Return to search

Load models for operation and planning of electricity distribution networks with smart metering data / Modèles de charge pour la conduite et la planification dans le contexte du compteur intelligent dans le réseau de distribution

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.

Identiferoai:union.ndltd.org:theses.fr/2012GRENT092
Date30 November 2012
CreatorsDing, Ni
ContributorsGrenoble, Bésanger, Yvon, Wurtz, Frédéric
Source SetsDépôt national des thèses électroniques françaises
LanguageEnglish
Detected LanguageFrench
TypeElectronic Thesis or Dissertation, Text

Page generated in 0.0031 seconds