Implémentation d’une stratégie de gestion de la consommation électrique dans l’habitat

Transition énergétique

Définition

La transition énergétique désigne l’ensemble des transformations des habitudes de consommation énergétique et de production d’énergie. Dans le contexte actuel, cela consiste en une meilleure compréhension et gestion de la consommation électrique. Il s’agit également de passer d’une consommation majoritairement basée sur l’exploitation des énergies fossiles (pétrole, gaz naturel, charbon…) à une consommation où les énergies renouvelables (solaire,éolien, etc.) occupent une place plus importante.

Objectifs énergétiques fixés par la France

Comme de nombreux pays, la France a inscrit officiellement la transition énergétique comme une priorité en 2015 avec la loi n° 2015-992 du 17 août 2015 [LO-15] relative à la transition énergétique pour la croissance verte. Parmi les principaux objectifs que la France s’est donnée d’atteindre à moyen terme :
• la réduction de 50 % la consommation énergétique d’ici 2050 par rapport à 2012 ;
• la diminution de 30 % la consommation primaire d’énergies fossiles d’ici 2030 par rapport à 2012 ;
• l’augmentation à 32 % de la part des énergies renouvelables dans la consommation finale d’énergie d’ici 2030 ;
• l’augmentation à 40 % de la part des énergies renouvelables dans la production d’électricité d’ici 2030 ;
• la réduction de 40% des émissions de gaz à effet de serre d’ici 2030 par rapport à 1990 ;
• la réduction à 50 % la part du nucléaire dans la production d’électricité à l’horizon 2025 ;
• la réduction de moitié des déchets mis en décharge à l’horizon 2025.
Pour pouvoir répondre à ces objectifs environnementaux et énergétiques, les réseaux électriques sont amenés à évoluer profondément pour s’adapter aux nouveaux enjeux de la transition énergétique.

Orientation vers le Smart Grid

Historiquement, la structure du réseau électrique français a été conçue pour acheminer l’électricité de façon unidirectionnelle, allant des sites de production centralisée vers les consommateurs finaux. Dans le même temps, la gestion de l’équilibre entre l’offre et la demande est traitée uniquement du côté de la production. Les réseaux électriques intelligents (smart grid en anglais) sont présentés comme une solution indispensable pour atteindre les objectifs environnementaux et énergétiques en matière de transition énergétique.
Un réseau électrique intelligent n’est pas un nouveau réseau électrique, il s’agit d’une évolution du réseau électrique actuel « classique » équipé de nouvelles technologies d’information et de communication. Les principales évolutions par rapport au réseau électrique classique tournent autour de quatre éléments phares présentés en Figure I-7.

Problématiques liées aux pics de consommation

Nous rappelons que le problème majeur d’un réseau électrique est le maintien de l’équilibre entre la production (l’offre) et la consommation (la demande) afin de gérer les pics de consommation. Les pics ou les pointes de consommation électrique sont les moments de la journée, ou de la saison, pendant lesquels la consommation d’électricité est la plus forte. Nous distinguons deux principaux types de pointes : la pointe journalière et la pointe saisonnière.

Définition

La pointe journalière représente le moment où la consommation électrique est la plus importante de la journée. Dans le cadre de la consommation électrique nationale, cette pointe est observée à 19h en hiver et à 13h en été, ainsi que le matin avec l’ouverture des commerces et le démarrage des activités des entreprises comme le montre la Figure I-8 représentant deux journées types : l’une en hiver, l’autre en été.
En France, les records de consommation se produisent l’hiver, directement liés aux vagues de froid, associés à l’utilisation massive du système de chauffage électrique.

