FR3129540A1 - Détection d’un système de climatisation au sein d’une installation électrique - Google Patents

Détection d’un système de climatisation au sein d’une installation électrique Download PDF

Info

Publication number
FR3129540A1
FR3129540A1 FR2112229A FR2112229A FR3129540A1 FR 3129540 A1 FR3129540 A1 FR 3129540A1 FR 2112229 A FR2112229 A FR 2112229A FR 2112229 A FR2112229 A FR 2112229A FR 3129540 A1 FR3129540 A1 FR 3129540A1
Authority
FR
France
Prior art keywords
installation
data
air conditioning
conditioning system
electrical installation
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
Application number
FR2112229A
Other languages
English (en)
Other versions
FR3129540B1 (fr
Inventor
Fabien BANCI
Benjamin BLUM
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electricite de France SA
Original Assignee
Electricite de France SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electricite de France SA filed Critical Electricite de France SA
Priority to FR2112229A priority Critical patent/FR3129540B1/fr
Publication of FR3129540A1 publication Critical patent/FR3129540A1/fr
Application granted granted Critical
Publication of FR3129540B1 publication Critical patent/FR3129540B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

Il est proposé un procédé de détection d’un système de climatisation au sein d'une installation électrique ainsi qu’un programme informatique, un support d’enregistrement et un circuit de traitement correspondants. Un ensemble de jeux de données de référence est utilisé pour entraîner une intelligence artificielle. Les jeux de données de référence sont chacun associé à une installation consommatrice et assorti d’une indication de présence ou d’absence de système de climatisation dans l’installation en question. L’intelligence artificielle caractérise alors un autre jeu de données, associé également à une installation consommatrice mais dénué d’une telle indication. Les jeux de données précités comportent chacun une thermosensibilité de l’installation associée. Figure de l’abrégé : Figure 13

