Apprentissage multitâche pour la prévision de la consommation électrique - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2019

Multi-task electricity loads forecasting

Apprentissage multitâche pour la prévision de la consommation électrique

Résumé

We study in this manuscript the day-ahead electricity load forecasting problem, at the level of the substations, based on exogenous calendar information, weather forecasts and recent endogenous values of the electricity demand. This work is part of a broader research field participating in the modernization of the French energy system. The emergence of new production means and the evolution of electricity uses have indeed strengthened the need to anticipate the variations of the electricity demand. The Transmission System Operator (TSO), as a central actor of the electricity sector in charge of the supply-demand equilibrium and the management of the resulting energy flows, is particularly affected by these evolutions. Its decision-process relies on the ability to forecast accurately the spatial distribution of both the production and the demand. The advent of modern Machine Learning forecasting tools, in association with the improvement of computing capabilities and the gathering of rich weather and electricity datasets give rise to new opportunities.Data exploration and the dynamic literature about electricity load forecasting serve as a basis for the extension to local forecasts of the more classical models designed for the aggregated loads. We describe a generic bivariate linear model and compare its behavior at the national and the local levels. This allows us to identify both the similarities and the heterogeneous aspects of the substations. At the local level, the data exploration and the experiments are organized around a dichotomy between models learned independently for the different substations and a coupled modeling of the loads. In particular, we motivate a multi-task approach to load forecasting with a characterization of a common structure encountered in the local models, that we intend to leverage for the benefit of the latter, in terms of computational speed and generalization performance.We address several questions related to the multi-task approach. Namely, what to expect from a coupling of the local models ? Which parts of the model should be coupled and how ? How to assess the evolution and the relevance of the multi-task framework ?We study three coupling assumptions, based either on a clustering of the model parameters, an optimization problem with a low-rank constraint that we analyze in details, or on the consistency between the forecasts at different aggregation levels. Thereby, we prove empirically that the number of parameters of the independent local models is unnecessarily large and we confirm the interest of sharing the parameters and the losses during the learning process.
Nous étudions la prévision du jour pour le lendemain de la consommation électrique agrégée à la maille des points de livraison, à partir des informations calendaires, des prévisions météorologiques et des valeurs récentes de ces séries temporelles. Ce travail s’inscrit dans un domaine de recherche plus large, qui participe à la modernisation du système électrique français. Avec la pénétration des énergies renouvelables et l’apparition de nouveaux modes de consommation, le besoin d’améliorer la qualité des prévisions au niveau local devient de plus en plus pressant. Acteur central du système électrique, le Gestionnaire du Réseau de Transport (GRT) est responsable de l’équilibre offre-demande et assure en permanence la fluidité de la circulation d’électricité sur le réseau haute tension. La prévision de la consommation est donc pour lui une problématique de recherche centrale. Le développement d’algorithmes modernes de Machine Learning, l’augmentation des capacités de calcul et la disponibilité de grandes bases de données électriques et météorologiques laissent entrevoir de nouvelles opportunités.Après une analyse exploratoire de la base de données et une étude de la littérature portant sur la prévision de la consommation électrique, nous considérons la possibilité d’étendre et d’adapter les modèles utilisés pour la prévision à des mailles plus larges comme les régions ou le pays. Cela nous permet de souligner les comportements plus hétérogènes au niveau des points de livraison de ces séries temporelles. L’ensemble des expériences est organisé autour d’une dichotomie entre des modèles à différents noeuds du réseau appris de façon indépendante ou bien couplée. Plus précisément, nous justifions une approche multi-tâches de ces prévisions avec les similarités entre les courbes aux différents noeuds du réseau, qui vise à améliorer la vitesse d’apprentissage de ces modèles ainsi que leur capacité à généraliser.Nous séparons l’approche multi-tâches en trois questions. Quelles composantes des modèles est-il pertinent de coupler ? Quelles améliorations ce couplage peut-il apporter ? Comment évaluer la pertinence de l’approche multi-tâches dans le cadre de la prévision de la consommation électrique ?Nous envisageons trois couplages possibles des modèles de prévision, fondés respectivement sur un clustering des coefficients des modèles, une hypothèse de rang faible sur la matrice de coefficients, et une mesure de la cohérence des prévisions à différents niveaux d’agrégation. Empiriquement, nous montrons le caractère contingent du grand nombre de coefficients des modèles appris indépendamment et confirmons l’intérêt de coupler les fonctions objectifs à minimiser ainsi que les paramètres des modèles au cours de leur apprentissage
Fichier principal
Vignette du fichier
TH2019PESC1031.pdf (13.59 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-02906441 , version 1 (24-07-2020)

Identifiants

  • HAL Id : tel-02906441 , version 1

Citer

Benjamin Dubois. Apprentissage multitâche pour la prévision de la consommation électrique. Traitement du signal et de l'image [eess.SP]. Université Paris-Est, 2019. Français. ⟨NNT : 2019PESC1031⟩. ⟨tel-02906441⟩
411 Consultations
112 Téléchargements

Partager

Gmail Facebook X LinkedIn More