FR3088466A1 - Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu. - Google Patents
Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu. Download PDFInfo
- Publication number
- FR3088466A1 FR3088466A1 FR1860503A FR1860503A FR3088466A1 FR 3088466 A1 FR3088466 A1 FR 3088466A1 FR 1860503 A FR1860503 A FR 1860503A FR 1860503 A FR1860503 A FR 1860503A FR 3088466 A1 FR3088466 A1 FR 3088466A1
- Authority
- FR
- France
- Prior art keywords
- consumption
- service point
- profile
- database
- load curve
- 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
- 238000004519 manufacturing process Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000011002 quantification Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012797 qualification Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000010992 reflux Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012261 overproduction Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000012549 training Methods 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
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
L'invention concerne la quantification de panneaux photovoltaïques à installer dans au moins un lieu candidat d'une zone géographique donnée. On prévoit un procédé comportant : - obtenir, pour au moins un point de service local de consommation électrique en ledit lieu candidat, une estimation d'une courbe de charge de consommation électrique dudit point de service local, - obtenir, à partir de relevés météorologiques, une mesure d'irradiance solaire dans la zone géographique, et estimer, en fonction de la mesure d'irradiance solaire, une capacité de production électrique par panneau photovoltaïque dans ladite zone géographique, - compter, en fonction de ladite capacité de production électrique, un nombre de panneaux photovoltaïques capables de fournir ensemble une production électrique maximum, inférieure à un seuil déterminé en fonction de ladite estimation de la courbe de charge, en vue d'installer ledit nombre ainsi compté de panneaux photovoltaïques dans le lieu candidat.
Description
Assistance à la décision d’un lieu de déploiement de panneaux photovoltaïques par étude des courbes de charge de consommations dans le lieu
La présente invention concerne une assistance mise en œuvre par des moyens informatiques pour décider un lieu de déploiement de panneaux photovoltaïques à une échelle nationale.
Un des problèmes que cherche à résoudre la présente invention concerne la gestion de la production électrique à partir d’énergie renouvelable photovoltaïque (PV) pour atteindre un équilibre localement entre la production et la consommation.
Dans une démarche d’accélérer la transition énergétique vers des énergies vertes, la Demanderesse a décidé d’installer 30 GW de production à partir de PV en Lrance.
H convient donc de savoir où installer les panneaux photovoltaïques correspondant.
En effet, si les capacités solaires sont installées massivement loin des lieux de consommation, les coûts d’acheminement de l’électricité PV produite peuvent devenir très importants. Dans le cas contraire si les panneaux solaires sont installés au sein de quartiers habités, il existe un risque que la production soit à certaines heures largement supérieure à la consommation pouvant endommager des matériels, voire générer un blackout.
La présente invention propose de mieux insérer l’énergie PV produite, dans le mélange de production « énergie classique - énergie PV », et d’optimiser ainsi le fonctionnement du réseau de distribution électrique.
Afin de bien contrôler le mélange de production précité, garantir l’équilibre entre production et consommation locales, et aller vers une transition énergétique efficace, il convient dans un premier temps d’être capable pour une entité responsable d’équilibre (RE) d’estimer la courbe de charge d’une aire géographique donnée. Une fois la courbe de charge correctement estimée, l’entité RE est ensuite en mesure de déterminer la capacité des moyens de production PV à installer pour maximiser l’approvisionnement des foyers et entreprises sans trop risquer de générer un déséquilibre entre production et consommation locales par une surcapacité de production.
Habituellement, pour estimer la courbe de charge d’une localité et les moyens de production PV associée, une démarche dite ici « du bas vers le haut » est souvent appliquée :
L’entité RE agrège les points de service dont on possède la courbe de charge.
Pour les points de service dont on ne possède pas la courbe de charge, l’entité RE estime par simulation pour chaque point de service la courbe de charge associée en fonction des éléments à disposition de l’entité RE.
Or, l’entité RE a rarement l’ensemble des usages des foyers et des entreprises, et des erreurs dans les variables d’entrées des modèles de simulation peuvent être fréquentes. Surtout, les modèles de simulation utilisent des modèles de comportement normatif des foyers et des entreprises. Or, à l’échelle locale, il apparaît souvent que les données de comportements de consommateurs sont rares et donc ces modèles comportementaux peuvent s’avérer faux notamment concernant les entreprises.
Ici, on entend en effet par « points de service » des locaux de consommation d’électricité, aussi bien des logements d’habitation que des locaux d’entreprises.
Un autre problème est que les compteurs communicants, permettant d’obtenir des courbes de charge par pas infra-horaires et de là connaître les profils de consommation, ne sont pas déployés dans tous les foyers et/ou ne sont pas nécessairement opérationnels à cet effet et/ou il n’est pas souhaité d’obtenir des données personnelles des utilisateurs, ni de les utiliser.
Une méthode d’estimation reste ainsi nécessaire.
La présente invention vient améliorer cette situation.
