Encon Sustainability Award – Energy
Nous sommes ravis de vous présenter l’un de nos trois finalistes du Prix Encon du développement durable – tous jeunes, enthousiastes et talentueux ! Maximillian s’est qualifié pour la finale grâce à son mémoire intitulé « Prévision de la consommation d’électricité à un jour sur le réseau de distribution basse tension à l’aide de variables externes et d’une fonction objectif personnalisée ».
Faites défiler la page vers le bas pour lire le résumé de Maximillian !
Prévision de séries chronologiques à un jour de la consommation d’électricité sur le réseau de distribution basse tension
Une révolution énergétique est en marche, motivée par la prise de conscience que notre mode actuel de production et de consommation d’énergie n’est pas durable. De nouvelles technologies, telles que les pompes à chaleur électriques et les véhicules électriques, apportent une solution à ce problème. Mais ces changements constituent également un défi pour notre réseau électrique. Comme ces nouvelles technologies nécessitent beaucoup d’électricité, les risques de congestion du réseau électrique au niveau du réseau de distribution basse tension (RDBT) deviennent plus fréquents.
Prévoir à l’avance une congestion potentielle peut permettre aux gestionnaires de réseau de distribution (GRD), tels que Fluvius, de prendre des mesures préventives pour l’éviter. Ces prévisions nécessitent à la fois une bonne connaissance de la configuration du réseau électrique et des prévisions précises à un jour de la consommation d’électricité au niveau des ménages. Cette thèse vise à améliorer le volet prévisionnel, en mettant en œuvre des modèles d’apprentissage automatique (ML). Ces modèles permettent d’apprendre le comportement de consommation d’électricité de différents ménages à partir de données historiques de consommation et d’identifier les paramètres externes, tels que la météo ou le trafic, qui influencent ce comportement.
Le modèle de régression Extreme Gradient Boosting (XGB) a été choisi pour sa grande précision et son interprétabilité, comme en témoignent les nombreux concours de prédiction remportés par des implémentations utilisant XGB. Le modèle est mis en œuvre sous forme d’algorithme de prévision sur un ensemble de données librement accessible, fourni par Fluvius. Cet ensemble de données contient les données de consommation d’électricité par quart d’heure de 100 foyers en Belgique pour l’année 2016. Malheureusement, le modèle XGB ne parvient pas à prédire les pics hautement aléatoires présents dans les données de consommation. Cela est dû à ce que l’on appelle la « pénalité de double pic », qui découle du fait qu’un pic prédit avec un léger décalage temporel génère à la fois l’erreur liée à la prédiction erronée du pic et le pic réel qui n’a pas été prédit. Cela conduit les modèles d’apprentissage automatique traditionnels à ne prédire que la consommation de base. Or, pour les gestionnaires de réseau de distribution, le comportement des pics est essentiel pour prévenir la congestion, car il détermine la consommation électrique maximale observée dans le LVDG. C’est ce qui motive l’adaptation du modèle afin de permettre un léger décalage temporel entre le pic prédit et le pic réel, mise en œuvre via une fonction objectif personnalisée sur laquelle le modèle est optimisé. Cela donne des résultats prometteurs pour certains foyers. Mais pour d’autres, le modèle de référence, basé sur l’autocorrélation maximale des données historiques de consommation, surpasse le modèle XGB personnalisé.