La consommation électrique à partir de grandes masses de données

Classification des facteurs influant sur la consommation électrique

   Dans cette partie nous décrivons de façon qualitative les paramètres influant sur la consommation électrique d’une zone donnée. L’étude bibliographique de Jones et al. [94] recense bon nombre de ces paramètres influençant la consommation électrique résidentielle avec leurs études associées. Nous synthétisons ici ces différents paramètres. Les appareils. Comme nous l’avons vu précédemment, la consommation électrique d’une zone est la somme de la consommation de chaque appareil consommateur d’électricité de la zone. Il faut donc d’abord connaitre le parc d’appareils de la zone : le nombre d’appareils dans la zone de chaque type, le taux de possession par type d’appareils etc. Une fois le parc d’appareils connu, il faut connaitre les paramètres technologiques de chaque appareil, ou type d’appareils : types de composants, puissance nominale, programmation, isolation d’un appareil thermique, etc. Les usagers. La consommation électrique d’un appareil est fortement influencée par l’interaction usager/appareil. Elle est notamment influencée par la fréquence et la durée d’utilisation des appareils, mais aussi leur réglage (température de consignes des chauffages électriques, type de cycle d’un lave-linge etc.). Ceci est intégré dans les facteurs comportementaux des usagers (par exemple, emploi du temps). Les usagers sont décrits par des informations plus générales, comme leur nombre, l’âge moyen etc, que l’on appelle les facteurs socio-économiques. Les conditions extérieures. Un nombre important d’appareils sont sensibles aux conditions extérieures. C’est le cas notamment des usages thermiques, qui vont chauffer ou refroidir différents systèmes (e.g. une pièce, l’intérieur d’un réfrigérateur, l’eau d’un chauffe-eau). Les échanges thermiques qu’ont ces systèmes avec l’extérieur conditionnent les appels de puissance, et donc la consommation électrique. Ces conditions extérieures sont la température extérieure, la température du local, les apports solaires, la température de l’arrivée d’eau etc. Les locaux. Ce dernier aspect est surtout en lien avec la consommation électrique en chauffage ou climatisation. En effet, les caractéristiques physiques du local dans lequel est situé le chauffage ou la climatisation jouent un rôle important dans la consommation électrique : isolation, surface, inertie, présence de vitrage etc. Les abonnements du client. Le client électrique possède un certain nombre d’informations sur son abonnement (puissance souscrite, type d’abonnement, énergie consommée) qui peuvent donner des informations sur les facteurs influant décrits précédemment. Ainsi par exemple, un client avec une puissance souscrite faible (e.g. 3kVA) n’a pas d’usages de forte puissance. Les marchés de l’électricité. Ce facteur impacte plus les clients importants, qui achètent et peuvent consommer leur électricité en fonction des prix du marché (e.g. [153]), ce qui a donc un impact sur leur consommation. Certains abonnements pour les clients BT ont aussi des prix qui sont variables selon le type de jour (e.g. option effacement jour de pointe (EJP) en France) et cela influence leur consommation électrique, car le client fera en sorte de moins consommer les jours où l’électricité est onéreuse (jours dits EJP).
Résumé des facteurs influents
. Nous avons recensé et classifié les différents facteurs influents sur la consommation électrique qui sont utilisés par les modèles présents dans la littérature, avec leurs notations que nous utiliserons par la suite :
• Les facteurs relatifs aux appareils [94]. Nous les décomposons en deux catégories : les facteurs sur le parc d’appareils notés P a (e.g. nombre, taux de possession), et les facteurs technologiques notés T a (e.g. puissance, type de régulation).
• Les facteurs relatifs aux usagers. Nous les avons décomposés par les facteurs comportementaux (e.g. emploi du temps, habitudes d’utilisation des appareils, réglage de température de consigne) [151], noté Co, et les facteurs socio-économiques (e.g. nombre d’occupants, revenu) [92] notés S.
• Les facteurs liés aux conditions extérieures, la météorologie (e.g. température, irradiation solaire) [136]. Nous les notons Me.
• Les facteurs relatifs aux locaux (e.g. type de local, année de construction, surface)[94]. Nous les notons L.
• Les facteurs de l’abonnement du client (e.g. puissance souscrite, type de clients) [109, 85]. Nous les notons Ab.
• Les facteurs liés au marché de l’électricité (e.g. prix) [136]. Nous les notons M a.

