Caractérisation aveugle de la courbe de charge électrique

Séparation des sources de la CdC générale 

Compte tenu de la diversité des signaux du mélange et du caractère mal posé du problème de reconstruction des signaux des usages, nous proposons trois méthodes différentes. Les deux premières méthodes sont définies pour la séparation des sources d’un mélange mono-capteur particulier : il s’agit de la CdC quasi-mono usage c’est à dire une CdC contenant soit un usage unique soit plusieurs usages dont un prépondérant et présentant une forte parcimonie avec les autres usages. La première méthode de séparation utilise un modèle stochastique à base d’un dictionnaire de formes temporelles. Les paramètres du modèle sont estimées au sens du maximum a posteriori (MAP) par un algorithme du recuit simulé. La deuxième méthode consiste en deux étapes : décodage de la série des événements du mélange puis reconstruction les signaux étant donné un modèle d’amplitude.

La troisième méthode s’attache au problème de la séparation des sources d’une CdC générale quelconque. Nous proposons de poser ce problème comme étant un problème de séparation en cinq classes de signaux prédéfinies. Le choix des classes est orienté par l’ensemble des connaissances a priori sur les signaux. Etant donnée cette définition du problème, nous ramenons le problème de séparation de la CdC en un problème de séparation et d’appariement des événements de la CdC. Ce problème est considéré dans le cadre de la simulation bayésienne. Plus précisément, la décomposition de la série des événements esteffectuée au sens du maximum a posteriori et s’appuie sur des lois a priori définies sur les durées caractéristiques des usages et sur la morphologie des signaux.

L’énergie électrique représente la première énergie finale  utilisée en France. Omniprésente dans le quotidien de chacun, elle est devenue un vecteur énergétique employé à divers usages domestiques et industriels. La production de l’énergie électrique en France a triplé pendant les trente dernières années pour répondre à la demande croissante des différents secteurs, notamment les secteurs résidentiel et tertiaire. La cartographie de la consommation électrique par secteurs en France .

Une meilleure gestion des ressources énergétiques, particulièrement dans ces deux secteurs, s’impose, notamment dans un contexte où les défis environnementaux et l’épuisement à terme de certaines ressources d’énergie représentent un enjeu majeur. Pour celà, il est nécessaire d’avoir une bonne connaissance de la consommation d’électricité afin d’amener les utilisateurs finaux à modifier leur comportement énergétique.

Les motivations pour avoir une meilleure connaissance de la consommation d’une installation donnée varient en fonction du secteur concerné et du point de vue (client / fournisseur / distributeur). Dans le secteur résidentiel, fournir au client une analyse détaillée de la consommation des différents usages permet de l’aider à optimiser sa consommation d’électricité et à modifier son comportement énergétique (travaux d’isolation de la maison, remplacement d’un ou de plusieurs appareils, etc). Précisons que l’intérêt que prête la clientèle à une telle analyse a été confirmé par des enquêtes [Wag05].

Dans le secteur tertiaire, le client (exemple : hôtels, hypermarchés) est potentiellement motivé par une connaissance précise de la gestion (scénario d’utilisation) des usages ainsi qu’au diagnostic de défauts. Ces informations lui permettent d’optimiser le remplacement des machines défaillantes et d’éviter une sur-consommation coûteuse. Quant au fournisseur d’électricité, il souhaite avoir des informations plus précises sur les usages des clients pour mieux gérer ses moyens de production (notamment pendant les périodes de pointe) et optimiser les outils de surveillance de sytèmes électriques complexes (au sein des systèmes de production eux-mêmes par exemple les transformateurs des auxilliaires d’une centrale nucléaire). En résumé, disposer d’informations fiables et précises sur la consommation d’électricité d’une installation donnée devient une nécessité dans les contextes économique et industriel, et des enjeux environnementaux actuels.

Analyse détaillée de l’énergie (non)-consommée par usages

Il s’agit d’avoir une décomposition de la consommation totale d’un système donné par usage électrique. Cette information permet de proposer par exemple au client du secteur résidentiel une analyse détaillée de sa consommation quotidienne, hebdomadaire et mensuelle, ce qui lui permet d’identifier les sources potentielles d’amélioration de sa gestion et de suivre l’impact de ses actions au cours du temps à travers une estimation de l’énergie non-consommée par certains usages (exemple : énergie non-consommée grâce à l’effacement du chauffage électrique sur des plages horaires précis).

Extraction des caractérisques des appareils électriques

Les caractéristiques recherchées sont de deux natures différentes :
➢ les paramètres intrinsèques d’un appareil donné tel que la puissance nominale.
➢ le nombre d’appareils d’un usage donné (exemple : nombre de compresseurs du parc de froid alimentaire d’un hypermarché). Ces paramètres peuvent servir de données d’entrée à des logiciels d’audit énergétique ou d’appui au conseil de la clientèle en vue de l’optimisation de son installation. Dans le secteur résidentiel par exemple, disposer de la puissance nominale des différents convecteurs ou encore du chauffe-eau permet d’évaluer l’adéquation ou non du système installé respectivement par rapport aux caractéristiques du bâtiment et au besoin du client en consommation d’eau-chaude.

Détection d’anomalies
L’objectif est de détecter les défauts de dysfonctionnement d’un appareil donné (exemple : entartrage du chauffe-eau) ainsi que les défauts de « mauvaise » utilisation d’un usage (exemple : dysfonctionnement du chauffe-eau par rapport au tarif choisi, erreur de programmation du scénario de fonctionnement des appareils d’un parc de machines donné).

