FR3103604A1 - Procédé de prédiction de consommations d’une ressource distribuée dans un réseau de distribution - Google Patents
Procédé de prédiction de consommations d’une ressource distribuée dans un réseau de distribution Download PDFInfo
- Publication number
- FR3103604A1 FR3103604A1 FR1913160A FR1913160A FR3103604A1 FR 3103604 A1 FR3103604 A1 FR 3103604A1 FR 1913160 A FR1913160 A FR 1913160A FR 1913160 A FR1913160 A FR 1913160A FR 3103604 A1 FR3103604 A1 FR 3103604A1
- Authority
- FR
- France
- Prior art keywords
- consumption
- regression
- prediction
- data
- module
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009826 distribution Methods 0.000 title claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000000265 homogenisation Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002123 temporal effect 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
L’invention concerne un procédé de prédiction (1) de la consommation d’une ressource, telle que de l’eau, sur au moins une partie d’un réseau de distribution de ladite ressource comportant une étape d’optimisation (11) comprenant : -Une sous-étape de calcul (114) d’un critère de performance de prédiction de chaque module de régression d’une pluralité de modules de régression ; et -Une sous-étape de sélection (115) du module de régression parmi la pluralité de modules en fonction dudit critère de performance calculé. Figure d’abrégé : Fig. 1
Description
L’invention concerne un procédé de prédiction des consommations d’une ressource distribuée sur un réseau de distribution.
L’invention peut être employée pour tout type de ressource distribuée en réseau, tel que du gaz, de l’électricité, et en particulier de l’eau.
Les infrastructures de fourniture d’eau en milieu urbain forment un ensemble complexe de moyens qui comprend notamment la captation, le traitement, la distribution ainsi que la collecte des eaux usées.
Or, dans un contexte où l’eau est une ressource de plus en plus rare, une bonne gestion des infrastructures de fourniture d’eau impose de prédire les fluctuations de consommation en eau sur tout ou partie du réseau de distribution.
A cet effet, il est connu de procéder à des prédictions par modélisation de séries temporelles, ce qui permet la prédiction de la consommation future en eau sur la base des données de consommations passées, par exemple d’une année sur l’autre. Toutefois, la transposition seule des données de consommation antérieures en tant que prédiction ne permet pas d’obtenir un résultat suffisamment fiable. En effet, de telles séries temporelles sont généralement décontextualisées et ne reflètent pas, par exemple, l’influence de facteurs sociaux, tels qu’un événement public particulier générant de manière exceptionnelle une forte demande en eau, ou météorologiques tel que des variations de températures importantes, ou encore des niveaux de précipitations exceptionnels.
Aussi, un problème général bien connu est d’améliorer la fiabilité des prédictions de consommation d’eau.
On connaît notamment le document CN104715292A qui divulgue un procédé de prédiction de consommation d'eau en ville à court terme basé sur un modèle de machine à vecteur de support à moindres carrés, plus connu sous le nom anglophone partiellement abrégé Least-Squares SVM ou en abrégé LS-SVM.
Toutefois, cette solution n’est adaptée que pour prédire des données de consommations dans un réseau d’eau à usage domestique à court terme, en particulier pour des prédictions sur des périodes de temps de l’ordre de l’heure.
Aussi, un tel procédé de l’art antérieur ne peut être simplement adapté pour déterminer des prédictions fiables dans des contextes différents, par exemple sur des périodes de temps plus longues, telles que des consommations mensuelles, trimestrielles ou semestrielles, et sur des réseaux de consommations pouvant comprendre tant des réseaux à usage domestique que des réseaux industriels, ou tout autre type de réseau d’eau.
Or, il est utile de pouvoir adapter plus simplement son procédé prédictif à différentes échelles temporelles et géographiques.
En particulier on souhaite pouvoir obtenir un procédé permettant d’obtenir des prédictions:
- à court terme (quelques heures, jours ou semaines) pour une gestion quotidienne des infrastructures du réseau de distribution;
- à moyen terme (quelques mois ou quelques années), pour la définition des stratégies de production annuelles; ou
- à long terme (plus d’une année), par exemple pour le dimensionnement de nouvelles installations, par exemple de production d’eau potable ou de traitement des eaux usées.
- à court terme (quelques heures, jours ou semaines) pour une gestion quotidienne des infrastructures du réseau de distribution;
- à moyen terme (quelques mois ou quelques années), pour la définition des stratégies de production annuelles; ou
- à long terme (plus d’une année), par exemple pour le dimensionnement de nouvelles installations, par exemple de production d’eau potable ou de traitement des eaux usées.
