Modélisation de la consommation électrique à partir de grandes masses de données pour la simulation des alternatives énergétiques du futur - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2017

Electricity demand modeling using large scale databases to simulate different prospective scenarios

Modélisation de la consommation électrique à partir de grandes masses de données pour la simulation des alternatives énergétiques du futur

Résumé

Future trend of electricity demand is a key point for sizing both the electricity network and the power plants. In order to forecast future electricity demand, current models mostly use statistical approaches based on past demand measurements and on demographic and economic trends. Because of current context of energy transition which comes along with important changes, future electricity demand is not expected to be similar to past trends. Modeling these changes requires a bottom-up modeling of each contributor to electricity demand. This kind of model is challenging because of the large number of input data required. At the same time, data and information are more and more available. Such availability can be considered both as an asset for modeling and as an important issue because of data heterogeneity. In this context, this dissertation offers an approach to build a bottom-up load curve simulator which enables to simulate prospective scenarii at the scale of France country. Firstly, an assessment, classification, and matching of the large databases explaining the electricity demand have been performed. Then, the electricity demand model has been presented. It has been validated and calibrated on Enedis’ large volumes of electricity demand measurements of medium voltage feeders. Finally, this model has been used to simulate several prospective scenarii in order to improve the electricity distribution network sizing.
L’évolution de la consommation électrique est un point clé pour les choix à venir, tant pour les moyens de production d’électricité, que pour le dimensionnement du réseau à toutes ses échelles. Aujourd’hui, ce sont majoritairement des modèles statistiques basés sur les consommations passées et des tendances démographiques ou économétriques qui permettent de prédire cette consommation. Dans le contexte de la transition énergétique, des changements importants sont en cours et à venir, et la consommation future ne sera certainement pas une continuation des tendances passées. Modéliser ces changements nécessite une modélisation fine de type bottom-up de chaque contributeur de la consommation électrique. Ce type de modèle présente des challenges de modélisation, car il nécessite un grand nombre de paramètres d’entrée qui peuvent difficilement être renseignés de façon réaliste à grande échelle. En même temps, les données et informations de tout type n’ont jamais été autant disponibles. Cela représente à la fois un atout pour la modélisation, mais aussi une difficulté importante notamment à cause de l’hétérogénéité des données. Dans ce contexte, cette thèse présente une démarche de construction d’un simulateur de consommation électrique bottom-up capable de simuler différentes alternatives énergétiques à l’échelle de la France. Un travail de recensement, de classification et d’association des bases de données pour expliquer la consommation électrique a d’abord été mené. Ensuite, le modèle de consommation électrique a été présenté ; il a été validé et calibré sur une grande quantité de mesures de consommation électrique des départs HTA fournie par Enedis. Ce modèle a enfin pu être utilisé pour simuler différentes alternatives énergétiques afin d’aider au dimensionnement du réseau de distribution.
Fichier principal
Vignette du fichier
2017PSLEM032_archivage.pdf (7.92 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-01774316 , version 1 (23-04-2018)

Identifiants

  • HAL Id : tel-01774316 , version 1

Citer

Thibaut Barbier. Modélisation de la consommation électrique à partir de grandes masses de données pour la simulation des alternatives énergétiques du futur. Energie électrique. Université Paris sciences et lettres, 2017. Français. ⟨NNT : 2017PSLEM032⟩. ⟨tel-01774316⟩
978 Consultations
14836 Téléchargements

Partager

Gmail Facebook X LinkedIn More