Description

Détection d’un système de climatisation au sein d’une installation électrique
La présente divulgation relève du domaine de la science des données.
Plus particulièrement, la présente divulgation porte sur des procédés de détection d’un système de climatisation au sein d’une installation électrique, ainsi que sur des programmes informatiques, des dispositifs de stockage lisibles par ordinateur et des circuits de traitement pour la mise en œuvre de tels procédés.
Un enjeu constant pour un fournisseur d’électricité est d’être en mesure de fournir, à tout moment, suffisamment d’électricité pour satisfaire les besoins de consommation d’une population.
Les zones non interconnectées que sont la Corse, la Réunion, la Martinique, la Guadeloupe, ou la Guyane assurent l'essentiel de leur fourniture électrique avec des énergies fossiles importées (gaz, fioul, charbon), complétées le cas échéant par des énergies renouvelables locales. Elles font face au défi de leur transition énergétique et ont mis le cap sur le développement des énergies renouvelables et sur l'autonomie énergétique.
Pour des raisons écologiques, les énergies renouvelables doivent être privilégiées en toutes circonstances, mais ces énergies présentent un profil de production variable. L’énergie solaire par exemple dépend de l’ensoleillement, qui varie au cours d’une journée ainsi que d’une journée à l’autre. Ainsi, les énergies renouvelables ne peuvent à elles seules suffire à satisfaire en permanence les besoins de consommation d’une population.
Il convient donc d’activer d’autres sources de production électrique en parallèle, en proportion variable en fonction du temps.
Les énergies fossiles présentent l’avantage de la réactivité. Il est possible de rapidement activer une centrale thermique par exemple pour faire face à une variation inattendue des besoins de consommation électrique de la population. Mais les énergies fossiles sont également les plus polluantes et leur utilisation doit être minimisée.
Concrètement, un enjeu technique actuel, pour parvenir à une utilisation vertueuse des différentes sources de production électrique disponibles, est de pouvoir effectuer une prédiction fiable d’une consommation électrique par une population.
Outre le mix énergétique, les zones non interconnectées sont également soumises à de fortes contraintes pour la gestion du réseau électrique et l’approvisionnement. Ces contraintes résultent des caractéristiques climatiques et géographiques de ces zones, ainsi que de la taille relativement petite de leurs systèmes électriques par rapport à ceux de la France continentale, par exemple.
Dans ce contexte, une meilleure connaissance des équipements électriques des consommateurs et en particulier des appareils énergivores comme la climatisation permet de mieux prévoir la demande agrégée d’électricité dans le futur, en saison chaude pour la climatisation. Ainsi, la disponibilité des centrales électriques peut être mieux anticipée pour faire face à cette demande et les investissements de renforcement du réseau électrique peuvent être mieux préparés.
Dans ce but, il est actuellement demandé aux consommateurs d’électricité, lors de la souscription d’un contrat de fourniture d’électricité, de lister leurs équipements électriques.
Cette méthode par questionnaire à la mise en service comporte principalement deux défauts.
D’une part, il a été constaté que, pour des raisons organisationnelles notamment, environ la moitié des consommateurs ne remplissaient pas le questionnaire, ou le remplissaient de manière incomplète.
D’autre part, une déclaration d’équipements qui était pourtant complète lors de la souscription du contrat de fourniture d’électricité peut rapidement devenir obsolète, par exemple lors d’un achat ultérieur, par le consommateur, d’un équipement énergivore comme une climatisation.
Pour ces deux raisons, la méthode par questionnaire sous-estime le nombre réel d’équipements énergivores, tels que des systèmes de climatisation, au sein d’un réseau non interconnecté.
Il existe donc un besoin pour corriger une telle sous-estimation et déterminer :
- une estimation plus précise du nombre réel d’équipements énergivores, tels que des systèmes de climatisation, au sein d’un réseau non interconnecté à un instant quelconque, et
- une estimation de l’évolution de ce nombre en fonction du temps.
Il est en effet souhaitable de mieux prédire la demande future en électricité d’une installation électrique, pour par suite mieux prédire la demande future en électricité de l’ensemble des installations électriques d’un réseau électrique non interconnecté.
Une prédiction améliorée d’une telle demande future permet en effet de mieux connaitre les contraintes à venir vis-à-vis notamment de la disponibilité des centrales et du dimensionnement du réseau électrique.
Il est souhaitable que cette prédiction améliorée soit effectuée tout en conservant l'anonymat des usagers des installations électriques du réseau.
