En 2010, ERDF (le distributeur d'électricité Français) a entamé la mise en place du projet " Linky " dont l'objectif est d'installer 35 millions de compteurs intelligents en France. Ces compteurs permettront de collecter les données de consommation en " temps réel ", avec lesquelles des modèles de charge plus précis pourront être envisagés. Dans ce contexte, cette thèse définit deux objectifs: la définition de modèles prédictifs de charge pour la conduite et la conception de modèles d'estimation de charge pour la planification. En ce qui concerne la conduite, nous avons développés deux modèles. Le premier exploite le formalisme mathématique des séries chronologiques ; le second est basé sur le réseau de neurones. Les deux modèles cherchent à prévoir la charge des jours " J+1 " et " J+2 " à partir des informations collectées jusqu'au jour " J ". Quand à la planification, un modèle non paramétrique est proposé et comparé avec le modèle actuel " BAGHEERA " d'EDF. Le modèle non paramétrique est un modèle individuel configuré par les relevées compteurs. Trois régresseurs non paramétriques (Nadaraya Watson, Local Linear et Local Linear adapted) sont proposés. Les scénarios de validation montrent que le modèle non paramétrique est plus précis que le modèle " BAGHEERA ". Ces nouveaux modèles ont été conçus et validés sur de vraies données collectées sur le territoire français.

En 2010, ERDF (Electricité Réseau Distribution France) a entamé la mise en place du projet « Linky » dont l'objectif est d'installer 35 millions de compteurs intelligents en France. Ces compteurs permettront de collecter les données de consommation en « temps réel », avec lesquelles des modèles de charge plus précis pourront être envisagés. Dans ce contexte, cette thèse définit deux objectifs: la définition de modèles prédictifs de charge pour la conduite et la conception de modèles d'estimation de charge pour la planification. En ce qui concerne la conduite, nous avons développés deux modèles. Le premier exploite le formalisme mathématique des séries chronologiques ; le second est basé sur un réseau de neurones. Les deux modèles cherchent à prévoir la charge des jours « J+1 » et « J+2 » à partir des informations collectées jusqu'au jour « J ». Le modèle « série chronologique » repose sur les propriétés temporelles des courbes de charge. Ainsi on découpe la courbe de charge en trois parties : la tendance, la périodicité et le résidu. Les premiers deux sont déterministes et indépendamment développés en deux modèles : le modèle de tendance et le modèle de cyclicité. La somme de la prévision de ces deux modèles est la prévision finale. Le résidu quant à lui capture les phénomènes aléatoires que présente la courbe de charge. Le modèle de prédiction ainsi développé s'aide de nombreux outils statistiques (e.g., test de stationnarité, test ANOVA, analyse spectrale, entres autres) pour garantir son bon fonctionnement. Enfin, modèle « série chronologique » prend en compte plusieurs facteurs qui expliquent la variation dans la courbe de consommation tels que la température, les cyclicités, le temps, et le type du jour, etc. En ce qui concerne le modèle à base de réseaux de neurones, nous nous focalisons sur les stratégies de sélection de la structure pour un modèle optimal. Les choix des entrées et du nombre de neurones cachés sont effectués à travers les méthodes dites de «régression orthogonale » et de « leave-one-out-virtuel ». Les résultats montrent que la procédure proposée permet de choisir une structure de réseau de neurones qui garantisse une bonne précision de prédiction. En ce qui concerne la planification, un modèle non paramétrique est proposé et comparé avec le modèle actuel « BAGHEERA » d'EDF. Avec l'ouverture du marché d'électricité, la relation entre les fournisseurs, les clients et les distributeurs devient flexible. Les informations qualitatives d'un client particulier telles que sa puissance souscrite, son code d'activité, ses tarifs etc. sont de moins en moins disponibles. L'évolution du modèle BAGHEERA qui dépend ces informations pour classer les clients dans différentes catégories est devenue indispensable. Le modèle non paramétrique est un modèle individuel centré sur le relevé des compteurs. Trois variables de régression non paramétriques : Nadaraya Watson, Local Linear et Local Linear adapted ont été analysées et comparées. Les scénarios de validation montrent que le modèle non paramétrique est plus précis que le modèle « BAGHEERA ». Ces nouveaux modèles ont été conçus et validés sur de vraies données collectées sur le territoire français. / From 2010, ERDF (French DSO) started the “Linky” project. The project aims at installing 35 millions smart meters in France. These smart meters will collect individual client's consumption data in real time and transfer these data to the data center automatically in a certain frequency. These detailed consumption information provided by the smart metering system enables the designs of more accurate load models. On this purpose, two distinctive objectives are defined in this dissertation: the forecasting load models for the operation need and the estimation load models for the planning need. For the operation need, two models are developed, respectively relying on the “time series” and the “neural network” principals. They are both for the objective of predicting the loads in “D+1” and “D+2” days based on the historical information till “D” day. The “time series” model divides the load curve into three components: the trend, the cyclic, and the residual. The first two parts are deterministic, from which two models named the trend model and the cyclic model are made. The sum of the prevision of these two models is the final prediction result. For a better precision, numerous statistical tools are also integrated such that the stationary test, the smoothed periodogram, the ANOVA test and the gliding window estimation, etc. The time series model can extract information from the influence factors such as the time, the temperature, the periodicities and the day type, etc. Being the most popular non linear model and the universal approximator, the neural network load forecasting model is also studied in this dissertation. We focus on the strategy of the structure selection. The work is in collaboration with Prof. Dreyfus (SIGMA lab), a well known expert in the machine learning field. Input selection and model selection are performed by the “orthogonal forward regression” and the “virtual-leave-one-out” algorithms. Results show that the proposed procedure is efficient and guarantees the chosen model a good accuracy on the load forecasting. For the planning, a nonparametric model is designed and compared with the actual model “BAGHEERA” of the French electricity company EDF. With the opening of the electricity market, the relationship among the regulators, suppliers and clients is changing. The qualitative information about a particular client such as his subscribed power, his activity code and his electricity tariffs becomes less and less available. The evolution from the BAGHEERA model to a data-driven model is unavoidable, since the BAGHEERA model depends on these information to attribute every client in the French territory into a pre-defined category. The proposed nonparametric model is individualized and can deal with both temperature sensitive (possessing an electrical heater) and temperature insensitive clients. Three nonparametric regressors are proposed: the Nadaraya Watson, the local linear, and the local linear adapted. The validation studies show that the nonparametric model has a better estimation precision than the BAGHEERA model. These novel models are designed and validated by the real measurements collected in the French distribution network.

La génération de chemins lisses pour les voitures intelligentes est l’une des conditions les plus importantes pour faire accepter et faciliter la navigation autonome de ces véhicules. Cette thèse propose plusieurs méthodes de génération de chemins lisses pour les véhicules non-holonomes qui permet une continuité intrinsèque de la courbure de navigation et offre par ailleurs une flexibilité accrue pour diverses conditions aux limites. Le chemin de courbure continue est construit en composant plusieurs clothoids, comprenant notamment des segments de lignes et/ou d’arcs, et où chaque clothoid est obtenue par une régulation appropriée de ses paramètres. À partir de ces propriétés, le chemin obtenu est nommé pCCP (parametric Continuous Curvature Path). Le pCCP fournit un diagramme de courbure qui facilite une commande en orientation du véhicule, ce qui permet d'obtenir une évolution lisse de sa trajectoire. Le problème du pCCP local est défini par des configurations initiales et finales (caractérisées pour chacune par une posture et un angle de braquage). Le problème a été étendu pour être aussi général que possible en incluant plusieurs cas. La génération locale de pCCPs, pour des cibles statiques, est spécifiquement décrite, les problèmes ont été divisés en trois problèmes et chaque problème a été décomposé par la suite en plusieurs sous-classes possibles. Pour avoir une flexibilité importante des pCCPs proposés, des cibles dynamiques ont été considérées, obtenant ainsi le dynamic-pCCP (d-pCCP). Un cadre simple mais efficace pour analyser l'état futur de l'évitement des obstacles est appliqué en configuration 4D (3D avec l’ajout d’un axe temporel) en mettant en exergue deux manoeuvres d’évitement possibles, car les évolutions avant et arrière sont appliquées et validées avec plusieurs exemples. Selon une méthodologie similaire pour atteindre les critères de performance liés à la génération des pCCPs, le h-CCP (pour human-pCCP) est proposé en utilisant des modèles expérimentaux comportementaux d’échantillons de conducteurs humains. À partir de quelques sous-expériences, le modèle de conduite humain pour l’évitement d’obstacles, les changements de voie et les mouvements en virage sont extraits et ces modèles ont été inclus pour créer ainsi le h-CCP (obtenu d’une manière similaire au pCCP mais avec différents critères d’optimisation) qui permet d’améliorer considérablement le confort des passagers. / Smooth path generation for car-like vehicles is one of the most important requisite to facilitate the broadcast use of autonomous navigation. This thesis proposes a smooth path generation method for nonholonomic vehicles which has inherently continuity of curvature and having important flexibility for various boundary conditions. The continuous curvature path is constructed by composing multiple clothoids including lines and/or arc segments, and where each clothoid is obtained by parameter regulation. From those properties the path is named pCCP (parametric Continuous Curvature Path) and provides curvature diagram which facilitates a smooth steering control for path following problem. Local pCCP problem is defined by initial and final tuple configurations (vehicles posture and steering angle). The problem is expanded to be as general as possible by including several cases. The local pCCP generation for steady target pose is specifically described, where the problem is divided into three problems and each problem is also decomposed into several sub-cases. To give more flexibility to the proposed pCCP, dynamic target is considered to obtain dynamic-pCCP (d-CCP). A simple but efficient framework to analyze the future status of obstacle avoidance is applied in 4D (3D with the addition of time axis) configuration and two avoidance maneuvers as front and rear avoidance are applied and validated with several examples. Under the similar methodology in performance criteria of pCCP generation, the human-CCP (h-CCP) is derived from experimental patterns of human driver samples. From several subexperiments, human driving pattern for obstacle avoidance, lane change and cornering motion are extracted and those pattern were included to make the h-CCP (which is obtained with similar way as pCCP but with different optimization criteria) to enhance considerably the passenger comfort.