Aussi, il existe le besoin d’un procédé de prédiction de consommation d’une ressource, telle que de l’eau, dans un réseau de distribution, fiable et plus simplement adaptable à différents contextes d’utilisation.
A cet effet on propose un procédé de prédiction de la consommation d’une ressource, telle que de l’eau, sur au moins une partie d’un réseau de distribution de ladite ressource comprenant :
Une étape d’acquisition d’un ensemble de données de consommations dans un intervalle de temps prédéterminé, ledit intervalle de temps comprenant au moins une première et une deuxième période de temps ;
Une étape de prédiction de la consommation de ladite ressource sur ladite au moins une partie du réseau de distribution, en fonction d’au moins une partie de l’ensemble de données acquis;
Ledit procédé comporte une étape d’optimisation comprenant :
Une sous-étape de fourniture d’une pluralité de modules de régression chacun étant adapté pour déterminer une valeur estimée de consommation en fonction dudit ensemble de données;
Une sous-étape de calibrage de chaque module de régression de la pluralité de modules de régression ;
Une sous-étape de mise en œuvre d’une prédiction de la consommation de ladite ressource pour la deuxième période de temps, par chaque module de la pluralité de modules de régression, à partir des données de consommations acquises pour la première période de temps de l’intervalle prédéterminé ;
Une sous-étape de calcul d’un critère de performance de la prédiction de chaque module de régression en fonction de la prédiction obtenue pour la deuxième période de temps par rapport aux données de consommations acquises pour la deuxième période de temps ;
Une sous-étape de sélection du module de régression parmi la pluralité de modules en fonction dudit critère de performance calculé ;
ladite étape de prédiction de la consommation de ladite ressource sur ladite au moins une partie du réseau de distribution comprenant la mise en œuvre du module de régression sélectionné.
Ainsi, le procédé permet de sélectionner un module de régression relativement optimal pour la période de prédiction voulue. En outre, une fois calibré, le module de régression sélectionné n’a pas besoin d’être recalibré pour les prédictions suivantes.
Avantageusement et de manière non limitative, le procédé comprend une étape de segmentation des données de consommation acquises en fonction d’au moins un paramètre d’homogénéisation ; lesdites étapes d’optimisation et de prédiction étant mises en œuvre à partir desdites données de consommation segmentées. Ainsi, on peut encore améliorer le procédé de prédiction en sélectionnant les données d’entrées permettant de calibrer les modules de régression.
On entend par paramètre d’homogénéisation un ou plusieurs paramètres, fonction des données de consommation et/ou de la dynamique des données de consommation permettant une segmentation de ces données de consommation acquises. A titre d’exemple, le paramètre d’homogénéisation peut être:
- la détection d’absence de données de consommation en début et/ou fin d’une période analysée;
- la détection d’un comportement, similaire ou distinct, de la dynamique des données de consommation sur une période sélectionnée, en comparaison avec une période antérieure.
En ce sens le terme de paramètre doit être entendu au sens large, comme englobant notamment tout critère de détection ou toute heuristique permettant de segmenter de manière homogène un ensemble de données de consommations.
Avantageusement et de manière non limitative, l’étape de segmentation est en outre fonction de données additionnelles comprenant des données topographiques et/ou météorologiques et/ou calendaires. Ainsi, on peut tenir compte de paramètres annexes pour affiner la segmentation des données.
Avantageusement et de manière non limitative, l’étape d’optimisation comprend en outre une sous-étape finale de recalibrage à partir d’une troisième période de temps de données d’historique. Cette sous-étape de recalibrage intervient après la sous-étape de sélection du module de régression. Ainsi, on peut améliorer la performance du module de régression sélectionné en le calibrant à partir d’un ensemble de données plus important que lors de son calibrage pour le test.
En particulier, ladite troisième période de temps comprend au moins la première période de temps et la deuxième période de temps. Ainsi, le module est recalibré au moins sur les données de calibrage initial et sur les données de test, ce qui améliore la robustesse du module sélectionné.
En particulier, la pluralité de modules de régression comprend au moins un module mettant en œuvre un modèle de prévision de séries temporelles.
En particulier, la pluralité de modules de régression comprend au moins un module d’apprentissage automatique.
Avantageusement et de manière non limitative, pour chaque module de régression, les étapes de calibrage et de test sont répétées une pluralité de fois, chaque première et deuxième période de temps pour chaque répétition étant sélectionnée de manière aléatoire dans l’ensemble de données de consommations, de sorte que l’étape de sélection effectue la sélection du module de régression parmi la pluralité de modules en fonction de la pluralité de critères de performance calculés pour chaque répétition.