Par exemple, si une augmentation importante du nombre de climatisations dans un réseau électrique est détectée au cours d’une saison froide, alors une telle détection offre la possibilité de quantifier par anticipation une demande accrue en électricité au cours de la saison chaude suivante, et en conséquence de sécuriser par avance la disponibilité des centrales en jouant sur le planning de maintenance ou sur le stockage/déstockage d’eau dans des barrages hydroélectriques.
Résumé
La présente divulgation vient améliorer la situation.
Il est proposé un procédé, mis en œuvre par ordinateur, de détection d’un système de climatisation au sein d'une installation électrique, le procédé étant caractérisé par les étapes suivantes :
- obtenir un ensemble de jeux de données de référence, un jeu de données de référence étant respectivement associé à une installation électrique d’un réseau et comportant respectivement, au moins, une thermosensibilité de ladite installation et une indication, distincte, de présence ou d’absence de système de climatisation au sein de ladite installation,
- entraîner une intelligence artificielle sur la base de l’ensemble de jeux de données de référence,
- obtenir, pour au moins une installation électrique donnée, un jeu de données à caractériser, le jeu de données à caractériser étant associé à ladite installation électrique donnée, le jeu de données à caractériser comportant une thermosensibilité de l’installation électrique donnée et ne comportant aucune indication de présence ou d’absence de système de climatisation au sein de ladite installation électrique donnée, et
- sur la base du jeu de données à caractériser, déterminer, au moyen de l’intelligence artificielle, une probabilité de présence d’un système de climatisation au sein de l’installation associée audit jeu de données à caractériser.
Il est entendu que les jeux de données évoqués ne contiennent aucune information à caractère personnel tel que l'identité d'une personne ou son adresse postale, recueillir une telle information n'étant ni utile pour la qualité de la prédiction, ni souhaitable.
Le procédé proposé s’appuie sur une intelligence artificielle mise en œuvre par un module logique d’au moins un circuit de traitement de données.
L’intelligence artificielle est entraînée au moyen d’un ensemble de jeux de données de référence. Cet entraînement est conduit de telle sorte que l’intelligence artificielle puisse associer, à un quelconque jeu de données parmi l’ensemble de jeux de données de référence, ou à un quelconque jeu de données à caractériser, une probabilité de présence d’un système de climatisation au sein de l’installation électrique associée à ce jeu de données.
Une particularité des jeux de données fournis à l’intelligence artificielle, aussi bien dans sa phase d’apprentissage que dans son utilisation pratique, est que chacun de ces jeux de données comprend une thermosensibilité de l’installation électrique qui leur est associée.
La thermosensibilité peut aussi bien désigner une grandeur qu’une expression mathématique et représente la variation de la consommation engendrée par une variation de température extérieure à proximité de l’installation en question, au-delà d'un certain seuil de température.
Les caractéristiques exposées dans les paragraphes suivants peuvent, optionnellement, être mises en œuvre. Elles peuvent être mises en œuvre indépendamment les unes des autres ou en combinaison les unes avec les autres.
Optionnellement, le seuil de température est supérieur ou égal à 20°C, à 21°C, à 22°C, à 23°C, à 24°C, à 25°C, à 26°C, à 27°C, à 28°C, à 29°C ou à 30°C.
Optionnellement, l’intelligence artificielle est basée sur une forêt d’arbres de décision, chaque arbre de décision formant un modèle prédictif de présence ou d’absence de système de climatisation dans une installation électrique, un arbre de décision étant construit sur la base d’un échantillon de jeux de données de référence parmi ledit ensemble, et
- dans lequel le procédé comprend en outre, pour ledit jeu de données à caractériser, les étapes suivantes :
-- déterminer, à l’aide des arbres respectifs de décision, des votes respectifs portant sur une éventualité d’une présence d’un système de climatisation au sein de l’installation associée audit jeu de données à caractériser,
-- lorsque les votes sont en majorité favorables, détecter une présence d’un système de climatisation au sein de l’installation associée audit jeu de données à caractériser, et
-- lorsque les votes sont en majorité défavorables, détecter une absence d’un système de climatisation au sein de l’installation associée audit jeu de données à caractériser.
Dans cet exemple, l’intelligence artificielle s’appuie sur de multiples arbres de décision. Une telle forêt d’arbres de décision est également connue sous l’expression anglaise « Random Forest ». Un arbre de décision est l’une des structures de données majeures de l’apprentissage statistique. Un arbre de décision modélise une hiérarchie de tests sur tout jeu de données qui lui est fourni en entrée.