Impacts sur le climat

Les impacts de l’électricité en termes d’émissions de GES ou la gestion des déchets, dépendent totalement de la manière dont l’électricité est produite. En France, cette production émane de plusieurs sources d’énergie classées en deux groupes : les sources de production non renouvelables et les sources de production renouvelables. Parmi les premières, on trouve les centrales nucléaires et les centrales thermiques à flammes. La particularité de ce type de production réside dans le fait que l’électricité est produite grâce à la chaleur dégagée, soit par la combustion des énergies fossiles (gaz, charbon, fioul) dans le cas des centrales thermiques à flammes, soit par l’énergie libérée lors d’une réaction de fission des noyaux d’uranium et de plutonium dans le cas des centrales nucléaires.
Les principales sources de production renouvelables sont les centrales hydrauliques, l’éolien, le solaire, la bioénergie. Dans ce cas, l’électricité est produite soit par l’énergie cinétique de l’eau (barrages, fleuves et rivières…) pour le cas des centrales hydrauliques, soit par l’énergie cinétique du vent pour le cas des éoliennes. Le principe reste globalement le même pour ces deux types de production renouvelables : l’énergie cinétique actionne les turbines génératrices d’électricité. En ce qui concerne l’énergie solaire, l’électricité est produite grâce à l’absorption de l’énergie des rayons du soleil, diffusée par la suite selon deux principaux modes de fonctionnement : le solaire photovoltaïque ou le solaire thermique. Pour le cas de la bioénergie, l’électricité est issue de la combustion de matériaux dont l’origine est biologique (ressources naturelles, cultures ou déchets organiques). On en distingue généralement trois catégories principales : le bois, le biogaz et les biocarburants.
Après avoir présenté les différentes sources de production, nous exposons dans ce qui suit la répartition de la production française d’électricité.

Impacts sur le coût d’énergie électrique

Les différentes sources de production telles que nous les avons mentionnées précédemment en section 3.2.2 sont utilisées selon un ordre de priorité, désigné en littérature sous le terme anglais « merit order ». En effet, les sources de production sont appelées dans un ordre croissant de leur coût marginal variable (coût de l’énergie primaire, coût des émissions de CO2, coût de maintenance, coût de mise en marche etc.). Selon cette logique, les premières unités appelées sont celles produisant de l’énergie renouvelable (solaire, éolien, hydraulique au fil de l’eau).
Comme indiqué dans le Tableau I-4, leur coût marginal est faible parce que non stockable, cette forme d’énergie est sollicitée en priorité. Les centrales nucléaires sont appelées en deuxième position, suivies des centrales thermiques à gaz, puis à charbon et au fioul. Lorsque les besoins sont élevés, au moment des pointes, les unités à forte capacité de production (notamment les centrales thermiques à flammes) sont appelées, même si leur coût marginal est plus élevé. Dans ces conditions, le prix d’électricité augmente puisque le prix du kWh doit intégrer de la dernière unité de production sollicitée (Figure I-12).

Positionnement international

Les travaux de recherche de l’université Lancaster en Angleterre [GE-15] [GE-16], visent à établir des modèles de prévision de la consommation d’une charge particulière : « le chauffeeau ». Le but principal est de préparer une base de données importante pour l’élaboration d’une stratégie de gestion de la demande fondée sur la prévision de la consommation d’eau chaude au niveau des maisons résidentielles individuelles. Leur choix s’appuie sur le fait que cette charge est considérée comme l’un des appareils les plus énergivores, dont la demande d’énergie peut être décalée dans le temps sans influencer le niveau de confort. Nous citons également les travaux de recherche de l’université de Varsovie, en Pologne [GA-17]. L’objectif principal est de proposer une approche d’amélioration de la prévision de la consommation électrique à l’échelle d’un habitat individuel. L’idée est de tenir compte des habitudes des consommateurs et de la fréquence d’utilisation des charges pour améliorer la qualité de la prévision.
Le problème de l’amélioration de la qualité de la prévision de la consommation résidentielle a été abordé également au sein de l’Ecole Polytechnique Fédérale de Lausanne en Suisse [HU- 13] et en Irlande par la School of Computing Science and Statistic [MA-13] [MA-14].
Ces travaux proposent une nouvelle méthode de prévision dynamique qui surveille la variation de la demande d’électricité résidentielle afin d’assurer l’amélioration continue de la qualité de la prévision. Cette dernière peut être impactée par l’incertitude des données météorologiques et les historiques de consommation utilisés comme paramètres d’entrées aux modèles de prévision. Ceci est confirmé par l’étude [GH-11], effectué au département de Génie Electrique et Biomédical à l’Université de Nevada, USA.
Tenant compte de l’aspect variable de la consommation journalière, l’article [KE3-15] décrit une méthode permettant d’identifier l’influence des tarifications d’énergie sur le comportement du consommateur. Cette étude est réalisée au sein du département de Gestion d’Energie en Allemagne (Fraunhofer Center for International Management and Knowledge Economy). Un système de prévision basé sur les réseaux de neurones est utilisé pour la prévision du comportement des charges résidentielles adaptée aux différents systèmes de tarifications à l’université Beira Interior, Covilha, au Portugal [PA-15].
En termes de gestion, nous citons les travaux de recherche de l’institut des technologies de l’information d’Islamabad au Pakistan [SA-18]. Ils proposent un système de gestion qui a pour principal objectif de gérer le fonctionnement des charges électriques de manière à offrir au consommateur des performances optimales en termes de réduction de la facture d’électricité, réduction des pics de consommation et amélioration du confort client.
Parmi les charges électriques les plus sollicitées dans les modèles de gestion des travaux cités précédemment, nous trouvons les charges à effet thermique telles que les systèmes de chauffage électrique, climatiseurs (ce sont les charges les plus sollicités au moment des pointes de consommation électrique). A titre d’exemple, un thermostat programmable à base de logique floue a été développé à l’Université Simon Fraser au Canada. Ce modèle de gestion vise non seulement à gérer l’énergie mais à assurer également un confort thermique aux clients, en tenant compte de la variabilité du prix d’énergie en fonction du temps [KE2-15].
A partir des travaux de recherche précités ci-dessus, à l’échelle nationale et internationale, de nombreuses questions peuvent se poser, pouvant identifier des idées et des conclusions pertinentes. Les questions proposées ainsi que les réponses associées sont regroupées dans le Tableau I-5.

Méthodes de prévision

Plusieurs méthodes de prévision de la consommation électrique ont fait l’objet de différentes tentatives de classification selon certaines caractéristiques telles que le type du modèle de charge, la nature des données à fournir au modèle, l’algorithme de prévision, le choix des horizons temporels, etc.
L’étude faite dans [GR-87] propose de classer les méthodes de prévision selon le profil de charge utilisé. La classification considère deux modèles basiques : le modèle de charge maximale et le modèle de la forme de charge. L’étude présentée dans [MO-97] regroupe les méthodes de prévision en deux catégories : les modèles en séries chronologiques et les modèles de régression. Les auteurs dans [SI-13] [BO1-95] [HA-09] [CH-01] proposent trois groupements : les méthodes classiques (comme la méthode de régression et le lissage exponentiel), les méthodes classiques modifiées (comme la méthode des séries chronologiques stochastiques) et les méthodes dites « soft computing », dont les principales composantes sont la logique floue, les réseaux de neurones, l’algorithme génétique. D’autres auteurs [KH-14] [MI-08] [CA-06] [FE-05] [BA-12] ont préféré des approches liées au choix des horizons temporels de la prévision à court, moyen ou long terme.
Compte tenu des objectifs de nos travaux de thèse, nous accordons une attention plus particulière aux techniques de prévision à court terme. Sur la base des travaux précédents, nous classerons les méthodes envisagées en trois catégories comme l’illustre le Tableau II-2.

Méthodes fondées sur l’Intelligence Artificielle

D’autres techniques de prévision basées sur l’intelligence artificielle sont également prisées comme l’algorithme génétique, la machine à vecteurs de support (SVM) [DE-17], les réseaux de neurones [BA-99] [DE-17], ou encore la logique floue [BA-99] [DE-17]. Nous nous limitons à présenter ces deux dernières méthodes car elles sont les plus répandues en matière de prévision de la consommation électrique.

Réseaux de neurones

Un Réseau de Neurones Artificiels (RNA) qu’on nomme en anglais « Artificiel Neural Network » (ANN), est un modèle mathématique inspiré des réseaux de neurones biologiques.
L’objectif de cette imitation est d’élaborer un système artificiel capable de reproduire des calculs complexes, semblables à ceux qu’effectue le cerveau humain [RE-10].
Un neurone artificiel k, présenté en la Figure II-7, est une modélisation mathématique de la réalité du neurone biologique comportant un ensemble de n entrées e1, e2, …, ei,… en, jouant le rôle des dendrites, auxquelles est associé un ensemble de n poids synaptiques W1 , W2 , … Wn dont la somme pondérée par ces poids est comparée à un seuil bk. La sortie sk, correspond à l’axone, est alors calculée à partir d’une fonction non linéaire f dénommée « fonction d’activation » telle que définie par la relation (II-21). Ce calcul fait référence au traitement d’information qui se déroule au niveau du corps cellulaire.

Logique floue

La logique floue, proposée par Zadeh en 1965, représente une extension de la logiquebooléenne classique. Elle permet d’exprimer différents niveaux au li eu de deux états VRAI ou FAUX. En ce sens, elle étend la logique booléenne classique avec des valeurs de vérités partielles. Elle consiste à tenir compte de divers facteurs numériques pour aboutir à une décision qu’on souhaite acceptable.
C’est une méthode basée sur des règles « si-alors-sinon », sur le modèle du raisonnement approximatif du cerveau humain. Elle est préoccupée par la quantification et le raisonnement en utilisant un langage qui permet des définitions ambigües, comme beaucoup, peu, petit, haut.
En d’autres termes, elle s’occupe des situations où la question qui est posée et la réponse obtenue contiennent des concepts vagues.
Le principe d’un système flou consiste à calculer des paramètres de sortie en fournissant au système un ensemble de règles formulées en langage naturel. Pour ce faire, trois étapes doivent être satisfaites : la fuzzification, le moteur d’inférences et la défuzzification.
La fuzzification transforme une donnée réelle (ou variable) en donnée floue appelée variable linguistique. On définit la plage de valeurs que peut prendre chaque variable comme une fonction allant de 0% à 100% caractérisant pour chaque variable son pourcentage d’affirmation (fonction d’appartenance). Prenons l’exemple d’une vitesse (en km/h) provenant d’un capteur de vitesse. Cette donnée numérique doit être transformée en une variable linguistique. Pour qualifier une vitesse, plusieurs variables linguistiques peuvent être utilisées : rapide, lente, modérée, très rapide, etc. A ce stade, il suffit de créer les fonctions d’appartenance correspondantes aux différentes variables linguistiques, comme montré sur la Figure II-12.

Comparatif des méthodes de prévision

Les méthodes de prévision à court terme apportent leur lot d’avantages, mais aussi d’inconvénients, dont nous nous efforcerons de faire la synthèse à partir du Tableau II-7 afin de dégager la/les méthodes la/les plus adaptée(s) à notre problématique.
Au terme de cette comparaison, nous nous intéressons aux techniques de prévision de la consommation électrique, basées sur l’intelligence artificielle, qui ont été développées récemment et donnent des résultats encourageants, telle que la méthode du RNA. Cette méthode est particulièrement adaptée pour la prévision de la consommation d’électricité en général et en particulier au niveau du secteur résidentiel. Les RNA apportent de meilleurs résultats par rapport aux autres méthodes de prévision dans le cas où il est difficile d’établir une relation linéaire entre les entrées et les sorties du système. En effet, cette méthode est capable de gérer les relations non linéaires entre la charge et les facteurs l’affectant directement à partir de données historiques. Elle offre donc un avantage qui peut répondre aux contraintes réelles de la consommation électrique d’un habitat.