Elle propose à cet effet un procédé mis en œuvre par des moyens informatiques, de quantification de panneaux photovoltaïques à installer dans au moins un lieu candidat d’une zone géographique donnée, le procédé comportant :
- obtenir, pour au moins un point de service local de consommation électrique en ledit lieu candidat, une estimation d’une courbe de charge de consommation électrique dudit point de service local,
- obtenir, à partir de relevés météorologiques, une mesure d’irradiance solaire dans la zone géographique, et estimer, en fonction de la mesure d’irradiance solaire, une capacité de production électrique par panneau photovoltaïque dans ladite zone géographique,
- compter, en fonction de ladite capacité de production électrique, un nombre de panneaux photovoltaïques capables de fournir ensemble une production électrique maximum, inférieure à un seuil déterminé en fonction de ladite estimation de la courbe de charge, en vue d’installer ledit nombre ainsi compté de panneaux photovoltaïques dans le lieu candidat.
H est assuré ainsi que la production électrique ne dépasse pas la consommation pour éviter de reverser un excédent de production sur le réseau.
Dans une forme de réalisation, le procédé comporte en outre :
- obtenir des données descriptives du point de service local,
- obtenir une base de données de courbes de charge, associées à des types de points de service respectifs dans une zone géographique comportant ledit lieu candidat,
- en fonction des données descriptives du point de service local, sélectionner dans la base de données une courbe de charge associée à un type de point de service correspondant aux données descriptives du point de service local, pour obtenir ladite estimation de la courbe de charge du point de service local.
Ainsi, au lieu de prédire complètement une courbe de charge manquante du point de service correspondant au lieu précité, il est mis en œuvre la simple sélection dans une base de données de la courbe de charge « la plus proche » relativement aux données descriptives du point de service local.
Dans une réalisation, les courbes de charge de la base de données sont normalisées relativement à une consommation moyenne pour chaque courbe, pour définir, dans ladite base de données, des profils de courbe de charge, le procédé comportant :
- sélectionner dans la base de données, en fonction des données descriptives du point de service local, un profil de courbe de charge associé à un type de point de service correspondant aux données descriptives du point de service local,
- appliquer un facteur correctif au profil de courbe de charge sélectionné, le facteur correctif étant fonction d’une consommation moyenne dans le point de service local, pour obtenir ladite estimation de la courbe de charge du point de service local.
Par exemple, cette consommation moyenne peut être une consommation globale annuelle moyenne.
Dans une réalisation plus particulière encore, chaque courbe de charge de la base de données est définie par un profil global fonction de variables descriptives parmi :
- un profil annuel de consommation totale,
- un profil de ratio de consommation en heures creuses sur une consommation totale,
- un ratio d’une pointe de consommation d’un mois donné par la somme des pointes mensuelles de différents postes sur un an,
- un profil annuel de puissances maximales mensuelles comptabilisées en heures creuses, d’une part, et en heures pleines d’autre part,
- pour chaque mois, une moyenne de puissances maximales sur l’ensemble des postes pour en déduire un profil annuel correspondant,
- un profil, sur chaque mois, d’une puissance maximale sur l’ensemble des postes.
Avantageusement, un réseau de neurones artificiels peut être mis en œuvre pour un apprentissage des profils de la base de données, en vue d’accélérer la sélection dans la base de données d’un profil de courbe de charge correspondant aux données descriptives du point de service local.
Typiquement, il est possible de réduire les dimensions du réseau de neurones à 30 comme on le verra plus loin, pour ainsi sélectionner plus facilement un profil de courbe de charge dans la base, en obtenant des performances équivalentes dans la sélection.
Par ailleurs, pour « lisser » les profils de la base, on peut prévoir qu’une ou plusieurs courbes de charge de la base de données soient construites par agrégations de courbes de charge de points de service de même type, comme on le verra plus loin en référence à la figure 5.
Les données descriptives précitées du point de service local peuvent comporter par exemple tout ou partie de :
- une consommation globale annuelle,
- des consommations mensuelles dans des postes respectifs,
- une puissance atteinte maximale par mois et par poste,
- un type de point de service, et une identification d’activité dans le cas d’une entreprise,
- un profil de consommation globale de type « Profil CRE ».
Par ailleurs, l’estimation de la production électrique d’un panneau à un instant t peut être donnée par une puissance de type :
PPi,t = Si*lt*Ti* piit avec:
- Si une surface du panneau,
- It l’irradiance mesurée en Wh/m2,
- η , un rendement habituel du panneau, et
- pi t , des pertes habituelles du panneau.
La présente invention vise aussi un dispositif informatique de quantification de panneaux photovoltaïques à installer dans au moins un lieu candidat d’une zone géographique donnée, comportant un circuit de traitement pour la mise en œuvre du procédé ci-avant.
Un exemple de réalisation d’un tel circuit de traitement CT est illustré sur la figure 8, ce circuit CT pouvant comporter :
- une interface d’entrée IN pour recevoir les données descriptives précitées, ainsi que des relevés météorologiques d’irradiance, par exemple,
- une mémoire MEM pour stocker notamment la base de données précitée, ainsi que des données d’instructions de programme informatique pour la mise en œuvre du procédé ciavant lorsqu’elles sont exécutées par un processeur PROC,
- le processeur PROC de ce circuit de traitement, apte à coopérer avec la mémoire MEM pour exécuter ainsi le programme informatique précité, et avec l’interface IN pour traiter les données descriptives précitées, ainsi que des relevés météorologiques d’irradiance,
- et une interface de sortie OUT pour délivrer les données de nombre de panneaux photovoltaïques à installer, le cas échéant.
La présente invention vise aussi, d’ailleurs, un programme informatique du type précité et comportant des instructions pour la mise en œuvre du procédé ci-avant, lorsque lesdites instructions sont exécutées par un processeur d’un circuit de traitement tel que celui illustré sur la figure 8.
L’algorithme général d’un tel programme peut être illustré par l’ordinogramme de la figure 3 commenté plus loin.
L’invention propose ainsi d’estimer/prédire pour chaque point de service d’une aire géographique une courbe de charge pas régulier (par exemple 30 minutes) à partir d’une base d’apprentissage comprenant, typiquement pour quelques milliers de consommateurs dans une zone géographique donnée, leur courbe de charge ainsi que des données de qualification du site comme la consommation et la puissance maximale atteinte par mois et par poste.
On entend par « consommation par poste » une consommation dans des tranches horaires prédéfinies, comme par exemple en Erance, une consommation en « heures creuses » ou en « heures pleines ». L’intérêt d’une prise en compte de ces tranches horaires n’est pas lié à une considération économique quelconque. L’étude de la consommation dans ces tranches permet de déterminer des types de comportements d’utilisateurs, pour une évaluation fine de leurs courbes de charge. En effet, comme on le verra en détails plus loin, l’identification par exemple de pointes de consommation dans ces tranches peuvent être des variables explicatives d’un modèle comme décrit ci-après.
Par ailleurs, il est rappelé que l’estimation de ces courbes de charge locales a pour vocation de déterminer un intérêt à déployer localement un ensemble de moyens de production électrique par énergie renouvelable (photovoltaïque typiquement). Par exemple, par l’estimation des courbes de charge d’utilisateurs dans un quartier, il est possible de déterminer un intérêt à déployer un ensemble de panneaux photovoltaïques dans ce quartier pour harmoniser la fréquence du réseau de distribution (et lisser ainsi la production électrique que le gestionnaire du réseau doit délivrer).
Une fois l’ensemble des courbes de charge estimées, elles peuvent être agrégées afin d’estimer la courbe de charge de l’aire géographique, pour une catégorie particulière de consommateurs. Ainsi, l’entité responsable de l’équilibre (RE) est en mesure de déterminer les capacités, en termes de production photovoltaïque (PV), à installer pour chaque individu ou pour une maille locale (quartier ou autre) en minimisant le risque de surproduction PV et de reflux sur les branches de basse tension du réseau de distribution.
Ainsi, l’approche proposée ici n’est plus d’étudier ponctuellement chaque courbe de charge de chaque consommateur et de réaliser ensuite un modèle moyen sur l’ensemble des consommateurs étudiés, mais plutôt de modéliser la consommation d’une courbe de charge moyenne issue d’un ensemble de consommateurs regroupés dans un même lieu (quartier, village, région rurale, ou autre).
D’autres avantages et caractéristiques de l’invention apparaîtront à la lecture d’exemples de réalisation décrits ci-après et à l’examen des dessins annexés sur lesquels :
- les figures 1 et 2 illustrent une réduction de dimensions d’un réseau de neurones artificiels par apprentissage d’une base de données de profils de courbes de charge,
- la figure 3 illustre les principales étapes d’un procédé selon un exemple de réalisation de l’invention,
- la figure 4 illustre les légères différences entre une courbe de charge réelle et une courbe de charge estimée par sélection dans la base de données précitée,
- la figure 5 illustre un exemple d’une courbe de charge agrégée sur plusieurs consommateurs d’une même catégorie, et s’étalant sur plusieurs jours d’une semaine type,
- la figure 6 illustre un exemple d’irradiance journalière sur cette semaine type,
- la figure 7 illustre le rapprochement de la courbe de charge agrégée de la figure 5 et l’irradiance type de la figure 6,
- la figure 8 illustre schématiquement un circuit de traitement CT d’un dispositif au sens de l’invention.
Pour estimer la courbe de charge d’une aire géographique, il est proposé ici d’affecter pour chaque point de service dont on ne dispose pas de la courbe de charge individuelle ou à l’échelle d’une aire géographique, une courbe de charge issue de la base d’apprentissage en fonction de données de qualification (présentées ci-dessous). Il est considéré en effet que deux points de service avec des données de qualification proches ont également une courbe de charge proche.
Les données de qualification précitées pour un point de service peuvent être les suivantes :
• Consommation globale annuelle, • Consommations mensuelles pour chacun des postes, • Puissance atteinte maximale par mois par poste, • Type de point de service : Particulier ou Entreprise • Un profil de consommation globale dit « Profil CRE » (selon une définition de la Commission de Régulation d’Energie), • Code APE pour les entreprises (« Activité Principale Exercée »).
Ces données sont principalement récupérées grâce aux compteurs communicants.
En termes de performance d’estimation, il est préférable d’essayer de prédire seulement la forme d’une courbe de charge, à multiplier par un facteur correctif tenant compte de la consommation annuelle globale réelle pour estimer cette courbe de charge, plutôt que de tenter de prédire directement cette courbe de charge.
Une telle approche permet de disposer de plus de choix de courbes de charge (i.e. de formes possibles) pour un point de service donné. Au contraire, prédire la courbe de charge limiterait l’obtention de résultats aux points de service de même niveau de consommation seulement.
Ainsi, en référence à la figure 3, il est proposé de normaliser également les données de consommation globale de manière à ne tenir compte que des formes de courbe de charge. Les variables explicatives suivantes sont alors initiées à l’étape SI:
- Profil annuel (avec par exemple 12 points par an) de consommation totale, en heures creuses et heures pleines,
- Profil du ratio de la consommation en heures creuses sur la consommation totale,
- Ratio d’une pointe de consommation du mois par la somme des pointes mensuelles des différents postes sur un an (par exemple pour deux postes respectivement en heures creuses et en heures pleines, il s’agit de calculer, pour chaque mois, le ratio : max(Phc,Php)/(Phc(a)+Php(a)), où Phc et Php sont des puissances de consommation maximales sur le mois considéré, respectivement en heures creuses et en heures pleines, et Phc(a) et Php(a) sont les mêmes variables mais sur l’année),
- Profil annuel des puissances maximales mensuelles comptabilisées en heures creuses, d’une part, et en heures pleines d’autre part (on divise chaque puissance maximale mensuelle en heures creuses (respectivement pleines) par la moyenne des puissances maximales mensuelles en heures creuses (respectivement pleines), moyennées sur l’année).
- Pour chaque mois, on calcule la moyenne des puissances maximales sur l’ensemble des postes et on calcule le profil annuel correspondant,
-Pour chaque mois, on récupère la puissance maximale sur l’ensemble des postes puis on calcule le profil de cette grandeur.
A partir de ces variables explicatives, il reste compliqué de choisir le «jumeau» d’un point de service par le simple profil de consommation.
On cherche alors à résumer les courbes de charge de la base d’apprentissage, c’est-à-dire diminuer la dimension des courbes. Une courbe de charge annuelle pouvant être vue comme un objet en 17521 dimensions, une dimension par point de relève, on cherche à ne garder que les grandes tendances caractérisant les formes des courbes de charge.
La réduction de dimension est réalisée à l’étape S2, à l’aide d’un module informatique « auto-encodeur », appliqué sur les formes des courbes de charge. Un tel module met en œuvre un réseau de neurones dont l’objectif est d’apprendre une représentation d’un jeu de données afin de réduire leur dimension. Il réalise alors une sorte d’analyse en composantes principales (ACP) non-linéaire (où les composantes principales ne sont plus des combinaisons linéaires des dimensions de départ mais une combinaison non linéaire de ces dimensions). Ainsi une nouvelle composante permet d’expliquer/résumer des effets bien plus complexes que les composantes linéaires classiques d’une ACP habituelle.
On illustré sur la figure 1 une représentation graphique de Γ auto-encodeur prenant en entrée les formes des courbes de charge (17521 points obtenus par division de chaque point par la moyenne de la courbe) et cherchant à apprendre les caractéristiques des courbes pour les prédire en fin de réseau de neurones. Les caractéristiques de Γauto-encodeur sont les suivantes :
- Un réseau de neurones pleinement connecté ;
- Les poids du réseau sont optimisés par la méthode dite d’Adam (optimisation stochastique utilisée ici à la place de la méthode dite de descente du gradient pour mettre à jour les poids (paramètres) du réseau itérativement à partir de la base d’apprentissage). Contrairement à la méthode de descente du gradient où le taux d’apprentissage est le même pour l’ensemble des paramètres, la méthode d’Adam adapte le taux d’apprentissage pour chacun des paramètres. Cela permet de se déplacer dans l’espace plus rapidement pour certains paramètres où la fonction de coût est lisse et plus lentement pour d’autres paramètres) ;
- Les fonctions d’activation sont toutes des fonctions ReLu, telles que :
Vx G IR,/(x) = si x < 0 x si x > 0
La fonction ReLu permet de converger plus rapidement (en temps de calcul) vers les vrais paramètres du réseau. De plus, cette fonction résout le problème dit de « disparition du gradient » lorsque le nombre de couches du réseau augmente (problème rencontré dans le cas de réseaux de neurones trop profonds).
