Détermination de profils de consommation électrique par évolution artificielle parallèle

Determination of end user power load profiles by parallel evolutionary computing

• Auteur / Autrice : Frédéric Krüger
• Direction : Pierre Collet
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 17/02/2014
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
• Jury : Président / Présidente : Dominique Knittel
• Jury : Examinateurs / Examinatrices : Pierre Kuonen, Martin Braun
• Jury : Rapporteurs / Rapporteuses : Nouredine Hadj-Said, Évelyne Lutton

Mots clés

Mots clés contrôlés

Algorithmes parallèles

Calcul évolutionnaire

Algorithmes génétiques

Modèles mathématiques

Électricité -- Consommation

Mots clés libres

Evolution artificielle

Profils électrique

Calcul inverse

Séparation aveugle de source

Parallélisation

Prévision de charge

Optimisation

Parallel evolutionary computing

Electrical profil

Blind source separation

Parallelization

Load curve forecast

Résumé

Il est primordial, pour un distributeur d’énergie électrique, d’obtenir des estimations précises de la demande en énergie de leurs réseaux. Des outils statistiques tels que des profils de consommation électrique offrent des estimations de qualité acceptable. Ces profils ne sont cependant généralement pas assez précis, car ils ne tiennent pas compte de l’influence de facteurs tels que la présence de chauffage électrique ou le type d’habitation. Il est néanmoins possible d’obtenir des profils précis en utilisant uniquement les historiques de consommations d’énergie des clients, les mesures desdéparts 20kV, et un algorithme génétique de séparation de sources. Un filtrage et un prétraitement des données a permis de proposer à l’algorithme génétique de séparation de sources des données adaptées. La séparation de sources particulièrement bruitées est résolue par un algorithme génétique complètement parallélisé sur une carte GPGPU. Les profils de consommation électrique obtenus correspondent aux attentes initiales, et démontrent une amélioration considérable de la précision des estimations de courbes de charge de départs 20kV et de postes de transformation moyenne tension-basse tension.

Precise estimations of the energy demand of a power network are paramount for electrical distribution companies. Statistical tools such as load profiles offer acceptable estimations. These load profiles are, however, usually not precise enough for network engineering at the local level, as they do not take into account factors such as the presence of electrical heating devices or the type of housing. It is however possible to obtain accurate load profiles with no more than end user energy consumption histories, 20kV feeder load measurements, a blind source separation and a genetic algorithm. Filtering and preliminary treatments performed on the data allowed the blind source separation to work with adequate information. The blind source separation presented in this document is successfully solved by a completely parallel genetic algorithm running on a GPGPU card. The power load profiles obtained match the requirements, and demonstrate a considerable improvement in the forecast of 20kV feeder as well as MV substation load curves.