Demande d’électricité du secteur résidentiel du Québec 

La particularité de la puissance électrique dans les bâtiments au Québec fait appel à la compréhension de la facture annuelle des clients résidentiels. Selon les statistiques sur la répartition de la puissance électrique par usage, données par Hydro-Québec [Il], la puissance d’ électricité se décompose de la façon suivante: le chauffage des locaux prend la plus grande partie de la facture d’électricité avec plus de 54% de la consommation d’ électricité par utilisation. Tandis que, le chauffe-eau peut représenter jusqu’à 20% de la facture d’énergie, particulièrement pour ceux ayant une grande famille qui consomme beaucoup d’eau chaude. Les appareils ménagers consomment 18%, cette puissance se répartit comme suit: le réfrigérateur 33%, la sécheuse 18%, la cuisinière 15%, et autres charges. Enfin, l’éclairage et autres appareils ne consomment globalement que 5% et 3%, respectivement [Il], [16].

Bien que le chauffage de l’espace est la principale charge qui a un impact significatif sur la facture d’électricité pendant les hivers froids, les tarifs d’électricité demeures concurrentiels selon les données fournies par la société d’état en 2014. C’est d’ailleurs au Québec qu’on trouve le tarif le moins cher par kilowattheure, comparé à la plupart des provinces canadiennes et des États Unis [ 17]-[ 19].

La problématique de la prévision de la demande d’électricité dans les résidences situées dans les régions nordiques comme le Québec met en jeu des facteurs divers et variés qui rendent la puissance fluctuante. Cette dernière est déterminée principalement par trois facteurs: les conditions météorologiques de la région (principalement la température extérieure), les caractéristiques du bâtiment et les habitudes de consommation. D’autres facteurs, en revanche, interviennent indirectement dans le processus de prévision, par exemple, les incertitudes des prévisions des conditions météorologiques, les incertitudes sur le comportement des habitants et les modèles choisis, les contraintes liées aux données mesurées et à la fréquence d’échantillonnage, etc [21 ]. La présence de ces incertitudes entraîne une volatilité dans la précision de la prévision de la demande. Dans cette sous-section, nous décrirons en particulier les trois premiers facteurs clés qui font varier la puissance électrique.

Conditions météorologiques: Température extérieure

Parce que la position géographique du Québec est soumise à un grand écart de température dans une journée, lors des périodes de grand froid, la température extérieure a un impact très important sur la demande énergétique de chauffage électrique. L’appel de puissance de ces charges s’étale de novembre à mars, avec une demande d’électricité qui occupe environ 60%.

Les pics importants de la demande d’électricité (pics encerclés en noir) correspondent aux pics des températures journalières moyennes. Cette situation particulière influence profondément la demande d’électricité des occupants québécois et augmente à la fois la demande et les variations des pics en puissance.

Caractéristiques du bâtiment 

Au Québec, une grande majorité des bâtiments résidentiels sont faits avec une ossature de bois qui est privilégiée par rapport à celle en acier en raison des besoins d’isolation imposés par les baisses de température. Pour cette raison, le bâtiment québécois doit être muni d’un système d’isolation thermique de qualité pour assurer une consommation énergétique efficace.

Les habitudes de consommation

La présence et les habitudes des occupants ont aussi un impact considérable sur la variation de la demande d’électricité des bâtiments résidentiels. Le comportement et les activités aléatoires des occupants figurent parmi les facteurs explicatifs des écarts entre la consommation réelle mesurée et les prévisions. Dans ce sens, le nombre d’occupants a ainsi une incidence sur le degré d’utilisation des appareils électriques énergivores. Les phénomènes comportementaux causés par les activités et le mode de vie des occupants sont directement liés à la variable temporelle, et incluent la tendance saisonnière, les tendances hebdomadaires, journalières et horaires. Ces tendances peuvent caractériser les changements dans la demande entre les weekends, les jours fériés et les jours ouvrables. Dans certains cas, ces tendances sont utilisées pour identifier le calendrier temporel sur les actions telles que, l’utilisation des appareils électriques, ainsi que la gestion des consignes de chauffage. L’introduction de l’effet temporel ou calendaire dans la prévision de la demande pourrait permettre d’élaborer des scénarios réalistes du temps d’utilisation d’électricité liée à l’activité des occupants. Ces scénarios admettent une meilleure compréhension de la demande résidentielle d’électricité des bâtiments, mais également une gestion plus précise de cette demande [24].

Bénéfices de la prévision de la demande d’électricité des bâtiments 

Les prévisions de la demande d’électricité faite dans le contexte du REl peuvent se faire au niveau du gestionnaire du réseau et aussi au niveau du consommateur. Toutefois, la plupart des études de modélisation et de prévision ont été réalisées à l’échelle de l’utilité qui est propriétaire de toutes les informations de puissance agrégée de l’ensemble des maisons, de quartier et voir de ville.

Par contre, la réalisation de cette prévision au niveau du client apporte plusieurs avantages, car il est possible d’agir sur la gestion locale de sa demande. À titre d’exemple:
– Permet au client de prendre des décisions en temps-réel sur la gestion de sa puissance [25], et ce, afin d’aider ce dernier à corriger ou changer ses habitudes et optimiser sa demande en électricité. Par exemple, un rapport détaillé sur la consommation thermosensible 2 pourra aider l’utilisateur à détecter une demande de puissance, en proposant une amélioration de l’isolation de sa résidence, ou en changeant la consigne de la température intérieure, etc.
– Permet d’améliorer le pouvoir explicatif qui a été souvent négligé dans la prévision de la demande et ceci par une dissociation de l’ensemble des facteurs qui causent une puissance élevée. Par exemple, la connaissance de la dépendance entre la puissance totale et la température extérieure peut aider le client à expliquer la portion de la puissance due seulement à la température, en excluant les effets du vent et le soleil.
– Permet de déterminer les moments et les activités qui sont à la base de certaines surconsommations afin d’aider le client à mieux planifier sa demande, ou intégrer d’autres sources d’énergies renouvelables [27].

Dans ce cas, l’utilité doit profiter de cette nouvelle situation pour laquelle des millions de clients peuvent passer d’un statut de consommateur à celui de fournisseur et gestionnaire de leur demande d’énergie, et cela permettrait d’alléger la charge sur le réseau et de diminuer la dépendance à l’égard des opérateurs [27].

Toujours auprès du client, voici trois sources de données qui peuvent être utilisées afin de réaliser la prévision de la demande d’électricité en exploitant l’infrastructure de mesurage avancée existante :
– Compteur électrique intelligent;
– Informations générées par les charges électriques;
– Données météorologiques.

Compteur électrique intelligente: Avec la venue de ce produit technologique intelligent, plus de 4.8 millions de compteurs intelligents ont été installés dans des maisons en Ontario, en 2014 [28], et 3.75 millions dans toute la province de Québec d’ici 2018 [29]. Avec cette source de données, il devient possible de communiquer dans les deux sens, vers les clients et vers l’utilité. Il peut recevoir des informations qui viennent du gestionnaire de réseau de distribution, comme il peut aussi recevoir  de l’information relative aux clients. Avec le compteur intelligent qui mesure et analyse l’information en temps-réel, un grand nombre de données de l’énergie consommée deviennent disponibles. L’ensemble de ces données contribue à une meilleure compréhension de la demande électrique du bâtiment et également à une gestion plus précise de la demande [30]. De plus, le client peut connaître sa consommation en kilowattheures en temps-réel de jour en jour et même d’ heure en heure [31 ], au lieu d’une consommation cumulative tous les deux mois.

En outre, les compteurs intelligents offrent la possibilité, à l’ avenir, de recueillir les données directement auprès du client, plutôt que les demander à l’utilité. Pour, le marché de l’énergie électrique par exemple: OpcnEnergyMonitor  propose d’utiliser des capteurs moins chers qui mesurent la quantité d’énergie qui passe directement à travers le compteur. Un exemple de ces capteurs Optical Utility Meter LED Pulse Sensor à 34 CAD peut lire exactement ce que le compteur mesure [32].

Table des matières

Chapitre 1 – Introduction 
1.1 Demande d’électricité du secteur résidentiel du Québec
1.1.1 Conditions météorologiques: Température extérieure
1.1.2 Caractéristiques du bâtiment
1.1.3 Les habitudes de consommation
1.104 Bénéfices de la prévision de la demande d’électricité des bâtiments
1.2 Problématique
1.2.1 Objectifs de la thèse
1.2.2 · Contributions
1.2.3 Structure de la thèse
Chapitre 2 – État de l’art 
2.1 Horizon de prévision
2.2 Formulation et aspects généraux du problème de prévision
2.2.1 Modèles boîte blanche
2.2.2 Modèles boîte grise
2.2.3 Modèles boîte noire
2.3 Apprentissage Statistique
2.3.1Régression paramétrique
2.3.2 Modèles non-paramétriques
2.3.1.1Maximum de vraisemblance et moindres carrées
2.3.1.2 Modèles de régression linéaire
2.3.1.3Modèles paramétriques populaires dans le domaine
2.3.1.4 Modèles paramétriques non- linéaires.
2.3.2.1 Cas multivarié
2.4 Synthèse du chapitre
Chapitre 3 – Modélisation et prévision de la composante thermosensible
3.1 Introduction
3.2 Description de la base de données
3.3 Analyse de la relation entre la demande d’électricité et la température
3.3.1 Méthodologie d’apprentissage adaptatif
3.3.2 Caractéristiques de la composante thermosensible
3.3.3 Évaluation de la performance thermique du bâtiment
3.4 Résultats et discussions
3.4.1Méthodes de comparaison
3.4.2Évaluation de la précision de la prévision.
3.4.1.1Résultats d’un cas d’étude.
3.4.1.2Analyse de sensibilité
3.4.2.1 Résultats d’un cas d’étude.
3.5 Synthèse du chapitre
Chapitre 4 – Modélisation et prévision de la composante résiduelle
4.1 Introduction
4.2 Caractéristiques de la composante résiduelle.
4.2.1 Incertitude agissant sur le résiduel
4.2.1.1Incertitude liée au modèle et à l’estimation des paramètres
4.2.1.2Incertitude liée aux mesures
4.2.1.3 Incertitude liée aux données météo
4.2.2 Données et méthodes
4.2.2.1 Cyclicité dans la composante résiduelle
4.2.2.2 Données de la composante résiduelle
4.3 Méthodologie de modélisation de la composante résiduelle
4.3.1 Modèle linéaire
4.4 Cadre comparatif
4.4.1 Résultats et Discussion
4.4.1.1 Résultats de prévision de la composante résiduelle
4.4.1.2 Résultats de prévision de la demande d’électricité
4.4.1.3 Explication du second résidu
4.5 Synthèse du chapitre
Chapitre 5 – Conclusion

Cours gratuitTélécharger le document complet

 

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *