Short-term load forecasting and home energy management

Dans cette thèse, un modèle de prévision à court-terme de la demande électrique basé sur les réseaux de neurones artificiels, a été développé. Tout d’abord, un soin particulier a été porté à la sélection des variables d’entrées pertinentes de ce modèle. Ensuite, il a été utilisé pour reproduire les courbes de charge à l’échelle d’un habitat individuel et à l’échelle d’une région. La comparaison entre ces deux niveaux d’agrégation a souligné les limites des indicateurs d’évaluation de la qualité de la prévision. A l’issue de cela, des nouveaux indicateurs adaptés aux profils de charges résidentiels, ont été créés. Notamment pour la détection des erreurs sur les périodes de pointe. Les travaux de thèse exposent également une démarche de gestion de la demande des charges électrique. La particularité de cette stratégie développée réside dans la participation du consommateur à la réduction de la pointe de la consommation électrique et au profit des tarifs avantageux d’électricité en heures creuses, ce qui fait de lui un consom’acteur. Un accent sera également mis sur le confort du consommateur. Le principe consiste à établir une allocation des ordres de priorités aux charges électriques. En fonction de celles-ci et en fonction d’une puissance de consigne à respecter, l’algorithme accorde une satisfaction (ou non) aux demandes d’activation des charges. Faute de puissance exploitable suffisante, les demandes non satisfaites, en particulier, issues des chauffages, peuvent impacter le confort thermique de l’usager. Afin de remédier à ce problème, la méthodologie de gestion a été améliorée en lui associant la prévision à court-terme de la consommation des charges. Cette prévision permet d’identifier les chauffages dont l’activation va être interrompue dans un horizon futur et anticipe leur activation sous contraintes liées à la puissance et aux ordres de priorité. Les résultats obtenus sont prometteurs et permettent de valider l’efficacité des méthodologies proposées.In this thesis, a short-term forecasting model of electricity demand based on artificial neural networks was developed. First of all, particular care was taken in the selection of the relevant input variables of this model. Then it was used to reproduce the load curves at the scale of an individual housing and at scale of a region. The comparaison between these two levels of aggregation highlighted the limitations of the indicators for assessing the quality of the forecast. As a result, new indicators adapted to residential load profiles were created. In particular for error detection during peak periods. The thesis work also presents an approach to managing the demand for electrical loads. The particularity of this strategy lies in the consumer’s participation in reducing peak electricity consumption and in benefiting from advantageous off-peak electricity rates, which makes him an active consumer. Emphasis will also be placed on consumer comfort. The principle consists in establishing an allocation of priorities to electrical loads. Depending on these and on a setpoint power to be respected, the algorithm grants a satisfaction (or not) to the requests for activation of the loads. In the absence of sufficient usable power, unmet demand, in particular from heating systems, can impact the thermal comfort of the user. In order to remedy this problem, the management methodology has been improved by combining it with the short-term forecasting of load consumption. This forecast identifies the heaters whose activation will be interrupted in the future and anticipates their activation under power and priority constraints. The results obtained are promising and validate the effectiveness of the proposed methodologies