Pour obtenir les coordonnées des courbes dans le nouvel espace, il convient de récupérer les valeurs en sortie de la couche du centre du réseau, à savoir celle comprenant 30 neurones, comme illustré sur la figure 2. L’espace de représentation des formes des courbes de charge est ainsi passé de 17521 dimensions à 30 dimensions à l’étape S3.
Dans le nouvel espace, il est maintenant plus facile (étant donné que sa dimension est plus petite que celle de l’espace de départ) de prédire le «jumeau » d’un point de service dont on ne dispose pas de la courbe de charge. A partir des variables explicatives disponibles, il s’agit de prédire 30 points au lieu de 17521 points.
Les variables d’entrées sont celles décrites précédemment. Les couches sont pleinement connectées entre elles et les fonctions d’activation sont des fonctions ReLu. Les poids sont optimisés selon la méthode d’Adam.
Pour affecter un jumeau à chaque point de service de l’aire géographique d’intérêt, on prédit dans un premier temps leur courbe de charge dans l’espace en 30 dimensions, à l’étape S4 de la figure 3. Puis, dans un second temps, à l’étape S5, on recherche le jumeau d’un point de service afin qu’il minimise la distance L1 dans l’espace en 30 dimensions à l’étape S6 (cette distance correspond à une différence entre les deux courbes de charge à la puissance « 1 » en valeur absolue). Une fois le jumeau sélectionné, on récupère sa courbe de charge dans l’espace en 17521 dimensions à l’étape S7 et on l’affecte au point de service considéré à l’étape S9, en la multipliant par la puissance moyenne annuelle consommée du point de service considéré à l’étape S8.
Une fois que la courbe de charge de chaque point de service est estimée, on peut alors dimensionner les capacités solaires. Il s’agit d’optimiser le mélange de production PV/sources classiques afin d’intégrer le plus de solaire possible tout en limitant au maximum le reflux sur le réseau de distribution.
H peut être proposé deux modes de réalisation pour estimer le dimensionnement des capacités en un lieu donné :
- l’estimation des capacités de production par point de service (dont un avantage est de garantir que le reflux sur le réseau puisse être minimal),
- l’estimation des capacités de production sur l’agrégation (dont un avantage est de maximiser la production solaire mais d’apporter moins de garantie concernant la limitation du reflux sur le réseau).
Dans le premier mode de réalisation, pour un point donné de service d’intérêt, on récupère dans un premier temps des paramètres permettant de maximiser la production photovoltaïque, comme par exemple les caractéristiques de la toiture d’un immeuble ou d’une maison pour orienter un ou plusieurs panneaux photovoltaïques, éventuellement l’orientation et le degré d’inclinaison.
La puissance produite par un panneau à un instant t est donnée sommairement par la puissance suivante :
PPi,t = Si*lt*Ti* pit
Avec Si la surface des panneaux, It l’irradiance en Wh/m2, le rendement et plt les pertes.
A partir de différents relevés météorologiques d’irradiance, on peut estimer une distribution de la puissance photovoltaïque et donc installer une surface photovoltaïque de manière à ce que Ppi t soit inférieure dans x% des cas à la puissance consommée Pci t, x étant le risque que l’installation génère un reflux sur le réseau. Cette variable x% peut être ainsi interprétée comme un risque ayant une marge d’erreur de x% à ne pas dépasser, par exemple pour ne pas surproduire. Une valeur de x possible est par exemple de 15% endessous d’un risque de chevauchement.
Dans une autre approche, selon le deuxième mode de réalisation précité, on applique le même raisonnement ci-dessus à un agrégat (obtenu à l’étape S10 de la figure 3) des courbes de charge appartenant à l’aire géographique. On ajoute des moyens de production PV jusqu’à ce que la puissance PV agrégée Ppt soit supérieure dans seulement x% des cas à la puissance consommée agrégée Pct (test SU jusqu’à déterminer la capacité PV qui convient à l’étape S12).
Un test a été réalisé sur un échantillon de 22000 courbes de charges, découpé en un échantillon d’apprentissage et un échantillon de validation. La validation est réalisée sur un échantillon tiré aléatoirement parmi les plus petits consommateurs (puissance maximale inférieure à 250kW), car il s’agit majoritairement de consommateurs dont on connaît mal la courbe de charge. Cet échantillon contient 1500 courbes de charge.
L’apprentissage est réalisé sur les 20500 autres courbes. La solution est testée pour trouver une courbe jumelle à chaque candidat pour estimer sa courbe de charge.
La différence entre la courbe estimée à partir de la présente solution et la courbe réelle est ensuite calculée, par détermination d’une distance entre deux courbes de N points (ici N = 17521), appelée ci-après « métrique ». Deux métriques différentes peuvent être estimées :
ΣΝ leil /—1 ~ Î~1 N mae_pv = Σ=ι— où eL représente l’erreur à l’instant i et pvt le productible photovoltaïque à l’instant i.
