Short-term forecasting of electricity demand of smart homes and distribution grids
Prévision à court terme de la demande électrique des maisons intelligentes et des réseaux de distribution
Résumé
This thesis is devoted to the short-term forecasting of electricity demand of smart homes and distribution grids. The household demand data provided by smart meters is analyzed to characterize the electricity demand at the local scale and compared to this at the regional scale, so as to examine the aggregation effect. This thorough analysis enables the designing of models that forecast the future demand. The models make use of advanced statistical tools and machine-learning techniques. The inputs are selected with special care for their relevancy to the household demand. To be deployed in an operational environment, the models must be replicable: low to no maintenance, adaptability to various situations, and robustness to the lack of data. Several demand forecasting products are developed and compared to actual datasets: probabilistic forecasts at different temporal and spatial resolutions, and daily demand scenarios. Finally, the habits related to a domestic appliance, namely the charging of an electric vehicle battery, are modeled in order to generate forecasting scenarios of the appliance demand.
Cette thèse s’intéresse à la prévision à court terme de la demande électrique d’une maison intelligente et des réseaux de distribution. Les données mesurées par les compteurs intelligents permettent de caractériser la demande électrique à l’échelle d’une maison et de la comparer à la demande régionale, pour étudier notamment l’effet de foisonnement. Cette analyse permet de développer des modèles de prévision de cette demande. Ces modèles sont de nature statistique et font usage de méthodes d’apprentissage automatique. Un soin particulier est porté à la sélection de variables d’entrée pertinentes. Afin d’être déployés dans un environnement opérationnel, les modèles doivent faire preuve de réplicabilité : fonctionnement autonome, aptitude à s’adapter à de multiple situations, et robustesse face aux données erronées. Plusieurs produits de prévision sont développés et évalués avec plusieurs jeux de données : des prévisions probabilistes à différentes résolutions, et des scénarios journaliers de la demande. Enfin, les habitudes relatives à un usage électrique particulier, à savoir le chargement d’une batterie de véhicule électrique, sont modélisées pour produire des scénarios prédictifs de la demande de cet usage spécifique.
Mots clés
Household electricity demand
Smart meters
Distribution grid
Machine learning
Probabilistic forecasting
Electric vehicle
Smart homes
Aggregation effect
Operational challenges
Short-Term forecasting
Scenario generation
Scenario reduction
Electric flexibility
Smart grid
Demande électrique d'une maison
Compteur intelligent
Réseau de distribution
Apprentissage automatique
Prévision probabiliste
Véhicule électrique
Maison intelligente
Effet de foisonnement
Enjeux opérationnels
Prévision à court terme
Génération de scénarios
Réduction de scénarios
Flexibilité électrique
Smart grid
Domaines
Energie électrique
Origine : Version validée par le jury (STAR)