z2, zN. Cela peut être fait sur une grille de valeurs (partition équidistante ou partition équiquantile par exemple). Le nombre N de points de mesure et leur position ont une influence sur la rapidité des calculs et sur la précision de ces calculs. Ainsi, un nombre important de points peut être choisi pour obtenir des résultats précis et un nombre plus faible de points peut être choisi pour obtenir des résultats plus rapidement.In step D, a second set of consumer classes is constructed by grouping, in a same class, consumers whose models are close. This grouping of models is performed by estimating the distances between the Q models gk (CLASSk) in order to obtain a similarity measure between models. Thus, the consumer classes obtained are the most homogeneous possible in terms of consumption behavior. This grouping of models gk is now described with reference to FIG. 3. Starting from the consumption gk of a class theoretically modeled by: e = fik (xi, t) + (p'tc, xi, t) + Et ( 1) we obtain (after estimation of the semi-parametric model on the data): One can then consider a simplification of this equation in: gk = fi <(x) îk (z) with: One can consider finally a simplification (2) of the equation (1) explained above such that: gk = k (x) ik (z) (2) where we note that: - the sum Ei, jk tic (xi, t) is simplified in fk (X), iE jk / 11 (pitc, in Îk (z) Thus, in step DB of figure 3, a partition of this model is carried out, because for the calculations of distances estimation between two Since models gk and gq can be performed by the hardware means 10 defined with reference to FIG. 1, the values of the functions fk (x) and kk (Z) must first be measured in a finite number of values. e X and Z included in the simplification mentioned in equation (2), we calculate the values provided by the simplification on a partition x1, x2, ..., xN and z1, z2, zN. This can be done on a grid of values (equidistant partition or equiquantous partition for example). The number N of measuring points and their position have an influence on the speed of calculations and the accuracy of these calculations. Thus, a significant number of points can be chosen to obtain accurate results and a lower number of points can be chosen to obtain results more quickly.
A l'étape DC, une estimation de la distance entre deux modèles gk et gq est effectuée. On note d (r, s) la distance entre deux fonctions r et s définies et intégrables sur l'ensemble B, avec par exemple d(r, s) = f (r(x) - s(x))2dx. Comme mentionné ci-avant à l'étape DB, pour qu'un tel calcul puisse être implémenté, une grille x1, x2, ..., xNest utilisée afin d'approcher d(r, s) par : dN(r, s) = EN l(r(xi) - s(xi))2 , N étant la taille de la grille.In step DC, an estimation of the distance between two models gk and gq is performed. We denote by d (r, s) the distance between two functions r and s defined and integrable on the set B, with for example d (r, s) = f (r (x) - s (x)) 2dx. As mentioned above in step DB, for such a calculation to be implemented, a grid x1, x2, ..., xN is used in order to approach d (r, s) by: dN (r, s ) = EN l (r (xi) - s (xi)) 2, where N is the size of the grid.
Ainsi, en reprenant l'équation (2) mentionnée ci-avant, on obtient : d(e,gq) = duk(x),fq(x)) dosk(z), isq(z)) (3) Ou encore, en reprenant l'équation (1) et en négligeant l'influence de Et : d(gk gq) = d(f jk (X), fq (x)) + d (Ill (x), Ici (x)) (4) jelkU lq jelkU lq Cette distance peut être adaptée par un poids W représentant l'importance d'une variable j dans la mesure des similarités entre les classes. On obtient alors : d k g = > Wi d (fi; (x), ri (x)) + Wi d (Ill (x), Ici (x)) (4') jelkU lq jelkU lq Par exemple, si l'on veut regrouper des individus proches entre eux en termes d'effet de la température sur leur consommation, le poids associé à cette variable peut être plus important. En fonction des mesures de similarité obtenues à l'étape DC, de nouvelles classes sont construites à l'étape DD en effectuant des regroupements entre classes. Par exemple, un algorithme de classification de type k-means peut être mis en oeuvre pour effectuer ces regroupements. On peut fixer à Q le nombre de classes consolidées obtenues. De nouvelles classes consolidées CLASSp[e] sont ainsi obtenues à l'issue de l'étape D.Thus, by taking again the equation (2) mentioned above, we obtain: d (e, gq) = duk (x), fq (x)) dosk (z), isq (z)) (3) Or , taking again the equation (1) and neglecting the influence of Et: d (gk gq) = d (f jk (X), fq (x)) + d (Ill (x), Here (x)) (4) jelkU lq jelkU lq This distance can be adapted by a weight W representing the importance of a variable j in the measurement of similarities between classes. We obtain then: dkg => Wi d (fi; (x), ri (x)) + Wi d (Ill (x), Here (x)) (4 ') jelkU lq jelkU lq For example, if we wants to group individuals close to each other in terms of the effect of temperature on their consumption, the weight associated with this variable may be more important. Based on the similarity measures obtained in step DC, new classes are constructed in step DD by performing class groupings. For example, a k-means classification algorithm can be implemented to perform these groupings. We can fix at Q the number of consolidated classes obtained. New CLASSp [e] consolidated classes are thus obtained at the end of step D.
