138
production et de charge pour prédire à courte échéance (30 minutes) avec une granularité fine (30
secondes) les erreurs de zone de contrôle. Un tel modèle pourrait être intégré à un module de contrôle
de fréquence (LFC) dans le cadre de l’activation d’un système de réserves de restauration de fréquence
(aFRR)
Mobilité électrique
Si tous les véhicules électriques en France se chargeaient tous en même temps, ils pourraient
consommer la moitié de la puissance installée en France.
Le machine Learning permet d’élaborer des modèles de prédictions à partir des courbes de charge et
décharge, ainsi que de la puissance des véhicules et de l’historique d’utilisation, afin d’optimiser la
charge du véhicule électrique sans mettre en risque le réseau.
Pour une entreprise, ces modèles peuvent aussi, en cas de surcharge réseau, permettre d’utiliser les
batteries de véhicules pour alimenter ses propres équipements.
Prévision de courbe de charge à la maille locale
A partir des données de météo, de couverture nuageuse, mais aussi d’activité économique, il est
possible de prévoir les profils de consommation à la maille nationale jusqu’à la maille territoriale.
Avec des algorithmes de Machine Learning, il est possible d’affiner la prévision jusqu’à la maille
locale voir d’un quartier
Références bibliographiques
[1] Pompey, P., Bondu, A., Goude, Y., & Sinn, M. (2015). Massive-scale simulation of electrical load
in smart grids using generalized additive models. In Modeling and Stochastic Learning for
Forecasting in High Dimensions (pp. 193-212). Springer International Publishing.
production et de charge pour prédire à courte échéance (30 minutes) avec une granularité fine (30
secondes) les erreurs de zone de contrôle. Un tel modèle pourrait être intégré à un module de contrôle
de fréquence (LFC) dans le cadre de l’activation d’un système de réserves de restauration de fréquence
(aFRR)
Mobilité électrique
Si tous les véhicules électriques en France se chargeaient tous en même temps, ils pourraient
consommer la moitié de la puissance installée en France.
Le machine Learning permet d’élaborer des modèles de prédictions à partir des courbes de charge et
décharge, ainsi que de la puissance des véhicules et de l’historique d’utilisation, afin d’optimiser la
charge du véhicule électrique sans mettre en risque le réseau.
Pour une entreprise, ces modèles peuvent aussi, en cas de surcharge réseau, permettre d’utiliser les
batteries de véhicules pour alimenter ses propres équipements.
Prévision de courbe de charge à la maille locale
A partir des données de météo, de couverture nuageuse, mais aussi d’activité économique, il est
possible de prévoir les profils de consommation à la maille nationale jusqu’à la maille territoriale.
Avec des algorithmes de Machine Learning, il est possible d’affiner la prévision jusqu’à la maille
locale voir d’un quartier
Références bibliographiques
[1] Pompey, P., Bondu, A., Goude, Y., & Sinn, M. (2015). Massive-scale simulation of electrical load
in smart grids using generalized additive models. In Modeling and Stochastic Learning for
Forecasting in High Dimensions (pp. 193-212). Springer International Publishing.