Estimation des scénarios d’usages

Deux grandeurs sont recherchées.
➢ Le support temporel de fonctionnement des usages d’intérêt, où le support temporel est l’union des intervalles définis par la mise en marche et l’arrêt de l’usage étudié. Dans le cas particulier du secteur résidentiel, notre objectif est de fournir une segmentation de la courbe de charge quotidienne pour les deux usages suivants : chauffage électrique et chauffe-eau.
➢ Le scénario de fonctionnement d’un usage donné, c’est à dire le séquencement de fonctionnement de différents appareils d’un même usage. Nous traitons le cas du froid alimentaire d’un hyper-marché. Cette grandeur peut être utile pour l’optimisation de la gestion des usages.

Suivi au cours du temps des usages électriques 

Il s’agit de décomposer la puissance cumulée au cours du temps d’une installation électrique donnée par usages. Ainsi, nous disposons de la courbe de charge de chaque usage. Ces données d’analyse permettent d’envisager par exemple des offres telles que le suivi de vies des personnes âgées. Elles serviront également à améliorer la connaissance pour un fournisseur de sa clientèle pour mieux prédire par exemple les pics de consommation et d’avoir un profil dynamique (à l’échelle d’une journée ou d’une semaine) par usage, à une échelle régionale ou nationale.

Table des matières

Introduction générale
1 Problématique et état de l’art
Introduction
1.1 Problématique industrielle
1.1.1 Contexte et motivations
1.1.2 Objectifs
1.1.3 Contraintes industrielles et stratégie envisagée
1.1.4 Données d’entrée et connaissances annexes
1.1.5 Synthèse
1.2 Formalisation du problème de la caractérisation de la CdC
1.2.1 Notations et définitions utiles
1.2.2 Une définition de la « caractérisation de la CdC » revisitée
1.2.3 Les problèmes sous-jacents à la caractérisation de la CdC
1.3 État de l’art
1.3.1 Historique
1.3.2 Critères de classification des études antérieures
1.3.3 Méthodes et modèles proposés
Synthèse : avantages et limites
Conclusions et discussions
2 Analyse des signaux en vue de l’extraction de connaissances sur les usages
Introduction
2.1 Démarche expérimentale
2.1.1 Description des données : cas du secteur résidentiel
2.1.2 Description des données : cas du secteur tertiaire (hypermarché)
2.2 Analyse des signaux
2.2.1 Définitions et notations
2.2.2 Le chauffage par convecteurs
2.2.2.1 Généralités sur le chauffage par convecteurs
2.2.2.2 Analyse des signaux
2.2.3 L’eau chaude sanitaire (ECS)
2.2.3.1 Loi de l’amplitude moyenne
2.2.3.2 Lois des durées
2.2.4 Le froid alimentaire
2.2.4.1 Premier cas : le secteur résidentiel
2.2.4.2 Deuxième cas : le secteur tertiaire – froid alimentaire dans un hypermarché
2.2.5 Les « gros » appareils électroménagers
2.2.5.1 Présentation des appareils électriques ciblés
2.2.5.2 Analyse de signaux
2.2.6 Les appareils de cuisson
2.2.7 Analyse d’exemples de CdC
2.2.7.1 Cartographie des principaux usages chez deux clients particuliers
2.2.7.2 Propriétés de la CdC générale et représentations adaptées
2.2.7.3 Analyse événementielle pour la reconnaissance du chauffage
2.2.7.4 Foisonnement du chauffage et du chauffe-eau
Synthèse de l’analyse des signaux d’usages électriques
Orientations méthodologiques
3 Segmentation automatique de la courbe de charge
Introduction
3.1 Méthodologie de segmentation de la CdC
3.1.1 Position du problème
3.1.2 Approche envisagée
3.2 Segmentation « chauffage / autre »
3.2.1 Domaines transformés adaptés
3.2.1.1 Le spectrogramme : un domaine de représentation adapté au chauffage
3.2.1.2 La densité des événements
3.2.2 Détection du chauffage dans le domaine temps-fréquence
3.2.2.1 Une « nouvelle » méthode d’interprétation du spectrogramme
3.2.2.2 Segmentation du spectrogramme
3.2.2.3 Extraction des motifs spectraux « pertinents »
3.2.2.4 Identification du support temporel du chauffage électrique
3.2.2.5 Contributions et discussions
3.2.3 Détection du chauffage par seuillage de la densité des événements
3.2.3.1 Connaissances a priori
3.2.3.2 Approche proposée
3.2.3.3 Illustrations
3.2.3.4 Amélioration du détecteur du chauffage
3.2.3.5 Contributions et discussions
3.3 Segmentation « ECS / autre »
3.3.1 Principe
3.3.2 Détection des événements
3.3.2.1 Test de Page-Hinkley avec a priori
3.3.2.2 Sélection des événements pertinents
3.3.3 Détecteur séquentiel de l’ECS
3.4 Évaluation des algorithmes mis en oeuvre
3.4.1 Performances de la segmentation chauffage / autres usages
3.4.1.1 Taux d’erreur de segmentation
3.4.2 Performances de la segmentation du chauffe-eau / autres usages
Synthèse
4 Estimation des caractéristiques d’usages à partir de la CdC
Conclusion générale 

Télécharger le rapport complet