A l'étape E, de nouveaux modèles Gp[CLASSp] sont estimés pour les classes consolidées CLASSp[e]. A l'étape F, des consignes SIGp de fourniture d'énergie sont générées à partir des modèles consolidés Gp[CLASSp]. A chaque consigne correspond un modèle consolidé et une classe consolidée de consommateurs. Une consigne est donc préconisée pour l'ensemble des consommateurs appartenant à une classe consolidée. Dans une étape G optionnelle, les consignes de fourniture d'énergie SIGp peuvent être optimisées à partir des modèles Gp[CLASSp] calculés à l'étape E. En effet, ces modèles témoignent d'une consommation future globale ou partielle en fonction des différentes variables exogènes (prévisions météorologiques, événements calendaires à venir par exemple) et des signaux futurs générés à partir des consignes de fourniture d'énergie qui pourraient être envoyés à chaque classe de consommateurs. Ainsi, à un instant t, il est possible d'obtenir une courbe de consommation future agrégée sur un intervalle de temps futur [t + 1, t + h] , h est un paramètre de calcul qui peut être fixe ou variable. Une valeur élevée de h aura par exemple pour conséquence de réduire la pertinence globale de la courbe de consommation future. On note cette courbe de consommation future fv+i,t+h]. Seule la dépendance du signal (SIG) à envoyer aux consommateurs est ici prise en compte dans la mesure où l'optimisation se fait uniquement sur ce signal. Il est en effet difficile de prétendre avoir une influence sur des variables exogènes comme celles traduisant des événements météorologiques par exemple. La phase d'optimisation consiste alors à déterminer le signal à envoyer aux consommateurs qui minimise un indicateur calculé à partir de la courbe de consommation fi -[t+i,t+h] (par exemple, la consommation elle-même, ou encore un écart entre la consommation et la production prévue entre t+1 et t+h). Différentes techniques d'optimisation (simulation de type Monte-Carlo, optimisation stochastique, méthode de newton, etc.), peuvent être utilisées pour résoudre ce problème. Dans une variante, un coût de production associé à la courbe de consommation fv+i,t+h] est pris en compte dans l'optimisation. Dans une autre 20 variante, un coût d'acheminement des signaux d'envoi aux consommateurs est également pris en compte. Dans une autre variante, la dépendance d'autres variables est prise en compte dans l'optimisation. Par exemple, l'optimisation est faite à partir des modèles gk, et/ou à partir des modèles consolidés Gk, et/ou encore à partir des consignes SIGp de fourniture 25 d'énergie. Plusieurs possibilités sont envisageables pour la mise en oeuvre de ces consignes de fourniture d'énergie. Ces possibilités sont décrites ci-après en référence aux figures 4A et 4B. On a représenté sur ces figures deux consommateurs M6 et M8, appartenant 30 respectivement aux classes consolidées CLASSE et CLASS8. Il s'agit bien sûr d'un exemple et de nombreux consommateurs peuvent appartenir à de nombreuses classes. Dans les figures 4A et 4B, des signaux de consommation CONSO sont générés à partir de mesures effectuées par des capteurs M61 et M81 respectivement compris dans le compteur M60 chez le consommateur M6 et dans le compteur M80 chez le consommateur M8. Ces signaux sont ensuite transmis au serveur 2 où ils sont traités comme décrit ci-avant en référence aux figures 2 et 3. En considérant dans cet exemple que les consommateurs M6 et M8 appartiennent à des classes consolidées CLASS6 et CLASSE différentes, deux consignes de fourniture d'énergie SIG6 et SIGE sont alors générées pour ces classes. Dans une première réalisation, un signal SIG UEp comportant une proposition d'application de la consigne SIGp est directement transmis à un consommateur appartenant à une classe consolidée p. On parle alors d'envoi « multicast ». Ainsi, en référence à la figure 4A, l'ensemble des signaux (SIG_UE)p= est transmis au système de collecte et de pilotage 4. Les signaux appropriés SIG UE6 et SIG UEE sont ensuite respectivement transmis aux consommateurs compris dans les classes consolidées CLASS6 et CLASSE (ici M6 et M8, respectivement). Ces signaux sont alors utilisés par des modules de pilotage M62 et M82 qui peuvent par exemple proposer aux consommateurs d'appliquer directement les consignes de fourniture d'énergie SIG6 et SIGE (on parle d'une proposition de pilotage direct des charges). En variante, ces signaux peuvent comporter un ordre d'application des consignes. L'envoi d'un ordre de pilotage direct (par exemple extinction ou allumage du chauffage électrique, pilotage du ballon d'eau chaude, etc.) garantit une grande réactivité mais peut générer des discontinuités et un inconfort pour le consommateur. Cette solution peut être utile par exemple en cas de prévision d'une contrainte locale ou régionale sur le réseau de production d'énergie (indisponibilité d'une ressource de production ou congestion local du réseau). Ces signaux peuvent également indiquer un prix et/ou une plage tarifaire afin d'inciter le consommateur à adapter sa consommation d'énergie (dans le cadre par exemple d'un « pilotage par le prix »). Pour le consommateur, le pilotage par le prix présente l'avantage d'être une recommandation de consommation et non pas une obligation. De là, il peut être analysé une réaction à ce signal. D'autres exemples de signaux générés à partir des consignes SIGp sont envisageables.In step E, new Gp [CLASSp] models are estimated for the CLASSp [e] consolidated classes. In step F, SIGp instructions for supply of energy are generated from the consolidated models Gp [CLASSp]. Each instruction corresponds to a consolidated model and a consolidated class of consumers. An instruction is therefore recommended for all consumers belonging to a consolidated class. In an optional step G, the power supply instructions SIGp can be optimized from the models Gp [CLASSp] calculated in step E. In fact, these models show a future global or partial consumption depending on the different exogenous variables (eg weather forecasts, future calendar events) and future signals generated from energy supply guidelines that could be sent to each class of consumers. Thus, at a time t, it is possible to obtain an aggregate future consumption curve over a future time interval [t + 1, t + h], h is a calculation parameter that can be fixed or variable. For example, a high value of h will reduce the overall relevance of the future consumption curve. We note this future consumption curve fv + i, t + h]. Only the dependence of the signal (SIG) to send to the consumers is taken into account insofar as the optimization is done only on this signal. It is indeed difficult to claim to have an influence on exogenous variables such as those resulting in meteorological events, for example. The optimization phase then consists in determining the signal to be sent to consumers which minimizes an indicator calculated from the consumption curve fi - [t + i, t + h] (for example, the consumption itself, or a gap between consumption and production expected between t + 1 and t + h). Different optimization techniques (Monte Carlo simulation, stochastic optimization, Newton method, etc.) can be used to solve this problem. In a variant, a production cost associated with the consumption curve fv + i, t + h] is taken into account in the optimization. In another variant, a cost of routing the sending signals to consumers is also taken into account. In another variant, the dependence of other variables is taken into account in the optimization. For example, the optimization is made from models gk, and / or from the consolidated models Gk, and / or from the energy supply instructions SIGp. Several possibilities are possible for the implementation of these energy supply instructions. These possibilities are described below with reference to FIGS. 4A and 4B. These figures show two consumers M6 and M8, respectively belonging to the CLASS and CLASS8 consolidated classes. This is of course an example and many consumers can belong to many classes. In FIGS. 4A and 4B, consumption signals CONSO are generated from measurements made by sensors M61 and M81 respectively included in the counter M60 at the consumer M6 and at the counter M80 at the consumer M8. These signals are then transmitted to the server 2 where they are treated as described above with reference to FIGS. 2 and 3. Considering in this example that the consumers M6 and M8 belong to different CLASS6 and CLASS consolidated classes, two supply instructions SIG6 and SIGE are then generated for these classes. In a first embodiment, a signal SIG UEp comprising a proposal for applying the setpoint SIGp is directly transmitted to a consumer belonging to a consolidated class p. This is called "multicast" sending. Thus, with reference to FIG. 4A, the set of signals (SIG_UE) p = is transmitted to the collection and control system 4. The appropriate signals SIG UE6 and SIG UEE are then respectively transmitted to the consumers included in the consolidated classes CLASS6 and CLASS (here M6 and M8, respectively). These signals are then used by M62 and M82 control modules that can for example offer consumers to directly apply the SIG6 and SIGE energy supply instructions (we are talking about a direct charge management proposal). In a variant, these signals may comprise an order of application of the instructions. The sending of a direct control order (eg switching off or switching on the electric heater, controlling the hot water tank, etc.) guarantees high reactivity but can generate discontinuities and discomfort for the consumer. This solution may be useful, for example, in the case of a forecast of a local or regional constraint on the power generation network (unavailability of a production resource or local network congestion). These signals can also indicate a price and / or a range of tariffs in order to encourage the consumer to adapt his energy consumption (for example in the context of "price control"). For the consumer, price control has the advantage of being a recommendation for consumption and not an obligation. From there, it can be analyzed a reaction to this signal. Other examples of signals generated from the instructions SIGp are conceivable.
