Estimation et prédiction des productions d’énergies renouvelables et des consommations d’un réseau de distribution d’électricité

Estimation and Prediction of Renewable Energy Production and Consumption of an Electricity Distribution Network

• Auteur / Autrice : Mohamed Tribak
• Direction : Emmanuel Grolleau, Thierry Poinot, Brice Chardin
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance le 26/11/2021
• Etablissement(s) : Chasseneuil-du-Poitou, Ecole nationale supérieure de mécanique et d'aérotechnique
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges ; 2018-2022)
• Partenaire(s) de recherche : Entreprise : SRD Energies SAS Groupe Energies Vienne
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique et d'Automatique pour les Systèmes / LIAS

Mots clés

Mots clés contrôlés

Séries chronologiques

Réseaux électriques intelligents

Prévision

Électricité -- Production

Apprentissage automatique

Mots clés libres

Intelligence artificielle appliquée à l'énergie

Artificial intelligence applied in energy

Résumé

Les gestionnaires de réseaux de distribution (GRD) d’électricité ont connu ces dernières années une intégration importante des moyens de production d’énergie renouvelable (EnR). De plus, avec l’apparition de nouveaux usages de l’énergie, notamment la mobilité électrique, les microgrids et les technologies de stockage, la gestion du réseau est devenue de plus en plus complexe, complexité qui ira croissante dans les années à venir. Dans ce contexte, SRD, GRD dans le département de la Vienne, a financé des travaux de recherche dans le domaine des smartgrids, notamment sur l’optimisation dynamique du schéma d’exploitation de son réseau de distribution d’électricité haute et moyenne tension, et cette thèse sur la prévision, la prédiction et l’estimation des valeurs des flux énergétiques circulant sur ce réseau. Dans une première phase, la thèse propose une approche de sélection des données de la consommation d’énergie les plus pertinentes et étudie leur influence sur l’efficacité de l’optimisation. Pour cela une méthodologie de réduction de dimensionnalité de données est proposée. Elle utilise des techniques issues du domaine de l’apprentissage automatique non supervisé et d’analyse de données temporelles. Cette méthodologie permet de détecter des similitudes dans les données afin de les regrouper dans des groupes homogènes. La seconde phase élabore une méthodologie d’estimation de la production d’énergie des installations photovoltaïques (PV) distribuées dans le réseau de distribution de SRD en utilisant les méthodes d’interpolation spatiale. En effet, la plupart des producteurs avec des capacités de production basse tension ne sont pas instrumentés pour une mesure en temps réel. Au contraire, les producteurs moyenne et haute tension sont instrumentés et permettent des mesures à grain fin sous forme de séries temporelles. Le but de cette étude est d’estimer les productions de milliers de petits producteurs en exploitant les données des moyens et gros producteurs de référence équipés de compteurs communicants. Finalement, le problème de la prévision de la production photovoltaïque est abordé. Le but de cette étude est d’élaborer une prévision ponctuelle court terme d’un horizon d’une heure pour gérer l’intermittence de la production solaire et une prévision probabiliste long terme pour planifier et optimiser le réseau sur un horizon d’un à trois mois. Nous montrons que les algorithmes d’apprentissage automatique avec une approche globale améliorent les prévisions fournies par des méthodes naïves. La pertinence des prévisions obtenues par rapport au cadre applicatif a été validée à l’aide d’un estimateur d’état du réseau pour quantifier les différences de pertes, de chutes de tension et d’élévation de tension entre un état prévu et un état réel.

In recent years, electricity distribution system operators (DSOs) have seen a significant integration of renewable energy production. In addition,with the development of new energy uses, such as electric mobility, microgrids and storage technologies, grid management has become more and more complex, a complexity that will increase in the years to come. In this context, SRD, DSO in the department of Vienne in France,has funded research in the field of smartgrids, notably on the dynamic optimization of the operating scheme of its high and medium voltage electricity distribution network, and this thesis on the forecasting, prediction and estimation of the values of the energy flows circulating on this network. In the first phase, the thesis proposes an approach to select the most relevant energy consumption data and study their influence on the efficiency of the optimization. For this purpose, a data dimensionality reduction approach is proposed. It uses techniques from the unsupervised machine learning and temporal data analysis fields. This methodology allows to detect similarities in the data in order to group them in homogeneous groups. The second phase develops a methodology for estimating the energy production of photovoltaic installations distributed over the SRD distribution network using spatial interpolation methods. In fact, most of the generators with low voltage production capacities are not instrumented for real time measurement. On the other hand, medium and high voltage generators are instrumented and allow fine-grained time series measurements. The goal of this study is to estimate the production of thousands of small generators by exploiting the data of medium and large generators of reference equipped with communicating meters. Finally, the problem of forecasting photovoltaic production is considered. The goal of this study is to develop a short-term point forecast with a horizon of one hour to manage the intermittency of the solar production and a long-term probabilistic forecast to schedule and optimize the network over a horizon of one to three months. We show that machine learning algorithms with a global approach improve the forecasts provided by naive methods. The pertinence of the obtained forecasts to the application framework has been validated using a loadflow estimator to quantify the differences in losses, voltage drops and voltage rises between a forecasted state and an actual state.