Ainsi, on peut encore améliorer le processus de sélection du module de régression le plus performant, en mettant en œuvre une méthode aussi connue sous le nom deBootstrap ,qui permet d’affiner le calcul du critère de performance.
Avantageusement et de manière non limitative, l’étape de prédiction comprend en outre la réception des données additionnelles pour affiner ladite prédiction effectuée.
En particulier, lesdites données additionnelles comprennent des données topographiques, météorologiques et/ou calendaires.
L’invention concerne aussi un dispositif de prédiction de la consommation d’une ressource, telle que de l’eau, sur au moins une partie d’un réseau de distribution de ladite ressource comprenant :
Des moyens d’acquisition d’un ensemble de données de consommations dans un intervalle de temps prédéterminé, ledit intervalle de temps comprenant au moins une première et une deuxième période de temps consécutives et de même durée ;
Des moyens de prédiction de la consommation de ladite ressource sur ladite au moins une partie du réseau de distribution en fonction d’au moins une partie de l’ensemble de données acquis ;
Ledit dispositif comprend des moyens d’optimisation aptes à mettre en œuvre :
- Une sous-étape de fourniture d’une pluralité de modules de régression chacun étant adapté pour déterminer une valeur estimée de consommation en fonction dudit ensemble de données;
- Une sous-étape de calibrage de chaque module de régression de la pluralité de modules de régression ;
- Une sous-étape de mise en œuvre d’une prédiction de la consommation de ladite ressource pour la deuxième période de temps, par chaque module de la pluralité de modules de régression, à partir des données de consommations acquises pour la première période de temps de l’intervalle prédéterminé ;
- Une sous-étape de calcul d’un critère de performance de la prédiction de chaque module de régression en fonction de la prédiction obtenue pour la deuxième période de temps par rapport aux données de consommations acquises pour la deuxième période de temps ;
- Une sous-étape de sélection du module de régression parmi la pluralité de modules en fonction dudit critère de performance calculé ; et
- Une sous-étape de fourniture d’une pluralité de modules de régression chacun étant adapté pour déterminer une valeur estimée de consommation en fonction dudit ensemble de données;
- Une sous-étape de calibrage de chaque module de régression de la pluralité de modules de régression ;
- Une sous-étape de mise en œuvre d’une prédiction de la consommation de ladite ressource pour la deuxième période de temps, par chaque module de la pluralité de modules de régression, à partir des données de consommations acquises pour la première période de temps de l’intervalle prédéterminé ;
- Une sous-étape de calcul d’un critère de performance de la prédiction de chaque module de régression en fonction de la prédiction obtenue pour la deuxième période de temps par rapport aux données de consommations acquises pour la deuxième période de temps ;
- Une sous-étape de sélection du module de régression parmi la pluralité de modules en fonction dudit critère de performance calculé ; et
Lesdits moyens de prédiction de la consommation de ladite ressource sur ladite au moins une partie du réseau de distribution mettant en œuvre le module de régression sélectionné.
L’invention concerne aussi un ensemble de distribution d’eau comprenant un réseau de distribution et un dispositif de prédiction tel que décrit précédemment.
D’autres particularités et avantages de l’invention ressortiront à la lecture de la description faite ci-après d’un mode de réalisation particulier de l’invention, donné à titre indicatif mais non limitatif, en référence aux dessins annexés sur lesquels :
est un organigramme du procédé selon le premier mode de réalisation de l’invention;
est une représentation schématique et chronologique des intervalles de temps sélectionnés pour la mise en œuvre de l’invention selon le premier mode de réalisation de l’invention;
est un organigramme du procédé selon le deuxième mode de réalisation de l’invention; et
est une représentation schématique et chronologique des intervalles de temps sélectionnés pour la mise en œuvre de l’invention selon le troisième mode de réalisation de l’invention.
Selon un premier mode de réalisation de l’invention, en référence aux figures1 et 2, un dispositif de prédiction, tel qu’un calculateur informatique ou une pluralité de calculateurs en réseau, met en œuvre un procédé 1 de prédiction de la consommation d’une ressource, telle que de l’eau, sur au moins une partie d’un réseau de distribution de la ressource, ici un réseau de distribution d’eau.
Dans la suite de la description, on se référera à la prédiction de consommations d’eau dans un réseau de distribution d’eau, toutefois l’invention n’est nullement limitée à cette seule ressource.