Une liste non-exhaustive de ces signaux est donnée ci-dessous : Seuil limite supérieure de consommation en puissance [en W] Seuil limite inférieure de consommation en puissance [en W]. Le seuil inférieur peut par exemple s'applique dans le cas de forte production d'énergie renouvelables où l'on souhaite augmenter la consommation via par exemple le fonctionnement des ballons d'eau chaude sanitaire. Signal d'effacement d'un type de consommation [délester/réarmer/réalimenter]. Le type de consommation est par exemple le chauffage, le fonctionnement de ballons d'eau chaude, l'éclairage, la climatisation, etc. Prix du tarif en cours [en unité monétaire, ex. centimes d'Euros]. Il peut s'agir d'une matrice de prix, par exemple pour l'ensemble des postes tarifaires pour les prochaines 24 heures. Prix du tarif à venir [en unité monétaire, ex. centimes d'Euros] Seuil limite supérieure de consommation en puissance [en W] par plage tarifaire [en unité monétaire, par exemple centimes d'Euros] Seuil limite supérieure de consommation en puissance [en W] par plage horaire Les signaux peuvent être à exécution instantanée ou bien à exécution différée. Dans ce dernier cas, le signal comporte aussi une partie indiquant la ou les dates d'activation et de validité dans le temps. Dans l'exemple d'un système électrique où le compteur est un compteur d'électricité, le pilotage peut être fait, soit en direct via un dispositif de commutation intégré au compteur (ex. relais ou contact sec), soit par un ordre envoyé via une liaison de communication numérique filaire ou sans fil en aval du compteur vers un organe externe de pilotage. Dans une variante de réalisation, un signal SIG ELECp d'ajustement à la consigne de fourniture d'énergie SIGp est transmis à l'entité en charge de la fourniture d'énergie. Ainsi, en référence à la figure 4B, une entité ELEC est en charge de la fourniture d'énergie pour plusieurs consommateurs M9 et Mll appartenant respectivement à des classes consolidées CLASS9 et CLASSii. L'ensemble des signaux d'ajustement (SIG_ELEC)p=i ..... Q est transmis au système de collecte et de pilotage 4. Les signaux d'ajustement (S/G_ELEC)p=9,ii qui correspondent aux classes consolidées CLASS9 et CLASSii sont ensuite transmis à l'entité ELEC. Le module de pilotage ELEC1 applique alors ces signaux aux moyens de production d'énergie afin que la production pour les consommateurs compris dans les classes CLASS9 et CLASSii soit respectivement ajustée aux consignes SIG9 et SIGH. Par exemple, on a représenté sur la ligne LGN de transmission d'énergie deux éclairs pour le consommateur M9 et un seul éclair pour le consommateur Mll afin d'illustrer un ajustement différent dans la production d'énergie pour ces consommateurs.A non-exhaustive list of these signals is given below: Upper limit of power consumption [in W] Lower threshold of power consumption [in W]. The lower threshold can for example apply in the case of high production of renewable energy where it is desired to increase the consumption via for example the operation of hot water tanks. Erase signal of a consumption type [unload / reset / refill]. The type of consumption is for example the heating, the operation of hot water balloons, lighting, air conditioning, etc. Price of current tariff [in monetary unit, ex. cents). This may be a price matrix, for example for all tariff items for the next 24 hours. Price of the future tariff [in monetary unit, ex. cents] Upper limit of power consumption [in W] by tariff range [in monetary unit, for example Euros cents] Upper limit of power consumption [in W] by time zone Signals may be at instant or deferred execution. In the latter case, the signal also includes a part indicating the activation date and validity date in time. In the example of an electrical system where the meter is an electricity meter, control can be done, either directly via a switching device integrated in the meter (eg relay or dry contact), or by an order sent via a wired or wireless digital communication link downstream of the meter to an external control device. In an alternative embodiment, a signal SIG ELECp adjustment to the energy supply directive SIGp is transmitted to the entity in charge of the supply of energy. Thus, with reference to FIG. 4B, an ELEC entity is in charge of supplying energy for several consumers M9 and Mll respectively belonging to the consolidated classes CLASS9 and CLASSii. The set of adjustment signals (SIG_ELEC) p = i ..... Q is transmitted to the collection and control system 4. The adjustment signals (S / G_ELEC) p = 9, ii which correspond to the classes consolidated CLASS9 and CLASSii are then transmitted to the ELEC entity. The control module ELEC1 then applies these signals to the power generation means so that the production for the consumers included in the CLASS9 and CLASSii classes are respectively adjusted to the instructions SIG9 and SIGH. For example, the energy transmission line LGN has been shown two flashes for the consumer M9 and a single flash for the consumer M11 to illustrate a different fit in the power generation for these consumers.
D'autres variantes sont également envisageables. Dans un système d'envoi de masse ou « broadcast », tous les signaux sont envoyés à l'ensemble des consommateurs. Les compteurs de ces consommateurs intègrent alors un dispositif permettant d'identifier les signaux qui leurs sont destinés. Dans un système point à point ou « PtP », un signal est destiné à un seul consommateur. Cette situation peut par exemple éclore quand une classe comprend un seul consommateur (typiquement un gros consommateur d'énergie, tel qu'un industriel). Sur le plan temporel, ces signaux peuvent être envoyés en continu, à date fixe ou par anticipation. Ces dernières possibilités facilitent l'application des signaux de manière simultanée et au bon moment d'un grand nombre de consommateurs.Other variants are also conceivable. In a broadcast system, all signals are sent to all consumers. The meters of these consumers then incorporate a device for identifying the signals intended for them. In a point-to-point system or "PtP", a signal is intended for a single consumer. This situation can, for example, emerge when a class includes a single consumer (typically a large consumer of energy, such as an industrialist). In time, these signals can be sent continuously, on a fixed date or in advance. These latter possibilities make it easier to apply the signals simultaneously and at the right time to a large number of consumers.
L'architecture de télécommunication mise en oeuvre pour la réalisation du procédé peut être basée sur une infrastructure unique et bidirectionnelle, telle qu'illustré aux figures 1, 4A et 4B, ou sur une double infrastructure séparant les flux montants et descendants, telle qu'illustré à la figure 5.The telecommunication architecture implemented for the implementation of the method can be based on a single and bidirectional infrastructure, as illustrated in FIGS. 1, 4A and 4B, or on a double infrastructure separating the upstream and downstream flows, such as illustrated in Figure 5.
