FR3131988A1 - Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique - Google Patents
Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique Download PDFInfo
- Publication number
- FR3131988A1 FR3131988A1 FR2200456A FR2200456A FR3131988A1 FR 3131988 A1 FR3131988 A1 FR 3131988A1 FR 2200456 A FR2200456 A FR 2200456A FR 2200456 A FR2200456 A FR 2200456A FR 3131988 A1 FR3131988 A1 FR 3131988A1
- Authority
- FR
- France
- Prior art keywords
- interest
- consumption
- law
- installation
- electrical
- 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
- 230000005611 electricity Effects 0.000 title description 22
- 238000010616 electrical installation Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000002347 injection Methods 0.000 claims abstract description 19
- 239000007924 injection Substances 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 8
- 238000010207 Bayesian analysis Methods 0.000 claims abstract description 7
- 238000009434 installation Methods 0.000 claims description 65
- 238000012417 linear regression Methods 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000013459 approach Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000001932 seasonal effect Effects 0.000 description 6
- 238000013476 bayesian approach Methods 0.000 description 5
- 238000005485 electric heating Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
L’invention porte sur un procédé d’équilibrage entre une énergie totale injectée et une énergie totale soutirée à un échelon local dans un réseau électrique. L’invention porte aussi sur un programme d’ordinateur et un support d’enregistrement correspondants. L’équilibrage est mis en œuvre grâce à une mise à disposition anticipée d’un moyen d’injection et/ou de soutirage d’énergie. Cette anticipation repose sur une prévision de consommation ou de prosommation d’au moins une installation électrique d’intérêt pour laquelle un historique de consommation ou prosommation court est disponible. Pour cela, une analyse bayésienne individuelle d’un jeu de données d’intérêt représentatif de l’historique court est mise en œuvre, avec une loi a priori comportant une relation affine représentative des historiques, plus longs, d’installations électriques réputées avoir un profil de consommation ou prosommation similaire. Figure de l’abrégé : Figure 5
Description
La présente divulgation relève du domaine de la gestion des réseaux électriques.
La présente divulgation porte en particulier sur un procédé d’équilibrage entre injections et soutirages dans un réseau électrique, un programme d’ordinateur et un support d’enregistrement correspondants.
Prévoir, ou estimer, la consommation d’une installation électrique plusieurs jours en avance est un enjeu essentiel et récurrent pour un fournisseur électrique, afin de répondre à des problématiques diverses.
Par exemple, l’installation de panneaux photovoltaïques en maison individuelle permet à un particulier de produire de l’électricité. Cette production est en partie utilisée in situ pour répondre aux besoins de consommation du particulier. Le surplus de production est rejeté sur le réseau local. Lorsque la production d’énergie d’origine photovoltaïque excède grandement les besoins de consommation, les injections peuvent devenir, temporairement, trop importantes au regard des soutirages. Cela peut déséquilibrer le réseau et augmenter le risque de panne de courant. Une solution pour pallier ce déséquilibre est de prévoir, dans les installations équipées de panneaux photovoltaïques, une batterie pour stocker l’énergie ainsi produite. Un pilotage optimisé du niveau de la batterie doit permettre à la fois de maximiser l’autoconsommation et de contribuer à équilibrer au fil du temps, au niveau du réseau local, les injections et les soutirages. Pour ce faire, il est souhaitable de disposer, plusieurs jours à l’avance, de la meilleure estimation possible de la consommation de chaque installation raccordée au réseau local.
Selon un autre exemple, une tendance actuelle, qui devrait se poursuivre au cours des prochaines années et décennies, est le développement de véhicules électriques. Si un particulier acquiert un véhicule électrique, alors, toujours pour maintenir l’équilibre du réseau local auquel son logement est raccordé, il est souhaitable de prédire les plages horaires au cours desquelles la batterie du véhicule y sera placée en charge.
Selon encore un autre exemple, les besoins de consommation à l’échelle d’un quartier peuvent changer radicalement, en particulier lorsque des logements neufs sont construits. Prévoir une future hausse des besoins de consommation à l’échelle d’un quartier peut permettre de déclencher des travaux de dimensionnement du réseau électrique qui dessert ce quartier.
De manière générale, différentes approches ont été testées dans le même but de prédire la consommation d’une installation électrique. Certaines approches s’appuient sur les historiques de consommation électrique d’installations pour extrapoler la consommation future.
De telles prédictions ne se sont révélées en pratique satisfaisantes qu’à la condition que l’historique puisse être considéré représentatif des fluctuations saisonnières habituelles de consommation de l’installation correspondante. Il est pour cela nécessaire que l’historique couvre une période temporelle d’au moins un an et qu’aucun changement abrupt en termes d’usages ne soit constaté au sein de l’historique.
Il existe donc un besoin pour une prédiction améliorée de la consommation d’une installation électrique à un horizon de quelques jours.
En particulier, il est souhaitable qu’une telle prédiction soit satisfaisante même si l’historique de consommation de cette installation couvre une période temporelle sensiblement inférieure à un an, c’est-à-dire une période temporelle insuffisante pour rendre compte de toutes les fluctuations saisonnières de consommation.
La présente divulgation vient améliorer la situation.
Il est proposé un procédé d’équilibrage entre une énergie totale injectée et une énergie totale soutirée à un échelon local dans un réseau électrique, le procédé comprenant :
- obtenir un jeu de données d’intérêt indicatif d’une évolution temporelle d’une consommation ou prosommation d’une installation électrique d’intérêt raccordée au réseau électrique sur une période passée supérieure ou égale à une semaine et inférieure à une année,
- par une analyse bayésienne individuelle du jeu de données d’intérêt, l’analyse bayésienne individuelle utilisant une loi a priori définissant un hyperparamètre du jeu de données d’intérêt, établir une loi marginale a posteriori de l’hyperparamètre,
la loi a priori comportant au moins une relation affine, établie selon un modèle de régression linéaire, entre un ensemble de variables expliquées xi et une variable explicative y, une variable expliquée étant déterminée à partir d’un jeu de données de référence indicatif d’une évolution temporelle d’une consommation ou prosommation d’une installation électrique sur une période passée supérieure ou égale à une année,
- prédire une quantité d’énergie injectée au réseau ou soutirée du réseau par l’installation d’intérêt, à une date future, sur la base de la loi marginale a posteriori,
- selon la quantité d’énergie prédite, mettre préalablement à disposition un moyen d’injection et/ou de soutirage d’énergie apte à contribuer à équilibrer l’énergie totale injectée et l’énergie totale soutirée, à la date future et audit échelon local, dans le réseau électrique, et
- à la date future, équilibrer l’énergie totale injectée et l’énergie totale soutirée audit échelon local dans le réseau électrique en utilisant, au moins, le moyen préalablement mis à disposition.
- obtenir un jeu de données d’intérêt indicatif d’une évolution temporelle d’une consommation ou prosommation d’une installation électrique d’intérêt raccordée au réseau électrique sur une période passée supérieure ou égale à une semaine et inférieure à une année,
- par une analyse bayésienne individuelle du jeu de données d’intérêt, l’analyse bayésienne individuelle utilisant une loi a priori définissant un hyperparamètre du jeu de données d’intérêt, établir une loi marginale a posteriori de l’hyperparamètre,
la loi a priori comportant au moins une relation affine, établie selon un modèle de régression linéaire, entre un ensemble de variables expliquées xi et une variable explicative y, une variable expliquée étant déterminée à partir d’un jeu de données de référence indicatif d’une évolution temporelle d’une consommation ou prosommation d’une installation électrique sur une période passée supérieure ou égale à une année,
- prédire une quantité d’énergie injectée au réseau ou soutirée du réseau par l’installation d’intérêt, à une date future, sur la base de la loi marginale a posteriori,
- selon la quantité d’énergie prédite, mettre préalablement à disposition un moyen d’injection et/ou de soutirage d’énergie apte à contribuer à équilibrer l’énergie totale injectée et l’énergie totale soutirée, à la date future et audit échelon local, dans le réseau électrique, et
- à la date future, équilibrer l’énergie totale injectée et l’énergie totale soutirée audit échelon local dans le réseau électrique en utilisant, au moins, le moyen préalablement mis à disposition.