Il existe divers algorithmes connus permettant de modéliser une telle hiérarchie de tests, c’est-à-dire de construire un arbre de décision à partir d’un échantillon de jeux de données de référence. Ces algorithmes permettent d’extraire des règles logiques de cause à effet, ou déterminismes, qui n’apparaissaient pas initialement dans l’échantillon.
L’intelligence artificielle telle que spécifiée dans cet exemple est avantageuse en ce que les arbres de décision sont construits sur des sous-ensembles de données légèrement différents, ce qui minimise le risque de surapprentissage, c’est-à-dire d’apprendre à la fois les relations entre les données et le bruit présent dans l’ensemble de jeux de données de référence.
Appliquer un arbre de décision à un jeu de données fourni en entrée résulte en un choix d’une conclusion possible parmi un ensemble discret de conclusions.
En l’occurrence, dans l’exemple proposé, les arbres sont binaires, en d’autres termes seules deux conclusions sont possibles. Chaque conclusion est exprimée sous la forme d’un vote pouvant être favorable ou défavorable à la présence d’un système de climatisation au sein de l’installation associée au jeu de données fourni en entrée. La probabilité de présence d’un système de climatisation au sein de l’installation en question, telle qu’inférée par une telle intelligence artificielle, correspond donc au taux de votes favorables.
C’est ensuite sur le principe du vote majoritaire que l’intelligence artificielle conclut, dans cet exemple, sur la présence ou l’absence de système de climatisation dans une telle installation.
Les inventeurs ont également testé à titre de comparaison diverses intelligences artificielles alternatives éprouvées.
Un de ces procédés est un modèle naïf, c’est-à-dire fondé sur une classification bayésienne avec une forte indépendance des hypothèses. Les données utilisées pour l’entraînement du modèle sont considérées, par le modèle, comme décorrélées entre elles.
Un autre de ces procédés est une régression logistique. Comme pour tous les modèles de régression binomiale, il s'agit de modéliser au mieux un modèle mathématique simple (caractérisant ici la présence ou l’absence d’un système de climatisation dans une installation écrite) à des observations réelles nombreuses (représentées par un ensemble de jeux de données de référence).
Un autre de ces procédés est principalement connu sous l’expression anglaise « Histogram-based Gradient Boosting » ou par l’acronyme correspondant « HGB », parfois traduite en français par « renforcement du dégradé basé sur un histogramme ». Les procédés de renforcement du dégradé reposent sur le principe de concevoir les prédicteurs un par un. Lorsqu’un prédicteur donné est conçu, l’exactitude des précisions que ce prédicteur fournit est évaluée, puis le prédicteur suivant est ensuite conçu dans le but spécifique de corriger les erreurs résiduelles de prédiction de son prédécesseur.
Il a été constaté de manière surprenante que les intelligences artificielles basées soit sur une forêt d’arbres de décision soit sur un renforcement du dégradé basé sur un histogramme offrent toutes deux une détection plus exacte, statistiquement parlant, de la présence ou de l’absence d’un système de climatisation dans une installation électrique, par rapport notamment aux autres intelligences artificielles alternatives ayant été testées.
Dans un exemple, au moins une partie des jeux de données de référence et au moins une partie des jeux de données à caractériser comprennent, respectivement, des données indicatives d’une situation géographique de l’installation électrique associée.
Par situation géographique on entend aussi bien la géolocalisation de l’installation qu’une qualification de son environnement (par exemple urbanisé ou rural). Les données indicatives de la situation géographique d’une installation peuvent être extraites, par exemple, d’une base de données existante interrogeable à l’aide de l’adresse de l’installation concernée.
Dans un exemple, au moins une partie des jeux de données de référence et au moins une partie des jeux de données à caractériser comprennent, respectivement, des données issues d’un traitement informatique d’une série de valeurs de consommation électrique en fonction du temps au niveau de l’installation électrique associée.
De telles valeurs de consommation électrique en fonction du temps peuvent être obtenues par des relevés périodiques, et peuvent par exemple être issues d’un compteur électrique communicant rattaché à l’installation électrique concernée.
A titre d’exemple, ledit traitement informatique peut comporter les étapes suivantes :
- former des paires de valeurs datées, chaque paire associant :
-- une valeur de consommation électrique issue de ladite série de valeurs, et
-- une valeur de température ambiante à proximité de l’installation électrique associée,
- calculer, sur la base des paires de valeurs datées, une thermosensibilité de la consommation électrique au niveau de l’installation électrique associée, et
- inclure la thermosensibilité calculée en tant que donnée dudit jeu de données.
L’intérêt spécifique de calculer une telle thermosensibilité est de pouvoir refléter fidèlement la dépendance croissante entre des données fiables de consommation électrique et la température extérieure, une telle dépendance étant principalement observée en pratique chez les possesseurs de climatisation. Cette dépendance est un exemple de déterminisme qui n’apparaît pas initialement dans les relevés de consommation électrique.
Toujours à titre d’exemple, ledit traitement informatique peut comporter les étapes suivantes :
- encoder ladite série de valeurs de consommation électrique en fonction du temps selon une analyse en composantes principales, et
- inclure la série encodée en tant que données dudit jeu de données.
Effectuer une telle analyse en composantes principales permet de décorréler les valeurs de la série, et en simplifie l’analyse statistique, donc minimise les besoins de l’intelligence artificielle en termes de temps de calcul. Encoder la série selon l’analyse en composantes principales permet de la compresser, donc minimise les besoins de l’intelligence artificielle en termes de ressources mémoire.
Il est également proposé un programme informatique comportant des instructions pour la mise en œuvre du procédé ci-avant lorsque ce programme est exécuté par un processeur.
Il est également proposé un support d’enregistrement non transitoire lisible par un ordinateur sur lequel est enregistré un programme pour la mise en œuvre du procédé ci-avant lorsque ce programme est exécuté par un processeur.
Il est également proposé un circuit de traitement comprenant un processeur connecté au support d’enregistrement non transitoire ci-avant.
D’autres caractéristiques, détails et avantages apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, sur lesquels :
Fig. 1
représente schématiquement un réseau électrique isolé.
Fig. 2
représente, pour différents réseaux électriques isolés, la consommation journalière moyenne de deux groupes mutuellement exclusifs d’installations consommatrices, en fonction du temps sur une période d’un an. Les installations du premier groupe sont toutes présumées comporter un système de climatisation. Les installations du deuxième groupe sont toutes présumées ne pas comporter de système de climatisation.
Fig. 3
représente, pour différents réseaux électriques isolés, la consommation journalière moyenne d’installations consommatrices des deux groupes précités en fonction de la température extérieure. Deux nuages de points sont représentés et correspondent l’un aux installations du premier groupe, l’autre aux installations du deuxième groupe.
Fig. 4
représente, pour différents réseaux électriques isolés, le résultat d’une analyse en composantes principales appliquée à un ensemble de relevés annuels de consommation électrique journalière d’installations consommatrices, dans un exemple de réalisation.
Fig. 5
représente une série d’exemples de cartes thermiques représentant les six premières composantes issues de l’analyse en composantes principales précédemment évoquée en lien avec la , considérées deux à deux, dans un exemple de réalisation.
Fig. 6
représente l’importance relative de différentes variables d’entrée pour déterminer une probabilité de présence d’un système de climatisation à l’aide d’une intelligence artificielle du type d’une forêt d’arbres décisionnels préalablement entraînée au moyen de jeux de données de référence, selon un exemple de réalisation.
Fig. 7
Fig. 8
Fig. 9
, et représentent trois exemples d’arbres de décision pouvant être générés au sein d’une forêt d’arbres décisionnels telle qu’évoquée en lien avec la , selon un exemple de réalisation.
Fig. 10
représente sous la forme d’un diagramme en boîte l’influence de la thermosensibilité d’une installation consommatrice sur la probabilité que cette installation consommatrice soit équipée d’un système de climatisation, selon un exemple de réalisation.
Fig. 11
représente un ensemble de cartes thermiques rendant compte de l’influence de la localisation géographique d’une installation consommatrice sur la probabilité que cette installation consommatrice soit équipée d’un système de climatisation, selon un exemple de réalisation.
Fig. 12
représente un circuit de traitement de données adapté pour mettre en œuvre un procédé de détection d’un système de climatisation, selon un exemple de réalisation.
Fig. 13
représente un ensemble d’étapes de procédé pouvant être mises en œuvre pour procéder à une détection d’un système de climatisation au sein d’au moins une installation électrique donnée, selon un exemple de réalisation.
Fig. 14
représente un ensemble d’étapes pouvant être mises en œuvre, seules ou en combinaison, pour déterminer des données destinées à être fournies au circuit de traitement de données de la en tant que jeu de données de référence ou en tant que jeu de données à caractériser

