Note ABES Analyse des courbes de charge d'électricité et prédiction à court terme dans les secteurs rédidentiel et tertiaire. Analysis of electricity load curves and short-term prediction in the residential and tertiary sectors Prévision de la charge électrique Court terme Secteur résidentiel Secteur tertiaire Approche industrielle Échelle du consommateur Courbes de charge volatiles Échelle des ménages Charge agrégée Prévision probabiliste Electric load forecasting Short term Residential sector Tertiary sector Industrial approach Consumer scale Volatile load curves Household scale Aggregate load Probabilistic forecast 519 Charge et distribution électriques Prévision Probabilités Compteurs électriques intelligents Le déploiement massif des compteurs intelligents dans le secteur résidentiel et tertiaire a permis de récolter des données de consommation électrique de haute fréquence à l’échelle des consommateurs (particuliers, professionnels, . . .). Ces données constituent une matière première pour les recherches sur la prévision de la consommation de l’électricité à cette échelle. La majorité de ces recherches visent largement à répondre aux besoins du milieu industriel comme les applications dans le contexte des maisons intelligentes ainsi que les programmes de la gestion et de la réduction de la consommation. L’objectif de ce travail est de déployer ou mettre en œuvre des modèles de prévision de la charge électrique à court terme (J + 1) à l’échelle des consommateurs qui seront intégrés dans des applications à des fins industrielles. La complexité du sujet réside dans le fait que les données de consommation à cette échelle sont très volatiles. En effet, elles comprennent une grande quantité de bruit et dépendent du mode de vie du consommateur et de ses habitudes de consommation. De plus, le déploiement de ces modèles dans des applications industrielles ajoute une certaine complexité supplémentaire au sujet. Durant cette thèse, plusieurs modèles ont été déployés pour la prévision de charge des ménages en tenant compte de différentes contraintes industrielles. Les modèles ont été testés et évalués sur un grand échantillon de courbes de charges disparates du secteur résidentiel et tertiaire. Une approche a été proposée également pour la prévision des courbes de charge les plus volatiles. Ensuite, nous avons étudié l’impact de l’utilisation des prévisions à l’échelle des ménages sur la prévision de la charge agrégée. Les modèles testés ont été également adaptés pour répondre aux besoins en prévision de l’entreprise pour d’autres portefeuilles. The widespread deployment of smart meters in the residential and tertiary sectors has enabled the collection of high-frequency electricity consumption data at the consumer level (households, businesses, . . ..). This data constitutes raw material for research on predicting electricity consumption at this scale. Most of this research is largely focused on meeting the needs of the industrial sector, such as applications in the context of smart homes and programs for managing and reducing consumption. The goal of this work is to deploy or implement short-term (D + 1) electricity load forecasting models at the consumer level that will be integrated into industrial applications. The complexity of the subject lies in the fact that consumption data at this scale is very volatile, including a high level of noise and depending on the consumer’s lifestyle and consumption habits. Additionally, the deployment of these models in industrial applications adds further complexity to the subject. In this thesis, several models were deployed for forecasting household load, taking into account various industrial constraints. The models were tested and evaluated on a large sample of diverse residential and tertiary sector load curves. An approach was also proposed for forecasting the most volatile load curves. Then, we studied the impact of using household-level predictions on the prediction of aggregated load. The tested models were also adapted to meet the needs of the company’s forecasting for other portfolios. Electronic Thesis or Dissertation Text fr PDF 68102268 Université de Strasbourg Strasbourg 2023-12-31 https://theses.hal.science/tel-04342308 application/pdf 68073237 https://publication-theses.unistra.fr/public/theses_doctorat/2023/FAHS_Fatima_2023_ED269.pdf http://www.theses.fr/2023STRAD031/abes https://theses.hal.science/tel-04342308 https://theses.hal.science/tel-04342308 https://theses.hal.science/tel-04342308 https://theses.hal.science/tel-04342308 Fahs Fatima 1992-12-07 FR 273818872 0EFB1Q02MI4 21514675 4200001 https://theses.fr/2023STRAD031 2023STRAD031 https://doi.org/10.70675/c0684ae3z7e02z4860z89d1z66077a307e66 2023-06-19 Mathématiques Strasbourg 131056549 Doctorat Docteur es non oui Lachiche Nicolas MADS_DIRECTEUR_DE_THESE_1 145162761 Maumy Myriam MADS_DIRECTEUR_DE_THESE_2 050228439 Bertrand Frédéric MADS_DIRECTEUR_DE_THESE_3 128458585 Birmelé Étienne MADS_PRESIDENT_DU_JURY 082335605 Lachiche Nicolas MADS_MEMBRE_DU_JURY_1 145162761 Fouladirad Mitra MADS_MEMBRE_DU_JURY_2 130561746 Dabo-Niang Sophie MADS_MEMBRE_DU_JURY_3 070941696 Cugliari Jairo MADS_RAPPORTEUR_1 155897004 Niang-Keita Ndèye MADS_RAPPORTEUR_2 179489879 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Institut de recherche mathématique avancée (Strasbourg) MADS_PARTENAIRE_DE_RECHERCHE_1 93707 026571641 ddc:510 Lachiche Nicolas Maumy-Bertrand Myriam Bertrand Frédéric Birmelé Étienne Lachiche Nicolas Fouladirad Mitra Dabo-Niang Sophie Cugliari Jairo Niang-Kéïta Ndèye École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Institut de recherche mathématique avancée (Strasbourg) PDF 68102268