Selon un autre aspect, il est proposé un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution du procédé proposé, lorsque ledit programme est exécuté sur un circuit de traitement de données.
Selon un autre aspect, il est proposé un support d’enregistrement non transitoire, lisible par un processeur, sur lequel sont enregistrées les instructions de code du programme d’ordinateur proposé.
Le procédé, le programme d’ordinateur et le support d’enregistrement proposés mettent en œuvre une méthode de prédiction améliorée, capable d’estimer la consommation ou la prosommation d’une installation électrique d’intérêt à une date future quelconque, dès lors que l’historique de consommation de cette installation électrique d’intérêt dépasse une semaine. C’est-à-dire que le profil de consommation ou prosommation de l’installation d’électrique d’intérêt est rapproché de profils voisins, ce qui permet de prédire de manière très satisfaisante, à une quelconque date future, un soutirage prévu par l’installation électrique d’intérêt, ou une injection prévue par l’installation électrique d’intérêt.
Ceci permet, par conséquent, d’anticiper les injections et soutirages à prévoir à un échelon local en toute saison.
En mettant à disposition de manière anticipée un moyen d’injection et/ou de soutirage d’énergie à l’échelon local, il est alors possible d’équilibrer au mieux, dans le futur, les injections et les soutirages et de se prémunir contre le risque d’une future coupure de courant due à un déséquilibre.
Les caractéristiques optionnelles qui suivent pourront être mises en œuvre, seules ou combinées entre elles, en combinaison avec les caractéristiques déjà mentionnées.
Le jeu de données d’intérêt peut être dérivé d’une série temporelle courte associée à l’installation électrique d’intérêt, la série temporelle courte comprenant une pluralité de paires de données indicatives d’une consommation électrique de l’installation associée au cours d’une succession d’intervalles temporels élémentaires passés.
La série temporelle courte désigne par exemple une courbe de charge formée de relevés de consommation journaliers sur une période d’une semaine à un an. Le jeu de données d’intérêt est issu d’une réduction de dimension de la série temporelle courte afin d’obtenir plus d’efficacité en termes de résultats et de temps d’analyse.
Le procédé peut comprendre :
- obtenir un ensemble de jeux de données de référence,
- partitionner l’ensemble de jeux de données de référence sur la base d’un critère de similitude de manière à former une pluralité de groupes de jeux de données de référence, et
la relation affine peut être établie selon un modèle de régression linéaire appliqué à l’un des groupes de jeux de données de référence.
- obtenir un ensemble de jeux de données de référence,
- partitionner l’ensemble de jeux de données de référence sur la base d’un critère de similitude de manière à former une pluralité de groupes de jeux de données de référence, et
la relation affine peut être établie selon un modèle de régression linéaire appliqué à l’un des groupes de jeux de données de référence.
Le partitionnement sur la base d’un critère de similitude désigne une division de l’ensemble de données de référence en « paquets » homogènes, ayant des caractéristiques communes. Par exemple, en considérant que les jeux de données de référence sont des courbes de charge en dimension réduite, celles correspondant à des habitations disposant d’un chauffage électrique ont un profil de consommation tout à fait différent, en hiver, de celles correspondant à des habitations n’en disposant pas. Deux groupes distincts de jeux de données de référence peuvent être formés sur la base de cette seule distinction.
D’autres distinctions peuvent être opérées en fonction du type d’installation électrique (résidentiel, commercial, industriel, de service) ou de la présence d’autres équipements consommateurs d’électricité (comme un climatiseur, ou une prise de recharge d’un véhicule électrique) ou producteurs d’électricité (comme un panneau photovoltaïque).
Il a été constaté que la consommation ou la prosommation habituelle reflétée par un groupe donné de jeux de données de référence, représentatif d’un type donné d’installation électrique, peut être modélisée de manière satisfaisante au moyen d’un modèle de régression linéaire.
Le procédé peut comprendre :
- affecter le jeu de données d’intérêt à un des groupes de jeux de données de référence formés, et
la relation affine peut être établie selon un modèle de régression linéaire appliqué au groupe de jeux de données de référence auquel le jeu de données d’intérêt est affecté.
- affecter le jeu de données d’intérêt à un des groupes de jeux de données de référence formés, et
la relation affine peut être établie selon un modèle de régression linéaire appliqué au groupe de jeux de données de référence auquel le jeu de données d’intérêt est affecté.
Dans cet exemple, le profil de consommation ou de prosommation attendu de l’installation électrique d’intérêt est assimilé à celui du groupe de jeux de données de référence auquel le jeu de données d’intérêt est affecté.
Le procédé peut comprendre :
- affecter le jeu de données d’intérêt à plusieurs groupes de jeux de données de référence formés, et
la loi a priori peut comporter une somme pondérée, ou de manière équivalente une moyenne pondérée, d’une pluralité de relations affines, une relation affine étant établie selon un modèle de régression linéaire appliqué à un groupe de jeux de données de référence auquel le jeu de données d’intérêt est affecté.
- affecter le jeu de données d’intérêt à plusieurs groupes de jeux de données de référence formés, et
la loi a priori peut comporter une somme pondérée, ou de manière équivalente une moyenne pondérée, d’une pluralité de relations affines, une relation affine étant établie selon un modèle de régression linéaire appliqué à un groupe de jeux de données de référence auquel le jeu de données d’intérêt est affecté.
Dans cet exemple, l’installation électrique d’intérêt est considérée comme ayant un profil de consommation hybride entre ceux des groupes d’installations électriques de référence les plus similaires.
Le procédé peut comprendre :
- segmenter temporellement les jeux de données, un segment d’un jeu de données étant indicatif de l’évolution temporelle de la consommation ou prosommation de l’installation électrique correspondante sur une portion de la période passée,
- associer chaque segment à un identifiant de la portion correspondante de ladite période passée,
- entraîner une intelligence artificielle sur la base des segments de jeux de données de référence associés aux identifiants de portion, et
affecter le jeu de données d’intérêt à au moins un des groupes de jeux de données de référence formés peut comprendre :
- fournir, en entrée de l’intelligence artificielle préalablement entraînée, un segment du jeu de données d’intérêt et l’identifiant de portion associé, et
- obtenir, en sortie, une affectation du jeu de données d’intérêt à au moins un des groupes de jeux de données de référence formés.
- segmenter temporellement les jeux de données, un segment d’un jeu de données étant indicatif de l’évolution temporelle de la consommation ou prosommation de l’installation électrique correspondante sur une portion de la période passée,
- associer chaque segment à un identifiant de la portion correspondante de ladite période passée,
- entraîner une intelligence artificielle sur la base des segments de jeux de données de référence associés aux identifiants de portion, et
affecter le jeu de données d’intérêt à au moins un des groupes de jeux de données de référence formés peut comprendre :
- fournir, en entrée de l’intelligence artificielle préalablement entraînée, un segment du jeu de données d’intérêt et l’identifiant de portion associé, et
- obtenir, en sortie, une affectation du jeu de données d’intérêt à au moins un des groupes de jeux de données de référence formés.
Cette segmentation temporelle permet d’affecter de manière plus pertinente le jeu de données d’intérêt à un groupe de jeux de données de référence. En effet, de nombreuses installations électriques ont un profil de consommation / prosommation très variable au cours de l’année. Il est donc plus pertinent de procéder à l’affectation sur la base d’une comparaison entre la consommation mensuelle de l’installation d’intérêt en janvier et la consommation mensuelle d’installations de référence entre décembre et février par exemple plutôt qu’entre mai et septembre.
Le modèle de régression linéaire peut être un modèle bayésien hiérarchique. Les inventeurs ont obtenu de bons résultats avec un tel modèle, mais toute autre méthode alternative de régression linaire, par exemple le lasso, est applicable.
