Fouille de données pour l’extraction de profils d’usage et la prévision dans le domaine de l’énergie

L’évènement des technologies de l’information et de la communication (Information and Communication Technologies, TIC) ainsi que la percée d’Internet a changé la façon de stocker, transmettre et traiter l’information. Avec la possibilité de collecter et d’analyser de grandes masses de données, l’enjeu est de valoriser ces données en vue d’adapter automatiquement des produits ou des services à des millions de clients/citoyens en fonction de leurs besoins, leurs situations actuelles et des besoins emergents. Amazone et Netflix sont les principaux moteurs de cette tendance. Ils ont développé des moteurs de recommandation qui suggèrent automatiquement des produits aux clients en fonction de leurs achats et de leurs navigations [readwrite, 2007]. D’autres grandes entreprises dans le secteur des services, comme les banques et les assurances utilisent l’analyse de données pour améliorer la gestion de la relation client [Davenport and Dyché, 2013]. Le concept de personnalisation devient encore plus important avec l’Internet des objets (Internet of Things, IoT). Dans la mesure où plusieurs objets sont connectés à Internet [Mattern and Floerkemeier, 2010], et capables de communiquer leurs informations, une multitude de services dans divers domaines deviennent possibles en se basant sur l’analyse des données issues des capteurs en temps réel.

Dans le domaine de l’énergie, l’avènement des TIC, de l’IoT et de l’analyse des données conduit également à la personnalisation des efforts d’économie d’énergie susmentionnés. Ces dernières années, les gouvernements du monde entier œuvrent vers la transition énergétique. Elle est défine comme un changement structurel dans les modes de consommation et de production d’énergie. Le but consiste à réduire les effets négatifs de ce secteur sur l’environnement. De ce fait, les gouvernements ont fixé des objectifs quantitatifs sur l’efficacité énergétique afin de diminuer la quantité du combustibles fossiles brûlés [Salvatore, 2013]. L’Union Européenne (UE), par exemple, a récemment renforcé l’objectif de réduire la consommation d’énergie de 20% jusqu’à 2020 [EEA, 2007, EEA, 2014] et de 27% jusqu’en 2030 [EEA, 2014] par rapport à la situation en 2007. La France a aussi décidé dans sa stratégie de réduire de 30% la consommation d’énergies fossiles en 2030.

Dans les états de l’Union Européenne, le secteur résidentiel représente près d’un tiers de la consommation totale d’énergie [eurostat, 2017]. La réduction de la consommation énergétique résidentielle est donc cruciale pour atteindre les objectifs économiques susmentionnées. Dans le passé, de nombreux efforts ont été fournis pour améliorer l’efficacité énergétique dans les ménages : le chauffage est devenu plus efficace grâce à une meilleure isolation. Le réglage des appareils électroménagers en mode veille limite maintenant la consommation énergétique, et les appareils électroménagers deviennent de plus en plus éconergétiques.

Malgré ces mesures visant à rendre les appareils et les maisons plus éconergétiques, la réduction de la consommation énergétique résidentielle est toujours inférieure aux attentes. Les raisons qui empêchent les consommateurs d’investir dans ces équipements sont le manque d’information et d’incitation, les coûts d’investissement élevés et le manque d’expertise technique. Pour surmonter ces obstacles, de nombreux pays encouragent de plus en plus l’achat de nouveaux produits économiques en terme d’énergie obligeant ainsi les fournisseurs d’énergie à mettre en œuvre des programmes d’efficacité énergétique pour les ménages. De cette façon, les fournisseurs d’énergie encouragent les ménages à modifier leurs comportements énergétiques en offrant à leurs clients des incitations tels que des rabais pour l’achat des équipements et des technologies éconergétiques.

En plus de promouvoir les équipements économes en énergie, inciter à un changement de comportement est également un moyen prometteur pour réduire la consommation énergétique, et plus particulièrement l’électricité dans le secteur résidentiel. La majeure partie de l’électricité est consommée par le chauffage qui représente environ 55% de la consommation électrique dans un ménage français [monenergie, 2017].

Les TIC peuvent jouer un rôle important pour motiver et aider les ménages à économiser leurs énergies [Mattern and Floerkemeier, 2010]. Les compteurs intelligents par exemple, peuvent mesurer la consommation électrique d’un ménage et fournir un retour d’information pour ses occupants, et les aider ainsi à améliorer leurs comportements de consommation. Plusieurs recherches ont examiné l’effet de la rétroaction sur la consommation électrique d’un ménage, celle-ci s’effectuant en temps réel et pouvant être sous la forme d’un affichage à domicile   ou sur une application smart phone  . Les premières études ont montré que la rétroaction permet de réaliser des économies de l’ordre de 5% à 15% [Darby et al., 2006, Ehrhardt-Martinez et al., 2010].