Ainsi, en fonction de la ressource dont on cherche à prédire la consommation, les tendances et saisonnalité peuvent varier selon des échelles de temps différentes dont l’homme du métier saura estimer les grandeurs; cependant l’objet de l’invention peut aisément être adapté à toute ressource connue à la seule lecture de cette description.
Le procédé 1 comprend une première étape d’acquisition 10 d’un ensemble de données de consommations antérieures dans un intervalle de temps prédéterminé ΔT.
A titre d’exemple dans le présent exemple de réalisation on acquiert des données de consommation d’eau pour un réseau de distribution d’eau sur une période couvrant les trois années précédent ΔT la mise en œuvre du procédé.
Ces données de consommation sont ici acquises par l’intermédiaire de compteurs de consommations, pouvant être relevés manuellement ou par télé-relève, sur des installations telles que des installations d’eau, de particuliers, de collectivités et/ou industrielles.
Plus précisément, les données collectées depuis les compteurs sont d’abord stockées dans des bases de données numériques sous forme de données, au moins horodatées. L’étape d’acquisition des données comprenant alors la récupération des données stockées dans ces bases de données pour la période de temps prédéterminée ΔT, en fonction de l’horodatage des données de la base de données.
L’invention, n’est toutefois pas limitée à un mode de d’acquisition de données, la nature de la ressource pouvant en particulier faire varier les méthodes de collectes de données de consommation.
L’objectif général de l’invention est de permettre une prédiction 12 fiable de la consommation en eau, pour un contexte et une durée déterminée, en fonction de données de consommations précédentes acquises.
Aussi, il est connu d’employer un module de prédiction, en particulier un module de régression statistique, apte à déterminer une valeur estimée, ici un volume prévisionnel de consommation d’eau pour une période de temps prédéterminée, en fonction de données de consommation antérieures.
Il est bien connu qu’un module de prédiction mis en œuvre est calibré, ou entraîné, à partir des données antérieures acquises, afin de fournir des prédictions de consommations à venir sur une période de temps future ΔP définie.
Toutefois, rien ne permet de s’assurer que le module prédictif employé est optimal pour la période de temps de prédiction voulue.
Le procédé selon l’invention met alors en œuvre une étape préalable d’optimisation 11 pour améliorer la performance de l’étape de prédiction 12.
L’étape d’optimisation 11 comprend une première sous-étape de fourniture 111 d’une pluralité de modules de régression.
On entend par modules de régression, des modules algorithmiques aptes à résoudre des problématiques de régression statistique, de sorte à fournir des valeurs de prédictions à partir d’un ensemble de données d’entrées.
On connaît notamment, à titre non limitatif:
des machines à vecteurs support (SVM);
des modèles de prévision de séries temporelles, tels que des procédés à moyenne mobile autorégressive (ARMA), par exemple intégrée (ARIMA) et/ou saisonniers (SARIMA);
des procédés d’apprentissage automatique tels que des arbres décisionnels (Decisional trees), des forêts d’arbre décisionnels (Random Forest), des réseaux de neurones;
des modèles de régression linéaire éventuellement pénalisée, telle que l’estimateur des moindres carrés ou leLASSO(Least Absolute Shrinkage and Selection Operator), connues de l’homme du métier.
Chaque module est calibré 112 indépendamment en fonction d’une première sous-période Δt1des données acquises dans l’intervalle de temps prédéterminé ΔT.
La première sous-période de temps Δt1 est une partie de l’intervalle de temps prédéterminé ΔT pour lequel les données ont été acquises.
Étant donné que nous cherchons le module le plus performant pour une prédiction sur période de temps future ΔT prédéfinie, on sélectionne la première sous-période Δt1 ainsi qu’une deuxième sous-période Δt2 (pour l’étape de test 113 exposée ci-après) de sorte qu’elles soient chacune au moins aussi longue que la période de temps future ΔT, ou à tout le moins sur un ordre de grandeur temporelle approchant.
A titre d’exemple, si l’on cherche à estimer la consommation en eau pour une durée d’un mois, on sélectionnera dans la période de temps d’acquisition ΔT au moins deux périodes de temps Δt1, Δt2 d’au moins un mois chacune.
Les périodes de temps Δt1, Δt2 ne sont pas nécessairement consécutives, et peuvent par exemple comprendre une période de chevauchement.
Les périodes de temps Δt1, Δt2 peuvent par exemple être sélectionnées aléatoirement dans la période de temps acquise ΔT.
