Prévision à court terme de la demande électrique des maisons intelligentes et des réseaux de distribution

Short-term forecasting of electricity demand of smart homes and distribution grids

• 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
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Jean-Michel Poggi
• Jury : Examinateurs / Examinatrices : Georges Kariniotakis, Robin Girard, Tomasz Zabkowski, Yannig Goude
• Jury : Rapporteurs / Rapporteuses : Zita Vale, Jovica Milanovic

Mots clés

Mots clés contrôlés

Véhicules électriques

Domotique

Réseaux électriques intelligents

Électricité -- Distribution

Mots clés libres

Demande électrique d'une maison

Compteur intelligent

Réseau de distribution

Apprentissage automatique

Prévision probabiliste

Véhicule électrique

Maison intelligente

Effet de foisonnement

Enjeux opérationnels

Prévision à court terme

Génération de scénarios

Réduction de scénarios

Flexibilité électrique

Smart grid

Household electricity demand

Smart meters

Distribution grid

Machine learning

Probabilistic forecasting

Electric vehicle

Smart homes

Aggregation effect

Operational challenges

Short-Term forecasting

Scenario generation

Scenario reduction

Electric flexibility

Smart grid

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.

This thesis is devoted to the short-term forecasting of electricity demand of smart homes and distribution grids. The household demand data provided by smart meters is analyzed to characterize the electricity demand at the local scale and compared to this at the regional scale, so as to examine the aggregation effect. This thorough analysis enables the designing of models that forecast the future demand. The models make use of advanced statistical tools and machine-learning techniques. The inputs are selected with special care for their relevancy to the household demand. To be deployed in an operational environment, the models must be replicable: low to no maintenance, adaptability to various situations, and robustness to the lack of data. Several demand forecasting products are developed and compared to actual datasets: probabilistic forecasts at different temporal and spatial resolutions, and daily demand scenarios. Finally, the habits related to a domestic appliance, namely the charging of an electric vehicle battery, are modeled in order to generate forecasting scenarios of the appliance demand.