Load models for operarion and planning of electricity distribution networks with metering data
Résumé
From 2010, ERDF (the French electricity distributor) started the "Linky" project, which aims at implementing 35 million residential smart meters in France. These smart meters record consumption of electric energy every half hour and communicate this information to the remote data center for monitoring and billing purposes. The detailed electricity consumption information enables more accurate load models. In this context, two objectives are defined in the dissertation: the designs of load forecasting models for operation need and load estimation models for planning need. Two forecasting models are developed: one explores the mathematical formalism of time series and the other is based on the neural network mechanism. Both the two models forecast the electricity power consumptions of "D+1" and "D+2" with the prior knowledge of the information till day "D". A nonparametric load estimation model is proposed for the planning need. The model is compared to the "BAGHEERA" model, which is actually used by the ERDF for the same purpose. Completely driven by the individual consumption data, the model is presented with three variants: three nonparametric regressors (Nadaraya Watson, Local Linear and Adapted Local Linear). Validation scenarios by comparing with "BAGHEERA" model on the same data base showed that the nonparametric model is more accurate and adapts to the smart grid paradigm. All models presented in this dissertation are tested and validated with the real load data collected in the French distribution network.
En 2010, ERDF (le distributeur d'électricité Français) a entamé la mise en place du projet " Linky " dont l'objectif est d'installer 35 millions de compteurs intelligents en France. Ces compteurs permettront de collecter les données de consommation en " temps réel ", avec lesquelles des modèles de charge plus précis pourront être envisagés. Dans ce contexte, cette thèse définit deux objectifs: la définition de modèles prédictifs de charge pour la conduite et la conception de modèles d'estimation de charge pour la planification. En ce qui concerne la conduite, nous avons développés deux modèles. Le premier exploite le formalisme mathématique des séries chronologiques ; le second est basé sur le réseau de neurones. Les deux modèles cherchent à prévoir la charge des jours " J+1 " et " J+2 " à partir des informations collectées jusqu'au jour " J ". Quand à la planification, un modèle non paramétrique est proposé et comparé avec le modèle actuel " BAGHEERA " d'EDF. Le modèle non paramétrique est un modèle individuel configuré par les relevées compteurs. Trois régresseurs non paramétriques (Nadaraya Watson, Local Linear et Local Linear adapted) sont proposés. Les scénarios de validation montrent que le modèle non paramétrique est plus précis que le modèle " BAGHEERA ". Ces nouveaux modèles ont été conçus et validés sur de vraies données collectées sur le territoire français.