Dans cette thèse, nous développons une méthode d’estimation de l’effacement de consommation électrique d’un groupe de clients résidentiels. L’effacement, correspondant à une réduction de la puissance électrique sur une certaine durée, est désormais valorisé sur les marchés électriques et contribue à équilibrer le système électrique. Pour le quantifier, il faut estimer qu’elle aurait été la puissance appelée, i.e. la baseline, en l’absence de l’effacement. Ce dernier s’obtient alors par différence de la baseline et de la puissance réalisée. Les méthodes d’estimation de la baseline reposent sur des profils de consommation, des modèles de régression et des méthodes fondées sur un groupe de contrôle. Ces dernières offrent les résultats les plus précis mais déployer un groupe de contrôle aléatoire pour un usage opérationnel n’est pas envisageable.On s’intéresse donc à sélectionner un groupe de contrôle non-expérimental selon deux approches : la première emploie les caractéristiques observables des clients contrôles et la seconde leurs courbes de charge individuelles. Cette dernière idée consiste à sélectionner ces individus tels que la distance entre leur courbe de charge moyenne et celle du groupe recevant les effacements soit minimale. A cette fin, nous proposons un algorithme de sélection et adaptons les méthodes de régression sous contrainte, ridge et Lasso. Ces nouvelles méthodes procurent les meilleurs résultats. Enfin, pour estimer l’effacement en ligne, nous mettons en place un outil innovant qui associe un système de gestion de flux de données à un logiciel statistique / In this thesis, we develop a method in order to estimate the residential electricity demand reduction. The demand reduction or the curtailment, aiming at reducing the energy use during a short period, is currently enhanced on electricity markets and contributes to balance the electric system. To quantify it, one has to estimate the consumption, i.e. the baseline, which would have been used in the absence of the demand reduction. The curtailment is then obtained by subtracting the metered load during the demand reduction event from the baseline. The baseline estimation methods rely on day or weather matching methods, regression models and control group approaches. These one give the more accurate results but deploying a randomized control group is not possible for an operational use.We are then interested in selecting a non-experimental control group according to two approaches: the first uses the observable characteristics of the control customers and the second their individual load curves. This last idea consists in selecting those individuals such that the distance between their average load curve and that of the demand reduction group is minimal. To this end, we develop a forward selection algorithm and apply the constrained regression methods, ridge and Lasso. These methods provide the best results. Finally, we set up an innovative process which links a data flow module with a statistical software and allows to estimate the demand reduction on-line.
| Identifer | oai:union.ndltd.org:theses.fr/2015NSARG013 |
| Date | 09 January 2015 |
| Creators | Hatton, Leslie |
| Contributors | Rennes, Agrocampus Ouest, Matzner-Löber, Eric |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0023 seconds