En plus de stimuler le comportement éconergétique, les compteurs intelligents jouent un rôle important pour assurer l’équilibre entre l’offre et la demande, notamment en facilitant l’intégration des énergies renouvelables dans les réseaux électriques [Appelrath et al., 2012]. Ils permettent également de faciliter la procédure de facturation pour les fournisseurs d’énergie. Pour toutes ces raisons, le nombre de compteurs intelligents installés dans les ménages ne cesse d’augmenter. Aux États Unis, par exemple, plus de 50 millions de compteurs intelligents ont déjà été installés, ce qui représente une couverture de 43% à l’échelle nationale [Cooper, 2014]. Dans l’UE, 45 millions de compteurs intelligents ont été déployés. L’UE vise une couverture de 80% jusqu’à 2020, à condition que l’analyse coûts-avantages réalisée par chaque état membre prouve que l’installation de compteurs intelligents est économiquement raisonnable. Après avoir réalisé ces analyses, 16 pays prévoient d’effectuer un déploiement à grande échelle d’ici 2020 [Covrig et al., 2014, Union, 2009].

LIRE AUSSI :  Mécanique de la rupture linéaire élastique

Les économies réalisées grâce aux compteurs intelligents jouent un rôle important pour atteindre les objectifs d’économies d’énergie. Pour augmenter ces économies de 3% à 5%, le retour d’information sur l’énergie doit aller au-delà de la simple visualisation. La rétroaction sur la consommation d’énergie devrait contenir des détails utiles en temps réel, avec une manière facile à comprendre et à mettre en œuvre [Ehrhardt-Martinez et al., 2010]. De nombreux chercheurs considèrent que la rétroaction spécifique à un appareil est un élément clé [Armel et al., 2013, Ehrhardt Martinez et al., 2010, Fischer, 2008]. La décomposition de la consommation globale en fonction de la contribution des appareils individuels, peut aider les ménages à mieux comprendre leurs consommations électriques et à adapter leurs comportements en conséquence. Contrairement aux recommandations génériques en matière d’économie d’énergie, les études indiquent que la rétroaction spécifique à l’appareil permet de réaliser des économies de 9% à 18% [Ehrhardt-Martinez et al., 2010].

L’effet de la rétroaction est également plus important si les conseils et les indices de motivation sont adaptés au destinataire, par exemple en comparant la consommation électrique d’un ménage à celle d’un autre ayant les mêmes caractéristiques [Allcott, 2011, Ayres et al., 2013, Goldstein et al., 2008]. Les caractéristiques d’un ménage jouent un rôle important pour concevoir l’efficacité énergétique. Par exemple, les ménages ayant un revenu élevé sont plus susceptibles d’investir dans les services du changement d’infrastructures, tandis que les personnes âgées de 65 ans et plus ont tendance à être plus critiques en vers ces changements. Les ménages qui sont ouverts aux investissements d’infrastructure pourraient être de bonnes cibles pour une campagne de marketing de pompes à chaleur par exemple [Fei et al., 2013]. De même, les ménages contenant deux personnes qui travaillent pendant la journée ont généralement des horaires régulières. Ces personnes sont des candidats idéaux pour un thermostat intelligent, qui contrôle le système de chauffage d’un ménage en fonction de son état d’occupation [Kleiminger et al., 2014].

La personnalisation des programmes d’efficacité énergétique pour les ménages est nécessaire pour améliorer les économies d’énergie. La rétroaction sur la consommation d’énergie ou les recommandations sur les économies d’énergie exigent une connaissance détaillée sur les caractéristiques des ménages ainsi que sur leurs appareils ménagers utilisés. D’un côté, les technologies telles que les capteurs qui observent les comportements énergétiques des ménages font de plus en plus partie de notre vie [Mattern and Floerkemeier, 2010]. D’un autre coté leur déploiement reste coûteux et les efforts fournis compensent souvent les économies réalisées. De même, les caractéristiques d’un ménage, comme le nombre de personnes qui y habite ou la taille du logement, pourraient être obtenues par le biais d’enquêtes auprès des clients. L’obtention de ces informations prend beaucoup de temps et coûte cher, et souvent, seule une petite fraction des clients y participe [Stoop, 2005].

Table des matières

1 Introduction
1.1 Introduction générale
1.2 Objectifs et organisation de la thèse
2 Données de consommation électrique et d’irradiance solaire
2.1 Introduction
2.2 Sources de données
2.2.1 Compteurs intelligents
2.2.2 Capteurs météo
2.3 Jeux de données
2.3.1 Données Galilée
2.3.2 Données CER
2.3.3 Données Reuniwatt
2.4 Conclusion
3 Classification des courbes de consommation électrique
3.1 Introduction
3.2 État de l’art
3.3 Modèles de classification automatique
3.3.1 Algorithme des K-moyennes
3.3.2 Algorithme des K-moyennes fonctionnel
3.3.3 Classification Ascendante Hiérarchique (CAH)
3.3.4 Modèle de Mélange classique
3.4 Modèle de mélange proposé
3.4.1 Formulation modèle
3.4.2 Estimation des paramètres du modèle
3.5 Choix du nombre de classes
3.5.1 Méthode du coude
3.5.2 Critère d’information bayésien (BIC)
3.6 Résultats de classification à l’échelle d’un bâtiment
3.6.1 Choix du nombre de classes
3.6.2 Interprétation des classes
3.7 Résultats de classification à l’échelle d’un territoire
3.7.1 Classification appliquée aux données non-normalisées du mois de novembre
3.7.2 Classification des données normalisées du mois de novembre
3.7.3 Changement de comportement des habitations résidentielles
3.8 Conclusion
4 Conclusion

Cours gratuitTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *