Dans ce chapitre, nous avons vu les différentes bases de données disponibles qui permettent d’expliquer la consommation électrique. Nous les avons classées selon les différents facteurs influant la consommation, leur échelle d’information et leur disponibilité.
Nous avons ensuite développé une méthode permettant d’associer les clients aux logements qui sont anonymisés. Nous avons montré l’intérêt de la méthode d’association en l’illustrant par l’améliora- tion des erreurs de prévision de la thermosensibilité des départs HTA. Nous avons aussi pu mettre en évidence l’intérêt de coupler certaines variables intensives aux variables extensives pour prédire efficacement avec un modèle linéaire la consommation annuelle, de même que la thermosensibilité. Cette méthode d’association et d’évaluation des bases de données est une première étape pour son application à l’association d’autres bases de données entre elles, pour voir par exemple l’intérêt quantitatif d’associer à cette nouvelle base la base des impôts fonciers (MAJIC) ou du répertoire des entreprises (SIRENE). De plus, des études sur la prévision d’autres indicateurs des courbes de charge (e.g. autres définitions de la thermosensibilité, consommation moyenne par départ, consom- mation estivale) peuvent être effectuées. De façon plus large, la base des clients d’Enedis, associée à d’autres bases de données, peut donner lieu à des études pour mieux comprendre les paramètres les plus influents sur divers indicateurs de la consommation électrique. On peut étudier de façon plus précise des paramètres descriptifs des bâtiments à la maille IRIS (e.g. nombre d’étage, taille du bâtiment, année de construction, place des logements dans les bâtiments) qui pourraient ex- pliquer l’énergie consommée relevée par Enedis sur cet IRIS. Cette approche statistique donnerait notamment des pistes sur des potentiels d’économies d’énergie. Ce type d’approche serait alors com- plémentaire aux approches consistant à effectuer des sondages et enquêtes avec des questionnaires et sur les factures d’énergie.
Chapitre 4
Construction d’un modèle de
consommation électrique
Résumé du chapitre
La modélisation de type bottom-up de la consommation électrique est un sujet d’étude depuis des dizaines d’années. Dans le cadre de la thèse, l’objectif est de développer un modèle de consomma- tion électrique, appelé “simulateur de courbes de charge”, pouvant simuler différentes alternatives énergétiques, en particulier pour aider au dimensionnement du réseau d’Enedis. Le modèle se base sur les grandes bases de données développées au chapitre précédent. Son cahier des charges a été développé conjointement avec Enedis. L’étude bibliographique a permis de prendre connaissance des différents modèles utilisés par les auteurs. Nous présentons ensuite les modèles utilisés par le si- mulateur, qui ont pour objectif d’être les plus simples possible, en particulier pour pouvoir simuler relativement rapidement des régions entières. En même temps, les modèles développés sont adapta- tifs aux évolutions dans les données disponibles et aux besoins de précision des simulations. Nous présentons ensuite l’implémentation du modèle que nous avons effectué de façon générique et mo- dulaire. Enfin, nous récapitulons les étapes de la simulation et les possibilités de l’outil qui va être utilisé dans les chapitres suivants.
Chapitre 4. Construction d’un modèle de consommation électrique 76
4.1
Introduction du chapitre
Dans ce chapitre, nous présentons le modèle de simulation de la consommation électrique qui a été conçu et implémenté durant cette thèse en utilisant les grandes bases de données disponibles vues au chapitre 3. Certaines parties de ce chapitre ont fait l’objet de communications qui présentent le modèle ([38], [73]).
4.1.1 Objectifs
Le modèle de consommation électrique, aussi appelé “simulateur de courbes de charge”, a pour but de simuler différentes alternatives énergétiques du futur. Ce terme large rend ainsi indispensable la simulation de type bottom-up client par client et appareil par appareil. Ce type de modèle peut servir notamment à évaluer les potentiels des scénarios de gestion de la demande comme le font par exemple les modèles présentés en [99], [50] [112], [44]. Les simulateurs de courbes de charge peuvent aussi servir à des fins d’évaluation de l’impact de différentes stratégies “bas carbone” dans le réseau de distribution (e.g.[141], [122]), ou à des fins de planification à l’échelle du réseau de distribution (e.g. [62], [63]). Dans le cas de la thèse, au sein du centre PERSEE, l’outil est utilisé comme générateur de consommations réalistes par client et par usage, pour toute étude le nécessitant. Un exemple d’étude utilisant l’outil de simulation est l’estimation de la capacité d’accueil de production renouvelable dans un réseau de distribution actif [89]. Le simulateur de courbes de charges de la thèse a aussi été conçu et développé conjointement avec Enedis, pincipal gestionnaire du réseau de distribution Français, comme outil d’aide à la planification de son réseau. La version du simulateur implémentée chez Enedis a été nommée “MOSAIC” [73]. L’outil sert notamment à Enedis à prévoir la consommation électrique dans deux types de situations [98] :
• L’évolution d’une zone existante. Si la zone est déjà connectée au réseau de distribution, le but de l’étude est d’étudier l’ampleur des modifications nécessaires sur le réseau par le changement de la demande de la zone.
• Création d’une nouvelle zone. Le réseau est alors construit de A à Z. Le but est alors de définir les infrastructures nécessaires pour connecter la zone au réseau (e.g. poste source, départ HTA).
Ainsi le développement de l’outil de simulation dans cette thèse a dû concilier les besoins d’outil d’aide à la planification pour Enedis, et ceux plus larges propres à la recherche et la simulation des alternatives énergétiques du futur.