Les résultats des calculs de distance sont présentés dans le tableau ci-après :
| Moyenne | Médiane | Quantile 90% | |
| mae | 0.347 | 0.286 | 0.64 |
| mae_pv | i 0.412 | 0.314 | 0.789 |
Un exemple de résultat obtenu est illustré sur la figure 4. La courbe moyenne du consommateur témoin (dont on a obtenu les données) est en trait plein, et celle tirée de la méthode utilisant un « jumeau » de la base, est en traits pointillés, pour une semaine type. On remarque qu’avec seulement les informations de consommation globale du témoin et la courbe de charge d’un jumeau identifié dans la base JUM (figure 3) par le traitement à réseau de neurones décrit ci-avant, on arrive à bien estimer le profil de consommation du témoin.
Ensuite, pour le dimensionnement des panneaux électriques, une fois une courbe de charge agrégée sur une aire géographique obtenue par le procédé présenté ci-dessus, on cherche à déterminer la surface photovoltaïque optimale à installer.
On a illustré sur la figure 5 un exemple de courbe de consommation sur un agrégat de dix entreprises consommatrices dans un même secteur géographique.
Par ailleurs, on récupère Phistorique d’irradiance de l’endroit où l’on désire installer les panneaux. L’irradiance est calculée par image satellite à une précision de 3km près.
On a illustré sur la figure 6 un exemple de courbe d’irradiance sur sept jours types dans le secteur géographique des dix entreprises précitées. Dans l’exemple illustré, le relevé d’irradiance concerne des jours donnés d’une période, mais en variante, une irradiance moyenne sur une période de mai à septembre et sur plusieurs années peut être calculée.
On utilise ensuite la formule Ppi t = SL * It * η * pi t pour simuler la production photovoltaïque pour diverses valeurs de surface des panneaux à installer SL . A cet effet, il est possible de « parcourir » une grille de valeurs donnant la surface photovoltaïque à prévoir en fonction d’un besoin de production. La surface SL optimale est celle qui minimise l’erreur du productible solaire sous la contrainte que la courbe de production ne dépasse la courbe de consommation que seulement dans x% des cas à la pointe (13h3O à 14h30) de mai à septembre (avec x=15% par exemple).
Le principe de l’erreur sur l’estimation de production solaire repose sur la pondération de l’erreur réalisée à un instant t en fonction du niveau d’irradiance moyen (calculé sur un historique) à cet instant t de l’année. Par exemple, la nuit, les erreurs sont pondérées par 0. Ensuite, le poids des erreurs du début de matinée et de la soirée sont très faibles, mais deviennent très forts aux alentours de 14h. Les paramètres ri,pit dépendent de l’orientation et de l’inclinaison des panneaux, de la qualité des cellules, etc.
On a illustré sur la figure 7 un exemple de calage de courbe de production sur la courbe de consommation de l’agrégat des entreprises consommatrices de la figure 5.
D’après les calculs présentés ci-avant avec la formule précitée et un rendement photovoltaïque d’environ 70%, la surface photovoltaïque optimale dans ce cas de la figure 7 est de 23 m2.
Sur cet exemple, il apparaît aussi qu’en période de weekends, la consommation des entreprises est bien en-dessous de la production photovoltaïque possible. Une catégorie d’utilisateurs, en revanche, parmi les particuliers, sont consommateurs essentiellement en période de weekends. Il est possible ainsi d’intégrer encore ces utilisateurs (résidentiels) dans l’aire géographique pour agréger les courbes de charge de ces utilisateurs à celle de la figure 5 afin de mieux optimiser et absorber la production de week-end.
Bien entendu, la présente invention ne se limite pas aux formes de réalisation décrites ciavant à titre d’exemples ; elle s’étend à d’autres variantes.
Ainsi, on comprendra que l’invention ne se limite par particulièrement à une production photovoltaïque mais peut concerner alternativement ou en combinaison une production par 10 énergie éolienne par exemple.
Claims (11)
- REVENDICATIONS1. Procédé mis en œuvre par des moyens informatiques, de quantification de panneaux photovoltaïques à installer dans au moins un lieu candidat d’une zone géographique donnée, le procédé comportant :- obtenir, pour au moins un point de service local de consommation électrique en ledit lieu candidat, une estimation d’une courbe de charge de consommation électrique dudit point de service local,- obtenir, à partir de relevés météorologiques, une mesure d’irradiance solaire dans la zone géographique, et estimer, en fonction de la mesure d’irradiance solaire, une capacité de production électrique par panneau photovoltaïque dans ladite zone géographique,- compter, en fonction de ladite capacité de production électrique, un nombre de panneaux photovoltaïques capables de fournir ensemble une production électrique maximum, inférieure à un seuil déterminé en fonction de ladite estimation de la courbe de charge, en vue d’installer ledit nombre ainsi compté de panneaux photovoltaïques dans le lieu candidat.