Prédire une quantité d’énergie injectée au réseau ou soutirée du réseau par l’installation d’intérêt, à une date future, sur la base de la loi marginale a posteriori peut comprendre :
- construire, sur la base de ladite loi marginale a posteriori, une loi prédictive de ladite quantité d’énergie en fonction d’une valeur prévisionnelle d’une température extérieure,
- obtenir une valeur prévisionnelle de la température extérieure au niveau de l’installation d’intérêt à la date future, et
- prédire ladite quantité d’énergie à partir de ladite loi prédictive et de ladite valeur prévisionnelle.
- construire, sur la base de ladite loi marginale a posteriori, une loi prédictive de ladite quantité d’énergie en fonction d’une valeur prévisionnelle d’une température extérieure,
- obtenir une valeur prévisionnelle de la température extérieure au niveau de l’installation d’intérêt à la date future, et
- prédire ladite quantité d’énergie à partir de ladite loi prédictive et de ladite valeur prévisionnelle.
Cet exemple se focalise sur la température extérieure comme variable étroitement liée à la consommation électrique de l’installation d’intérêt, ce qui est vérifié en pratique pour les habitations, dans la mesure où les équipements électriques de chauffage et de climatisation ont une consommation élevée.
Bien évidemment, il n’est pas exclu que d’autres variables, dont une valeur prévisionnelle est également supposée disponible, puissent également avoir une influence déterminante sur la consommation ou prosommation d’une installation d’intérêt et d’un groupe d’installations de référence auquel elle est affectée.
Par exemple, une prévision d’ensoleillement est directement liée à une prévision de production d’électricité par une installation équipée de moyens de production photovoltaïques.
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 :
Le principe général de l’invention s’appuie sur la déduction de lois statistiques à partir d’historiques de consommation longs.
Ces lois statistiques sont ensuite utilisées pour analyser des historiques de consommation courts, similaires à ces historiques de consommation longs. Il en résulte une capacité, améliorée par rapport aux approches connues, à prédire la consommation future d’une installation d’intérêt même lorsque l’historique de consommation de cette dernière est court.
Cette prédiction est ensuite employée pour anticiper l’équilibrage à mettre en œuvre, dans le futur, entre injections et soutirages au niveau d’un réseau local englobant l’installation d’intérêt.
Il est à présent décrit en détail un exemple de réalisation, en considérant comme point de départ l’obtention de courbes de charge individuelles d’un ensemble d’installations électriques. Il est entendu que les installations électriques auxquelles ces courbes de charge individuelles se réfèrent peuvent indifféremment être réparties sur un ou plusieurs territoires, raccordés ou non à un même réseau électrique.
Une courbe de charge d’une installation définit l’évolution dans le temps de la consommation d’énergie de l’installation pendant une durée donnée. Il s’agit d'un relevé de la consommation électrique de l’installation à intervalles, ou pas de mesure, réguliers. Ainsi, une courbe de charge individuelle est une série temporelle de longueur « N » et de pas « p », où « N » désigne le nombre total de valeurs de la série, et « p » désigne l’intervalle de temps, réputé constant, entre deux valeurs successives de la série. Une courbe de charge au pas journalier couvrant une période temporelle d’un an a un pas p = 1 jour et une longueur N = 365.
Dans cet exemple, il est considéré que les courbes de charge individuelles ainsi recueillies sont toutes au pas journalier.
Bien entendu, la personne du métier comprendra :
- qu’un format homogène de données d’entrée telles que des courbes de charge individuelles est requis pour les besoins des traitements informatiques ultérieurs décrits dans la suite de ce document,
- que ce format homogène peut être facilement obtenu à partir d’un format initialement hétérogène (par exemple le pas d’une courbe de charge peut être modifié au moyen d’une interpolation des valeurs d’origine),
- que si le choix spécifique d’un pas journalier est justifié par une récurrence journalière de nombreux usages consommateurs d’électricité, il n’est pas exclu que le pas soit autre que journalier, par exemple horaire ou hebdomadaire.
- qu’un format homogène de données d’entrée telles que des courbes de charge individuelles est requis pour les besoins des traitements informatiques ultérieurs décrits dans la suite de ce document,
- que ce format homogène peut être facilement obtenu à partir d’un format initialement hétérogène (par exemple le pas d’une courbe de charge peut être modifié au moyen d’une interpolation des valeurs d’origine),
- que si le choix spécifique d’un pas journalier est justifié par une récurrence journalière de nombreux usages consommateurs d’électricité, il n’est pas exclu que le pas soit autre que journalier, par exemple horaire ou hebdomadaire.
Un objectif est de classer les courbes de charge individuelles en un nombre restreint de groupes, chaque groupe étant représentatif d’un ensemble d’habitudes de consommation spécifiques. Par exemple, la présence ou l’absence d’un système de chauffage électrique, ou d’un système de climatisation, induit des habitudes de consommation différentes. Par ailleurs, les courbes de charge d’un studio, d’un trois-pièces, d’une usine, d’un hôpital, d’une école ou d’une piscine correspondent également à autant d’habitudes de consommation différentes.
Pour les besoins d’une telle classification, on se restreint à considérer, parmi les courbes de charge individuelles ainsi recueillies, seulement celles ayant une longueur N supérieure ou égale à 365. En conjonction avec un pas journalier, ceci signifie que les courbes de charge individuelles considérées couvrent, chacune, un intervalle temporel supérieur ou égal à un an. A ce titre, chacune des courbes de charge individuelles considérées est a priori représentative de fluctuations saisonnières de consommation au niveau de l’installation à laquelle elle correspond. Pour cette raison, chacune des courbes de charge ainsi considérée est une courbe de charge dite de référence, correspondant à une installation dite de référence, par opposition à des courbes de charge couvrant un intervalle temporel inférieur à un an qui ne peuvent pas représenter de manière aussi complète des fluctuations saisonnières de consommation.
Différents méthodes connues, supervisées ou non, permettent d’effectuer une telle classification.
Il est proposé à titre d’exemple, d’effectuer une réduction de dimension des courbes de charge considérées à l’aide d’un auto-encodeur, puis de construire des groupes homogènes à partir des courbes en dimension réduites au moyen d’un algorithme des k-médoïdes.
Un auto-encodeur (1) est un réseau de neurones profond à structure en « diabolo », il est composé de deux blocs, l’encodage (2) et le décodage (3). C’est un modèle permettant de faire à la fois de la réduction de dimension de données et de les reconstruire dans leur dimension initiale. La décrit son fonctionnement lorsqu’il prend en entrée une courbe de charge individuelle (4), notée X. Après encodage, la courbe est dite « en dimension réduite » (5), elle constitue un jeu de données d’apprentissage dont le nombre de variables est réduit par rapport à la courbe de charge fournie en entrée. Le décodage de la courbe en dimension réduite permet de reconstruire celle fournie en entrée, sous une forme débruitée -6), en raison de la perte de l’information réputée peu utile survenue au cours de l’encodage.
La réduction de dimension est un préalable à tout processus de reconnaissance de motifs informatiques à partir de données brutes. En l’espèce, la réduction de dimension permet d’extraire les caractéristiques discriminantes des courbes de charge individuelles considérées. Bien évidemment, toute autre méthode connue de réduction de données, par exemple une analyse en composantes principales, est applicable en lieu et place du recours à un auto-encodeur.
L’algorithme des k-médoïdes est choisi dans cet exemple comme méthode de regroupement du fait de sa robustesse vis-à-vis de courbes en dimension réduites atypiques. Cet algorithme effectue un regroupement des courbes en dimension réduites en un nombre de groupes spécifié au préalable.
Alternativement, toute autre algorithme de regroupement, ou de « clustering », connu est applicable, à l’instar d’un partitionnement en k-moyennes ou d’une classification ascendante hiérarchique.