Les modèles basés sur les consommations agrégées d’une zone

   Ce sont les modèles qui ont comme échelle élémentaire de simulation une consommation électrique de la forme Pz. Nous allons parler ici des modèles de prévision que l’on appelle dans la littérature ceux de “forecasting”. Ces modèles travaillent uniquement sur la composante temporelle de la consommation électrique. Ils la considèrent comme une série temporelle non linéaire et non stationnaire, faite de la superposition de plusieurs fréquences [135]. Ces modèles se basent sur la consommation électrique agrégée à l’échelle d’une zone (allant de l’échelle du poste source à des régions ou la France), et permettent de faire des prévisions de la charge à court terme (de l’heure à la journée), à moyen terme (du mois à l’année) ou long terme (5 à 30 ans). Pour les fournisseurs d’énergie, ces prévisions sont un point clé car la consommation électrique est la donnée d’entrée la plus importante pour la planification de la production ou l’échange sur les marchés de l’électricité [85]. Ces modèles peuvent être couplés à des données météorologiques ou à l’évolution socio-économique. Ces données supplémentaires améliorent les résultats des prévisions. Comme illustré en figure 2.9, ces données supplémentaires (colonne “Leading impact factors”) dépendent des différents horizons visés par le modèle. L’évaluation de ces modèles se fait en général en calculant l’erreur entre la prévision et l’observation de la consommation agrégée, et une boucle de retour peut être aussi présente pour calibrer le modèle. RTE, le gestionnaire du réseau de transport en France (GRT), utilise par exemple ce type de modèle : “Les prévisions de consommation servent de référence pour s’assurer de l’adéquation de l’offre à la demande d’électricité à différents horizons temporels allant du pluriannuel au temps réel. Elles sont élaborées à partir de données et de prévisions météo, ainsi que des historiques des consommations” [126]. RTE réactualise ses prévisions de la consommation française pour le jour même, en calibrant le modèle par rapport aux observations actualisées.

Les modèles d’identification non intrusive des appareils

   Ces modèles sont appelés en abrégé “NILM” en anglais pour Non-Intrusive Load Monitoring. Il s’agit de décomposer la consommation électrique de clients individuels par usage en utilisant des mesures individuelles de clients. Ces dernières agrègent la consommation par appareil. Le principe consiste à avoir un taux d’échantillonnage suffisant (en général la seconde ou moins) pour capturer toutes les signatures énergétiques des différents appareils. Certains modèles tels que décrits dans [61] utilisent des mesures à échantillonnage réduit qui ne caractérisent pas précisément le comportement de tous les occupants et les appareils mais permettent plutôt d’isoler les appareils les plus consommateurs. Ces méthodes permettent ainsi d’estimer la présence ou non d’appareils et leur état chez un client à partir de mesure de consommation individuelle, et cette estimation peut être aidée par des informations sur le parc d’appareils, socio-économiques ou météorologiques. Ces modèles peuvent permettre de mieux p

Les bases de données d’Enedis

   Enedis, principal GRD du réseau de distribution français, effectue des mesures sur ses lignes,ainsi que le recensement et le comptage des utilisateurs de son réseau depuis des années. Depuis avril 2015, Enedis met à disposition un certains nombre de jeux de données en ligne [8]. Cependant ces données sont les données de consommation agrégées à la maille Enedis régionale, qui rassemble la consommation de millions de clients avec très peu d’informations sur ces derniers. Ces données sont très difficilement exploitables pour fournir en données d’entrée, évaluer et calibrer un modèle de consommation électrique de type bottom-up. Pour cette thèse, le travail a été effectué avec des données issues d’un partenariat spécifique avec Enedis, donnant accès à un grand nombre de données de mesures de lignes et d’informations sur ses utilisateurs.