Claims (10)

  1. Procédé, mis en œuvre par ordinateur, de détection d’un système de climatisation au sein d'une installation électrique, le procédé étant caractérisé par les étapes suivantes :
    - obtenir (35) un ensemble de jeux de données de référence, un jeu de données de référence étant respectivement associé à une installation électrique d’un réseau et comportant respectivement, au moins, une thermosensibilité de ladite installation et une indication, distincte, de présence ou d’absence de système de climatisation au sein de ladite installation,
    - entraîner (36) une intelligence artificielle sur la base de l’ensemble de jeux de données de référence,
    - obtenir (37), pour au moins une installation électrique donnée, un jeu de données à caractériser, le jeu de données à caractériser étant associé à ladite installation électrique donnée, le jeu de données à caractériser comportant une thermosensibilité de l’installation électrique donnée et ne comportant aucune indication de présence ou d’absence de système de climatisation au sein de ladite installation électrique donnée, la thermosensibilité de l’installation électrique donnée étant issue d’un traitement informatique de relevés de consommation électrique de l’installation électrique donnée et de relevés de température, et
    - sur la base du jeu de données à caractériser, déterminer (38), au moyen de l’intelligence artificielle, une probabilité de présence d’un système de climatisation au sein de l’installation associée audit jeu de données à caractériser.
  2. Procédé selon la revendication 1, dans lequel la thermosensibilité est représentative d’une variation de consommation engendrée par une variation de température extérieure, au-delà d'un seuil de température, ledit seuil de température étant supérieur à 20°C.
  3. Procédé selon la revendication 1 ou 2,
    - dans lequel l’intelligence artificielle est basée sur une forêt d’arbres de décision, chaque arbre de décision formant un modèle prédictif de présence ou d’absence de système de climatisation dans une installation électrique, un arbre de décision étant construit sur la base d’un échantillon de jeux de données de référence parmi ledit ensemble, et
    - dans lequel le procédé comprend en outre, pour ledit jeu de données à caractériser, les étapes suivantes :
    -- déterminer, à l’aide des arbres respectifs de décision, des votes respectifs portant sur une éventualité d’une présence d’un système de climatisation au sein de l’installation associée audit jeu de données à caractériser,
    -- lorsque les votes sont en majorité favorables, détecter une présence d’un système de climatisation au sein de l’installation associée audit jeu de données à caractériser, et
    -- lorsque les votes sont en majorité défavorables, détecter une absence d’un système de climatisation au sein de l’installation associée audit jeu de données à caractériser.
  4. Procédé selon l’une des revendications 1 à 3, dans lequel au moins une partie des jeux de données de référence et au moins une partie des jeux de données à caractériser comprennent, respectivement, des données indicatives d’une situation géographique de l’installation électrique associée.
  5. Procédé selon l’une des revendications 1 à 4, dans lequel au moins une partie des jeux de données de référence et au moins une partie des jeux de données à caractériser comprennent, respectivement, des données issues d’un traitement informatique d’une série de valeurs de consommation électrique en fonction du temps au niveau de l’installation électrique associée.
  6. Procédé selon la revendication 5, dans lequel ledit traitement informatique comporte les étapes suivantes :
    - former des paires de valeurs datées, chaque paire associant :
    -- une valeur de consommation électrique issue de ladite série de valeurs, et
    -- une valeur de température extérieure à proximité de l’installation électrique associée,
    - calculer (41), sur la base des paires de valeurs datées, la thermosensibilité de la consommation électrique au niveau de l’installation électrique associée, et
    - inclure la thermosensibilité calculée en tant que donnée dudit jeu de données.
  7. Procédé selon la revendication 5 ou 6, dans lequel ledit traitement informatique comporte les étapes suivantes :
    - encoder (42) ladite série de valeurs de consommation électrique en fonction du temps selon une analyse en composantes principales, et
    - inclure la série encodée en tant que données dudit jeu de données.
  8. Programme informatique comportant des instructions pour la mise en œuvre du procédé selon l’une des revendications 1 à 7 lorsque ce programme est exécuté par un processeur.
  9. Support d’enregistrement non transitoire (33) lisible par un ordinateur sur lequel est enregistré un programme pour la mise en œuvre du procédé selon l’une des revendications 1 à 7 lorsque ce programme est exécuté par un processeur.
  10. Circuit de traitement comprenant un processeur (32) connecté à un support d’enregistrement non transitoire (33) selon la revendication 9.
FR2112229A 2021-11-19 2021-11-19 Détection d’un système de climatisation au sein d’une installation électrique Active FR3129540B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2112229A FR3129540B1 (fr) 2021-11-19 2021-11-19 Détection d’un système de climatisation au sein d’une installation électrique

