Apprentissage statistique sur des données spatiales de consommation électrique

par Benjamin Dubois

Projet de thèse en Mathématiques

Sous la direction de Jean-François Delmas.


  • Résumé

    La prévision de la consommation électrique est un domaine très dynamique qui profite pleinement du développement de l'apprentissage automatique et plus généralement du champ de l'intelligence artificielle auquel celui-ci appartient. Pour le Gestionnaire de Réseau de Transport RTE, être en mesure de prévoir la demande à chacun des 4000 points de livraison du réseau haute tension dont il est responsable permettrait d'optimiser le transport d'électricité. L'objectif du projet est de développer un outil basé sur une méthode d'apprentissage statistique afin de prévoir, à partir d'un historique des consommations électriques et des prévisions météorologiques, les consommations futures aux points de livraison du réseau de transport. Ces prévisions pourront ensuite être exploitées pour ajuster la planification du transport d'électricité et minimiser les pertes qui en résultent. L'un des enjeux de ce travail de recherche sera d'intégrer au modèle les différentes dépendances et structures de covariances conditionnelles entre les consommations à des points de livraison proches. Il faudra également traiter les ruptures de la consommation dues aux reports de charge qui sont une des spécificités de l'application au domaine de l'électricité. Enfin, étant donné le nombre de variables impliquées dans notre modèle, il conviendra de faire appel à des techniques d'optimisation algorithmique récentes permettant de calculer les prévisions en un temps raisonnable. Le projet présenté s'inscrit dans un contexte de modernisation des réseaux de transport d'électricité qui vise à garantir la sécurité d'approvisionnement et à construire une économie compétitive et sobre en carbone, grâce à l'intégration des énergies renouvelables, au développement des interconnexions physiques et à l'amélioration de l'efficacité énergétique. Cela nécessite notamment d'optimiser la gestion des infrastructures existantes et futures, c'est pourquoi il est essentiel de disposer d'outils de prévision efficaces.

  • Titre traduit

    Statistical learning for electricity consumption prediction


  • Résumé

    Electricity consumption prediction is a very dynamic research field that benefits fully from the development of recent statistical learning tools and more generally of artificial intelligence. For RTE, the french transmission system operator, being able to predict at each of the 4000 delivery points of the high voltage network it is responsible for would enable the optimization of the electricity transfers. The project aims at developing a tool based on statistical method in order to predict from meteoroligal predictions, the future consumptions at these points. These predictions could then be used to adjust the planning of electricity transferts and therefore minimize losses. One of the stakes of this project will be to include conditional covariance structures between consumptions. We'll also have to deal with adjustment mechanisms that are one of the specificities of electricity transmission. Finally, given the number of variables in the model, we'll have to use algorithmic optimization technics to make computations faster. This project would be part of the modernization phenomenoun of electricity networks that aims at guaranteeing supply security and building a decarbonized and sober economy, thanks to the renewables energy, the development of interconnexions and improvement of energy efficiency. Inter alia, this needs to optimize existing and future infrastructures management, that's why it is essential to have efficient prediction tools.