Une infrastructure unique et bidirectionnelle présente l'avantage de la simplicité mais elle est impossible dans les Etats dans lesquels la réglementation impose la délégation du système de collecte des données de comptage à un opérateur régulé. De même, les services énergétiques, dont fait partie le pilotage, peuvent être réservés au marché concurrentiel dérégulé. Dans cette situation, une double infrastructure s'impose et la collecte des données de comptage 6 est séparée du pilotage 8 du réseau de distribution d'énergie. Les technologies employées pour ces deux infrastructures peuvent être identiques ou différentes. Par exemple, le système de collecte des données de comptage 6 peut utiliser la technologie CPL pour le réseau NAN et le réseau de téléphonie mobile pour le réseau WAN. Le système de pilotage 8 peut, lui, utiliser uniquement une connexion Internet via un cablo-opérateur.A single, bidirectional infrastructure has the advantage of simplicity, but it is not possible in states where regulations require delegation of the metering data collection system to a regulated operator. Similarly, energy services, including pilotage, can be reserved for the deregulated competitive market. In this situation, a double infrastructure is required and the collection of the counting data 6 is separate from the control 8 of the energy distribution network. The technologies used for these two infrastructures may be identical or different. For example, the metering data collection system 6 may use PLC technology for the NAN network and the mobile network for the WAN. The control system 8 can itself use only an Internet connection via a cable operator.
Un exemple concret d'application de l'invention telle que présentée ci-avant est décrit maintenant en référence aux figures 6A, 6B, 6C et 6D. A l'instant t = 0, on considère quatre classes de consommateur définies préalablement (par exemple au moyen d'une projection dans une base d'ondelettes) et correspondant ici au type de consommation d'un consommateur et de l'option tarifaire choisie par ce dernier : - classe 1: consommateurs au tarif résidentiel de base possédant un chauffage électrique et pas de climatiseur ; - classe 2: consommateurs au tarif heure creuse possédant un chauffage électrique et pas de climatiseur ; - classe 3: consommateurs au tarif résidentiel de base possédant un chauffage électrique, un climatiseur ; et - classe 4: consommateurs au tarif résidentiel de base ne possédant pas de chauffage électrique, pas de climatiseur mais un chauffage d'appoint électrique.A concrete example of application of the invention as presented above is now described with reference to Figures 6A, 6B, 6C and 6D. At time t = 0, we consider four previously defined consumer classes (for example by means of a projection in a wavelet basis) and corresponding here to the type of consumption of a consumer and the tariff option chosen. by the latter: - class 1: consumers at basic residential rate with electric heating and no air conditioner; - class 2: consumers at the off-peak rate with electric heating and no air conditioner; - class 3: basic residential rate consumers with electric heating, air conditioner; and - class 4: basic residential rate consumers with no electric heating, no air conditioner but an electric auxiliary heater.
Conformément à l'étape C préalablement décrite, on estime un modèle de consommation intra-classe pour chaque classe. On choisit ici un modèle tel que pour les classes k E {1, on a : 7 gitc(1) .s./c(ht)11Dayt-ci + sic (ht,Tti) + f k (Toyt) q=1 La consommation estimée d'un consommateur t appartenant à la classe k est donc définie par : - Eq7 =1 Sqk (ht)11Dayt=q la forme de la consommation en fonction de l'instant de la journée (noté ht: l'heure de l'observation t), Dayt valant 1 si l'observation t est un lundi, 2 pour un mardi, ..., 7 pour un dimanche. - sk(ht,Tt) la consommation en fonction de l'instant de la journée et de la température T/ associée au consommateur j (mesurée à la station météo la plus proche, chez le consommateur lui-même, etc.). Les effets de sk(ht,Tt) sont représentés aux figures 6A, 6B, 6C et 6D respectivement pour les classes 1, 2, 3 et 4. - r(Toyt) le cycle annuel de la consommation électrique, où Toyt est une variable continue valant 0 et l' janvier de chaque année et 1 le 31 décembre.In accordance with step C previously described, an intra-class consumption model for each class is estimated. We choose here a model such that for the classes k E {1, we have: 7 gitc (1) .s. / C (ht) 11Dayt-ci + sic (ht, Tti) + fk (Toyt) q = 1 The estimated consumption of a consumer t belonging to the class k is thus defined by: - Eq7 = 1 Sqk (ht) 11Dayt = q the form of the consumption according to the time of the day (denoted ht: the time of observation t), Dayt worth 1 if the observation t is a Monday, 2 for a Tuesday, ..., 7 for a Sunday. - sk (ht, Tt) the consumption as a function of the time of day and the temperature T / associated with the consumer j (measured at the nearest weather station, at the consumer himself, etc.). The effects of sk (ht, Tt) are shown in Figures 6A, 6B, 6C and 6D respectively for classes 1, 2, 3 and 4. - r (Toyt) the annual cycle of power consumption, where Toyt is a variable continuing 0 and January of each year and 1 on 31 December.