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2112229 2021-11-19
FR2112229A FR3129540B1 (fr) 2021-11-19 2021-11-19 Détection d’un système de climatisation au sein d’une installation électrique

Publications (2)

Publication Number Publication Date
FR3129540A1 true FR3129540A1 (fr) 2023-05-26
FR3129540B1 FR3129540B1 (fr) 2024-03-15

Family

ID=80999936

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2112229A Active FR3129540B1 (fr) 2021-11-19 2021-11-19 Détection d’un système de climatisation au sein d’une installation électrique

Country Status (1)

Country Link
FR (1) FR3129540B1 (fr)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015092193A1 (fr) * 2013-12-20 2015-06-25 Electricite De France Fourniture d'energie optimisee d'un reseau de distribution.
FR3051946A1 (fr) * 2016-05-26 2017-12-01 Electricite De France Estimation fine de consommation electrique pour des besoins de chauffage/climatisation d'un local d'habitation
FR3072192A1 (fr) * 2017-10-11 2019-04-12 Electricite De France Estimation d'une consommation electrique d'une piscine d'agrement
FR3096815A1 (fr) * 2019-06-03 2020-12-04 Institut Mines Telecom Rénovation énergétique de batiments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015092193A1 (fr) * 2013-12-20 2015-06-25 Electricite De France Fourniture d'energie optimisee d'un reseau de distribution.
FR3051946A1 (fr) * 2016-05-26 2017-12-01 Electricite De France Estimation fine de consommation electrique pour des besoins de chauffage/climatisation d'un local d'habitation
FR3072192A1 (fr) * 2017-10-11 2019-04-12 Electricite De France Estimation d'une consommation electrique d'une piscine d'agrement
FR3096815A1 (fr) * 2019-06-03 2020-12-04 Institut Mines Telecom Rénovation énergétique de batiments

Also Published As

Publication number Publication date
FR3129540B1 (fr) 2024-03-15

Similar Documents

Publication Publication Date Title
Azadi et al. Verifying the performance of artificial neural network and multiple linear regression in predicting the mean seasonal municipal solid waste generation rate: A case study of Fars province, Iran
US10103548B2 (en) Operating a solar power generating system
Fonseca Junior et al. Regional forecasts of photovoltaic power generation according to different data availability scenarios: a study of four methods
CN114297036B (zh) 数据处理方法、装置、电子设备及可读存储介质
US11693378B2 (en) Image-based solar estimates
Bilbao et al. Air temperature model evaluation in the north Mediterranean belt area
CN117613883A (zh) 发电功率预测方法、装置、计算机设备及存储介质
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
Potisomporn et al. Extreme value analysis of wind droughts in Great Britain
Ghassemi et al. Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings
Chen et al. Toward future information market: An information valuation paradigm
Hilbers et al. Importance subsampling for power system planning under multi-year demand and weather uncertainty
CN116502771B (zh) 一种基于电力物资预测的配电方法及系统
CN117407665A (zh) 一种基于生成对抗网络的退役电池时序数据缺失值填充方法
Krishna et al. NowCasting: Accurate and precise short-term wind power prediction using hyperlocal wind forecasts
CN117277304A (zh) 考虑日出日落时间的光伏发电超短期功率预测方法、系统
FR3129540A1 (fr) Détection d’un système de climatisation au sein d’une installation électrique
Zhang et al. Load forecasting method based on improved deep learning in cloud computing environment
CN113779116B (zh) 对象排序方法、相关设备及介质
Huang et al. Hybrid Intra-hour Solar PV Power Forecasting using Statistical and Skycam-based Methods
Dimitropoulos et al. Comparative analysis of AI-based models for short-term photovoltaic power forecasting in energy cooperatives
CN112269771B (zh) 基于区块链的数据共享方法和装置
CN113723775B (zh) 一种基于电力大数据的企业及行业运营风险的评估方法

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20230526

PLFP Fee payment

Year of fee payment: 3