Toutefois, dans le cadre de la consommation en eau, la saisonnalité des consommations incite, dans certains cas, à sélectionner des périodes de temps déterminées, par exemple pour une prédiction sur un semestre prédéfini (par exemple le premier semestre d’une année N), on privilégie la sélection de deux périodes de temps Δt1, Δt2 correspondant chacune à un même semestre d’une année précédente, par exemple pour Δt1on sélectionne le premier semestre d’une année N-1 et pour Δt2 on sélectionne le premier semestre d’une année N-2.
Chaque module est calibré 112 sur un dispositif de calcul, tel qu’un ordinateur ou un serveur informatique, en particulier le dispositif mettant en œuvre l’ensemble du procédé 1. Toutefois selon une mise en œuvre avantageuse de l’invention, chaque module peut être calibré 112 de manière distribuée, ou en parallèle, par exemple sur plusieurs cœurs d’un même processeur ou sur différents dispositifs de calculs en réseau, de sorte à réduire le temps de calibrage 112 global.
Une fois que chaque module est calibré 112, ou entraîné lorsqu’il s’agit d’un module d’apprentissage automatique, à partir de la première période de temps Δt1, on met en œuvre une sous-étape de test 113, aussi appelée sous-étape de prédiction 113.
L’étape de test correspond à l’obtention d’une prédiction pour la deuxième période de temps Δt2 et à la comparaison entre cette prédiction et les consommations effectivement enregistrées pour cette période de temps Δt2.
Cette étape de test 113 permet ainsi de procéder à une étape de calcul 114 d’un critère de performance pour chaque module.
Dans ce mode de réalisation en emploie comme critère de performance l’erreur absolue moyenne en pourcentage (M ean A bsolute P ercentage E rror , MAPE)pour chaque module.
L’erreur absolue moyenne en pourcentage peut être calculée selon la formule suivante:
Oùpredictionest la valeur prédite etrealest la valeur acquise et donc attendue
Toutefois, tout autre critère de performance peut être mise en œuvre.
Le module présentant la meilleure performance est alors sélectionné 115 pour être mis en œuvre au cours de l’étape de prédiction 12.
L’étape d’optimisation 11 met ensuite en œuvre une étape de recalibrage 116 au cours de laquelle le module sélectionné est à nouveau calibré, ou ré-entraîné, par exemple sur l’ensemble des données acquises ΔT, ou selon une alternative de mise en œuvre sur l’union Δt3 des deux sous-périodes de temps Δt1, Δt2.
Ensuite le procédé 1 met en œuvre l’étape de prédiction 12 pour la période de temps future ΔP sur la base du module sélectionné et recalibré.
Selon un mode de réalisation particulier, l’étape de prédiction 12 peut être affinée par la prise en compte de données supplémentaires telles que des données topographiques, par exemple relative au réseau de distribution de la ressource, des données météorologiques ou encore calendaires.
Selon un deuxième mode de réalisation de l’invention, en référence à la figure 3, le procédé 1’ met en œuvre une étape intermédiaire de segmentation 30 des données acquises lors de l’étape d’acquisition 10 de données.
En effet, les données acquises peuvent comprendre des données de consommation de nature différentes. A titre d’exemple, dans le cadre de données de consommation d’eau, les données acquises peuvent par exemple comprendre des données relatives à des installations industrielles, de collectivités, ou de clients particuliers.
La segmentation 30 permet aussi de déterminer parmi les données fournies des schémas (pattern) de consommations pertinents, par exemple en discriminant les consommations de résidences secondaires, présentant une forte saisonnalité, des consommations de résidences principales, présentant une tendances plus régulière, mais aussi en prenant en compte des volumes globaux sur des périodes définies, tels que des volumes globaux annuels, par exemple dans le cadre de données de consommations industrielles ou de collectivités.
Par conséquent, l’étape de segmentation 30 vise à fournir en entrée du module d’optimisation 11 des données segmentées en fonction de la nature des prédictions à réaliser, de sorte à rendre le jeu de données le plus «prévisible» possible, autrement dit en extrayant du jeu de données initial les données les plus pertinentes pour calibrer, ou entraîner, les modules, eu égard au contexte de la prédiction voulue.
On entend par contexte des informations telles que le type de consommation d’eau prédite et la période de prédictionvoulue; par exemple une prédiction pour la consommation en eau d’une installation industrielle sur le premier semestre de l’année N, ou selon un autre exemple la consommation en eau d’un ensemble de résidences principales pour l’ensemble de l’année N).