Cet effet modélise par exemple la baisse de la consommation liée aux vacances, mais aussi les variations de consommation liées à l'éclairage au cours de l'année. La figure 6A montre que l'effet de la température sur les consommateurs de la classe 1 est nul pour les températures chaudes, mais significatif pour les températures froides (par exemple en-dessous d'un seuil de 12 degrés C). Cet effet varie en fonction de l'heure de la journée et est maximal le soir aux alentours de 19h. Comme le présente la figure 6C, l'effet de la température pour les consommateurs possédant une climatisation est significatif l'après-midi pour des températures supérieures à 20 degrés Celsius. La consommation des consommateurs au tarif de base est plus forte vers midi et le soir 10 et ce phénomène est accentué le dimanche. Les consommateurs au tarif heure creuse consomment plus au moment où les heures creuses sont effectives: en moyenne entre 12h et 14h et la nuit. Cette analyse des similarités entres courbes est ici faite à la seule étude visuelle des courbes. Bien sûr, en pratique, cette analyse est faite par des calculs de distances entre 15 les modèles ayant permis de générer ces courbes comme décrit ci-avant à l'étape D. Le fournisseur d'énergie possédant ces 4 types de consommateurs dans son portefeuille peut souhaiter piloter leur consommation de manière à faire baisser la pointe de la consommation à 19h en lissant cette pointe entre 17h et 21h quand il fait très froid (températures inférieures à 5 degrés par exemple). 20 Ainsi, suite aux mesures de distances telles que décrites à l'étape D ci-avant, de nouvelles classes consolidées de consommateurs peuvent être construites : - une classe consolidée comportant les consommateurs des anciennes classes 1 et 3, - une classe consolidée comportant les consommateurs de l'ancienne classe 2 ; et 25 - une classe consolidée comportant les consommateurs de l'ancienne classe 4. De nouveaux modèles sont alors déterminés pour ces classes consolidées et des consignes de fourniture d'énergie sont alors construites à partir de ces modèles. Ainsi, dans l'exemple décrit ci-avant où des signaux SIG UE comportent une information sur une proposition d'application de consigne, ces signaux peuvent proposer : 30 - pour les consommateurs de la première classe consolidée : chauffage central normal de 17 à 18h et de 20h à 21h lorsqu'il fait très froid et chauffage central bridé de 18h à 20h lorsqu'il fait froid mais que la consommation globale est élevée ; - pour les consommateurs de la seconde classe consolidée : chauffage central bridé aux heures pleines ; et - pour les consommateurs de la troisième classe consolidée : même consigne que pour les consommateurs de la première classe en réduisant la réduction du chauffage central aux horaires bridés. Ces signaux permettent donc, pour la première classe consolidée, de baisser la consommation autour de 19h en compensant toutefois cette baisse aux heures voisines. L'influence de ces signaux est plus forte pour les consommateurs de la troisième classe consolidée afin d'éviter un effet « rebond » typique après effacement, lié par exemple à l'utilisation d'un chauffage d'appoint lorsqu'il fait très froid. A un instant t + At, avec par exemple At= 1 jour, la consommation effective des consommateurs est mesurée puis rapatriée dans la nuit au serveur 2. Le procédé d'optimisation au sens de l'invention estime alors l'effet des signaux envoyés la veille (par exemple via le calcul de l'élasticité 11; (pitc , x ,t)) et effectue une nouvelle classification des consommateurs. Les consommateurs sont maintenant classés en fonction de leurs usages mais également de leur potentiel d'acceptation des consignes. Typiquement, une nouvelle classe peut être créée pour comprendre les consommateurs utilisant fortement un chauffage d'appoint lorsque le chauffage central est bridé. Le procédé d'optimisation peut donc optimiser l'envoi de nouveaux signaux en fonction de ces nouvelles caractéristiques en ciblant les consommateurs réactifs par exemple. Un autre exemple d'application est relatif à l'intégration des énergies renouvelables dans le parc de production. Ces énergies sont peu couteuses et « propres » mais présentent une intermittence (dépendance au vent, à l'ensoleillement par exemple). Le développement de ces énergies renouvelables dans le parc de production entraine une plus grande volatilité de la production et nécessite donc de disposer d'une demande flexible. Dans le cas par exemple d'un vent fort entrainant une production éolienne élevée, une incitation à consommer peut être envoyée aux consommateurs pour lesquels on a mesuré une élasticité au signal d'incitation élevée dans ce type de situation (le fait d'inférer cette élasticité sur les données permet également de réagir rapidement en envoyant ce signal d'incitation aux consommateurs les plus susceptibles d'y être sensibles). L'invention peut également être mise en oeuvre localement (par région, département, etc.) afin de faciliter la gestion du réseau. Par exemple, l'action des pompes pour le filtrage des piscines dans le sud de la France peut être mise en oeuvre quand il y a du vent dans cette région ou quand l'ensoleillement génère une forte production photovoltaïque.This effect models, for example, the decrease in holiday-related consumption, but also the variations in consumption related to lighting during the year. Figure 6A shows that the effect of temperature on consumers of class 1 is zero for warm temperatures, but significant for cold temperatures (for example below a threshold of 12 degrees C). This effect varies according to the time of the day and is highest in the evening around 19h. As shown in Figure 6C, the effect of temperature for consumers with air conditioning is significant