Cette thèse se focalise principalement sur les prévisions du Dynamic Line Rating, du point de vue de la création de modèles de prévision pour des horizons à court terme (6h-48h) et de l’application de ces prévisions pour améliorer la gestion du réseau électrique.
Dans un premier temps, nous avons constaté un manque important de méthodes de prévisions probabilistes adaptées aux particularités du problème de la prévision du DLR, utilisant des prévisions météorologiques et des observations terrain. Un tel modèle était proposé dans [48], dans le cadre d’un travail fait dans notre équipe, mais ce travail se focalisait principalement sur des modèles de prévisions déterministes. Or, ils manquent aux prévisions déterministes des propriétés importantes pour les
prévisions DLR, comme le fait que les prévisions DLR doivent avoir de faibles probabilités d’être surestimées.
Nous avons alors proposé de définir plusieurs modèles de prévision probabilistes adaptés au Dynamic Line Rating, pour des horizons de prévisions allant de quelques heures à quelques jours. Nous avons développé nos modèles à l’aide de données de stations météorologiques collectées au Royaume-Uni toutes les 5 minutes pour une période de 2 ans, et un historique de prévisions météorologiques associées pour des horizons allant de 0 à 48 heures.
Notre objectif était, par la mise en avant de plusieurs méthodes de machine learning déjà utilisées pour générer des prévisions dans le domaine de l’énergie, de pouvoir fournir une méthode de prévision du DLR aux performances validées par comparaison. Ces performances étaient évaluées dans un premier temps avec différents indices statistiques régulièrement utilisés dans le cadre de l’évaluation d’autres types de prévisions comme la prévision de la production éolienne. On fera remarquer qu’une difficulté que nous cherchions à dépasser était le fait qu’il n’existe pas de méthode standard d’évaluation de la qualité des prévisions du DLR. Par exemple, une grande partie de la littérature met en avant le critère de la fiabilité des prévisions probabilistes comme le critère déterminant, mais il n’existe pas d’étude validant la pertinence de cette approche. Notre travail visait alors aussi à discuter du développement d’un critère d’évaluation optimal pour évaluer des modèles de prévisions du DLR.
Comme cela est déjà observé pour d’autres types de prévision, les méthodes que nous proposions étaient généralement satisfaisantes pour fournir des prévisions quantiles de qualité pour des niveaux de probabilité supérieurs à 2%, mais il nous semblait aussi être intéressant de pouvoir aussi avoir des prévisions satisfaisantes pour des niveaux de probabilité encore plus faibles.
On se proposait alors par la suite de modifier les modèles proposés de manière à ce qu’ils soient en mesure de fournir des prévisions à très bas quantile satisfaisantes pour des applications ultérieures, lors de l’utilisation d’approches basées sur des optimisations stochastiques. On fera remarquer que cela ne pouvait pas passer par des paramétrages des modèles différents, des modèles comme des Random Forest n’étant pas capables d’extrapoler pour obtenir des prévisions à quantile très bas dès lors que des observations historiques extrêmes manquent. Nous avons alors plutôt travaillé avec des modélisations de queues de distribution paramétriques, qui furent utilisées pour modifier les prévisions quantiles fournies par des modèles de base pour des niveaux de probabilité inférieurs à un seuil donné.
Par la suite, nous nous sommes intéressés à l’utilisation de ces prévisions en pratique. Nous avons en effet montré que les méthodologies actuellement proposées dans la littérature étaient peu satisfaisantes : soit celles-ci sont statiques, les quantiles utilisés pour les prévisions étant fixés, et les bénéfices sont alors limités ; soit celles-ci sont dynamiques, mais sans prise en compte de la moindre aversion au risque de la part du gestionnaire de réseau, les approches n’étant alors pas réalistes par rapport à la plupart des utilisations du DLR. Nous souhaitions alors poser de manière claire les différents enjeux associés à l’utilisation des prévisions DLR pour le gestionnaire de réseau, et par la suite développer des méthodologies d’utilisation de prévisions DLR dans des approches optimisant le bien-être social tout en respectant des critères satisfaisants pour les gestionnaires de réseau.
Dans un premier temps, une méthodologie inspirée de travaux faits pour les énergies renouvelables était développée, pour le cas virtuel d’une interconnexion entre deux pays, ici la Belgique et la France, tenant compte de prévisions DLR fournies pour une station météorologique à la frontière entre ces deux pays, les coûts de l’électricité spot et les coûts de réserve. Cette approche fournissait un premier aperçu des
1. Introduction - Le Dynamic Line Rating et sa prévision 52
bénéfices possibles grâce au DLR mais avait plusieurs limites en raison des hypothèses simplificatrices posées.
Nous nous sommes alors intéressés à des études plus complètes, tenant compte de caractéristiques de réseau électriques et permettant de modéliser plus finement l’influence des modifications d’ampacité sur les dispatchs faits sur un réseau en accord avec les flux de puissance. L’objectif était de pouvoir, en accord avec ces cadres d’utilisation définis dans nos travaux, de pouvoir fournir des évaluations réalistes des bénéfices et des risques en accord avec de grands nombres de prévisions et de stratégies, le nombre total de combinaisons considérées étant de l’ordre du milliard. Une approche basée sur la définition et la résolution de problèmes d’optimisation stochastique n’était alors pas possible dans un délai raisonnable, et une approche alternative devait aussi être définie.
Cela a été fait avec la mise en place de tables de correspondance permettant d’approcher des résultats d’optimisations stochastiques et qui prenaient en compte des prévisions DLR, des caractéristiques de réseau électrique et différentes stratégies mises en place par le gestionnaire de réseau, traduisant son aversion à différents types de risque.
La finalité de cet outil était double : fournir une évaluation d’un nouveau cadre d’application aux prévisions DLR, et à partir de ce cadre, évaluer la valeur des modèles de prévisions proposés dans la première partie de cette thèse.