Les bases de données de l’INSEE

   L’INSEE publie une très grande quantité de données en accès public sur son site [13]. Ces données sont importantes pour préciser les caractéristiques des clients : elles contiennent des informations sur les facteurs comportementaux, socio-économiques et sur les locaux. Cependant ces données, comme toutes les données en “open data” sont anonymisées : tout est mis en place pour ne pas pouvoir retrouver de quelle personne il s’agit et donc la géolocalisation se fait sur des zones assez larges, au minimum la maille IRIS. La définition qui suit est tirée en grande partie du site de l’INSEE. L’IRIS est un sigle qui signifiait au départ en 1999 « Ilots Regroupés pour l’information Statistique ». Depuis l’IRIS est la brique de base en matière de diffusion des données infra communales. Il doit respecter des critères géographiques et démographiques et avoir des contours identifiables sans ambigüité et stables dans le temps. Les communes d’au moins 10000 habitants et une forte proportion des communes de 5 000 à 10 000 habitants sont découpées en IRIS. Ce découpage constitue une partition de leur territoire. La France compte environ 16 100 IRIS dont 650 dans les DOM. Dans cette section, nous présentons succinctement les différentes bases de l’INSEE ainsi que leur lien avec les facteurs influents sur la consommation électrique.
La base logement Ces données sont issues du recensement de la population. Elles sont localisées à la commune et à l’IRIS et décrivent les caractéristiques des logements et celles des ménages qui les occupent. Cette base de données permet de renseigner les facteurs influant la consommation électrique pour la catégorie des clients résidentiels. Plus exactement, on a par année un jeu de données pour la France comportant la liste de tous les logements. Chaque logement a un certain nombre d’informations dont des informations spatiales (e.g. commune, arrondissement, IRIS), socio-économiques (e.g. nombre de personnes par tranche d’âge, diplôme le plus élevé obtenu, activité), sur le local (e.g. superficie, année de construction, nombre de pièces, type de logement) et aussi une information sur le parc d’appareils (i.e. type de chauffage). D’autres informations moins en lien avec la consommation électrique sont aussi disponibles (e.g. année d’aménagement, mode d’évacuation des eaux usées, situation quand à l’immigration). La liste de toutes les variables du fichier logement est disponible en [10].
La base emploi du temps Cette base de données est issue d’une enquête effectuée entre septembre 2009 et septembre 2010 auprès de 12 000 ménages ordinaires et de leurs membres. Au total, c’est plus de 18 500 ménages à qui il a été demandé de remplir un carnet journalier au pas de temps de 10min. Finalement ces données ont été traitées et on peut accéder à plus de 100 activités différentes possibles. Cette base de données permet d’avoir un panel noté des comportements des ménages à l’échelle de la France. Cependant aucune information sur la localisation des ménages n’est disponible.
Le répertoire SIRENE Cette base rassemble des informations économiques et juridiques sur environ 10 millions d’établissements appartenant à tous les secteurs d’activité [20]. Les différents établissements sont localisés par leur adresse complète et on a des informations notamment sur le nom du dirigeant, le code d’activité principale de l’entreprise (APE) ainsi que l’effectif salarial. Ces données contiennent donc des informations socio-économiques importantes à l’échelle de la France pour le secteur tertiaire et industriel.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Avant-propos
Table des figures
Liste des tableaux
Liste des notations
Remerciements
1 Introduction 
1.1 Contexte et enjeux de la thèse
1.2 Problématique, objectifs, contributions
2 État de l’art des modèles de consommation électrique 
Résumé du chapitre
2.1 Introduction du chapitre 
2.2 Définitions, hypothèses et grille de lecture
2.2.1 La consommation électrique
2.2.2 Classification des facteurs influant sur la consommation électrique
2.3 Classification des différents modèles 
2.3.1 Les modèles basés sur les consommations agrégées d’une zone
2.3.2 Les modèles basés sur la consommation par type de clients
2.3.3 Les modèles basés sur la consommation par usage
2.3.4 Les modèles basés sur la consommation par type de clients et par usage