Table des matières
Liste des figures 
Liste des tableaux
Introduction générale
Chapitre I. Contexte énergétique 
1. Introduction
2. Contexte énergétique
2.1. Evolution de la consommation électrique
2.2. Transition énergétique
3. Problématiques liées aux pics de consommation
3.1. Définition
3.2. Conséquences des pics de consommation vues du réseau de transport / distribution
4. Qui consomme le plus d’énergie en France ?
4.1. Répartition sectorielle de la consommation électrique
4.2. Déterminants de la consommation énergétique domestique
5. Positionnement des travaux de thèse
5.1. Positionnement national
5.2. Positionnement international
6. Cahier des charges
6.1. Contexte et objectifs de la thèse
6.2. Système d’alimentation électrique dans l’habitat
7. Conclusion
Chapitre II. Etat de l’art des méthodes de prévision 
1. Introduction
2. Définitions
2.1. Qu’est-ce qu’une « prévision » ?
2.2. Horizons temporels de prévision
2.3. Indicateurs de la qualité de la prévision
3. Méthodes de prévision
3.1. Méthodes déterministes
3.2. Méthodes probabilistes
3.3. Méthodes fondées sur l’Intelligence Artificielle
3.4. Comparatif des méthodes de prévision
4. Conclusion
Chapitre III. Analyse des données de consommation électrique dans l’habitat 
1. Introduction
2. Analyse temporelle
2.1. Consommation électrique régionale
2.2. Consommation électrique d’un habitat individuel
3. Analyse statistique des profils
3.1. Répartition statistique des données
3.2. Application au profil de charge d’un habitat individuel
4. Etude de corrélations
4.1. Définition des outils mathématiques
4.2. Influence des paramètres météorologiques
4.3. Influence des historiques de consommation
5. Conclusion
Chapitre IV. Implémentation du modèle de prévision
1. Introduction
2. Approche théorique
2.1. Structure du Perceptron Multicouches (PMC)
2.2. Modélisation du réseau de neurones type PMC
2.3. Mise en œuvre de l’algorithme de rétropropagation
3. Application au niveau régional
3.1. Définition de l’architecture du réseau
3.2. L’entraînement du réseau
3.3. Exploitation à la prévision des consommations
4. Application au niveau d’un habitat individuel
4.1. Prévision de la consommation électrique des appareils électrodomestiques
4.2. Prévision de la consommation du chauffage électrique
5. Qualité de la prévision
5.1. Au niveau régional
5.2. Au niveau résidentiel : habitat individuel
6. Conclusion
Chapitre V. Etat de l’art des méthodes de gestion de la consommation électrique résidentielle
1. Introduction
2. Enjeux de la gestion des charges électriques
2.1. Usage de l’électricité dans l’habitat
2.2. Besoin en énergie dans le bâtiment résidentiel
2.3. Les charges les plus appropriées pour une gestion
3. Méthodes de gestion indirecte
3.1. Campagnes de sensibilisation à la transition énergétique
3.2. Tarification dynamique
3.3. Programmes de gestion de charges électriques
4. Méthodes de gestion directe
4.1. Méthodes classiques
4.2. Méthodes basées sur des règles
4.3. Méthodes basées sur des algorithmes d’optimisation
4.4. Méthodes préventives
4.5. Comparatif et verrous des méthodes de gestion
5. Conclusion
Chapitre VI. Implémentation d’une stratégie de gestion de la consommation électrique dans l’habitat
1. Introduction
2. Méthodologie proposée pour la gestion des consommations électriques
2.1. Structure générale
2.2. Classification des charges d’un habitat individuel
2.3. Allocation des priorités des charges électriques
2.4. Traitement des priorités des charges
3- Mise en œuvre et résultats de simulation
3.1. Description du cas d’application
3.2. Consommation électrique sans gestion des charges électriques
3.3. Cas des radiateurs seuls
3.4. Cas des charges électrodomestiques seules
3.5. Cas de l’ensemble des charges électriques
3.6. Application de l’algorithme de gestion sous une puissance restante plus restrictive
4- Conclusion
Chapitre VII. Apport de la prévision à la gestion de la consommation électrique 
1. Introduction
2. Association de la Prévision à la Gestion de la consommation électrique (APG)
2.1. Définition de la problématique
2.2. Structure générale de l’algorithme APG
2.3. Principe de fonctionnement
3. Mise en œuvre et résultats de simulation
3.1. Application de la méthode APG avec un horizon de prévision = 1 minute
3.2. Application de la méthode APG avec un horizon de prévision = 16 minutes
4. Conclusion
Conclusion générale & Perspectives
Annexes
Références bibliographiques

Lire le rapport complet