Ainsi, si la prédiction voulue pour la période future ΔP correspond à des prédictions de consommations d’eau pour un réseau de fourniture d’eau à destination d’habitation de particuliers, on segmente les données de sorte à isoler des données précédentes de nature similaire.
L’étape de segmentation 30 peut, selon une mise en œuvre alternative, être fonction de données externes telles que des données topographiques, par exemple relative au réseau de distribution de la ressource, météorologiques et/ou calendaires, permettant d’affiner la segmentation.
Selon un troisième mode de réalisation de l’invention, pouvant dériver du premier ou du deuxième mode de réalisation, et en référence à la figure 4, les étapes de calibrage 112 et de test 113 sont mises en œuvre une pluralité de fois pour chaque module.
A cet effet, on sélectionne pour chaque module un premier sous-ensemble de données Δt1- Δt1’’’ et un deuxième sous-ensemble de données , Δt2- Δt2’’’ aléatoirement dans l’ensemble de données ΔT général. Ces sous-ensembles de données Δt1- Δt1’’’, Δt2- Δt2’’’ sont de manière préférée issus d’un ensemble de données segmentées et leur durée étant prédéterminée.
La répétition de la sélection de sous-ensembles aléatoires Δt1- Δt1’’’, Δt2- Δt2’’’est connue sous le nom de Bootstrap.
Pour chaque module, chaque étape de test 113 de chaque répétition permet alors de calculer un critère de performance, par exemple l’erreur absolue moyenne en pourcentage exposée précédemment, ce critère de performance étant alors moyenné avec les critères de performance des autres répétitions.
Ainsi, on obtient pour chaque module un critère de performance basé sur une pluralité de tests aléatoires, ce qui améliore la fiabilité de l’indicateur de performance par module.
Lorsque la méthode de Bootstrap est mise en œuvre, d’autres indicateurs de performances peuvent aussi être déterminés, tel que la stabilité de l’erreur.
Le Bootstrap permet d’améliorer la fiabilité du critère de performance,ce qui rend la sélection du module plus robuste et permet une meilleure prédiction.
L’invention n’est toutefois pas limitée à cette seule méthode de sélection d’un module de régression et toute autre méthode connue peut être employée.
Claims (11)
- Procédé de prédiction (1, 1’) de la consommation d’une ressource, telle que de l’eau, sur au moins une partie d’un réseau de distribution de ladite ressource comprenant:
- Une étape d’acquisition (10) d’un ensemble de données de consommations dans un intervalle de temps prédéterminé (ΔT), ledit intervalle de temps (ΔT) comprenant au moins une première (Δt1) et une deuxième (Δt2) période de temps ;
- Une étape de prédiction (12) de la consommation de ladite ressource sur ladite au moins une partie du réseau de distribution, en fonction d’au moins une partie de l’ensemble de données acquis;
- Une sous-étape de fourniture (111) d’une pluralité de modules de régression chacun étant adapté pour déterminer une valeur estimée de consommation en fonction dudit ensemble de données (ΔT);
- Une sous-étape de calibrage (112) de chaque module de régression de la pluralité de modules de régression ;
- Une sous-étape de mise en œuvre d’une prédiction (113) de la consommation de ladite ressource pour la deuxième période de temps (Δt2), par chaque module de la pluralité de modules de régression, à partir des données de consommations acquises pour la première période de temps (Δt1) de l’intervalle de temps prédéterminé (ΔT);
- Une sous-étape de calcul (114) d’un critère de performance de la prédiction de chaque module de régression en fonction de la prédiction obtenue pour la deuxième période de temps (Δt2) par rapport aux donnéesde consommations acquises pour la deuxième période de temps(Δt2);
- Une sous-étape de sélection (115) du module de régression parmi la pluralité de modules en fonction dudit critère de performance calculé;
- Procédé de prédiction (1’) selon la revendication 1 caractérisé en ce qu’il comprend une étape de segmentation (30) des données de consommation acquises en fonction d’au moins un paramètre d’homogénéisation; lesdites étapes d’optimisation (11) et de prédiction (12) étant mises en œuvre à partir desdites données de consommation segmentées.
- Procédé de prédiction (1, 1’) selon la revendication 2, caractérisé en ce l’étape de segmentation (30) est en outre fonction de données additionnelles comprenant des données topographiques et/ou météorologiques et/ou calendaires.
- Procédé de prédiction (1, 1’) selonl’une quelconque des revendications 1 à 3, caractérisé en ce que l’étape d’optimisation (11) comprend en outre une sous-étape finale de recalibrage (116) du module de régression sélectionné à partir d’une troisième période de temps (Δt3, ΔT) de données d’historique.