- 2. Procédé selon la revendication 1, comportant en outre :- obtenir des données descriptives du point de service local,- obtenir une base de données de courbes de charge, associées à des types de points de service respectifs dans une zone géographique comportant ledit lieu candidat,- en fonction des données descriptives du point de service local, sélectionner dans la base de données une courbe de charge associée à un type de point de service correspondant aux données descriptives du point de service local, pour obtenir ladite estimation de la courbe de charge du point de service local.
- 3. Procédé selon la revendication 2, dans lequel les courbes de charge de la base de données sont normalisées relativement à une consommation moyenne pour chaque courbe, pour définir, dans ladite base de données, des profils de courbe de charge, le procédé comportant :- sélectionner dans la base de données, en fonction des données descriptives du point de service local, un profil de courbe de charge associé à un type de point de service correspondant aux données descriptives du point de service local,- appliquer un facteur correctif au profil de courbe de charge sélectionné, le facteur correctif étant fonction d’une consommation moyenne dans le point de service local, pour obtenir ladite estimation de la courbe de charge du point de service local.
- 4. Procédé selon la revendication 3, dans lequel ladite consommation moyenne est une consommation globale annuelle moyenne.
- 5. Procédé selon l'une des revendications 3 et 4, dans lequel chaque courbe de charge de la base de données est définie par un profil global fonction de variables descriptives parmi :- un profil annuel de consommation totale,- un profil de ratio de consommation en heures creuses sur une consommation totale,- un ratio d’une pointe de consommation d’un mois donné par la somme des pointes mensuelles de différents postes sur un an,- un profil annuel de puissances maximales mensuelles comptabilisées en heures creuses, d’une part, et en heures pleines d’autre part,- pour chaque mois, une moyenne de puissances maximales sur l’ensemble des postes pour en déduire un profil annuel correspondant,- un profil, sur chaque mois, d’une puissance maximale sur l’ensemble des postes.
- 6. Procédé selon l'une des revendications 3 à 5, dans lequel un réseau de neurones artificiels est mis en œuvre pour un apprentissage des profils de la base de données, en vue d’accélérer la sélection dans la base de données d’un profil de courbe de charge correspondant aux données descriptives du point de service local.
- 7. Procédé selon l'une des revendications 2 à 6, dans lequel une ou plusieurs courbes de charge de la base de données sont construites par agrégations de courbes de charge de points de service de même type.
- 8. Procédé selon l'une des revendications 2 à 7, dans lequel les données descriptives du point de service local comportent tout ou partie de :- une consommation globale annuelle,- des consommations mensuelles dans des postes respectifs,- une puissance atteinte maximale par mois et par poste,- un type de point de service, et une identification d’activité dans le cas d’une entreprise,- un profil de consommation globale de type « Profil CRE ».
- 9. Procédé selon l'une des revendications précédentes, dans lequel la production électrique d’un panneau à un instant t est donnée par une puissance de type :PPi,t = Si*lt*Ti* piit avec:- Si une surface du panneau,- It l’irradiance mesurée en Wh/m2,- η , un rendement habituel du panneau, et- pi t , des pertes habituelles du panneau.
- 10. Dispositif informatique de quantification de panneaux photovoltaïques à installer dans au moins un lieu candidat d’une zone géographique donnée, comportant un circuit de traitement pour la mise en œuvre du procédé selon l’une des revendications précédentes.