in the afternoons for temperatures above 20 degrees Celsius. Consumer consumption at base rate is higher around noon and in the evening 10 and this phenomenon is accentuated on Sunday. Off-peak consumers consume more when off-peak hours are effective: on average between 12pm and 2pm and at night. This analysis of the similarities between curves is here done with the only visual study of the curves. Of course, in practice, this analysis is done by distance calculations between the models that made it possible to generate these curves as described above in step D. The energy supplier having these 4 types of consumers in his portfolio may wish to control their consumption so as to lower the peak consumption at 19h by smoothing this peak between 17h and 21h when it is very cold (temperatures below 5 degrees for example). Thus, following the distance measurements as described in step D above, new consolidated classes of consumers can be constructed: - a consolidated class comprising the consumers of the old classes 1 and 3, - a consolidated class comprising the former class 2 consumers; and 25 - a consolidated class comprising the consumers of the old class 4. New models are then determined for these consolidated classes and energy supply instructions are then constructed from these models. Thus, in the example described above, where SIG signals UE comprise information on a setpoint application proposal, these signals can propose: for the consumers of the first consolidated class: normal central heating from 17 to 18h and from 8:00 pm to 9:00 pm, when it is very cold and the central heating is closed from 6:00 pm to 8:00 pm when it is cold but the overall consumption is high; - for Consumers of the second consolidated class: central heating flanged during peak hours; and - for Consumers of the Third Consolidated Class: the same instruction as for first class consumers by reducing the reduction of central heating to restricted hours. These signals therefore make it possible, for the first consolidated class, to reduce consumption around 19h, however compensating for this drop in neighboring hours. The influence of these signals is stronger for consumers in the third consolidated class in order to avoid a typical "rebound" effect after erasure, for example linked to the use of an auxiliary heating system when it is very cold. . At a time t + At, with for example At = 1 day, the actual consumption of the consumers is measured and then repatriated at night to the server 2. The optimization method within the meaning of the invention then estimates the effect of the signals sent. the day before (for example via the calculation of the elasticity 11 (pitc, x, t)) and carries out a new classification of the consumers. Consumers are now classified according to their uses but also their potential acceptance of instructions. Typically, a new class can be created to include consumers using heavily backup heating when the central heating is flanged. The optimization process can therefore optimize the sending of new signals according to these new characteristics by targeting reactive consumers for example. Another example of application relates to the integration of renewable energies in the production fleet. These energies are inexpensive and "clean" but have an intermittency (dependence on wind, sunlight for example). The development of these renewable energies in the production fleet leads to greater volatility in production and therefore requires flexible demand. In the case of, for example, a strong wind with high wind output, an incentive to consume may be sent to consumers for whom a high incentive elasticity has been measured in this type of situation (inferring this elasticity on the data also allows for quick reaction by sending this signal of encouragement to consumers most likely to be sensitive to it). The invention can also be implemented locally (by region, department, etc.) to facilitate the management of the network. For example, the action of pumps for filtering pools in the south of France can be implemented when there is wind in this region or when sunshine generates a strong photovoltaic production.
Bien entendu, la présente invention ne se limite pas à la forme de réalisation décrite ci- avant ; elle s'étend à d'autres variantes. Ainsi par exemple, on a décrit ci-avant un mode de réalisation dans lequel les mesures de consommations et les signaux de pilotages étaient traités par un compteur. Bien entendu, ces mesures et ces signaux peuvent également être traités par d'autres dispositifs tels qu'un boitier connecté à internet. Ce boitier peut par exemple être dédié à la gestion énergétique (type Energy-box) ou être directement un boîtier d'accès Internet (intégrant le modem xDSL/câble). Dans cette configuration, les grandeurs mesurées peuvent arriver au boitier par un compteur communicant externe via une interface de communication numérique filaire ou sans fil et le pilotage peut s'effectuer via une autre interface locale du boitier.Of course, the present invention is not limited to the embodiment described above; it extends to other variants. For example, an embodiment has been described above in which the consumption measurements and the control signals were processed by a counter. Of course, these measurements and these signals can also be processed by other devices such as a box connected to the internet. This box can for example be dedicated to energy management (Energy-box type) or be directly an Internet access box (integrating the xDSL modem / cable). In this configuration, the measured quantities can reach the box by an external communicating meter via a wired or wireless digital communication interface and the control can be performed via another local interface of the box.