- Procédé de prédiction (1, 1’) selon la revendication 4, caractérisé en ce que ladite troisième période (Δt3) de temps comprend au moins la première période de temps (Δt1) et la deuxième période de temps (Δt2).
- Procédé de prédiction (1, 1’) selon l’une quelconque des revendications 1 à 5, caractérisé en ce que la pluralité de modules de régression comprendau moins un module mettant en œuvre un modèle de prévision de séries temporelles.
- Procédé de prédiction (1, 1’) selon l’une quelconque des revendications 1 à 6, caractérisé en ce que la pluralité de modules de régression comprendau moins un module d’apprentissage automatique.
- Procédé de prédiction (1, 1’) selon l’une quelconque des revendications 1 à 7, caractérisé en ce que, pour chaque module de régression, les étapes de calibrage (112) et de test (113) sont répétées une pluralité de fois, chaque première (Δt1) et deuxième (Δt2) période de temps pour chaque répétition étant sélectionnée de manière aléatoire dans l’intervalle de temps prédéterminé (ΔT), de sorte que l’étape de sélection(115) effectue la sélection du module de régression parmi la pluralité de modules en fonction de la pluralité de critères de performance calculés pour chaque répétition.
- Procédé de prédiction (1, 1’) selon l’une quelconque des revendications 1 à 8, caractérisé en ce que l’étape de prédiction (12) comprend en outre la réception des données additionnelles pour affiner ladite prédiction effectuée.
- Procédé de prédiction (1, 1’) selon la revendication 9, caractérisé en ce que lesdites données additionnelles de l’étape de prédiction (12) comprennent des données topographiques, météorologiques et/ou calendaires.
- Dispositif de prédiction de la consommation d’une ressource, telle que de l’eau, sur au moins une partie d’un réseau de distribution de ladite ressource comprenant:
- Des moyens d’acquisition d’un ensemble de données de consommations dans un intervalle de temps prédéterminé, ledit intervalle de temps comprenant au moins une première et une deuxième période de temps consécutives et de même durée ;
- Des moyens de prédiction de la consommation de ladite ressource sur ladite au moins une partie du réseau de distribution en fonction d’au moins une partie de l’ensemble de données acquis;
- Une sous-étape de fourniture (111) d’une pluralité de modules de régression chacun étant adapté pour déterminer une valeur estimée de consommation en fonction dudit ensemble de données;
- Une sous-étape de calibrage (112) de chaque module de régression de la pluralité de modules de régression ;
- Une sous-étape de mise en œuvre d’une prédiction (113) de la consommation de ladite ressource pour la deuxième période de temps, par chaque module de la pluralité de modules de régression, à partir des données de consommations acquises pour la première période de temps de l’intervalle prédéterminé ;
- Une sous-étape de calcul (114) d’un critère de performance de la prédiction de chaque module de régression en fonction de la prédiction obtenue pour la deuxième période de temps par rapport aux donnéesde consommations acquises pour la deuxième période de temps;
- Une sous-étape de sélection (115) du module de régression parmi la pluralité de modules en fonction dudit critère de performance calculé; et
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1913160A FR3103604A1 (fr) | 2019-11-25 | 2019-11-25 | Procédé de prédiction de consommations d’une ressource distribuée dans un réseau de distribution |
| PCT/FR2020/052165 WO2021105608A1 (fr) | 2019-11-25 | 2020-11-24 | Procede de prediction de consommations d'une ressource distribuee dans un reseau de distribution |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1913160 | 2019-11-25 | ||
| FR1913160A FR3103604A1 (fr) | 2019-11-25 | 2019-11-25 | Procédé de prédiction de consommations d’une ressource distribuée dans un réseau de distribution |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3103604A1 true FR3103604A1 (fr) | 2021-05-28 |
Family
ID=69630483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1913160A Pending FR3103604A1 (fr) | 2019-11-25 | 2019-11-25 | Procédé de prédiction de consommations d’une ressource distribuée dans un réseau de distribution |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3103604A1 (fr) |
| WO (1) | WO2021105608A1 (fr) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994753B (zh) * | 2023-03-23 | 2023-06-16 | 湖南易净环保科技有限公司 | 基于水资源收集处理的智慧洗车管理系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009059370A1 (fr) * | 2007-11-08 | 2009-05-14 | Commonwealth Scientific And Industrial Research Organisation | Procédés et appareil pour une gestion de ressource |