- 11. Programme informatique comportant des instructions pour la mise en œuvre du procédé selon l’une des revendications 1 à 9, lorsque lesdites instructions sont exécutées par un processeur d’un circuit de traitement.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1860503A FR3088466B1 (fr) | 2018-11-14 | 2018-11-14 | Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu. |
| PCT/EP2019/079893 WO2020099144A1 (fr) | 2018-11-14 | 2019-10-31 | Assistance à la décision d'un lieu de déploiement de panneaux photovoltaïques par étude des courbes de charge de consommations dans le lieu. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1860503A FR3088466B1 (fr) | 2018-11-14 | 2018-11-14 | Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu. |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3088466A1 true FR3088466A1 (fr) | 2020-05-15 |
| FR3088466B1 FR3088466B1 (fr) | 2022-06-17 |
Family
ID=65685749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1860503A Active FR3088466B1 (fr) | 2018-11-14 | 2018-11-14 | Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu. |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3088466B1 (fr) |
| WO (1) | WO2020099144A1 (fr) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112090A (zh) * | 2021-04-29 | 2021-07-13 | 内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
| CN116742716A (zh) * | 2023-06-13 | 2023-09-12 | 安徽华晟新能源科技有限公司 | 光伏电站输出功率的调节方法、装置和计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100179704A1 (en) * | 2009-01-14 | 2010-07-15 | Integral Analytics, Inc. | Optimization of microgrid energy use and distribution |
| FR3014613A1 (fr) * | 2013-12-11 | 2015-06-12 | Electricite De France | Prediction d'une consommation de fluide effacee |
| US20150276980A1 (en) * | 2014-03-31 | 2015-10-01 | Stc.Unm | Apparatus and method for solar energy resource micro-forecasts for solar generation sources and utilities |
-
2018
- 2018-11-14 FR FR1860503A patent/FR3088466B1/fr active Active
-
2019
- 2019-10-31 WO PCT/EP2019/079893 patent/WO2020099144A1/fr active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100179704A1 (en) * | 2009-01-14 | 2010-07-15 | Integral Analytics, Inc. | Optimization of microgrid energy use and distribution |
| FR3014613A1 (fr) * | 2013-12-11 | 2015-06-12 | Electricite De France | Prediction d'une consommation de fluide effacee |
| US20150276980A1 (en) * | 2014-03-31 | 2015-10-01 | Stc.Unm | Apparatus and method for solar energy resource micro-forecasts for solar generation sources and utilities |
Non-Patent Citations (1)
| Title |
|---|
| MINWON PARK ET AL: "A novel simulation method for pv power generation systems using real weather conditions", INDUSTRIAL ELECTRONICS, 2001. PROCEEDINGS. ISIE 2001. IEEE INTERNATION AL SYMPOSIUM ON JUNE 12-16, 2001, PISCATAWAY, NJ, USA,IEEE, PISCATAWAY, NJ, USA, vol. 1, 12 June 2001 (2001-06-12), pages 526 - 530, XP010549070, ISBN: 978-0-7803-7090-6 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112090A (zh) * | 2021-04-29 | 2021-07-13 | 内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
| CN113112090B (zh) * | 2021-04-29 | 2023-12-19 | 内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
| CN116742716A (zh) * | 2023-06-13 | 2023-09-12 | 安徽华晟新能源科技有限公司 | 光伏电站输出功率的调节方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3088466B1 (fr) | 2022-06-17 |
| WO2020099144A1 (fr) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Halabi et al. | Performance analysis of hybrid PV/diesel/battery system using HOMER: A case study Sabah, Malaysia | |
| Huld et al. | Mapping the performance of PV modules, effects of module type and data averaging | |
| CN107093007B (zh) | 一种考虑光储持续带载能力的配电网可靠性评估方法 | |
| Sharma et al. | Cloudy computing: Leveraging weather forecasts in energy harvesting sensor systems | |
| Cellura et al. | Photovoltaic electricity scenario analysis in urban contests: An Italian case study | |
| Pillot et al. | Grid parity analysis of distributed PV generation using Monte Carlo approach: The Brazilian case | |
| Meng et al. | Data-driven inference of unknown tilt and azimuth of distributed PV systems | |
| Shakouri et al. | A probabilistic portfolio-based model for financial valuation of community solar | |
| Thevenard et al. | Uncertainty in long-term photovoltaic yield predictions | |
| Camargo et al. | Electricity self-sufficiency of single-family houses in Germany and the Czech Republic | |
| Bosman et al. | Performance modeling and valuation of snow-covered PV systems: examination of a simplified approach to decrease forecasting error | |
| Schubert | Modeling hourly electricity generation from PV and wind plants in Europe | |
| Birnie III | Optimal battery sizing for storm-resilient photovoltaic power island systems | |
| Reimuth et al. | Influence of different battery charging strategies on residual grid power flows and self-consumption rates at regional scale | |
| WO2020099144A1 (fr) | Assistance à la décision d'un lieu de déploiement de panneaux photovoltaïques par étude des courbes de charge de consommations dans le lieu. | |
| Fattori et al. | High solar photovoltaic penetration in the absence of substantial wind capacity: storage requirements and effects on capacity adequacy | |
| Kebour et al. | Contribution to the analysis of a stand-alone photovoltaic system in a desert environment | |
| Monteiro et al. | Short-term forecasting model for aggregated regional hydropower generation | |
| Jouttijärvi et al. | A comprehensive methodological workflow to maximize solar energy in low-voltage grids: A case study of vertical bifacial panels in Nordic conditions | |
| Peratikou et al. | Estimating clear-sky PV electricity production without exogenous data | |
| WO2023222401A1 (fr) | Procede de prevision d'une puissance produite par au moins un panneau photovoltaique | |
| Schepel et al. | The Dutch PV portal 2.0: An online photovoltaic performance modeling environment for the Netherlands | |
| FR3095067A1 (fr) | Procédé d'évaluation de la production d’énergie photovoltaïque et unité d’évaluation et de gestion mettant en œuvre le procédé | |
| EP3989383A1 (fr) | Procédé de caractérisation d'un système énergétique alimenté par au moins une source d'énergie renouvelable | |
| Segarra-Tamarit et al. | Optimized management of a residential microgrid using a solar power estimation database |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20200515 |
|
| 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 |