4.1.2 Étude bibliographique des modèles bottom-up
Comme défini par Kavgic et al. [96], les modèles bottom-up sont construits à partir des données. Cela mène à des bases de données conséquentes pour pouvoir décrire précisement chaque appareil [138].
Le simulateur de courbes de charge développé pendant la thèse a pour objectif général de simuler de façon bottom-up, c’est à dire client par client, appareil par appareil, la consommation électrique d’un grand nombre de bâtiments à l’échelle de la France. On a pu voir au chapitre précédent la grande quantité de données disponibles et nécessaires pour simuler la consommation électrique française. L’association des bases de données entre elles pour renseigner un modèle bottom-up est aussi très spécifique. En ce sens, aucun modèle de la littérature à notre connaissance n’était conçu de façon assez adaptée à cette grande quantité de données. L’outil développé doit avoir des modèles simples, modulaires et génériques. En effet, les modèles doivent être simples pour que le
Chapitre 4. Construction d’un modèle de consommation électrique 77
temps de calcul soit le plus court possible, et que les résultats puissent être fournis aisément à l’échelle de la France, ce pour pouvoir être évalués avec la grande quantité de données de mesures fournies par Enedis. Le modèle doit aussi être modulaire et générique dans son implémentation pour pouvoir ajouter aisément des nouveaux usages ou des nouveaux modèles plus avancés si le besoin se présentait.
Dans la littérature, beaucoup de modèles ne prennent qu’une ou deux bases de données en en- trée, comme la majorité de ceux présentés par Grandjean et al. [86] : dans leur tableau récapitulatif, la colonne "input of the model" a rarement plus de deux éléments. Parmi ceux présentant des en- trées plus élaborées, le modèle de Stokes [141] utilise de nombreuses courbes de charge élémentaires journalières difficiles à obtenir à grande échelle. Le modèle de Richardson et al. [122] est adapté à la simulation à l’échelle de villes, tout comme celui de Fischer et al. [76], mais les modèles d’occupation implémentés sont relativement complexes pour une première version de l’outil de simulation. Les modèles ayant pour but la planification urbaine [123], [120], [78], utilisent de nombreuses bases de données, mais ils sont plus adaptés à la simulation à l’échelle du quartier [44]. Les modèles Energis [82], SYNCITY [97] et Artelys Crystal City [115], sont des modèles à des fins de planification des infrastructures comme le réseau de transport ou les centrales de production électrique. Ils utilisent des bases de données importantes à différentes échelles mais ils ne sont pas basés sur des modèles bottom-up par usage spécifique à proprement parler [44]. Les modèles de Shimoda et al., [137], Good et al. [84] et Berthou et al. [44] permettent la génération de la consommation électrique et d’autres types d’énergie et leurs modèles physiques des usages sont renseignés de façon stochas- tiques, permettant une description aisée d’un parc à grande échelle. Cependant leurs modèles des appareils sont parfois un peu complexes. Ils intègrent notamment des scénarios d’occupation com- plexes rendant plus difficile la scénarisation du comportement d’utilisation des usages et le temps de calcul peut aussi être affecté. Le modèle GridLAB-D développé par le département américain de l’énergie au Pacific Northwest National Laboratory (PNNL) [100], [55], est un modèle open source basé sur un environnement de simulation multi-agent [130]. Ce type de modèle est plus spécifique aux problématiques du réseau américain : il utilise notamment des modèles sur les différents états des appareils ainsi qu’une modélisation de type ZIP [129] associée. Cela permet de connaitre le comportement en puissance active et réactive des appareils en fonction de la tension. Le modèle de Dickert et Schegner [62], [63], conçu pour des fins de planification du réseau de distribution alle- mand présente des modèles plus simplifiés qui sont proches de ceux implémentés par le simulateur de courbes de charge de la thèse.
4.1.3 Cahier des charges du simulateur de courbes de charge de la thèse
Nous listons ci-dessous les principales spécificités de l’outil de simulation développé.
Simuler de façon rapide et appareil par appareil, client par client la consommation électrique d’un grand nombre de bâtiments avec un pas de temps variable. L’objectif principal du simulateur de courbes de charge est de simuler la consommation électrique d’un grand nombre de clients en un temps relativement court en simulant la consommation de chaque appareil à un pas de temps variable pour pouvoir s’adapter aux études et aux données de comparaison disponibles. Un temps de calcul de l’ordre de la minute pour un millier de clients sur un an au pas de temps de 10 minutes avec un ordinateur de bureau classique (simulation sur un cœur, processeur de 3GHz, 8Go de RAM) nous a paru à la fois réaliste et compatible pour une utilisation efficace.
Chapitre 4. Construction d’un modèle de consommation électrique 78
Utiliser les différentes sources d’information provenant des bases de données précé- demment décrites. On a vu au chapitre 3 que les données peuvent être disponibles à différentes échelles. Pour répondre à cette problématique, si, lors de la simulation d’une zone, l’information nécessaire à la simulation n’est pas disponible, l’outil utilisera des valeurs par défaut renseignées par une base de données à une échelle moins fine [98].
Compromis complexité et temps de calcul des modèles. Les modèles devront être un compromis entre complexité des modèles physiques et rapidité des modèles statistiques, pour que les résultats de la simulation puissent être évalués aisément avec les données de mesure disponibles. Tout ajout d’un modèle plus complexe devra prouver son amélioration dans la qualité des résultats par rapport au temps de calcul ajouté.
Programmation générique et modulaire. L’implémentation devra être générique et modu- laire afin de pouvoir aisément ajouter un nouvel usage ou de modifier le modèle d’un usage existant. L’outil étant utilisé par Enedis, ce dernier devra aussi avoir facilement le contrôle des différents paramètres par défaut.