Une façon connue de déterminer le nombre de groupes optimal est de mettre en œuvre l’algorithme retenu à plusieurs reprises en définissant un nombre de groupes différent à chaque fois, puis utiliser une méthode du coude, ou déterminer un coefficient de silhouette, ou encore générer un dendrogramme lorsque l’algorithme de regroupement retenu est une classification ascendante hiérarchique.
La représente, à titre d’exemple illustratif, trois groupes (7, 8, 9) de courbes individuelles en dimension réduite, construits à l’aide d’un algorithme des k-médoïdes. Deux dimensions sont représentées ici pour faciliter la visualisation des groupes mais, en général, la dimension de l’espace réduit des courbes est supérieure à 2.
Il a ainsi été décrit comment :
- procéder à une réduction de dimension de courbes de charge de longueur réputée suffisante pour rendre compte de l’ensemble des fluctuations saisonnières de consommation, et
- partitionner les courbes de charge en dimension réduite sur la base d’un critère de similitude,
- aboutissant ainsi à une classification des installations électriques auxquelles ces courbes de charge en dimension réduite correspondent.
- procéder à une réduction de dimension de courbes de charge de longueur réputée suffisante pour rendre compte de l’ensemble des fluctuations saisonnières de consommation, et
- partitionner les courbes de charge en dimension réduite sur la base d’un critère de similitude,
- aboutissant ainsi à une classification des installations électriques auxquelles ces courbes de charge en dimension réduite correspondent.
Il convient d’intégrer également, dans le résultat de cette classification, les installations électriques restantes : celles correspondant à une courbe de charge dont la longueur est réputée insuffisante.
On fait l’hypothèse qu’on dispose d’une courbe de charge donnée, correspondant à une installation d’intérêt, et couvrant un intervalle de temps compris entre une semaine et un an.
Il est connu qu’une installation électrique, par exemple correspondant à un logement, présente des fluctuations de consommation (ou de prosommation) selon une combinaison de motifs périodiques.
De manière habituelle, les courbes de charge comportent trois principaux motifs périodiques, ayant respectivement une période d’une journée, d’une semaine et d’un an. Les motifs périodiques ayant une période d’une journée et d’une semaine permettent de rendre compte d’habitudes de consommation de personnes utilisant l’installation électrique, dans des plages horaires récurrentes, selon un planning quotidien et hebdomadaire.
En l’espèce, il est nécessaire que la courbe de charge donnée couvre un intervalle de temps d’au moins une semaine, et idéalement de plusieurs semaines, afin de permettre la détection, au sein de la courbe de charge donnée, de motifs périodiques ayant une période d’une journée et d’une semaine, respectivement.
Il est proposé de définir une série d’intervalles temporels et de segmenter cette courbe de charge donnée en portions, chaque portion couvrant un intervalle temporel prédéfini. Par exemple, chaque intervalle temporel peut correspondre à une semaine ou à un mois de l’année.
Ainsi, la courbe de charge donnée, couvrant par exemple un intervalle de temps allant du 4 janvier au 17 mars, peut être segmentée en trois portions correspondant respectivement aux données de consommation de janvier, février et mars. Une portion est représentée par une paire de vecteurs notés Xcourbeet Xmois. Vis-à-vis du mois de janvier par exemple, Xcourbereprésente les données de consommation de 28 jours (du 4 au 31 janvier inclus) et Xmoisvaut 1, soit le numéro du mois de janvier.
Une fois la courbe de charge donnée segmentée, il est possible de construire un modèle d’affectation qui prend en entrée les paires de vecteurs Xcourbeet Xmoiset classe en sortie les portions de la courbe de charge donnée dans les groupes issus de la classification des courbes de charge de longueur réputée suffisante.
Pour ce faire, il est possible de segmenter également les courbes de charge individuelles couvrant une période d’au moins une année, par exemple en douze portions correspondant respectivement aux données de consommation mensuelles les plus récentes. Les douze portions d’une même courbe de charge individuelle sont représentées par douze paires de vecteurs qui peuvent être fournies en entrée au modèle d’affectation pour effectuer un apprentissage.
A l’issue de l’apprentissage, le modèle d’affectation peut recevoir une paire de vecteurs Xcourbeet Xmoiset déterminer des degrés de ressemblance entre cette paire de vecteurs, d’une part, et celles préalablement fournies au cours de l’apprentissage, d’autre part.
En fonction de ces degrés de ressemblance, le modèle d’affectation peut classer, en sortie, les portions de la courbe de charge donnée dans les groupes issus de la classification des courbes de charge couvrant une période d’au moins une année.
Par exemple, le modèle d’affectation peut classer, en sortie, la courbe de charge donnée dans le groupe pour lequel le degré de ressemblance moyen entre les portions de la courbe de charge donnée assorties de l’identifiant du mois correspondant, d’une part, et les portions des courbes de charge du groupe assorties de l’identifiant du mois correspondant, d’autre part, est le plus élevé.
Alternativement, le modèle d’affectation peut affecter la courbe de charge donnée à une pluralité de groupes en déterminant un ensemble de paramètres de ressemblance. Un paramètre de ressemblance indique un degré de ressemblance entre les portions de la courbe de charge donnée assorties de l’identifiant du mois correspondant, d’une part, et les portions des courbes de charge d’un groupe donné assorties de l’identifiant du mois correspondant, d’autre part.
L’ensemble de paramètres de ressemblance peut être normalisé entre 0 et 1, représentant ainsi, pour chaque groupe, la probabilité que la courbe de charge donnée ait un degré de ressemblance maximale avec ledit groupe plutôt qu’avec un quelconque autre groupe.
Plus précisément, le modèle d’affectation peut être un réseau de neurones à doubles entrées comme schématisé sur la .
Le réseau de neurones représenté comprend deux branches, formant un bloc convolutif (10) et un bloc dense (14).
Le bloc convolutif comprend une pluralité de couches convolutives 1D (12). Ces couches convolutives 1D sont spécifiques aux séries temporelles et similaires, par exemple, à celle d’un auto-encodeur, elles sont aptes à recevoir en entrée une portion de courbe Xcourbe(11) et à fournir en sortie, par exemple, une portion de courbe débruitée (13).
Le bloc dense comprend une pluralité de couches denses (16) aptes à recevoir en entrée un identifiant d’intervalle temporel, par exemple un identifiant de mois (15), et à en effectuer toute mise en forme informatique adaptée pour les besoins d’un classifieur en aval. La sortie (17) du bloc dense (14) est concaténée à la sortie (13) du bloc convolutif (10).
L’apprentissage du modèle d’affectation peut être effectué à partir des segments de courbes de charge individuelles couvrant une période d’au moins une année, associés aux identifiants d’intervalle temporel correspondant.
Les sorties du modèle d’affectation pendant l’apprentissage sont des jeux de données de référence, qui peuvent être fournis en entrée à un classifieur utilisant un algorithme de regroupement tel que décrit précédemment.
Le classifieur est ainsi apte à constituer des groupes de jeux de données de référence, ou de manière équivalente des groupes d’installations électriques, les installations électriques d’un même groupe ayant pour point commun d’avoir des courbes de charge similaires lors d’un intervalle temporel correspondant à une même période de l’année.
Ainsi, à l’issue de l’apprentissage, le modèle d’affectation est capable de recevoir en entrée une portion d’une courbe donnée couvrant un intervalle compris entre une semaine et un an, assortie d’un identifiant d’intervalle temporel, et fournir en sortie un jeu de données d’intérêt qui peut être rapproché des groupes de jeux de données de référence formés pendant l’apprentissage.
Selon une approche simple, le classifieur peut associer le jeu de données d’intérêt en sortie du modèle d’affectation à un seul groupe de jeux de données de référence sur la base d’un critère de similitude. Ceci signifie que l’installation électrique d’intérêt peut être considérée comme affectée à un seul groupe d’installations électriques de référence : celui dont la consommation électrique est la plus similaire à une même période de l’année.
