Analysis of electricity load curves and short-term prediction in the residential and tertiary sectors
Analyse des courbes de charge d'électricité et prédiction à court terme dans les secteurs rédidentiel et tertiaire.
Résumé
The widespread deployment of smart meters in the residential and tertiary sectors has enabled the collection of high-frequency electricity consumption data at the consumer level (households, businesses, . . ..). This data constitutes raw material for research on predicting electricity consumption at this scale. Most of this research is largely focused on meeting the needs of the industrial sector, such as applications in the context of smart homes and programs for managing and reducing consumption. The goal of this work is to deploy or implement short-term (D + 1) electricity load forecasting models at the consumer level that will be integrated into industrial applications. The complexity of the subject lies in the fact that consumption data at this scale is very volatile, including a high level of noise and depending on the consumer’s lifestyle and consumption habits. Additionally, the deployment of these models in industrial applications adds further complexity to the subject. In this thesis, several models were deployed for forecasting household load, taking into account various industrial constraints. The models were tested and evaluated on a large sample of diverse residential and tertiary sector load curves. An approach was also proposed for forecasting the most volatile load curves. Then, we studied the impact of using household-level predictions on the prediction of aggregated load. The tested models were also adapted to meet the needs of the company’s forecasting for other portfolios.
Le déploiement massif des compteurs intelligents dans le secteur résidentiel et tertiaire a permis de récolter des données de consommation électrique de haute fréquence à l’échelle des consommateurs (particuliers, professionnels, . . .). Ces données constituent une matière première pour les recherches sur la prévision de la consommation de l’électricité à cette échelle. La majorité de ces recherches visent largement à répondre aux besoins du milieu industriel comme les applications dans le contexte des maisons intelligentes ainsi que les programmes de la gestion et de la réduction de la consommation. L’objectif de ce travail est de déployer ou mettre en œuvre des modèles de prévision de la charge électrique à court terme (J + 1) à l’échelle des consommateurs qui seront intégrés dans des applications à des fins industrielles. La complexité du sujet réside dans le fait que les données de consommation à cette échelle sont très volatiles. En effet, elles comprennent une grande quantité de bruit et dépendent du mode de vie du consommateur et de ses habitudes de consommation. De plus, le déploiement de ces modèles dans des applications industrielles ajoute une certaine complexité supplémentaire au sujet. Durant cette thèse, plusieurs modèles ont été déployés pour la prévision de charge des ménages en tenant compte de différentes contraintes industrielles. Les modèles ont été testés et évalués sur un grand échantillon de courbes de charges disparates du secteur résidentiel et tertiaire. Une approche a été proposée également pour la prévision des courbes de charge les plus volatiles. Ensuite, nous avons étudié l’impact de l’utilisation des prévisions à l’échelle des ménages sur la prévision de la charge agrégée. Les modèles testés ont été également adaptés pour répondre aux besoins en prévision de l’entreprise pour d’autres portefeuilles.
| Origine | Version validée par le jury (STAR) |
|---|