Prévision à court terme de la demande électrique des maisons intelligentes et des réseaux de distribution
Auteur / Autrice : | Alexis Gerossier |
Direction : | Georges Kariniotakis, Robin Girard |
Type : | Thèse de doctorat |
Discipline(s) : | Energétique et procédés |
Date : | Soutenance le 23/05/2019 |
Etablissement(s) : | Paris Sciences et Lettres (ComUE) |
Ecole(s) doctorale(s) : | Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris) |
Partenaire(s) de recherche : | Laboratoire : Centre Procédés, Énergies Renouvelables et Systèmes Énergétiques. Sophia-Antipolis |
établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....) | |
Jury : | Président / Présidente : Jean-Michel Poggi |
Examinateurs / Examinatrices : Georges Kariniotakis, Robin Girard, Tomasz Zabkowski, Yannig Goude | |
Rapporteurs / Rapporteuses : Zita Vale, Jovica Milanovic |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
Cette thèse s’intéresse à la prévision à court terme de la demande électrique d’une maison intelligente et des réseaux de distribution. Les données mesurées par les compteurs intelligents permettent de caractériser la demande électrique à l’échelle d’une maison et de la comparer à la demande régionale, pour étudier notamment l’effet de foisonnement. Cette analyse permet de développer des modèles de prévision de cette demande. Ces modèles sont de nature statistique et font usage de méthodes d’apprentissage automatique. Un soin particulier est porté à la sélection de variables d’entrée pertinentes. Afin d’être déployés dans un environnement opérationnel, les modèles doivent faire preuve de réplicabilité : fonctionnement autonome, aptitude à s’adapter à de multiple situations, et robustesse face aux données erronées. Plusieurs produits de prévision sont développés et évalués avec plusieurs jeux de données : des prévisions probabilistes à différentes résolutions, et des scénarios journaliers de la demande. Enfin, les habitudes relatives à un usage électrique particulier, à savoir le chargement d’une batterie de véhicule électrique, sont modélisées pour produire des scénarios prédictifs de la demande de cet usage spécifique.