Méthodes de prédiction des flux énergétiques

Méthodes de prédiction des flux énergétiques

Introduction

Notre outil doit être capable de fournir des prédictions et des classifications de chaque flux énergétique. l’objectif final est le pilotage des flux énergétiques et la stabilisation du réseau électrique au niveau local. Cela demande une sureté dans la qualité de la prédiction des différents flux énergétiques d’autant plus au niveau d͛’un système tel ru͛une maison Comme décrit dans le chapitre 3 pour la définition des acteurs, dans certains cas, l’objectif n͛est pas d͛aǀoir seulement une information la plus précise en termes de prédictions énergétiques mais d͛aǀoir par exemple un ensemďle de charges à éteindre à un instant donné. Les différents flux énergétiques seront caractérisés par des classes représentées par une gaussienne ru͛il s͛agira de prédire pour l͛heure suivante.Par exemple, deux classes allumées et éteintes suffiraient à caractériser l͛eau chaude et le chauffage pour l͛heure suiǀante ou encore une caractérisation précise du pic de puissance liée à la consommation électrique si l͛entreprise connectée est soumise à ce système de facturation. Une étude spécifique du pic de puissance lié à la production permettrait également de prévenir les moments les moins fréquents mais les plus importants pour la stabilisation du micro-réseau. Si la classe est connue au préalable et que l’opération de classement consiste à analyser les caractéristiques des individus pour les placer dans une classe, la méthode est dite «supervisée». Dans le cas contraire, la méthode est «non-supervisée», ce vocabulaire étant issu de l’apprentissage automatique tiré des modèles non linéaires. 

 Apprendre du passé pour prédire l’avenir 

La consommation d’électricité est historiquement enregistrée à l’aide de compteurs électromécaniques à simple ou double tarif. La lecture des compteurs s’effectue chez le consommateur, une ou deux fois par année. Aujourd’hui, les compteurs numériques sont capaďles de relever la consommation, la production ainsi rue tout paramètre lié à l’état du réseau à chaque seconde près. En France, 35000 compteurs intelligents seront installés d’ici 2021. En Suisse romande, le projet Green E-Value [GRE-2014] propose un portail accessible aux propriétaires des immeubles et aux locataires qui leur fournit les informations de consommation et propose des conseils d͛économie d͛énergie. Dans les locaux communs, des écrans indiquent les consommations moyennes des logements et permettent aux locataires de s͛autoéǀaluer et d͛améliorer leur comportement. Ainsi les données relatives à la consommation et à la production sont ou seront collectées dans quelques années sur des millions de logements. Associées à des bases de données météorologiques déjà existantes depuis des dizaines d͛années comme par Météo France ou Météo Suisse, il sera possible de créer des bases de données conséquentes relatives à un système comme une maison. Ces bases de données créées dans le cadre de cette thèse sont développées dans le chapitre 3. Cela permet à partir d͛extraction de connaissances déǀeloppées dans le chapitre ϰ de modéliser sur plusieurs mois ou sur plusieurs années le comportement énergétique d͛un système. Dans notre cas, une modélisation est propre à chaque flux et un modèle spécifique est créé pour modéliser le besoin en chauffage, en eau chaude sanitaire, en USE et la production solaire. Pour chacun de ces flux, une base de données est créée et une partie de ces données est utilisée pour entraîner un modèle linéaire ou non linéaire. Une autre partie de ces données est utilisée pour tester le modèle entraîné. Il est possible également de rapprendre les modèles au ďout d͛une période prédéfinie.

Méthodes non linéaires

Réseau de neurones

Un réseau de neurones artificiels est un ensemble d’algorithmes dont la conception est à l’origine très schématiquement inspirée du fonctionnement des neurones biologiques. Nous retrouvons plusieurs types de réseau de neurones qui ont chacun leurs spécificités, avantages et inconvénients. Un réseau de neurones est en général composé d’une succession de couches dont chacune prend ses entrées sur les sorties de la précédente. À chaque synapse est associé un poids synaptique, de sorte que les neurones de la couche précédente sont multipliés par ce poids, puis additionnés par les neurones de niveau i. Le neurone reçoit des neurones en amont un certain nombre de valeurs via ses connexions synaptiques, et il produit une certaine valeur en utilisant une fonction d’activation appelée aussi fonction de combinaison. Cette fonction peut être formalisée comme étant une fonction vecteur-à scalaire, notamment :  Les réseaux de type MLP (multi-layer perceptron) calculent une combinaison linéaire des entrées, c’est-à-dire que la fonction de combinaison renvoie le produit scalaire entre le vecteur des entrées et le vecteur des poids synaptiques.