Aller au contenu principal

Prévisions de production et de consommation d'électricité

Utilisez nos modèles et bases de données d’IA pour industrialiser vos modèles de prévision en y intégrant vos contraintes métier.

Case Study

Utiliser les prévisions météo afin de prédire la consommation et la production d'électricité sur le réseau de distribution à différentes mailles à court et à long terme.

Contexte

Notre client souhaite renforcer son rôle d’opérateur de données et s’est engagée dans une dynamique d'ouverture des données. Il s’agit de mettre à disposition des analyses telles que l'évolution de la consommation et des productions raccordées au réseau de distribution publique géré par notre client ou des informations sur les moyens mis en œuvre et les résultats obtenus. Dans un soucis d’intégration sur le réseau de distribution de la production d’énergie renouvelables, de nombreuses activités internes à notre client nécessitent des prévisions toujours plus efficaces de la consommation ainsi que de la production énergétique intervenant sur le réseau.

 

Notre approche

La consommation électrique en France est fortement dépendante de la température, ceci est en grande partie due à un chauffage électrique largement répandu chez les particuliers et sur le réseau.

SYPEL (Système des Prévisions Électriques) est l’outil de référence des prévisions d’énergie et des données météorologiques chez notre client. Le besoin fondamental auquel le projet répond est la mise à disposition quotidienne de prévisions énergétiques de consommation (au niveau des 2200 postes sources) et de production d’électricité (les 7700 producteurs télé-relevés : fermes éoliennes, parcs photovoltaïques, cogénération, etc) à la maille locale, et de pertes à la maille nationale.

Ces prévisions, qui couvrent ainsi plusieurs échelles spatiales, se divisent également selon différents horizons temporels. L’outil SYPEL fournit des prévisions pour le Court-Terme (d’un horizon de quelques heures à un horizon de deux semaines), pour le Moyen-Terme (de l’ordre du mois) et pour le Long-Terme (de l’ordre de l’année).

Facteurs clés

  • Reconstitution des historiques de consommation énergétiques à la maille des Postes Sources à partir de l'énergie soutirée et injectée
  • Récupération de prévisions météorologiques sur l’ensemble du pays divisées en 10 produits météo
  • Modélisation des composantes de la consommation dépendant à la fois de variables temporelles, calendaires, météorologiques et de consommation historique à l’aide de modèles linéaires additifs généralisés (GAM) ou d’ arbres de décisions (XGBoost) 
  • Amélioration continue des résultats des moteurs de prévision à l’aide de méta-modèles calibrés sur l’erreur passée des modèles brutes

 

Résultats

  • Traitement horaire et intégration sous forme de données tabulaires des prévisions météo 
  • Stockage des données météo depuis 1980
  • Prévisions de consommation à l'échelle nationale avec une erreur de 1 à 2%
  • Prévisions de consommation à la maille des postes source avec une erreur de 6 à 7% en moyenne

 

 

Nos équipes d’experts en Data Science vous accompagnent dans l'industrialisation des modèles de prévision. Notre expertise multi-sectorielle en particulier dans le domaine de l'énergie nous permet d’intégrer rapidement les contraintes métier associées. En outre, nos ingénieurs données ont mis en place une plateforme d’hébergement qui accélère l’industrialisation des projets data science. Cet accélérateur permet de s’affranchir des contraintes de stockage ou de gestion des serveurs. 

Heka est l'écosystème des solutions d’Intelligence Artificielle développées par Sia Partners. Ces solutions, héritées d'années de développement et d'expérience, dotent nos clients des outils industriels nécessaires pour répondre à des problèmes récurrents auxquels la datascience apporte une réponse convaincante.