Selon une approche plus complexe, le classifieur peut associer le jeu de données d’intérêt en sortie du modèle d’affectation à plusieurs groupes de jeux de données de référence. Plus exactement, le classifieur peut déterminer un jeu de coefficients indiquant, pour chaque groupe de jeux de données de référence, la probabilité que le jeu de données y soit affectée, sur la base d’un critère de similtude. Ceci indique que l’installation électrique d’intérêt peut être considérée comme affectée, à des degrés divers, à plusieurs groupes d’installations électriques de référence : celui dont la consommation électrique est la plus similaire à une même période de l’année ayant le coefficient le plus élevé.
Il a ainsi été décrit comment affecter une installation d’intérêt à un ou plusieurs des groupes préalablement formés, à partir d’un historique de consommation de l’installation d’intérêt qui est non pas supérieur à un an, mais plutôt de l’ordre de quelques semaines ou mois.
La mise en œuvre généralisée de cette méthode d’affectation rend possible, en aval, de prédire la consommation future de la grande majorité des installations d’un réseau électrique, y compris celles pour lesquelles seul un historique de consommation limité à quelques semaines ou mois est disponible.
On décrit à présent une méthode de prédiction d’une consommation future d’une installation d’intérêt en considérant un groupe (ou cluster) fixé auquel l’installation est affectée. La méthode présentée s’étend naturellement à tous les groupes ou clusters construits.
Cette méthode repose sur des modèles statistiques fondés sur l’approche bayésienne. La particularité de l’approche bayésienne réside dans le fait que les paramètres du modèle statistique (par exemple les coefficients d’une régression linéaire) sont supposés aléatoires, au même titre que les variables. De ce fait, avant l’inférence du modèle, il est possible de prévoir des lois de probabilités qui représentent a priori le comportement du ou des paramètres. Ces lois sont nommées « lois a priori » et permettent de modéliser l’information a priori disponible sur les paramètres avant observation des données. Une loi a priori (par exemple : « le paramètre a une moyenne de … », ou « le paramètre est positif ») est construite à l’aide de la connaissance d’experts sur le problème considéré. L’estimation des paramètres ne repose alors pas uniquement sur les données. Une loi a priori peut être plus ou moins informative. Une loi a priori dite faiblement informative est relativement peu précise. Il s’agit par exemple d’une loi bêta paramétrée par deux paramètres de forme, typiquement notés α et β, tous deux inférieurs ou égaux à 2. En pratique, il peut être difficile d’intégrer de l’information a priori de façon pertinente.
Concrètement, si l’on considère un modèle paramétrique où le paramètre d’intérêt est noté θ et suit une loi a priori notée π(θ), le but de l’approche bayésienne est de déterminer la « loi a posteriori » π(θ│X) : c’est la loi de θ sachant les données, notées X. Si les deux lois π(θ) et π(θ│X) sont proches, cela signifie que l’information a priori a été bien définie. Si les deux lois sont éloignées et que l’on dispose d’une volumétrie de données suffisante, la loi a posteriori converge vers la « vraie » valeur du paramètre d’intérêt, malgré le fait que l’information a priori soit fausse. Si l’on a peu ou pas d’information sur le paramètre d’intérêt, on peut considérer une approche faiblement informative, voire non informative. Asymptotiquement, l’influence de la loi a priori diminue. Les lois a posteriori sont essentielles notamment lorsque l’on souhaite prédire une nouvelle observation ou construire des intervalles.
Le problème qui se pose est le suivant : si l’on a peu de données et que l’on souhaite tirer parti de l’approche bayésienne, il est nécessaire de pouvoir avoir une information a priori forte à intégrer au modèle. Le cas échéant, le manque de données ne permet pas la convergence a posteriori vers la bonne valeur du paramètre. Ce problème apparaît concrètement lorsque l’on s’intéresse à la prévision de consommation individuelle d’installations électriques d’intérêt pour lesquelles l’historique de consommation ou prosommation est inférieur à un an. En effet, même sans disposer d’information complète sur les habitudes de consommation au niveau de ces installations électriques, l’on souhaite pouvoir prévoir suffisamment précisément leurs consommations futures. Adopter une approche faiblement informative directement sur ces installations électriques d’intérêt ne serait pas adapté. C’est pourquoi il est proposé de construire des lois a priori informatives pour ces installations électriques d’intérêt en tirant parti de la connaissance disponible relative à d’autres installations électriques comparables pour lesquelles, à l’inverse, un historique supérieur à un an est disponible.
Il est à présent fait référence à la , qui résume un exemple de mise en œuvre de la méthode proposée de prédiction d’une consommation future d’une installation d’intérêt.
On dispose d’une base de données relatives à un groupe d’installations électriques avec historique long. Cette base de données est notée D1=(Xi,Vi) (20). i est un entier naturel compris entre 1 et I, où I désigne le nombre d’installations du groupe. Xidésigne la courbe de charge d’une installation donnée exprimée en dimension réduite. Vidésigne un ensemble de données additionnelles relatives à l’installation donnée considérée individuellement. De telles données additionnelles peuvent comporter, par exemple, une série temporelle de valeurs de températures extérieures au même pas que la courbe de charge, une indication de possession de système de chauffage électrique ou une indication de possession de chauffe-eau électrique. De manière générale, les données additionnelles sont supposément corrélées, directement ou indirectement, avec la consommation ou prosommation électrique de l’installation donnée, la mesure de cette corrélation n’étant pas toujours formellement connue.
Il est proposé de déterminer une loi a posteriori relative à ce groupe d’installations électriques à historique long en suivant une approche faiblement informative. Cette loi a posteriori définit comment la consommation électrique individuelle à un instant donné est corrélée avec diverses variables explicatives supposées connues à l’instant donné.
Pour déterminer cette loi a posteriori, on applique un modèle de régression bayésien hiérarchique à la base de données D1. Les variables dépendantes du modèle sont les courbes de charge Xi. Les variables explicatives du modèle sont les données additionnelles Vi. La représente le principe général d’un diagramme orienté acyclique convenant pour ce modèle de régression bayésien hiérarchique.
Chaque installation électrique du groupe d’installations électriques à historique long est associée à un paramètre individuel noté θi(19), lequel peut suivre une loi a priori notée π(θi|θ) dépendant d’un paramètre d’intérêt θ (18) commun à toutes les installations du groupe, aussi appelé hyperparamètre. Cet hyperparamètre θ suit une loi a priori faiblement informative (21) notée π1(θ). La loi marginale a posteriori de θ après inférence (22) est notée π1(θ|D1). Il s’agit d’une relation affine entre les variables dépendantes Xi(c’est-à-dire les courbes de charge individuelles) et l’une des variables explicatives V (par exemple la température extérieure). Cette relation affine peut être notée Xi= θiVi+ a, où a est une constante.
Alternativement, il est aussi possible de déterminer la loi marginale a posteriori de θ après inférence π1(θ|D1) en suivant une approche non informative, c’est-à-dire sans avoir prévu une quelconque loi a priori. En effet, le groupe d’installations électriques à historique long peut être formé, par exemple, de dizaines ou centaines de milliers d’installations électriques. Une telle volumétrie de données rend optionnel le fait de définir une quelconque loi a priori pour pouvoir déterminer la loi a posteriori.
On dispose en parallèle d’une base de données (25) relative à une installation électrique d’intérêt avec historique court, affectée au groupe. Cette base de données est notée D*. Elle contient une courbe de charge de l’installation électrique d’intérêt, qui comme spécifié couvre une période temporelle supérieure à une semaine, mais inférieure à un an. La base de données D* contient aussi des données additionnelles de même nature que celles présentes dans la base de données D1.
Pour estimer la consommation de l’installation d’intérêt à partir des mêmes variables explicatives que pour le modèle précédent, un modèle de régression bayésien hiérarchique est appliqué à la base de données D*. Une approche informative, fondée sur la loi marginale a posteriori π1(θ|D1), est adoptée.
Plus précisément, une ou plusieurs informations, appelées « moments » (23), sont extraites de la loi a posteriori π1(θ|D1). Les moments de la loi a posteriori désignent par exemple la moyenne et/ou la variance des paramètres θi. Alternativement, les quantiles de la loi a posteriori, par exemple la médiane et/ou les 1eret 9èmedéciles, peuvent être extraits.
