Bénéfice économique optimal
Figure E.1: Relation entre les modèles de harge prédi tifs, l'estimateur d'état, et les
fon tionsavan ées du réseau
réseau,telsquelesbatteriesde ondensateurs,lesGénérateursEle triques
Dé entral-isés(GEDs),les réglagesen hargedestransformateurs,lesinterrupteurs/séle teurs,
et .
La plani ation d'un réseau able est un dé puisque ela signie que ses lients
ali-mentés doivent avoir unebonne fourniture d'éle tri itéstable et ontinue. Les opérateurs
des réseaux doivent garantir la tension de haque lient dans une é helle admissible. En
Europe, pour les réseaux Basse Tension (BT), la tension admissible est dénie à
±10%
de latension nominale. En dehors de es limites, les lients sont onsidérés omme des
Clients MalsAlimentés (CMAs).
Pour laplani ation, les al uls éle triques sont ee tués dans les onditions les plus
demande maximalede onsommationéle triqueave uneprodu tionminimaleetune
pro-du tion maximale ave une onsommation minimale [9℄. Ave une grande pénétration de GEDs, on peut envisager le deuxième as. Etant donné les omportements variés des
lients,dansunemêmezonegéographique,lespi sdedemandeont rarementlieuaumême
moment. Entenant ompte de e fait, l'estimation de la hargedu lient heurepar heure
est né essaire. Il faut aussi tenir ompte de l'in ertitude de l'estimation de harge [10℄. Généralement, pour le al ul de la hute de tension, il faut prendre un risque de 10%
[11℄. C'est e risque qui dénit les seuils des puissan es. Ces seuils sont utilisés ensuite pour identier les CMAs. En onséquen e, pour la plani ation du réseau, la puissan e
demandée parun lientestéquivalenteàlasommedelajournéetypemoyennede e lient
etde 10%de sonrisquede puissan e.
Pour on lure,l'obje tifestdedénirlespuissan eslimitesmaximalesetminimales de
l'année ave 10%de risque dedépassement.
Cerésuméestdé oupéenquatreparties. Toutd'abord,le ontexteduréseauintelligent
etdes ompteursintelligentsestmisenavant ommeuneopportunitépourdévelopperdes
modèles de harge plus performants. Les obje tifs ainsique les ontributions de la thèse
sont soulignés. Ensuite, deux se tions sont onsa rées pour répondre aux deux obje tifs
de lathèse: la on eptiondesmodèles de hargepour la onduiteet pourlaplani ation
duréseau dedistribution. Lesthéoriesde haqueméthodologiesont détailléesetles
résul-tats omparatifs sont ommentés. A la n, e résumé est terminé par des on lusions et
perspe tivesgénérales.
E.1. Contribution de thèse
Les ontributions delathèse peuventêtre résumées i-dessous:
1. La prévisionde harge est un sujettrès étudié au niveau desréseaux de transport
[12, 13, 14, 15, 16, 17, 18, 17, 19, 20℄. Cependant, dans les réseaux de distribution et ave les ara téristiques de données onsidéréesdans notreétude (quelquesdizaines kW),
à notre onnaissan e, ilexiste peude travaux.
De notre point de vue, trois raisons peuvent être utilisées pour expliquer e fait :
Premièrement, une attention parti ulière a été apportée au réseau de transport, puisque
elui- i s'étendsur une distan eplus grande, et ouvre un territoire plus large. Le réseau
detransportestla olonnevertébraledusystèmeéle trique. Deuxièmement,levolume
de harge onsidéré dans le transport rend la forme de la ourbe régulière, par un eet
de foisonnement trèsimportant. Cette ara téristique de la ourbe de harge larendplus
fa ile à prévoir à e niveau. Troisièmement, il n'y a en ore aujourd'hui pas ou peu de
mesures disponibles sur les postes HTA/BT, sur lesquels les modèles de harge pour la
distribution peuvent être onçus.
Dans e projet de re her he, deux modèles sont proposés pour la prévision de harge
des postesHTA/BT. L'unest basésur les séries hronologiques et l'autreest basésur les
réseaux deneurones.
Lesdeuxméthodessont onçuesetévaluéesgrâ eauxdonnéesprovenant duréseaude
distribution français dans le adre du projet Linky . Un modèle référentiel est établi
pourla omparaisondesmodèles. Lesavantagesetlesin onvénientsdesdeuxmodèlessont
soulignés dans la omparaison. Les deux méthodes sont alternatives et en même temps,
omplémentaires. Ellespermettentdedénirave unepré isionlimitéeles ara téristiques
intrinsèques desdonnéesde hargeduposte.
3. La méthode basée sur lasérie hronologique est un travail original. Elle intègre de
nombreux outils statistiques pour atteindre une meilleure pré ision. Le résidu dumodèle
série hronologiqueestexaminé en détailpourassurer unbon omportement dumodèle.
4. Laméthodebaséesurleréseaudeneuronesestinspiréeparlapro éduredeséle tion
proposée par le Professeur Gérard Dreyfus, un spé ialiste re onnu dans le domaine des
réseaux de neurones. Nous nousfo alisons surla méthodologiede on eption du modèle,
qui est pour la première fois exploitée entièrement dans la prévision de harge à ourt
terme.