2.3.5 Les modèles basés sur la consommation par client
2.3.6 Les modèles basés sur la consommation par appareil
2.3.7 Bilan des différents modèles de la littérature
2.4 Positionnement des travaux de la thèse 
3 Constitution d’une base de données 
Résumé du chapitre
3.1 Introduction du chapitre 
3.2 Présentation des bases de données
3.2.1 Les bases de données d’Enedis
3.2.2 Les bases de données de l’INSEE
3.2.3 La base de données des fichiers fonciers
3.2.4 Les bases de données du CEREN
3.2.5 Les bases de données de l’IGN
3.2.6 Les données sur le parc d’appareils
3.2.7 Les campagnes de mesures
3.2.8 Les bases de données sur la météorologie
3.2.9 Conclusion sur les bases de données
3.3 Association de la base clients et de la base logement
3.3.1 Introduction au problème d’association
3.3.2 Description du problème d’association
3.3.3 Association par la méthode de référence
3.3.4 Association par une méthode d’optimisation
3.3.5 Quantification de l’intérêt de la méthode d’association
3.4 Conclusion et perspectives du chapitre
4 Construction d’un modèle de consommation électrique 
Résumé du chapitre
4.1 Introduction du chapitre 
4.1.1 Objectifs
4.1.2 Étude bibliographique des modèles bottom-up
4.1.3 Cahier des charges du simulateur de courbes de charge de la thèse
4.2 Description des modèles 
4.2.1 Secteur résidentiel
4.2.2 Secteur tertiaire
4.2.3 Modèle de chauffage et de climatisation
4.2.4 Bilan des données d’entrée nécessaires pour les modèles et leur influence
4.3 Structure et implémentation du simulateur 
4.3.1 Partie “cœur de calcul”
4.3.2 Étapes de la simulation
4.4 Conclusion et perspectives du chapitre
5 Validation et calibration du modèle 
Résumé du chapitre
5.1 Introduction du chapitre
5.2 État de l’art de l’évaluation et la calibration des modèles bottom-up
5.3 Validation et calibration des consommations en énergie du secteur résidentiel 
5.4 Validation et calibration sur les départs HTA d’Enedis
5.4.1 Introduction
5.4.2 Validation et calibration des parties non thermosensibles
5.4.3 Calibration des parties thermosensibles
5.5 Conclusion et perspectives du chapitre 
6 Simulations prospectives pour l’aide à la planification 
Résumé du chapitre
6.1 Introduction du chapitre
6.1.1 Contexte du dimensionnement du réseau de distribution
6.1.2 Méthode de planification du réseau d’Enedis
6.2 Utilisation des outils de simulation et scénarisation
6.2.1 Utilisation du simulateur de courbes de charge
6.2.2 Utilisation du simulateur de production renouvelable
6.2.3 Bilan sur la démarche de simulations prospectives
6.3 Cas d’étude à Brest 
6.3.1 Identification de la zone à simuler et données disponibles
6.3.2 Association de la base Enedis et INSEE
6.3.3 Évaluation et calibration du simulateur de courbes de charge sur les mesures
6.3.4 Mise en place de scénarios prospectifs
6.3.5 Résultats des simulations et calculs des indicateurs
6.4 Cas d’étude sur l’évolution des critères dimensionnant selon le taux de pénétration des énergies renouvelables 
6.4.1 Introduction
6.4.2 Identification de la zone à simuler et données disponibles
6.4.3 Association de la base Enedis et INSEE
6.4.4 Évaluation et calibration du simulateur de courbes de charge sur les mesures
6.4.5 Scénarisations
6.4.6 Critère de dimensionnement et influence du taux de pénétration d’énergies renouvelables
6.5 Conclusion et perspectives du chapitre
7 Conclusion et perspectives 
7.1 Synthèse des travaux effectués 
7.2 Limites des travaux et perspectives notables
Bibliographie
8 Annexes 
8.1 Annexes du chapitre 3 sur les bases de données
8.1.1 Données Enedis
8.1.2 Algorithme d’association des adresses postales
8.1.3 Tableau des erreurs de prévision de la consommation annuelle par IRIS
8.1.4 Tableau des erreurs de prévision de la thermosensibilité selon les différents algorithmes d’association des bases de données
8.2 Annexes du chapitre 4 sur le modèle de consommation électrique
8.2.1 Consommation et puissance appelée des principaux usages résidentiels
8.2.2 Implémentation du cœur de calcul C++
8.3 Annexes du chapitre 5 sur la validation et la calibration du modèle 
8.3.1 Calcul des consommation en énergie par usage de références pour le secteur résidentiel
8.3.2 Article de journal sur la méthode pour décomposer les départs HTA en profils élémentaires à partir des données d’Enedis

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.