En complément, un jeu de paramètres K (24) peut être obtenu. Ce jeu de paramètres modélise la ressemblance, en termes de profil de consommation, entre l’installation d’intérêt et celles représentées par la base initiale D1. Plus les bases D1et D* sont ressemblantes, plus ces paramètres k sont proches de 1.
Le ou les moments de la loi a posteriori, combinés au jeu de paramètres k, sont alors utilisés pour construire la loi a priori (26), notée π2(θ ,k), d’un paramètre d’intérêt, noté θ , de l’installation d’intérêt.
Selon un exemple simple, les paramètres k sont fixés égaux à 1. La loi a priori π2(θ ,k)
Après inférence du modèle bayésien hiérarchique appliqué à la base de données D* et utilisant la loi a priori π2(θ ,k), une loi a posteriori (27) de θ sachant les données D*, notée π2(θ ,k|D*), est obtenue.
Ainsi, la loi a posteriori π2(θ ,k|D*) prend en compte à la fois :
- la manière dont la consommation ou prosommation passée de l’installation d’intérêt, d’après un historique court, a été affectée par différentes variables, et
- la manière dont la consommation ou prosommation passée d’installations similaires, d’après des historiques longs est habituellement affectée par ces mêmes variables.
- la manière dont la consommation ou prosommation passée de l’installation d’intérêt, d’après un historique court, a été affectée par différentes variables, et
- la manière dont la consommation ou prosommation passée d’installations similaires, d’après des historiques longs est habituellement affectée par ces mêmes variables.
Cette loi a posteriori π2(θ ,k|D*) est utilisable pour construire une loi de prédiction (28) de la future consommation (ou prosommation) de l’installation d’intérêt, c’est-à-dire une formule permettant de calculer cette consommation ou prosommation future à partir d’un ensemble de variables explicatives.
Pour cela, il convient de recueillir les valeurs prévisionnelles (29) de tout ou partie des variables explicatives, notées Vt*n, pour un horizon de prévision. Il peut s’agir par exemple des prévisions journalières de température extérieure sur les prochains jours. L’application de la loi a posteriori compte tenu de ces valeurs prévisionnelles permet de prédire des valeurs futures de consommation (ou de prosommation) (30). Il peut s’agir par exemple de prévisions journalières de consommation, notées Xt*, pour l’horizon de prévision.
Les prévisions de consommation ainsi déterminées offrent de nombreuses applications, en particulier vis-à-vis de la gestion de réseaux de distribution d’électricité à un échelon local.
Un enjeu constant pour un distributeur d’électricité est d’équilibrer à chaque instant l’énergie totale injectée et l’énergie totale soutirée. Un déséquilibre trop important risque en effet de provoquer une coupure de courant.
Pour s’en prémunir, il est possible d’agir à différents niveaux. Par exemple, il est possible de limiter l’énergie totale injectée lorsque les soutirages sont à un niveau faible, ou à l’inverse d’accroître l’énergie totale injectée lorsque les soutirages augmentent. Les soutirages peuvent aussi être contrôlés pour s’adapter aux injections. Par exemple, des batteries raccordées au réseau peuvent être utilisées comme stockage temporaire d’un excédent d’énergie.
Prévoir les soutirages d’une installation électrique donnée, ou d’un groupe d’installations électriques données raccordées au réseau électrique dans une même localité, permet d’anticiper les besoins en termes d’injections au niveau local.
Prévoir à la fois les injections en provenance d’une installation électrique équipée de panneaux photovoltaïques et les soutirages en provenance d’installations électriques voisines permet également d’anticiper les besoins en termes d’injections supplémentaires ou en termes de soutirages supplémentaires au niveau local.
Un exemple d’action possible est, par exemple, de piloter le niveau de charge de batteries raccordées au réseau, en chargeant ces batteries plusieurs heures ou jours à l’avance en anticipation d’un pic de soutirages attendu. Ceci permet, par exemple, de privilégier l’autoconsommation d’une installation électrique équipée de moyens de production.
Un autre exemple d’action possible est, par exemple, d’interrompre le fonctionnement d’un moyen de production d’électricité raccordé au réseau lorsque les soutirages attendus d’un ensemble d’installations électriques, sur une période de plusieurs jours, restent en permanence en deçà d’un niveau prédéfini. Généraliser la méthode de prédiction à l’ensemble des installations électriques d’un territoire donné permet, par exemple, de prédire la fin d’un pic de consommation à l’échelle du territoire, et d’anticiper l’arrêt d’un moyen de production d’électricité prévu spécifiquement pour faire face à ce pic de consommation. Ceci contribue à assurer une continuité de service tout en favorisant l’emploi d’énergies renouvelables, ou d’énergie nucléaire, plutôt que celui d’énergies fossiles, actuellement réservées pour faire face à de tels pics de consommation ponctuels.
De manière générale, la méthode de prédiction proposée permet, à une date donnée, de prévoir la consommation ou prosommation d’une ou plusieurs installations électriques données à une date future. Cette prévision peut alors être utilisée pour détecter une potentielle disparité importante entre les injections et les soutirages prévus à un échelon local, une telle disparité ne pouvant pas être compensée par les moyens d’équilibrage déjà présents à l’échelon local.
Pour s’en prémunir par avance, il est possible de mettre à disposition à l’échelon local, avant la date future, des moyens d’équilibrage supplémentaires entre énergie totale injectée et énergie totale soutirée. De tels moyens d’équilibrage, permettant d’agir sur les injections et/ou sur les soutirages sont connus de la personne du métier et ne sont pas détaillés ici.
Ainsi, à la date future, les moyens d’équilibrage supplémentaires, préalablement rendus disponibles, peuvent être utilisés pour équilibrer avec succès les injections et les soutirages.
La méthode proposée permet également de guider les choix opérés lors du dimensionnement d’un réseau électrique de transport, de distribution ou industriel. En effet, par exemple, lors de la construction d’un nouvel immeuble d’habitation, les premiers relevés de consommation électrique, par exemple en juillet, permettent d’affecter les installations correspondantes à des groupes d’installations ayant un profil de consommation similaire. La méthode proposée permet alors de prédire, avec une meilleure précision que les méthodes connues, la consommation électrique de ces installations au cours des mois suivants. Le réseau électrique de distribution peut alors être dimensionné spécifiquement en fonction de la valeur maximale annuelle de soutirages ainsi prédite.
A titre d’illustration de la méthode de prédiction présentée, il est maintenant décrit un exemple pratique.
On dispose, pour une installation d’intérêt, d’un historique de consommation, au pas journalier, couvrant une période de 37 jours. Cet historique de consommation (c’est-à-dire l’ensemble des 37 valeurs discrètes) est représenté graphiquement sur la et correspond à D*.
L’installation d’intérêt est par ailleurs affectée à un groupe d’installations D1ayant des caractéristiques similaires, par exemple en termes :
- de consommation journalière moyenne et/ou maximale, et/ou
- de présence ou d’absence d’équipements fortement consommateurs tels qu’un chauffage électrique ou un chauffe-eau électrique, et/ou
- de présence ou d’absence d’équipements générateurs tels que des panneaux photovoltaïques ou une batterie de stockage utilisable comme source d’électricité.
- de consommation journalière moyenne et/ou maximale, et/ou
- de présence ou d’absence d’équipements fortement consommateurs tels qu’un chauffage électrique ou un chauffe-eau électrique, et/ou
- de présence ou d’absence d’équipements générateurs tels que des panneaux photovoltaïques ou une batterie de stockage utilisable comme source d’électricité.
De telles présences ou absences peuvent être par exemple inférées par diverses méthodes connues ou directement renseignées par un utilisateur de l’installation électrique.
Pour chaque installation du groupe D1auquel l’installation d’intérêt a été affectée, l’on dispose de 365 jours ou plus d’historique de consommation. Un premier modèle bayésien est appris sur le groupe D1, et la loi marginale a posteriori π1(θ|D1) qui en résulte est récupérée.