5. Avant la mise en ÷uvre des ompteurs intelligents, il n'avait pas de données
his-toriques à part pour un nombre limité de lients. Dans le domaine de la prévision de
harge,laplupart destravauxse on entresurl'estimation de lademandede pointe pour
ungroupede lientspendantlapointedusystème, i.e.,lademande oïn idente. Quelques
travauxontaussiétéee tuéssurlate hniqueend-use,méthodedé omposantla ourbe
de harge d'un lient résidentiel en unité d'appareil éle trique. Les autres se on entrent
sur la méthode de lassi ation pour diviser les lients en diérents groupes, et sur la
présentation de haque groupe ave un prol de harge typique. Dans le ontexte des
ompteurs intelligents, nous sommes les premiers à proposer la on eption du modèle de
hargeindividueldirigé par lesdonnées pour lebesoin delaplani ation.
6. La relation entre la onsommation éle trique et la température est dénie par les
estimateurs non-paramétriques dans notre modèle d'estimation de harge individuel. La
méthodeestappliquéeauxvraies ourbesde hargeindividuelleenFran e. Laperforman e
omparéeave lemodèlea tuel d'éle tri itédeFran e (EDF)s'intituleBAGHEERAdans
diérents as d'étude.
E.2 Modèle de harge prédi tif ourt terme pour la onduite
et l'estimateur d'état
La prévision de harge joue un rle important dans la prise de dé ision dans le système
éle trique. Cette partie est onsa rée au modèle de harge prédi tif. Dans un premier
temps,nousprésentonsrapidementdesméthodesappliquéesàlaprévisionde harge,leurs
spé i ités ainsi que leurs appli ations. Ensuite, les données utilisées pour la on eption
etl'évaluation denos méthodologies sont étudiées. Certains omposantsimportants dans
la ourbe de harge pour sa modélisation sont pré isés. Nos hoix de méthodes pour la
série hronologiqueetleréseau de neuronessont argumentés. Les ritères de performan e
et un modèle de référen e sont aussi établis. Puis, les deux modèles de harge prédi tifs
E.2.a Méthodes de la prévision de harge dans la littérature
Diérenteste hniquesetdiérentesentréessontappliquéesàlaprévisionde hargeave un
horizon de temps varié. Denombreux fa teurstels que les onditions météo, les variables
saisonnières,etlesfa teursso iaux,é onomiquesetdémographiquesfontpartisdesentrées
pourleste hniquesdeprévisionde harge[23℄. TableauE.1résumédesappli ationsetdes fa teursd'inuen e pour les modèles ave diérentshorizonsde temps [23,24,18℄.
Table E.1: Diérentshorizons detemps pour laprévisionde harge
Horizon de temps Appli ations Fa teursd'inuen e
Très ourtterme (1Min
∼
1h)Fon tions avan ées du réseau,
leréglage fréquen e-puissan e
Chargeshistoriques
Court terme(1h
∼
1 se-maine)Conduite (fon tions avan ées
du réseau), al uls de
ré-partition de harge pour
l'estimation, de l'estimation
d'épargne pour l'é onomie et
la sé urité opérationnelle du
systèmeéle trique
Charges historiques,
infor-mations alendaires (journée
type et heure), onditions
météo (
∗
)Moyenterme(1semaine
∼
1an)Négo iation des ontrats,
plani ation de la fourniture de d'énergie primaire et travaux demaintenan e (
∗
) + population, fa teurs é onomiques, et . (◇
) Long terme (1 an∼
plusieurs ans)Dépenses en apitalet
plani- ation desinvestissements
(
◇
) +plus d'informations tels que: augmentationdelapop-ulation,produitintérieurbrut
(
∗
) et (◇
) représentent respe tivement les fa teurs d'inuen e pour la prévision à ourt termeetà moyen terme.Pournotreappli ationdela onduiteduréseau,surtoutpour oopérerave lesfon tions
avan éesduréseau,nousnousfo alisonssurlaprévisionà ourtterme. SelonletableauE.1,
les onditions météo,le alendrier etles harges historiquessont desentrées essentielles.
LagureE.2donneunevueglobaleendeuxdimensions(horizondetempsethiérar hie
de latension)surles méthodesappliquéespour laprévisionde harge. Laplupart d'entre
elles est développée pour le ourt terme et la haute tension. Cependant, es dernières
années, l'expansiondesréseauxintelligentsattiredeplusenplusl'attentionsurlesréseaux
moyenne tensionetbassetension.
Généralement, les méthodesprédi tives peuvent être lassées en deux atégories : les
appro hes lassiques et les appro hes intelligen e arti ielle . La première atégorie
exige un modèle ave des équations mathématiques qui interprètent la relation entre la
harge et les autres fa teurs d'inuen e. Cette famille in lue le modèle de régression, la
la hargeetlesentrées. Cette atégorie omprendlesréseauxdeneurones(RN),lalogique