| CN104715292A (zh) | 2015-03-27 | 2015-06-17 | 上海交通大学 | 基于最小二乘支持向量机模型的城市短期用水量预测方法 |
| WO2016051553A1 (fr) * | 2014-10-01 | 2016-04-07 | 富士電機株式会社 | Dispositif d'assistance de gestion d'énergie et programme d'assistance de gestion d'énergie |
| WO2016160384A1 (fr) * | 2015-04-01 | 2016-10-06 | The Climate Corporation | Prévision de rendement national des cultures pendant la saison de croissance |
-
2019
- 2019-11-25 FR FR1913160A patent/FR3103604A1/fr active Pending
-
2020
- 2020-11-24 WO PCT/FR2020/052165 patent/WO2021105608A1/fr active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009059370A1 (fr) * | 2007-11-08 | 2009-05-14 | Commonwealth Scientific And Industrial Research Organisation | Procédés et appareil pour une gestion de ressource |
| WO2016051553A1 (fr) * | 2014-10-01 | 2016-04-07 | 富士電機株式会社 | Dispositif d'assistance de gestion d'énergie et programme d'assistance de gestion d'énergie |
| CN104715292A (zh) | 2015-03-27 | 2015-06-17 | 上海交通大学 | 基于最小二乘支持向量机模型的城市短期用水量预测方法 |
| WO2016160384A1 (fr) * | 2015-04-01 | 2016-10-06 | The Climate Corporation | Prévision de rendement national des cultures pendant la saison de croissance |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021105608A1 (fr) | 2021-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Min et al. | Detection of rural electrification in Africa using DMSP-OLS night lights imagery | |
| Avni et al. | Water consumption patterns as a basis for water demand modeling | |
| Ouyang et al. | A multi‐scale analysis of single‐family residential water use in the Phoenix metropolitan area | |
| Jalili Pirani et al. | Geostatistical and deterministic methods for rainfall interpolation in the Zayandeh Rud basin, Iran | |
| Welker et al. | Modelling economic losses of historic and present-day high-impact winter windstorms in Switzerland | |
| Basson et al. | Experimentally derived likelihoods for light‐based geolocation | |
| Das et al. | Evaluating the accuracy of two satellite-based Quantitative Precipitation Estimation products and their application for meteorological drought monitoring over the Lake Victoria Basin, East Africa | |
| Cushman et al. | Variation in trunk taper of buttressed trees within and among five lowland tropical forests | |
| Meunier | Optimal design of photovoltaic water pumping systems for rural communities–a technical, economic and social approach | |
| Windfeld et al. | How do community-level climate change vulnerability assessments treat future vulnerability and integrate diverse datasets? A review of the literature | |
| Avanzi et al. | IT-SNOW: a snow reanalysis for Italy blending modeling, in-situ data, and satellite observations (2010–2021) | |
| FR3103604A1 (fr) | Procédé de prédiction de consommations d’une ressource distribuée dans un réseau de distribution | |
| US20190164065A1 (en) | Systems and Methods Venue Visitation Forecasting | |
| Baker et al. | The Colorado River Basin operational prediction testbed: A framework for evaluating streamflow forecasts and reservoir operations | |
| Zhang et al. | Statistical interpretation of the daily variation of urban water consumption in Beijing, China | |
| Ndomba | Streamflow data needs for water resources management and monitoring challenges: A case study of Wami River subbasin in Tanzania | |
| Mishra et al. | Simulating hydrological drought properties at different spatial units in the United States based on wavelet–Bayesian regression approach | |
| Chasco et al. | Evaluating the accuracy and precision of multiple abundance estimators using state-space models: a case study for a threatened population of chinook salmon in Johnson Creek, Idaho | |
| Moussus et al. | A method to estimate phenological variation using data from large‐scale abundance monitoring programmes | |
| Zhang et al. | Improved quality gridded surface wind speed datasets for Australia | |
| Mares et al. | Discharge variability in Romania using Palmer indices and a simple atmospheric index of large-scale circulation | |
| FR3075436A1 (fr) | Systeme de prevision de consommation d'energie sur une periode predeterminee. | |
| Fuentes-Andino et al. | Exploring the potential for parameter transfer from daily to hourly time step in the HYPE model for Sweden | |
| Terblanche et al. | ERA5-Derived Precipitation: Insights from Historical Rainfall Networks in Southern Africa | |
| Hildén et al. | Evaluation of climate change state, impact and vulnerability indicators |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210528 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| TP | Transmission of property |
Owner name: SUEZ INTERNATIONAL, FR Effective date: 20221129 |