Claims (15)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1363361A FR3015792B1 (en) | 2013-12-20 | 2013-12-20 | OPTIMIZED ENERGY SUPPLY OF A DISTRIBUTION NETWORK. |
PCT/FR2014/053140 WO2015092193A1 (en) | 2013-12-20 | 2014-12-02 | Optimised energy supply to a distribution network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1363361A FR3015792B1 (en) | 2013-12-20 | 2013-12-20 | OPTIMIZED ENERGY SUPPLY OF A DISTRIBUTION NETWORK. |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3015792A1 true FR3015792A1 (en) | 2015-06-26 |
FR3015792B1 FR3015792B1 (en) | 2016-02-05 |
Family
ID=50976703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1363361A Active FR3015792B1 (en) | 2013-12-20 | 2013-12-20 | OPTIMIZED ENERGY SUPPLY OF A DISTRIBUTION NETWORK. |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3015792B1 (en) |
WO (1) | WO2015092193A1 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730080A (en) * | 2017-09-15 | 2018-02-23 | 深圳出入境检验检疫局食品检验检疫技术中心 | A kind of third party's food inspection mechanism evaluation method for government buying service |
CN111709646B (en) * | 2020-06-17 | 2024-02-09 | 九江学院 | Air pollution exposure risk evaluation method and system |
FR3129540B1 (en) * | 2021-11-19 | 2024-03-15 | Electricite De France | Detection of an air conditioning system within an electrical installation |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090295594A1 (en) * | 2008-06-03 | 2009-12-03 | Snu R&Db Foundation | Demand response method and system |
US20100217550A1 (en) * | 2009-02-26 | 2010-08-26 | Jason Crabtree | System and method for electric grid utilization and optimization |
US20130138651A1 (en) * | 2011-11-28 | 2013-05-30 | Bin Lu | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads |
US8560134B1 (en) * | 2010-09-10 | 2013-10-15 | Kwangduk Douglas Lee | System and method for electric load recognition from centrally monitored power signal and its application to home energy management |
-
2013
- 2013-12-20 FR FR1363361A patent/FR3015792B1/en active Active
-
2014
- 2014-12-02 WO PCT/FR2014/053140 patent/WO2015092193A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090295594A1 (en) * | 2008-06-03 | 2009-12-03 | Snu R&Db Foundation | Demand response method and system |
US20100217550A1 (en) * | 2009-02-26 | 2010-08-26 | Jason Crabtree | System and method for electric grid utilization and optimization |
US8560134B1 (en) * | 2010-09-10 | 2013-10-15 | Kwangduk Douglas Lee | System and method for electric load recognition from centrally monitored power signal and its application to home energy management |
US20130138651A1 (en) * | 2011-11-28 | 2013-05-30 | Bin Lu | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads |
Non-Patent Citations (1)
Title |
---|
LAM H Y ET AL: "A Novel Method to Construct Taxonomy Electrical Appliances Based on Load Signaturesof", IEEE TRANSACTIONS ON CONSUMER ELECTRONICS, IEEE SERVICE CENTER, NEW YORK, NY, US, vol. 53, no. 2, 1 May 2007 (2007-05-01), pages 653 - 660, XP011186790, ISSN: 0098-3063, DOI: 10.1109/TCE.2007.381742 * |
Also Published As
Publication number | Publication date |
---|---|
FR3015792B1 (en) | 2016-02-05 |
WO2015092193A1 (en) | 2015-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ratnam et al. | Residential load and rooftop PV generation: an Australian distribution network dataset | |
JP5985861B2 (en) | Energy utilization analysis system and method | |
US10816948B2 (en) | System, apparatus and method for energy management, for usage by consumers of energy from electric utility service providers, and monitoring and management of same | |
Boretti et al. | Cost of wind energy generation should include energy storage allowance | |
Degeilh et al. | Stochastic simulation of power systems with integrated intermittent renewable resources | |
JP6151202B2 (en) | Program, apparatus, and method for estimating user attribute from power consumption in feature time zone | |
Wu et al. | Solar power generation intermittency and aggregation | |
Feng et al. | Toward scalable stochastic unit commitment. Part 1: load scenario generation | |
FR2989476A1 (en) | METHOD AND SYSTEM FOR CONTROLLING AN ENERGY MANAGEMENT PLANT | |
US9189766B2 (en) | Real time provisional evaluation of utility program performance | |
Livengood | The energy box: Comparing locally automated control strategies of residential electricity consumption under uncertainty | |
Chavat et al. | ECD-UY, detailed household electricity consumption dataset of Uruguay | |
EP3391240B1 (en) | Processing of remote meter-reading data to analyse consumption modes | |
US20180047043A1 (en) | Determining Sensor Placement and a Reward Sharing Mechanism Based on Shared Energy Forecasting Information | |
FR3015792A1 (en) | OPTIMIZED ENERGY SUPPLY OF A DISTRIBUTION NETWORK. | |
Vink et al. | Multiyear microgrid data from a research building in Tsukuba, Japan | |
Salani et al. | Non intrusive load monitoring for demand side management | |
EP3847520B1 (en) | Method and system for controlling and regulating a system for heating premises | |
US11455695B2 (en) | System and method for modelling and forecasting electricity demand | |
Formayer et al. | SECURES-Met: A European meteorological data set suitable for electricity modelling applications | |
EP3772714A1 (en) | Method for determining energy amounts exchanged between entities of an electrical installation and an electrical distribution network | |
US20230228446A1 (en) | Scalable control of heat pumps with limited smart-home devices | |
Razzak et al. | Leveraging Deep Q-Learning to maximize consumer quality of experience in smart grid | |
JP2014174890A (en) | Power information management server and power information management method | |
JP7303707B2 (en) | Alternate Baseline Calculation Apparatus, Trained Model, Machine Learning Apparatus, Alternative Baseline Calculation Method and Program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |
|
PLFP | Fee payment |
Year of fee payment: 5 |
|
PLFP | Fee payment |
Year of fee payment: 6 |
|
PLFP | Fee payment |
Year of fee payment: 7 |
|
PLFP | Fee payment |
Year of fee payment: 8 |
|
PLFP | Fee payment |
Year of fee payment: 9 |
|
PLFP | Fee payment |
Year of fee payment: 10 |
|
PLFP | Fee payment |
Year of fee payment: 11 |