On apprend alors un second modèle bayésien, individuel, pour l’installation d’intérêt. Ce second modèle s’appuie sur les moments de la loi a posteriori π1(θ|D1) précédemment récupérée en tant qu’information a priori.
Optionnellement, l’installation d’intérêt a été préalablement affectée non pas uniquement au groupe D1mais à plusieurs groupes d’installations de référence, et un jeu de coefficients k matérialise les degrés respectifs auxquels l’installation d’intérêt est affectée à chacun de ces groupes.
Dans un tel cas, le premier modèle bayésien est appris successivement sur chacun des groupes de jeux de données de référence, et les lois marginales a posteriori qui en résultent sont récupérées.
On apprend alors le second modèle bayésien, individuel, pour l’installation d’intérêt. Ce second modèle s’appuie sur une moyenne, pondérée par le jeu de coefficients k, des moments de chacune des lois a posteriori précédemment récupérées, en tant qu’information a priori.
La loi a posteriori π2(θ |D*) du second modèle appris sur les 37 jours d’historique de consommation est récupérée.
Un objectif peut être de prévoir, pour l’installation d’intérêt, les niveaux journaliers de consommation pour les 22 jours suivants. L’horizon de prévision est alors h = 22 jours et l’objectif, au jour 37, est de prévoir la consommation pour chacun des jours 38 à 59. Pour ce faire, à partir de la loi a posteriori du second modèle, on détermine la loi prédictive de la consommation journalière. Cette loi est employée pour prédire, sur la base de prévisions de températures jusqu’à 14 jours puis sur la base de la température normale saisonnière au-delà, la consommation journalière pour chacun des jours désirés.
Les valeurs de consommation journalières (32) ainsi prédites sont représentées sur la , avec les bornes (33) d’un intervalle de confiance associé.
Par comparaison, des valeurs prévisionnelles (35) de consommation journalières issues d’un modèle linéaire classique sont représentées sur la . Un exemple de modèle classique lie la consommation journalière à la température journalière au moyen d’une équation par exemple linéaire ou polynomiale, dont les coefficients sont fixés sur la base d’indicateurs de présence ou d’absence de différents équipements, tels qu’un chauffage électrique et un ballon d’eau chaude sanitaire.
Les figures 7 et 8 font également apparaître les valeurs réelles (34), obtenues a posteriori, de la consommation journalière de l’installation d’intérêt sur la période correspondant à l’horizon de prévision.
On constate que la prévision bayésienne, même si elle ne capture pas tous les pics de consommation, suit mieux la trajectoire de la courbe réelle que ne le fait la prévision « fréquentiste » classique.
Pour évaluer formellement la qualité d’une prévision, il est possible, de manière générale, d’utiliser le critère dit du pourcentage d’erreur absolu moyen, ou « Mean Absolute Percentage Error » (MAPE) en anglais.
Le tableau ci-dessous compare la qualité de la prévision bayésienne et de la prévision classique du point de vue du critère du pourcentage d’erreur absolu moyen.
| Quantiles du MAPE (%) | Min | 25% | 50% | Moyenne | 75% | Max |
| Prévision bayésienne | 0,51 | 3,86 | 8,89 | 10,94 | 16,75 | 34,39 |
| Prévision classique | 1,76 | 5,71 | 9,41 | 12,00 | 16,80 | 36,63 |
Selon ce critère, le modèle de prédiction bayésien proposé est plus performant qu’un modèle de régression linéaire classique. Notamment, la médiane de l’erreur ponctuelle est de 8,89% pour le modèle bayésien contre 9,41% pour le modèle de régression linéaire classique.
Dans le cadre de cet exemple particulier, pour l’estimation de chacun des modèles (bayésien et individuel) ainsi que pour la prévision de nouvelles observations, le logiciel R et les librairies Stan et Rstan dédiées à l’implémentation de l’approche bayésienne ont été utilisés.
Il est à présent fait référence à la qui représente un exemple de circuit de traitement pour la mise en œuvre du procédé ci-avant. Un tel circuit de traitement CT (100) comprend au moins un processeur CPU (101) raccordé à un support d’enregistrement non transitoire MEM (102) sur lequel est enregistré un programme comportant des instructions pour la mise en œuvre du procédé ci-avant.
Le circuit de traitement peut comprendre en outre une interface de communication COM (103) avec au moins un dispositif tiers. L’interface de communication COM (103) peut par exemple être pilotée pour recevoir des relevés de consommation électrique afin de générer des courbes de charge, ou encore pour transmettre des prédictions de consommation à un gestionnaire de réseau électrique afin que ces prédictions servent de base à la mise à disposition de moyens d’équilibrage du réseau électrique par injection et/ou soutirage.
Claims (11)
- Procédé d’équilibrage entre une énergie totale injectée et une énergie totale soutirée à un échelon local dans un réseau électrique, le procédé comprenant :
- obtenir un jeu de données d’intérêt indicatif d’une évolution temporelle d’une consommation ou prosommation d’une installation électrique d’intérêt raccordée au réseau électrique sur une période passée supérieure ou égale à une semaine et inférieure à une année,
- par une analyse bayésienne individuelle du jeu de données d’intérêt, l’analyse bayésienne individuelle utilisant une loi a priori définissant un hyperparamètre du jeu de données d’intérêt, établir une loi marginale a posteriori de l’hyperparamètre,
la loi a priori comportant au moins une relation affine, établie selon un modèle de régression linéaire, entre un ensemble de variables expliquées xiet une variable explicative y, une variable expliquée étant déterminée à partir d’un jeu de données de référence indicatif d’une évolution temporelle d’une consommation ou prosommation d’une installation électrique sur une période passée supérieure ou égale à une année,
- prédire une quantité d’énergie injectée au réseau ou soutirée du réseau par l’installation d’intérêt, à une date future, sur la base de la loi marginale a posteriori,
- selon la quantité d’énergie prédite, mettre préalablement à disposition un moyen d’injection et/ou de soutirage d’énergie apte à contribuer à équilibrer l’énergie totale injectée et l’énergie totale soutirée, à la date future et audit échelon local, dans le réseau électrique, et
- à la date future, équilibrer l’énergie totale injectée et l’énergie totale soutirée audit échelon local dans le réseau électrique en utilisant, au moins, le moyen préalablement mis à disposition. - Procédé selon la revendication 1, dans lequel le jeu de données d’intérêt est dérivé d’une série temporelle courte associée à l’installation électrique d’intérêt, la série temporelle courte comprenant une pluralité de paires de données indicatives d’une consommation électrique de l’installation associée au cours d’une succession d’intervalles temporels élémentaires passés.
- Procédé selon la revendication 1 ou 2, comprenant :
- obtenir un ensemble de jeux de données de référence,
- partitionner l’ensemble de jeux de données de référence sur la base d’un critère de similitude de manière à former une pluralité de groupes de jeux de données de référence, et
dans lequel la relation affine est établie selon un modèle de régression linéaire appliqué à l’un des groupes de jeux de données de référence. - Procédé selon la revendication 3, comprenant :
- affecter le jeu de données d’intérêt à un des groupes de jeux de données de référence formés, et
dans lequel la relation affine est établie selon un modèle de régression linéaire appliqué au groupe de jeux de données de référence auquel le jeu de données d’intérêt est affecté. - Procédé selon la revendication 3, comprenant :
- affecter le jeu de données d’intérêt à plusieurs groupes de jeux de données de référence formés, et
dans lequel la loi a priori comporte une somme pondérée d’une pluralité de relations affines, une relation affine étant établie selon un modèle de régression linéaire appliqué à un groupe de jeux de données de référence auquel le jeu de données d’intérêt est affecté. - Procédé selon la revendication 4 ou 5, comprenant :
- segmenter temporellement les jeux de données, un segment d’un jeu de données étant indicatif de l’évolution temporelle de la consommation ou prosommation de l’installation électrique correspondante sur une portion de la période passée,
- associer chaque segment à un identifiant de la portion correspondante de ladite période passée,
- entraîner une intelligence artificielle sur la base des segments de jeux de données de référence associés aux identifiants de portion, et
dans lequel affecter le jeu de données d’intérêt à au moins un des groupes de jeux de données de référence formés comprend :
- fournir, en entrée de l’intelligence artificielle préalablement entraînée, un segment du jeu de données d’intérêt et l’identifiant de portion associé, et
- obtenir, en sortie, une affectation du jeu de données d’intérêt à au moins un des groupes de jeux de données de référence formés. - Procédé selon l’une des revendications 3 à 6, dans lequel le modèle de régression linéaire est un modèle bayésien hiérarchique.
