Estimation de synchrones de consommations électriques avec calage dynamique sur des données de relevés d’index asynchrones

  • Anne De Moliner

Résumé

Afin d’appuyer les directions opérationnelles d'ERDF qui doivent équilibrer l'offre et la demande d'électricité à tout instant, les statisticiens d'EDF R&D ont besoin d’estimer le plus précisément possible la consommation d’électricité au pas demi-horaire, au périmètre de différents groupes de clients. Ces estimations sont réalisées à partir d’échantillons de clients, et recalées à l’aide des relevés d'index de consommation électriques disponibles pour l’exhaustivité de la population : la différence entre les index relevés à deux dates correspond en effet à la consommation électrique totale du client entre ces dates. Cependant ces relevés de consommation, bientôt disponibles à un rythme mensuel, sont avant tout destinées à la facturation et donc sont réalisés à des dates différentes pour chacun. On sort donc du cadre classique du calage, où l’information auxiliaire recouvre la même réalité pour toute la population. Dans cet article, nous proposons d’adapter les techniques usuelles du calage à notre contexte où on estime des courbes à partir d’une information auxiliaire non synchrone qui évolue au cours du temps. Les méthodes proposées seront testées sur un jeu de données réelles. The French Company Electricité de France needs to estimate as precisely as possible the electricity consumption at an aggregated level at an half-hourly timestep. These estimations are carried out based on customers samples and can be enhanced by using individual metering data collected every six months (every month in the near future) for each client of the population. However, these metering data are gathered for billing purposes so the metering does not occur simultaneously for all the population. For this reason, we cannot apply directly the usual calibration techniques so, in this article, we propose to adapt them to our context where we estimate an aggregated curve using an asynchronous auxiliary information evoluting over time. The performances of our methods will be assessed on a real dataset.
Publiée
2015-03-29
Rubrique
Article