Analyse intelligente de la demande électrique : Prévision, classification, détection d’anomalies
Unité de stage 1 : Détection intelligente d’anomalies dans les données de consommation issues des Infrastructures de Mesure Avancée (IMA)
Dans le contexte de la transition énergétique actuelle et de digitalisation accrue des réseaux électriques, la qualité et la fiabilité des données issues des Infrastructures de Mesure Avancée (IMA) jouent un rôle essentiel dans la gestion efficace de la demande, l’optimisation des opérations réseau, l’amélioration des intrants pour le calcul du Revenu à Facturer (RAF), ainsi que dans la prévision fine de la demande à plusieurs échelles.
Cependant, ces données sont souvent affectées par des anomalies, des valeurs manquantes, des décalages temporels, ou des valeurs aberrantes qui s’écartent des tendances statistiques attendues et des comportements typiques du réseau. De telles irrégularités peuvent altérer la fiabilité des modèles analytiques et décisionnels, compromettant ainsi la planification stratégique, la gestion de la pointe, la tarification et la gestion en temps réel du système électrique. Les anomalies dans les séries temporelles énergétiques peuvent être classées en plusieurs catégories :
Des anomalies temporelles, affectant les séries univariées ou multivariées à un instant donné ou sur une sous-séquence [1,2] (par exemple, une chute ou une hausse brusque de la puissance active d’un compteur donnée);
Des anomalies inter-métriques, dues à la rupture des corrélations entre différentes variables mesurées dans les séries multivariées (par exemple, un déséquilibre entre puissance active, réactive et facteur de puissance, ou entre tension et courant) [3];
Des anomalies temporelles-intermétriques, combinant les deux précédents types et représentant un défi particulier en raison de leur complexité [1,3], souvent révélateurs de défaillances plus complexes ou d’erreurs de synchronisation.
La littérature distingue plusieurs familles de méthodes destinées à identifier les anomalies dans les données issues des infrastructures de mesurage. Les approches les plus récentes s’appuient sur l’apprentissage automatique (machine learning) et l’apprentissage profonde qui se sont imposés comme des outils puissants pour l’analyse des profils de consommation au sein des réseaux électriques intelligents. Ces méthodes sont particulièrement adaptées à la gestion de la forte dimensionnalité et des relations spatio-temporelles inhérentes aux données de consommation électrique. En particulier, les autoencodeurs LSTM, les réseaux convolutionnels-récurrents (CNNLSTM) ou les réseaux de graphes spatio-temporels (GCN-LSTM) exploitent simultanément les dépendances temporelles et les corrélations inter-métriques pour une détection plus fine et adaptative [4,6]. Ces approches constituent aujourd’hui un axe de recherche majeur et prometteur pour le développement de systèmes de surveillance intelligents, temps réel et résilients au sein des réseaux électriques numérisés.
Unité de stage 2 : Modélisation prédictive du Revenu à Facturer dans les données clients
Le Revenu à Facturer (RAF) a pour objectif de reconstituer mensuellement les ventes réelles d’électricité pour chaque client, en termes de consommation énergétique (kWh) et de revenus ($). Cette estimation tient compte des tarifs applicables ainsi que des cycles de facturation non alignés sur le mois calendrier, ce qui complexifie le suivi mensuel des ventes réelles. Actuellement, le calcul du RAF consiste à compléter la prochaine facture à venir à partir d’une méthode de ratio basée sur la consommation observée à la même période de l’année précédente. Bien que cette méthode soit simple et robuste, elle ne tient pas compte des facteurs exogènes influençant fortement la demande énergétique, notamment les conditions météorologiques (température, humidité, degré-jour de chauffage ou de climatisation, etc.). Cette limite conduit souvent à des biais saisonniers et à des écarts de prévision importants entre les estimations et la consommation réelle, particulièrement lors d’épisodes climatiques atypiques. L’objectif principal de ce projet est de développer une approche prédictive intelligente améliorée pour le calcul du RAF, en intégrant à la fois les données historiques de consommation, les données météorologiques passées et prévisionnelles, et les caractéristiques tarifaires et calendaires propres à chaque client.
Cette approche vise à enrichir le ratio de projection actuel en introduisant une composante météorologique dynamique, permettant d’ ajuster la consommation estimée selon les écarts climatiques entre l’année de référence et l’année courante; de réduire les biais saisonniers liés aux variations de température et de comportements de consummation, ainsi que d’améliorer la précision du prix unitaire estimé pour la consommation restante, en générant une facture hypothétique plus représentative des conditions réelles d’exploitation. Plusieurs travaux récents ont mis en évidence l’apport des données météorologiques et de l’intelligence artificielle dans l’estimation de la demande énergétique. Les recherches récentes soulignent l’importance croissante des données météorologiques et des approches prédictives avancées dans la modélisation de la consommation énergétique. Misiurek et al. [7] proposent une revue exhaustive des méthodes de prévision de la demande électrique, montrant que l’intégration de variables climatiques améliore sensiblement la précision, surtout dans les modèles hybrides et de deep learning. De même, Wang et al. [8] met en évidence l’effet cumulatif de la température sur la consommation résidentielle et l’efficacité des architectures de réseaux neuronaux intégrés à des techniques de décomposition. Une autre étude de Scholz et Waczowicz [9] démontre que la transformation des données météo par normalisation spatiale ou réduction de dimension réduit les biais saisonniers et renforce la robustesse des prévisions.
Voir la description complète du projet