- Procédé selon l’une des revendications 1 à 7, dans lequel prédire une quantité d’énergie injectée au réseau ou soutirée du réseau par l’installation d’intérêt, à une date future, sur la base de la loi marginale a posteriori comprend :
- construire, sur la base de ladite loi marginale a posteriori, une loi prédictive de ladite quantité d’énergie en fonction d’une valeur prévisionnelle d’une température extérieure,
- obtenir une valeur prévisionnelle de la température extérieure au niveau de l’installation d’intérêt à la date future, et
- prédire ladite quantité d’énergie à partir de ladite loi prédictive et de ladite valeur prévisionnelle. - Programme d’ordinateur comprenant des instructions de code de programme pour l’exécution du procédé selon l’une des revendications 1 à 8, lorsque ledit programme est exécuté sur un circuit de traitement de données.
- Support d’enregistrement non transitoire, lisible par un processeur, sur lequel sont enregistrées les instructions de code du programme d’ordinateur selon la revendication 9.
- Circuit de traitement de données comprenant un processeur connecté à un support d’enregistrement non transitoire, le circuit de traitement de données étant configuré pour :
- obtenir un jeu de données d’intérêt indicatif d’une évolution temporelle d’une consommation ou prosommation d’une installation électrique d’intérêt raccordée au réseau électrique sur une période passée supérieure ou égale à une semaine et inférieure à une année,
- par une analyse bayésienne individuelle du jeu de données d’intérêt, l’analyse bayésienne individuelle utilisant une loi a priori définissant un hyperparamètre du jeu de données d’intérêt, établir une loi marginale a posteriori de l’hyperparamètre,
la loi a priori comportant au moins une relation affine, établie selon un modèle de régression linéaire, entre un ensemble de variables expliquées xiet une variable explicative y, une variable expliquée étant déterminée à partir d’un jeu de données de référence indicatif d’une évolution temporelle d’une consommation ou prosommation d’une installation électrique sur une période passée supérieure ou égale à une année,
- prédire une quantité d’énergie injectée au réseau ou soutirée du réseau par l’installation d’intérêt, à une date future, sur la base de la loi marginale a posteriori,
- selon la quantité d’énergie prédite, mettre préalablement à disposition un moyen d’injection et/ou de soutirage d’énergie apte à contribuer à équilibrer l’énergie totale injectée et l’énergie totale soutirée, à la date future et audit échelon local, dans le réseau électrique, et
- à la date future, équilibrer l’énergie totale injectée et l’énergie totale soutirée audit échelon local dans le réseau électrique en utilisant, au moins, le moyen préalablement mis à disposition.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2200456A FR3131988A1 (fr) | 2022-01-19 | 2022-01-19 | Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2200456 | 2022-01-19 | ||
| FR2200456A FR3131988A1 (fr) | 2022-01-19 | 2022-01-19 | Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3131988A1 true FR3131988A1 (fr) | 2023-07-21 |
Family
ID=81851621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2200456A Pending FR3131988A1 (fr) | 2022-01-19 | 2022-01-19 | Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3131988A1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708764A (zh) * | 2024-02-06 | 2024-03-15 | 青岛天高智慧科技有限公司 | 基于校园一卡通的学生消费数据智能分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3660998A1 (fr) * | 2018-11-27 | 2020-06-03 | Electricity North West Property Limited | Système de régulation de fréquence sur un réseau distribution de puissance |
| US20200327264A1 (en) * | 2019-04-12 | 2020-10-15 | General Electric Company | Systems and methods for enhanced power system model calibration |
| US20210399575A1 (en) * | 2019-03-04 | 2021-12-23 | Asahi Kasei Kabushiki Kaisha | Planning apparatus, controlling apparatus, method, and rcording medium |
-
2022
- 2022-01-19 FR FR2200456A patent/FR3131988A1/fr active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3660998A1 (fr) * | 2018-11-27 | 2020-06-03 | Electricity North West Property Limited | Système de régulation de fréquence sur un réseau distribution de puissance |
| US20210399575A1 (en) * | 2019-03-04 | 2021-12-23 | Asahi Kasei Kabushiki Kaisha | Planning apparatus, controlling apparatus, method, and rcording medium |
| US20200327264A1 (en) * | 2019-04-12 | 2020-10-15 | General Electric Company | Systems and methods for enhanced power system model calibration |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708764A (zh) * | 2024-02-06 | 2024-03-15 | 青岛天高智慧科技有限公司 | 基于校园一卡通的学生消费数据智能分析方法 |
| CN117708764B (zh) * | 2024-02-06 | 2024-05-03 | 青岛天高智慧科技有限公司 | 基于校园一卡通的学生消费数据智能分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
| EP2211300B1 (fr) | Procédé de prévision de la production électrique d'un dispositif photovoltaïque | |
| CN110781947B (zh) | 用电负荷预测模型训练、用电负荷预测方法及装置 | |
| FR2917161A1 (fr) | Procede et systeme de detection et d'estimation de la consommation des usages electriques des installations d'un souscripteur | |
| CN115271253B (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
| EP3648020B1 (fr) | Sécurisation d'une intervention sur une branche basse tension d'un réseau de distribution électrique | |
| Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
| FR3131988A1 (fr) | Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique | |
| Fan et al. | Spatial-temporal genetic-based attention networks for short-term photovoltaic power forecasting | |
| Potisomporn et al. | Extreme value analysis of wind droughts in Great Britain | |
| EP3953875A1 (fr) | Procédé d'évaluation de la production d'énergie photovoltaïque et unité d'évaluation et de gestion mettant en oeuvre le procédé | |
| 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. | |
| Bâra et al. | Embedding the weather prediction errors (WPE) into the photovoltaic (PV) forecasting method using deep learning | |
| CN116976472A (zh) | 一种预测住宅电能消耗的方法、系统、设备及存储介质 | |
| EP2784742A1 (fr) | Procédé et dispositif d'identification de sources de consommation et/ou de production | |
| CA2913250A1 (fr) | Estimation d'une consommation de fluide effacee | |
| Du Plessis | Short-term power output forecasting for large multi-megawatt photovoltaic systems with an aggregated low-level forecasting methodology | |
| Petrusev et al. | AUTOMATIC DETECTION OF DISTRIBUTED SOLAR GENERATION BASED ON EXOGENOUS INFORMATION | |
| Tan et al. | Sequence-to-subsequence learning with 1D-CNN for behind-the-meter solar generation disaggregation | |
| Yang et al. | A comparative climate-resilient energy design: Wildfire Resilient Load Forecasting Model using multi-factor deep learning methods | |
| Doornkamp | Dependable Probabilistic Energy Forecasting of Solar Energy for Energy Management Systems | |
| FR3104294A1 (fr) | Procédé de prévision d’une grandeur physique d’intérêt, procédé de gestion et dispositif associés | |
| Yang et al. | A Novel Prediction Method Based On Improved Deep Mixture Density Network For Electricity Consumption, Photovoltaic Generation, And Net Demand Of Smart Homes: Case Study For Sydney Metropolitan Area | |
| Tang et al. | Short-term Load Forecasting By Multi-feature Iterative Learning Based on ISFS And XGBoost | |
| CN112348070A (zh) | 一种智能电网中短期负荷预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230721 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |