[go: up one dir, main page]

FR3104294A1 - Method of forecasting a physical quantity of interest, associated management method and device - Google Patents

Method of forecasting a physical quantity of interest, associated management method and device Download PDF

Info

Publication number
FR3104294A1
FR3104294A1 FR1914065A FR1914065A FR3104294A1 FR 3104294 A1 FR3104294 A1 FR 3104294A1 FR 1914065 A FR1914065 A FR 1914065A FR 1914065 A FR1914065 A FR 1914065A FR 3104294 A1 FR3104294 A1 FR 3104294A1
Authority
FR
France
Prior art keywords
forecast
sub
model
time
physical quantity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
FR1914065A
Other languages
French (fr)
Inventor
Roland Baviere
Yacine Gaoua
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Original Assignee
Commissariat a lEnergie Atomique CEA
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Commissariat a lEnergie Atomique CEA, Commissariat a lEnergie Atomique et aux Energies Alternatives CEA filed Critical Commissariat a lEnergie Atomique CEA
Priority to FR1914065A priority Critical patent/FR3104294A1/en
Publication of FR3104294A1 publication Critical patent/FR3104294A1/en
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Procédé de prévision de la consommation/production en énergie, procédé de gestion et dispositif associés Un aspect de l’invention concerne un procédé de détermination d’une prévision d’une grandeur physique d’intérêt, de préférence la consommation/production en énergie, sur une durée de prévision donnée avec un pas de temps donné de sorte que avec le nombre de pas de temps considéré, la prévision se faisant à l’aide d’un modèle de prévision de la grandeur physique d’intérêt, ledit procédé comprenant : une étape de détermination d’une pluralité de sous-modèles , chaque sous-modèle ayant un horizon de prévision différent des autres sous-modèles , la pluralité de sous-modèle ainsi obtenue venant former le modèle de prévision de sorte que pour tout pas de temps considéré où , il existe un sous-modèle tel que  ; le procédé comprenant également, pour chaque pas de temps  :  une étape d’identification du sous-modèle ayant un horizon de prévision égal au temps écoulé où est le pas de temps considéré avec  ; une étape de prévision de la consommation/production à l’aide du sous-modèle précédemment identifié. Figure à publier avec l’abrégé : Figure 4Method for forecasting energy consumption / production, associated management method and device One aspect of the invention relates to a method for determining a forecast of a physical quantity of interest, preferably energy consumption / production, over a given forecast duration with a given time step such that with the number of time steps considered, the forecast is made using a forecast model of the physical quantity of interest, said method comprising: a step of determining a plurality of sub-models, each sub-model having a forecast horizon different from the other sub-models, the plurality of sub-models thus obtained forming the forecast model so that for any step of time considered where, there exists a sub-model such that; the method also comprising, for each time step: a step of identifying the sub-model having a forecast horizon equal to the elapsed time where is the time step considered with; a consumption / production forecasting step using the previously identified sub-model. Figure to be published with the abstract: Figure 4

Description

Procédé de prévision d’une grandeur physique d’intérêt, procédé de gestion et dispositif associésMethod for predicting a physical quantity of interest, associated management method and device

DOMAINE TECHNIQUE DE L’INVENTIONTECHNICAL FIELD OF THE INVENTION

Le domaine technique de l’invention est celui de de la prévision d’une grandeur physique d’intérêt, de préférence une grandeur physique liée à la production ou à la consommation de l’énergie.The technical field of the invention is that of predicting a physical quantity of interest, preferably a physical quantity linked to the production or consumption of energy.

La présente invention concerne un procédé de prévision d’une grandeur physique d’intérêt, de préférence une grandeur physique liée à la consommation/production d’énergie, et en particulier un procédé faisant usage de sous-modèles aux horizons de prévision différents. La présente invention concerne également un procédé de gestion faisant usage d’un procédé de prévision selon l’invention ainsi qu’un dispositif mettant en œuvre de tels procédés.The present invention relates to a method for forecasting a physical quantity of interest, preferably a physical quantity linked to the consumption/production of energy, and in particular a method making use of sub-models with different forecast horizons. The present invention also relates to a management method making use of a forecasting method according to the invention as well as a device implementing such methods.

ARRIERE-PLAN TECHNOLOGIQUE DE L’INVENTIONTECHNOLOGICAL BACKGROUND OF THE INVENTION

Pour construire un modèle de consommation énergétique reflétant le comportement d’un point donné de consommation (ou de production) d’énergie, un modèle de prévision doit être défini puis entrainé sur un historique de données de ce point de consommation d’énergie en utilisant un algorithme d’apprentissage. Le modèle entrainé résultant est utilisé par la suite pour prédire la consommation énergétique de ce point de consommation d’énergie.To build an energy consumption model reflecting the behavior of a given energy consumption (or production) point, a forecasting model must be defined and then trained on a data history of this energy consumption point using a learning algorithm. The resulting trained model is then used to predict the energy consumption of this energy consumption point.

Dans l’état de l’art, la prévision court terme (quelques heures jusqu’à une journée) de la consommation énergétique correspond à un seul modèle de prévision générique entrainé par un algorithme d’apprentissage (de type : réseaux de neurone, Random Forest, Arbre de régression CART, Support Vector Machine, etc.) utilisant notamment l’information sur les mesures de consommation précédentes à J-1, J-2…J-7 mais ignore la mesure la plus récente impactant ainsi la précision de la prévision de la consommation. L’utilisation d’un tel modèle est illustrée à la . Pour prédire la consommation à J au pas temps t+1, le modèle de prévision utilise les informations sur la consommation à t+1 au J-1, à t+1 au J-2, …, à t+1 au J-7 tout en ignorant l’information de la consommation la plus récente à J à l’instant t qui est susceptible de donner une meilleure tendance sur le comportement de la consommation à J à t+1.In the state of the art, the short-term forecast (a few hours up to a day) of energy consumption corresponds to a single generic forecast model trained by a learning algorithm (of the type: neural networks, Random Forest, CART Regression Tree, Support Vector Machine, etc.) using in particular information on previous consumption measurements on D-1, D-2…D-7 but ignores the most recent measurement thus impacting the accuracy of the consumption forecast. The use of such a model is illustrated in . To predict consumption on D at time step t+1, the forecasting model uses information on consumption at t+1 on D-1, at t+1 on D-2, …, at t+1 on D- 7 while ignoring the most recent consumption information on D at time t which is likely to give a better trend on the behavior of consumption on D at t+1.

D’autres techniques plus avancées et plus complexes existent, comme par exemple le DEEP LEARNING (Long Short Time Memory « LSTM » ou les réseaux de neurone récurrents « RNN ») permettant de prendre en compte l’information de la dernière mesure. Néanmoins, ces techniques récursives utilisent la prévision de la consommation à « t » pour prévoir la prévision de consommation à « t+1 » et ainsi de suite, propageant ainsi l’erreur de prévision sur les futures pas de temps. Ces techniques sont très efficaces pour la prévision des cours des actions pour les marchés, mais moins efficaces sur les séries temporelles de consommation. La propagation des erreurs de prévision de ce type de modèle de prévision est illustré à la . Pour prévoir la consommation d’énergie à J à l’instant t+1, le modèle utilise l’information de la consommation la plus récente à J à l’instant t permettant ainsi de fournir une prévision à t+1 plus fiable que celle obtenue par le modèle de la Figure 1. Cependant, pour prévoir la consommation à J à l’instant t+2, le modèle utilise le résultat de la prévision à J à t+1 et pour prévoir celle de J à t+3 le modèle utilise la prévision obtenue à J à t+2 entrainant ainsi une propagation progressive de l’erreur de prévision sur toute la période de prévision.Other more advanced and complex techniques exist, such as for example DEEP LEARNING (Long Short Time Memory “LSTM” or recurrent neural networks “RNN”) allowing information from the last measurement to be taken into account. Nevertheless, these recursive techniques use the consumption forecast at “t” to forecast the consumption forecast at “t+1” and so on, thus propagating the forecast error over future time steps. These techniques are very effective at predicting stock prices for markets, but less effective on consumer time series. The propagation of forecast errors of this type of forecast model is illustrated in Fig. . To predict energy consumption at D at time t+1, the model uses the most recent consumption information at D at time t, thus making it possible to provide a forecast at t+1 that is more reliable than that obtained by the model in Figure 1. However, to forecast consumption on D at time t+2, the model uses the result of the forecast on D at t+1 and to forecast consumption on D at t+3 the The model uses the forecast obtained on D at t+2, thus leading to a progressive propagation of the forecast error over the entire forecast period.

Il existe donc un besoin d’un procédé de prévision qui permet de prédire efficacement une grandeur physique d’intérêt comme la consommation/production en énergétique sur le court terme en exploitant l’information sur les dernières mesures réelles et non obtenues par des prévisions précédentes.There is therefore a need for a forecasting method which makes it possible to effectively predict a physical quantity of interest such as energy consumption/production in the short term by exploiting the information on the last real measurements and not obtained by previous forecasts. .

L’invention offre une solution aux problèmes évoqués précédemment, en utilisant plusieurs sous-modèles de prévision de même type, valables sur différents horizons de prévision bien définis.The invention offers a solution to the problems mentioned previously, by using several forecasting sub-models of the same type, valid over different well-defined forecasting horizons.

Un premier aspect de l’invention concerne un procédé de détermination d’une prévision d’une grandeur physique d’intérêt, de préférence la consommation/production en énergie, sur une durée de prévision donnée avec un pas de temps donné de sorte que avec le nombre de pas de temps considéré, la prévision se faisant à l’aide d’un modèle de prévision de la grandeur physique d’intérêt, de préférence de la consommation/production en énergie, le procédé comprenantune étape de détermination d’une pluralité de sous-modèles , chaque sous-modèle ayant un horizon de prévision différent des autres sous-modèles , la pluralité de sous-modèle ainsi obtenus venant former le modèle de prévision de sorte que pour tout pas de temps considéré où , il existe un sous-modèle tel que .A first aspect of the invention relates to a method for determining a forecast of a physical quantity of interest, preferably energy consumption/production, over a given forecast duration. with a given time step so that with the number of time steps considered, the forecast being made using a forecast model of the physical quantity of interest, preferably energy consumption/production, the method comprising a step of determining a plurality of sub-models , each sub-model having a forecast horizon different from other sub-models , the plurality of sub-model thus obtained forming the forecast model so that for all no time considered where , there is a submodel such as .

Le procédé selon un premier aspect de l’invention comprend également, pour chaque pas de temps :

  • une étape d’identification du sous-modèle ayant un horizon de prévision égal au temps écoulé jusqu’au pas de temps considéréoù est le pas de temps considéréavec ;
  • une étape de prévision de la grandeur physique d’intérêt, de préférence la consommation/production, à l’aide du sous-modèle précédemment identifié.
The method according to a first aspect of the invention also comprises, for each time step :
  • a sub-model identification step having a forecast horizon equal to elapsed time until the considered time stepwhere is the time step considered with ;
  • a step of forecasting the physical quantity of interest, preferably consumption/production, using the sub-model previously identified.

On entend par grandeur physique d’intérêt toute grandeur physique associée à un système physique (par exemple un réseau de chaleur) permettant de caractériser, au moins en partie, la consommation ou la production d’énergie. Par exemple, dans le cas d’un réseau de chaleur, la grandeur physique d’intérêt pourra être la température du réseau. De référence, la grandeur physique d’intérêt est la consommation/production d’énergie elle-même. On entend par consommation/production que le procédé est adapté pour faire de la prévision de consommation ou de la prévision de production. Dans le cas d’un procédé de prévision de consommation, le modèle de prévision est un modèle de prévision de la consommation. De même, dans le cas d’un procédé de prévision de la production, le modèle de prévision est un modèle de prévision de la production.By physical quantity of interest, we mean any physical quantity associated with a physical system (for example a heating network) making it possible to characterize, at least in part, the consumption or production of energy. For example, in the case of a heating network, the physical quantity of interest could be the temperature of the network. As a reference, the physical quantity of interest is the consumption/production of energy itself. By consumption/production is meant that the method is suitable for making consumption forecasts or production forecasts. In the case of a consumption forecasting method, the forecasting model is a consumption forecasting model. Similarly, in the case of a production forecasting method, the forecasting model is a production forecasting model.

Dans le procédé selon l’invention, la décomposition par horizon de prévision pour créer plusieurs sous-modèles de prévision permet d’augmenter la capacité de l’algorithme d’apprentissage à trouver pour chaque sous-modèles de prévision, la meilleure combinaison possible et le poids optimal à attribuer aux variables explicatives qui le constitue. Cela offre de meilleurs résultats en précision de la prévision par rapport à l’état de l’art, notamment dans un contexte de prévision de la consommation/production d’énergie.In the method according to the invention, the decomposition by forecast horizon to create several forecast sub-models makes it possible to increase the capacity of the learning algorithm to find, for each forecast sub-model, the best possible combination and the optimal weight to be attributed to the explanatory variables that constitute it. This offers better results in forecasting accuracy compared to the state of the art, especially in the context of energy consumption/production forecasting.

Outre les caractéristiques qui viennent d’être évoquées dans les paragraphes précédents, le procédé selon un premier aspect de l’invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles.In addition to the characteristics which have just been mentioned in the preceding paragraphs, the method according to a first aspect of the invention may have one or more additional characteristics among the following, considered individually or according to all technically possible combinations.

Dans un mode de réalisation, l’étapede détermination d’une pluralité de sous-modèles est précédée d’une étape d’identification des variables du modèle de prévision .In one embodiment, the step of determining a plurality of sub-models is preceded by a step of identifying the variables of the forecasting model .

Dans un mode de réalisation, l’étape de détermination d’une pluralité de sous-modèles comprend :

  • une sous-étape d’identification des sous-modèles de prévision, chaque sous-modèle étant défini sur un seul horizon de prévision , la pluralité de sous-modèle ainsi obtenus venant former le modèle de prévision de sorte que pour tout pas de temps considéré où , il existe un sous-modèle tel que ;
  • une sous-étape d’entrainement de chaque sous-modèle au moyen d’un algorithme d’apprentissage à partir de données de mesures concernant le système dont on cherche à prédire le comportement.
In one embodiment, the step of determining a plurality of sub-models understand :
  • a sub-step for identifying the sub-models forecast, each sub-model being defined on a single forecast horizon , the plurality of sub-model thus obtained forming the forecast model so that for all no time considered where , there is a submodel such as ;
  • a training sub-step of each sub-model by means of a learning algorithm based on measurement data relating to the system whose behavior is to be predicted.

Un deuxième aspect de l’invention concerne un procédé de gestion d’un système énergétique comprenant une étape prévision d’une grandeur physique d’intérêt associée au système énergétique, de préférence la consommation/production en énergie, mettant en œuvre un procédé selon un premier aspect de l’invention.A second aspect of the invention relates to a method for managing an energy system comprising a step of predicting a physical quantity of interest associated with the energy system, preferably the energy consumption/production, implementing a method according to a first aspect of the invention.

Un troisième aspect de l’invention concerne un dispositif comprenant les moyens configurés pour mettre en œuvre un procédé selon un premier ou un deuxième aspect de l’invention.A third aspect of the invention relates to a device comprising the means configured to implement a method according to a first or a second aspect of the invention.

Un quatrième aspect de l’invention concerne un programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé selon un premier ou un deuxième aspect de l’invention.A fourth aspect of the invention relates to a computer program comprising instructions which, when the program is executed by a computer, lead the latter to implement the method according to a first or a second aspect of the invention.

Un cinquième aspect de l’invention concerne un support de données lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon un quatrième aspect de l’invention.A fifth aspect of the invention relates to a computer-readable data carrier, on which the computer program according to a fourth aspect of the invention is recorded.

L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent.The invention and its various applications will be better understood on reading the following description and examining the accompanying figures.

BREVE DESCRIPTION DES FIGURESBRIEF DESCRIPTION OF FIGURES

Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.The figures are presented for information only and in no way limit the invention.

Les et [Fig. 2] ont déjà été présentées et illustrent les procédés selon l’état de la technique.THE and [Fig. 2] have already been presented and illustrate the methods according to the state of the art.

La montre un ordinogramme d’un procédé selon un premier aspect de l’invention.There shows a flowchart of a method according to a first aspect of the invention.

La montre une représentation schématique d’un procédé selon un premier aspect de l’invention.There shows a schematic representation of a method according to a first aspect of the invention.

La montre un exemple de mise en œuvre d’un procédé selon un premier aspect de l’invention.There shows an example of implementation of a method according to a first aspect of the invention.

DESCRIPTION DETAILLEEDETAILED DESCRIPTION

Les figures sont présentées à titre indicatif et nullement limitatif de l’invention. Sauf précision contraire, un même élément apparaissant sur des figures différentes présente une référence unique.The figures are presented for information only and in no way limit the invention. Unless specified otherwise, the same element appearing in different figures has a single reference.

Le procédé selon un premier aspect de l’invention ou selon un deuxième aspect de l’invention ne fait aucune hypothèse sur la nature de la grandeur physique d’intérêt de la prévision si ce n’est qu’il s’agit d’une grandeur physique permettant de caractériser, au moins en partie, la consommation ou la production d’énergie. Aussi, bien que dans la suite le procédé soit illustré au travers de la prévision de la production/consommation en énergie, il ne s’agit nullement d’une limitation du procédé selon un premier ou un deuxième aspect de l’invention.The method according to a first aspect of the invention or according to a second aspect of the invention makes no assumption on the nature of the physical quantity of interest of the forecast except that it is a physical quantity allowing to characterize, at least in part, the consumption or the production of energy. Also, although in the following the method is illustrated through the forecast of energy production/consumption, this is in no way a limitation of the method according to a first or a second aspect of the invention.

Un premier aspect de l’invention illustré à la concerne un procédé100 de détermination d’une prévision de la consommation/production en énergie sur une durée de prévision donnée avec un pas de temps donné de sorte que avec le nombre de pas de temps considéré, la prévision se faisant à l’aide d’un modèle de prévision de la consommation/production en énergie. La durée de prévision et du pas de temps dépend de l’application envisagée. Par exemple, dans le cas d’une prévision à la minute sur une journée, pourra être égale à 24h alors que pourra être égal à une minute et est égal à 1440. La prévision se composent alors de 1440 horizons de prévision (avec où ), un horizon de prévision étant le temps séparant l’instant de prévision de l’instant à laquelle a été mesurée la dernière valeur connue. Bien entendu, d’autres valeurs du nombre de pas de temps considérés ou de la durée de prévision sont envisageables. A first aspect of the invention illustrated in relates to a method 100 for determining a forecast of energy consumption/production over a given forecast duration with a given time step so that with the number of time steps considered, the forecast being made using an energy consumption/production forecasting model. The forecast duration and the time step depends on the intended application. For example, in the case of a one-minute forecast over a day, may be equal to 24 hours while could be equal to one minute and is equal to 1440. The forecast then consists of 1440 forecast horizons (with Or ), a forecast horizon being the time separating the forecast instant from the instant at which the last known value was measured. Of course, other values of the number of time steps considered or forecast duration are conceivable.

Le procédé100 selon un premier aspect de l’invention comprend une étapeE1 de détermination d’une pluralité de sous-modèles , chaque sous-modèle ayant un horizon de prévision différent des autres sous-modèles , la pluralité de sous-modèles ainsi obtenus venant former le modèle de prévision de sorte que pour tout pas de temps considéré où , il existe un sous-modèle tel que . Par exemple, pour une durée de prévision de 24h et un pas de temps de prévision de 30 minute, un premier sous-modèle de prévision avec un horizon de prévision à 30 minute sera déterminé, une deuxième sous-modèle de prévision avec un horizon de prévision à 1h sera déterminé, etc. Cette étape peut par exemple être mise en œuvre par un moyen de calcul (par exemple un processeur) associé à une mémoire(par exemple une mémoire vive et/ou un disque dur), la mémoire comprenant les instructions et les données nécessaires à la mise en œuvre de cette étape. Les données nécessaires peuvent par exemple être stockées à l’aide d’une base de données.The method 100 according to a first aspect of the invention comprises a step E1 of determining a plurality of sub-models , each submodel having a forecast horizon different from other sub-models , the plurality of sub-models thus obtained forming the forecast model so that for all no time considered where , there is a submodel such as . For example, for a forecast duration of 24h and a forecast time step 30 minutes, a first sub-model forecast with a forecast horizon at 30 minutes will be determined, a second sub-model forecast with a forecast horizon at 1am will be determined, etc. This step can for example be implemented by a means of calculation (for example a processor) associated with a memory (for example a random access memory and/or a hard disk), the memory comprising the instructions and the data necessary for the implementation of this step. The necessary data can for example be stored using a database.

Comme déjà mentionné, cette décomposition par horizon de prévision pour créer plusieurs sous-modèles de prévision permet d’augmenter la capacité de l’algorithme d’apprentissage à trouver pour chaque sous-modèle de prévision, la meilleure combinaison possible et le poids optimal à attribuer aux variables explicatives qui le constitue. Cela offre de meilleurs résultats en précision de la prévision par rapport à l’état de l’art, notamment dans un contexte de prévision de la consommation/production d’énergie.As already mentioned, this breakdown by forecast horizon to create multiple submodels prediction increases the ability of the learning algorithm to find for each sub-model forecast, the best possible combination and the optimal weight to be attributed to the explanatory variables that constitute it. This offers better results in forecasting accuracy compared to the state of the art, especially in the context of energy consumption/production forecasting.

On notera que, bien que présentée dans le cadre d’un procédé100 de prévision, l’étapeE1 de détermination d’une pluralité de sous-modèles pourrait être mise en œuvre dans un procédé de détermination d’un modèle de prévision indépendant du procédé100 de détermination d’une prévision de la consommation/production en énergie, le procédé100 de détermination d’une prévision de la consommation/production en énergie selon un première aspect de l’invention comprenant alors une étapeE1 de mise en œuvre d’un tel procédé de détermination d’un modèle de prévision .It will be noted that, although presented in the context of a forecasting method100, step E1 of determining a plurality of sub-models could be implemented in a method for determining a forecasting model independent of the method 100 for determining an energy consumption/production forecast, the method 100 for determining an energy consumption/production forecast according to a first aspect of the invention then comprises a step E1 of implementing such a method for determining a forecast model .

Dans un mode de réalisation, l’étapeE1 de détermination d’une pluralité de sous-modèles comprend une sous-étapeE11 d’identification des sous-modèles de prévision, chaque sous-modèle étant défini sur un seul horizon de prévision , la pluralité de sous-modèle ainsi obtenue venant former le modèle de prévision de sorte que pour tout pas de temps considéré où , il existe un sous-modèle tel que . L’étapeE1 de détermination d’une pluralité de sous-modèle comprend également une sous-étapeE12 d’entrainement de chaque sous-modèle au moyen d’un algorithme d’apprentissage à partir de données de mesures concernant le système dont on cherche à prédire le comportement. De préférence, les données utilisées pour entrainer chaque sous-modèle sont choisies en fonction de l’horizon de prévision du sous-modèle considéré. L’entrainement des sous-modèles peut être mis en œuvre à partir des données issues de mesures et stockées dans une base de données, cette base de données contenant par exemple l’historique des mesures de la grandeur physique d’intérêt du système, ici des mesures de la production/consommation. Cette base de données peut également comprendre l’historique des mesures des variables explicatives du modèle . De préférence, l’historique des données est divisée en deux ensembles de données, le premier ensemble étant utilisé pour l’apprentissage des sous-modèles et le deuxième sous-ensemble étant utilisé pour la validation des sous-modèles à l’issue de l’apprentissage. L’historique des mesures peut être constitué à partir de dispositifs de mesure disposés sur le système dont on cherche à prévoir la production/consommation. L’apprentissage est par exemple effectué à l’aide d’un algorithme d’apprentissage automatique (Machine Learning en anglais). Autrement dit, chaque sous-modèle est entrainé de la même manière que serait entrainé un modèle selon l’état de la technique pour un horizon de prévision donné.In one embodiment, step E1 of determining a plurality of sub-models includes a sub-step E11 for identifying the sub-models forecast, each sub-model being defined over a single forecast horizon , the plurality of sub-model thus obtained forming the forecast model so that for all no time considered where , there is a submodel such as . Step E1 of determining a plurality of sub-models also includes a sub-step E12 for training each sub-model by means of a learning algorithm based on measurement data concerning the system whose behavior is to be predicted. Preferably, the data used to train each sub-model are chosen according to the forecast horizon of the sub-model considered. The training of sub-models can be implemented from data resulting from measurements and stored in a database, this database containing for example the history of measurements of the physical quantity of interest of the system, here measurements of production/consumption . This database can also include the history of measurements of the explanatory variables of the model . Preferably, the historical data is split into two sets of data, the first set being used for training the sub-models and the second subset being used for validation of the submodels at the end of the apprenticeship. The history of the measurements can be made up from measurement devices placed on the system whose production/consumption is to be predicted. The learning is for example carried out using an automatic learning algorithm (Machine Learning in English). In other words, each sub-model is trained in the same way as a model would be trained according to the state of the art for a given forecast horizon.

Dans un mode de réalisation, l’étapeE1 de détermination d’une pluralité de sous-modèles est précédée d’une étapeE0 d’identification des variables du modèle de prévision , c’est-à-dire des variables qui permettront de définir les sous-modèles de prévision composant le modèle de prévision. Autrement dit, cette étapeE0 permet d’identifier l’ensemble des variables explicatives permettant de définir le modèle de prévision et de modéliser le comportement de la consommation/production énergétique. De manière générale, les valeurs des variables explicatives nécessaires à la mise en œuvre d’un procédé selon un premier aspect de l’invention peuvent par exemple être récupérées sur des serveurs distants(par exemple, un service de prévisions météo) à l’aide d’un moyen de connexion (par exemple une carte réseau ou un modem 4G) à un réseau (par exemple Internet) et/ou déterminées à l’aide de dispositifs de mesure disposés sur le système associé à la grandeur physique d’intérêt.In one embodiment, step E1 of determining a plurality of sub-models is preceded by a step E0 for identifying the variables of the forecasting model , i.e. variables which will make it possible to define the sub-models of forecast composing the model forecast. In other words, this step E0 makes it possible to identify all the explanatory variables making it possible to define the model forecasting and modeling the behavior of energy consumption/production. In general, the values of the explanatory variables necessary for the implementation of a method according to a first aspect of the invention can for example be retrieved from remote servers (for example, a weather forecast service) using a means of connection (for example a network card or a 4G modem) to a network (for example the Internet) and/or determined using measurement devices placed on the system associated with the physical quantity of interest.

Dans un exemple de réalisation, la prévision concerne la consommation d’un réseau de chaleur, plus particulièrement la puissance thermique consommée par une unité de consommation (par ex. une sous-station d’un réseau de chaleur) à l’instant (HH: MM: SS dd/mm/yyyy) avec un pas de temps de 30 minutes( et une durée de prévision de 24h . Les variables explicatives relatives à cet exemple de réalisation sont listées dans le [Tableau 1].In an exemplary embodiment, the forecast relates to the consumption of a heating network, more particularly the thermal power consumed by a consumption unit (for example a substation of a heating network) at the instant (HH:MM:SS dd/mm/yyyy) with a time step of 30 minutes( and a forecast duration of 24 hours . The explanatory variables relating to this embodiment are listed in [Table 1].

Variables explicativesExplanatory variables Origine/ValeursOrigin/Values Puissances consommée à HH:MM:SS pour les jours J-1, J-2 et J-3Power consumed at HH:MM:SS for days D-1, D-2 and D-3 Entrée (mesure)Input (measurement) Température extérieure à l’instant tOutside temperature at time t Entrée (Prévision météo)Input (Weather forecast) Température de départ à l’instant t (c’est-à-dire la température du fluide secondaire au départ de l’échangeur thermique)Flow temperature at time t (i.e. the temperature of the secondary fluid leaving the heat exchanger) Entrée (pré-calcul en fonction de la Prévision météo)Input (pre-calculation based on Weather Forecast) Quatre dernières prévisions de la température extérieure à l’instant t-30min, t-1h, t-1h30 et t-2h pour la prise en compte de l’effet stockage de chaleur dans le réseauFour latest forecasts of the outside temperature at time t-30min, t-1h, t-1h30 and t-2h to take into account the heat storage effect in the network Entrée (Prévision météo)Input (Weather forecast) Quatre dernières prévisions de la température de départ à l’instant t-30min, t-1h, t-1h30 et t-2h pour la prise en compte de l’effet stockage de chaleur dans le réseauFour latest forecasts of the flow temperature at time t-30min, t-1h, t-1h30 and t-2h to take into account the heat storage effect in the network Entrée (pré-calcul en fonction de la Prévision météo)Input (pre-calculation based on Weather Forecast) Moyenne, variance et déviation standard sur les 4 dernières prévisions de la température extérieure de t-30min à t-2hAverage, variance and standard deviation over the last 4 outdoor temperature forecasts from t-30min to t-2h Pré-calcul en fonction de la prévision météoPre-calculation based on weather forecast Moyenne, variance et déviation standard sur les 4 dernière prévisions de la température de départ de t-30min à t-2hMean, variance and standard deviation over the last 4 forecasts of the starting temperature from t-30min to t-2h Pré-calcul en fonction de la prévision météoPre-calculation based on weather forecast Horizon de prévision (i.e., Distance entre l’instant de prévision t et la dernière mesure de la puissance thermique)forecast horizon (ie, Distance between the forecast instant t and the last thermal power measurement) Pas de temps 30 min, horizon de prévision appartenant à {30min, 1h, 1h30, 2h, 2h30, …, 24h}Time step 30 min, forecast horizon belonging to {30min, 1h, 1h30, 2h, 2h30, …, 24h} Quatre dernières mesures de la puissance thermique en fonction de l’horizon de prévision (i.e., en fonction de la distance)Last four measures of thermal power according to the forecast horizon (ie, depending on the distance) Entrée (mesure)Input (measurement) Mois de l’année correspondant à l’instant tMonth of the year corresponding to time t 1 à 121 to 12 Jour du mois correspondant à l’instant tDay of the month corresponding to time t 1 à 30 ou 311 to 30 or 31 Jour de semaine de l’instant tWeekday of time t 1 à 71 to 7 Heure du jour de l’instant tTime of day of instant t HH:MM/60 = [0,23.5]HH:MM/60 = [0.23.5] L’instant t est un jour férié ? (0/1)Is time t a public holiday? (0/1) BooléenBoolean L’instant t est un jour de vacance ? (0/1)Is time t a vacation day? (0/1) BooléenBoolean L’instant t est un week-end ? (0/1)The moment t is a weekend? (0/1) BooléenBoolean

Le modèle de prévision ainsi obtenu peut ensuite être utilisé pour la prévision de la consommation/production en énergie. Pour cela, le procédé100 selon un premier aspect de l’invention comprend également, pour chaque pas de temps ,une étapeE2 d’identification du sous-modèle ayant un horizon de prévision égal au temps écoulé où est le pas de temps considéréavec . Pour reprendre l’exemple précédent, pour une durée de prévision de 24h et un pas de temps de prévision de 30 minutes, pour la prévision à 30 minutes, le premier sous-modèle de prévision avec un horizon de prévision à 30 minutes sera identifié, pour une prévision à 1h, le deuxième sous-modèle de prévision avec un horizon de prévision à 1h sera identifié, etc.The forecast model thus obtained can then be used for forecasting energy consumption/production. For this, the method 100 according to a first aspect of the invention also comprises, for each time step , a step E2 for identifying the sub-model having a forecast horizon equal to elapsed time Or is the time step considered with . To use the previous example, for a forecast duration of 24 hours and a forecast time step of 30 minutes, for the 30-minute forecast, the first sub-model forecast with a forecast horizon at 30 minutes will be identified, for a forecast at 1h, the second sub-model forecast with a forecast horizon at 1 o'clock will be identified, etc.

Un fois le sous-modèle identifié pour le pas de temps considéré, le procédé100 selon un premier aspect de l’invention comprend une étapeE3 de prévision de la consommation/production à l’aide du sous-modèle précédemment identifié. Pour reprendre l’exemple précédent, pour une durée de prévision de 24h et un pas de temps de prévision de 30 minutes, pour la prévision à 30 minutes, le premier sous-modèle de prévision avec un horizon de prévision à 30 minutes précédemment identifié sera utilisé, pour une prévision à 1h, le deuxième sous-modèle de prévision avec un horizon de prévision à 1h précédemment identifié sera utilisé, etc.Once the submodel identified for the time step considered, the method 100 according to a first aspect of the invention comprises a step E3 of forecasting the consumption/production using the sub-model previously identified. To use the previous example, for a forecast duration of 24 hours and a forecast time step of 30 minutes, for the 30-minute forecast, the first sub-model forecast with a forecast horizon at 30 minutes previously identified will be used, for a forecast at 1h, the second sub-model forecast with a forecast horizon at 1 o'clock previously identified will be used, etc.

Bien entendu, ces sous-modèles seront utilisés en prenant pour données d’entrée la dernière mesure connue (c’est-à-dire la mesure précédant directement l’instant auquel la prévision est effectuée) de la grandeur physique d’intérêt, ici la consommation/production énergétique, ainsi que la valeur des variables explicatives associées à l’instant . La mesure de la grandeur physique d’intérêt (ici consommation/production énergétique) utilisée comme donnée d’entrée est effectuée à l’aide d’un ou plusieurs dispositifs de mesure disposés sur le système associé à la grandeur physique d’intérêt (ici un réseau de chaleur). La mesure peut ensuite être transmise à un moyen de calcul, par exemple par l’intermédiaire d’un réseau sans fil, afin de déterminer en temps réel les prévisions de la grandeur physique d’intérêt à à l’aide d’un modèle selon l’invention.Of course, these submodels will be used taking as input data the last known measurement (i.e. the measurement directly preceding the instant at which the forecast is made) of the physical quantity of interest, here the energy consumption/production, as well as the value of the explanatory variables associated with the instant . The measurement of the physical quantity of interest (here energy consumption/production) used as input data is carried out using one or more measuring devices placed on the system associated with the physical quantity of interest (here a heating network). The measurement can then be transmitted to a computing means, for example via a wireless network, in order to determine in real time the forecasts of the physical quantity of interest using a model according to the invention.

Une représentation schématique du procédé100 est illustrée à la . Sur cette figure, la dernière mesure de la consommation/production a été effectuée à 23h30 (en dehors de la zone hachurée correspondant à la zone de prévision). L’instant considéré est situé entre 23h30 et 00h00 et marque la séparation entre le passé et le futur (zone hachurée). La prévision concerne une durée de prévision de 24h ( ) par pas de temps de 30 minutes ( ). Comme on peut le voir sur cette figure, chaque pas de temps est associé à un sous-modèle dont l’horizon de prévision est égale à , la prévision étant effectuée à partir de la dernière mesure effectuée (à 23h30, entrée représentée par les flèches en pointillé). A schematic representation of the process 100 is shown in . In this figure, the last consumption/production measurement was taken at 11:30 p.m. (outside the hatched area corresponding to the forecast area). The instant considered is located between 11:30 p.m. and 12:00 a.m. and marks the separation between the past and the future (hatched area). The forecast concerns a forecast duration of 24 hours ( ) in 30-minute time steps ( ). As can be seen in this figure, each time step is associated with a submodel whose forecast horizon Equals , the forecast being made from the last measurement made (at 11:30 p.m., input represented by the dotted arrows).

Un exemple d’application d’un procédé100 selon un premier aspect de l’invention concerne un réseau de chaleur composé de plusieurs postes de consommation (sous-stations) et d’unités de production. La puissance de fonctionnement moyenne du réseau est de 120MW avec des pics qui peuvent atteindre 180MW. Dans cet exemple de réalisation, 48 sous-modèles de prévision ont été définis puis entrainés sur une période d’apprentissage d’une année de données issue de l’historique de consommation globale du réseau selon l’horizon de prévision associé à chaque sous-modèle. Ces 48 sous-modèles ont ensuite été utilisée pour prédire la consommation sur le réseau de chaleur précédemment décrit. Pour mesurer la performance du procédé100 de prévision selon un premier aspect de l’invention par rapport à l’état de l’art, des prévisions journalières ont été réalisées sur une période de chauffe de deux mois hors période d’apprentissage.An example of application of a method 100 according to a first aspect of the invention relates to a heating network composed of several consumption stations (substations) and production units. The average operating power of the network is 120MW with peaks that can reach 180MW. In this exemplary embodiment, 48 sub-models forecasts were defined and then trained over a learning period of one year of data from the network's overall consumption history according to the forecast horizon associated with each submodel. These 48 sub-models were then used to predict consumption on the previously described heat network. To measure the performance of the forecasting method 100 according to a first aspect of the invention compared to the state of the art, daily forecasts were made over a heating period of two months excluding the learning period.

Ces prévisions sont illustrées à la [Fig.5] où la RMSE (pour Root-Mean-Square Deviation en langue anglaise, représentant l’écart entre la prévision et la valeur réelle de la consommation) est représentée en fonction de l’horizon de prévision. Cette figure montre l’impact de l’horizon de prévision (i.e., la distance par rapport à la dernière mesure connue) sur la qualité de prévision de la puissance thermique consommée par l’ensemble des sous-stations du réseau de chaleur. Etant donné que la prévision à l’aide d’un procédé100 selon l’invention illustré par la courbe en ligne continue prend en compte les informations liées au passé récent (dernières mesures observées), la qualité de prévision fournie par celle-ci est très précise si la dernière mesure observée est proche de l’instant de prévision. On constate aussi que si les prévisions sont réalisées sur des horizons courts ou avec des mises à jour plus fréquentes permettant de donner l’accès à la dernière mesure, l’erreur de prévision diminuant ainsi significativement. A titre d’exemple, l’erreur de prévision à 30 minutes est de 4MW contre 7 MW pour un horizon de 3 heures et demi, ce qui correspond à un gain de 40% en précision. On remarque aussi que la prévision à l’aide d’un procédé100 selon un premier aspect de l’invention illustrée par la courbe en ligne continue est beaucoup plus performante qu’une prévision réalisée à l’aide d’un procédé de l’état de l’art illustré par la courbe en pointillé, surtout sur les premiers pas de temps.These forecasts are illustrated in [Fig.5] where the RMSE (for Root-Mean-Square Deviation in English, representing the difference between the forecast and the real value of consumption) is represented according to the horizon of forecast. This figure shows the impact of the forecast horizon (i.e., the distance from the last known measurement) on the quality of forecast of the thermal power consumed by all the substations of the heating network. Given that the forecast using a method 100 according to the invention illustrated by the continuous line curve takes into account the information related to the recent past (last measurements observed), the forecast quality provided by the latter is very specifies whether the last observed measurement is close to the forecast time. We also note that if the forecasts are made over short horizons or with more frequent updates allowing access to the latest measurement, the forecast error thus decreases significantly. For example, the forecast error at 30 minutes is 4MW against 7 MW for a horizon of 3.5 hours, which corresponds to a gain of 40% in accuracy. It is also noted that the forecast using a method 100 according to a first aspect of the invention illustrated by the continuous line curve is much more efficient than a forecast made using a method of the state art illustrated by the dotted curve, especially on the first time steps.

Le procédé a été illustré dans le cadre de la prévision de la consommation dans un réseau de chaleur, mais il peut être utilisé dans d’autres application comme la production thermique d’une centrale thermique dans un réseau de chaleur (charbon, fioul, biomasse, gaz, etc.), la consommation électrique d’un poste de consommation dans un réseau électrique (maison, quartier, ville, territoire) ou bien encore la production électrique pour les sources d’énergie renouvelable (par ex. solaire thermique, photovoltaïque, éolien, etc.). De manière encore plus générale, le procédé selon un premier aspect de l’invention peut être utilisé pour la prévision de toute grandeur physique permettant de caractériser en tout ou partie les systèmes qui viennent d’être décrits.The process has been illustrated in the context of forecasting consumption in a heating network, but it can be used in other applications such as the thermal production of a thermal power station in a heating network (coal, fuel oil, biomass , gas, etc.), the electrical consumption of a consumption item in an electrical network (house, district, city, territory) or even the electrical production for renewable energy sources (e.g. solar thermal, photovoltaic , wind, etc.). Even more generally, the method according to a first aspect of the invention can be used for the prediction of any physical quantity making it possible to characterize all or part of the systems which have just been described.

Ainsi, dans l’exemple qui vient d’être donné, la qualité des prévisions fournies par un procédé100 selon un premier aspect de l’invention contribue à augmenter la performance de la gestion optimisée des réseaux de chaleur via la commande prédictive en mobilisant, d’une façon optimale, les sources énergétiques adéquates sur un horizon d’anticipation afin de répondre au challenge économique et environnemental.Thus, in the example that has just been given, the quality of the forecasts provided by a method 100 according to a first aspect of the invention contributes to increasing the performance of the optimized management of heating networks via predictive control by mobilizing, d in an optimal way, the adequate energy sources on a horizon of anticipation in order to meet the economic and environmental challenge.

Afin de tirer avantage de cette prévision améliorée, un deuxième aspect de l’invention concerne un procédé de gestion d’un système énergétique, de préférence par commande prédictive, comprenant une étape prévision de la consommation/production en énergie mettant en œuvre un procédé selon un premier aspect de l’invention. Un tel procédé de gestion bénéficie ainsi des avantages du procédé100 de prévision selon un premier aspect de l’invention détaillés précédemment.In order to take advantage of this improved forecasting, a second aspect of the invention relates to a method for managing an energy system, preferably by predictive control, comprising an energy consumption/production forecasting step implementing a method according to a first aspect of the invention. Such a management method thus benefits from the advantages of the method 100 of forecasting according to a first aspect of the invention detailed above.

Un troisième aspect de l’invention concerne un dispositif comprenant des moyens configurés pour mettre en œuvre un procédé100 selon un premier aspect ou un deuxième aspect de l’invention. Dans un mode de réalisation, le dispositif comprend un moyen de calcul (par exemple un processeur) associé à une mémoire (par exemple une mémoire vive et/ou un disque dur), la mémoire étant configurées pour stocker les instructions et les données nécessaires (par exemple sous la forme d’une base de données) à la mise en œuvre d’un procédé100 selon un premier ou un deuxième aspect de l’invention. Dans un mode de réalisation, le dispositif comprend des moyens de saisie (par exemple un clavier ou un écran tactile) et d’affichage permettant à un opérateur d’interagir avec le dispositif, par exemple pour fournir au moins une partie des données nécessaires à la mise en œuvre du procédé100 selon un premier ou un deuxième aspect de l’invention. Dans un mode de réalisation, le dispositif comprend des moyens de communication afin d’envoyer ou de recevoir des données et/ou des instructions. De tels moyens de communication peuvent par exemple être utilisés afin de recevoir les données nécessaires à la détermination des sous-modèles , comme les données listées dans le [Tableau 1], ou bien encore les mesures nécessaires à l’apprentissage des sous-modèles. Ils peuvent également permettre d’envoyer des instructions nécessaires à la gestion d’un système énergétique. Dans un mode de réalisation, le dispositif comprend des moyens d’acquisition de la grandeur physique d’intérêt, par exemple la consommation/production en énergie, les mesures ainsi acquises permettant de constituer ou alimenter un historique des mesures (par exemple pour l’apprentissage du modèle selon l’invention) ou bien encore pour servir de donnée d’entrée aux sous-modèles afin de déterminer en temps réel une prévision de la grandeur physique d’intérêt. Les moyens d’acquisition peuvent par exemple comprendre un ou plusieurs capteurs de température, un ou plusieurs débitmètres, un ou plusieurs wattmètres, etc.A third aspect of the invention relates to a device comprising means configured to implement a method 100 according to a first aspect or a second aspect of the invention. In one embodiment, the device comprises a calculation means (for example a processor) associated with a memory (for example a random access memory and/or a hard disk), the memory being configured to store the necessary instructions and data ( for example in the form of a database) to the implementation of a method 100 according to a first or a second aspect of the invention. In one embodiment, the device comprises input means (for example a keyboard or a touch screen) and display allowing an operator to interact with the device, for example to provide at least part of the data necessary for the implementation of the method 100 according to a first or a second aspect of the invention. In one embodiment, the device comprises communication means in order to send or receive data and/or instructions. Such means of communication can for example be used in order to receive the data necessary for the determination of the sub-models , such as the data listed in [Table 1], or even the measurements necessary for learning the sub-models. They can also make it possible to send instructions necessary for the management of an energy system. In one embodiment, the device comprises means for acquiring the physical quantity of interest, for example the consumption/production of energy, the measurements thus acquired making it possible to constitute or supply a history of the measurements (for example for the learning of the model according to the invention) or even to serve as input data for the sub-models in order to determine in real time a forecast of the physical quantity of interest. The acquisition means can for example comprise one or more temperature sensors, one or more flowmeters, one or more wattmeters, etc.

Claims (8)

Procédé(100) de détermination d’une prévision d’une grandeur physique d’intérêt sur une durée de prévision donnée avec un pas de temps donné de sorte que avec le nombre de pas de temps considéré, la prévision se faisant à l’aide d’un modèle de prévision de la grandeur physique d’intérêt, ledit procédé comprenant:
  • une étape(E1) de détermination d’une pluralité de sous-modèles , chaque sous-modèle ayant un horizon de prévision différent des autres sous-modèles , la pluralité de sous-modèle ainsi obtenue venant former le modèle de prévision de sorte que pour tout pas de temps considéré où , il existe un sous-modèle tel que ;
le procédé comprenant également, pour chaque pas de temps :
  • une étape(E2) d’identification du sous-modèle ayant un horizon de prévision égal au temps écoulé où est le pas de temps considéréavec ;
  • une étape(E3) de prévision de la grandeur physique d’intérêt à l’aide du sous-modèle précédemment identifié.
Method(100) for determining a forecast of a physical quantity of interest over a given forecast duration with a given time step so that with the number of time steps considered, the forecast being made using a forecasting model of the physical quantity of interest, said method comprising:
  • a step (E1) of determining a plurality of sub-models , each submodel having a forecast horizon different from other submodels , the plurality of sub-model thus obtained forming the forecast model so that for all no time considered where , there is a submodel such as ;
the method also comprising, for each time step :
  • a step (E2) of identification of the sub-model having a forecast horizon equal to elapsed time Or is the time step considered with ;
  • a step (E3) of forecasting the physical quantity of interest using the sub-model previously identified.
Procédé(100) selon la revendication précédente dans lequel l’étape(E1) de détermination d’une pluralité de sous-modèles est précédée d’une étape(E0) d’identification des variables du modèle de prévision .Method (100) according to the preceding claim, in which the step (E1) of determining a plurality of sub-models is preceded by a step (E0) of identification of the variables of the forecasting model . Procédé(100) selon l’une des revendications précédentes dans lequel l’étape(E1) de détermination d’une pluralité de sous-modèles , comprend :
  • une sous-étape(E11) d’identification des sous-modèles de prévision, chaque sous-modèle étant défini sur un seul horizon de prévision , la pluralité de sous-modèle ainsi obtenue venant former le modèle de prévision de sorte que pour tout pas de temps considéré où , il existe un sous-modèle tel que ;
  • une sous-étape(E12) d’entrainement de chaque sous-modèle au moyen d’un algorithme d’apprentissage à partir de données de mesure concernant le système dont on cherche à prédire le comportement.
Method (100) according to one of the preceding claims, in which the step (E1) of determining a plurality of sub-models , understand :
  • a sub-step (E11) of identification of the sub-models forecast, each sub-model being defined over a single forecast horizon , the plurality of sub-model thus obtained forming the forecast model so that for all no time considered where , there is a submodel such as ;
  • a training sub-step (E12) of each sub-model by means of a learning algorithm based on measurement data relating to the system whose behavior is to be predicted.
Procédé selon l’une des revendications précédentes dans lequel la grandeur de physique d’intérêt est la consommation d’énergie d’un réseau de chaleur.Method according to one of the preceding claims, in which the physical quantity of interest is the energy consumption of a heat network. Procédé de gestion d’un système énergétique comprenant une étape de détermination d’une prévision de la grandeur physique d’intérêt mettant en œuvre un procédé(100) selon l’une des revendications précédentes.Method for managing an energy system comprising a step of determining a forecast of the physical quantity of interest implementing a method (100) according to one of the preceding claims. Dispositif comprenant les moyens configurés pour mettre en œuvre un procédé(100) selon l’une des revendications précédentes.Device comprising the means configured to implement a method (100) according to one of the preceding claims. Programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé(100) selon l’une des revendications 1 à 5.Computer program comprising instructions which, when the program is executed by a computer, lead the latter to implement the method (100) according to one of Claims 1 to 5. Support de données lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon la revendication 7.Computer-readable data carrier on which the computer program according to Claim 7 is stored.
FR1914065A 2019-12-10 2019-12-10 Method of forecasting a physical quantity of interest, associated management method and device Withdrawn FR3104294A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1914065A FR3104294A1 (en) 2019-12-10 2019-12-10 Method of forecasting a physical quantity of interest, associated management method and device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1914065 2019-12-10
FR1914065A FR3104294A1 (en) 2019-12-10 2019-12-10 Method of forecasting a physical quantity of interest, associated management method and device

Publications (1)

Publication Number Publication Date
FR3104294A1 true FR3104294A1 (en) 2021-06-11

Family

ID=70613885

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1914065A Withdrawn FR3104294A1 (en) 2019-12-10 2019-12-10 Method of forecasting a physical quantity of interest, associated management method and device

Country Status (1)

Country Link
FR (1) FR3104294A1 (en)

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
M. LAWRYNCZUK, P. TATJEWSKI: "Nonlinear predictive control based on neural multi-models", INTERNATIONAL JOURNAL OF APPLIED MATHEMATICS AND COMPUTER SCIENCE, vol. 20, no. 1, 25 March 2010 (2010-03-25), pages 7 - 21, XP055718758, DOI: 10.2478/v10006-010-0001-y *
P. XUE ET AL: "Multi-step ahead forecasting of heat load in district heating systems using machine learning algorithms", ENERGY, vol. 188, 116085, 9 September 2019 (2019-09-09), XP055718750, DOI: 10.1016/j.energy.2019.116085 *
S. IDOWU ET AL: "Applied machine learning: forecasting heat load in district heating system", ENERGY AND BUILDINGS, vol. 133, 8 October 2016 (2016-10-08), pages 478 - 488, XP029811253, DOI: 10.1016/J.ENBUILD.2016.09.068 *
S. SAJJADI ET AL: "Extreme learning machine for prediction of heat load in district heating systems", ENERGY AND BUILDINGS, vol. 122, 12 April 2016 (2016-04-12), pages 222 - 227, XP055718741, DOI: 10.1016/j.enbuild.2016.04.021 *

Similar Documents

Publication Publication Date Title
US11699198B2 (en) Methods and systems for machine-learning for prediction of grid carbon emissions
Kim et al. Subtropical clouds key to Southern Ocean teleconnections to the tropical Pacific
US20210125253A1 (en) Methods, systems, apparatuses and devices for matching at least one utility consumer to at least one utility provider
Bloomfield et al. Sub-seasonal forecasts of demand and wind power and solar power generation for 28 European countries
US20210334914A1 (en) System and method for determining power production in an electrical power grid
EP2631600B1 (en) System for presenting data from a communicating electricity meter
WO2015086994A1 (en) Prediction of a curtailed consumption of fluid
Singh et al. Wind energy resource assessment for Vanuatu with accurate estimation of Weibull parameters
US10557720B2 (en) Unauthorized electrical grid connection detection and characterization system and method
Bâra et al. Embedding the weather prediction errors (WPE) into the photovoltaic (PV) forecasting method using deep learning
Voronin et al. Short term forecasting peak load hours of regional power systems using machine learning methods
FR3104294A1 (en) Method of forecasting a physical quantity of interest, associated management method and device
FR3087926A1 (en) SECURITY OF AN INTERVENTION ON A LOW VOLTAGE BRANCH OF THE ELECTRICAL DISTRIBUTION NETWORK
EP3975103A1 (en) Method and system for managing electrical energy resources within a network for distributing electrical energy
FR3115614A1 (en) Method for characterizing an energy system powered by at least one renewable energy source
EP3772714A1 (en) Method for determining energy amounts exchanged between entities of an electrical installation and an electrical distribution network
EP3748373B1 (en) Diagnosis of electrical distribution network
WO2024008753A1 (en) Method and installation for providing energy, particularly thermal, low-carbon energy, in at least one building or the like, and related system.
FR3103604A1 (en) Method for predicting the consumption of a resource distributed in a distribution network
FR3131988A1 (en) Bayesian forecast of individual consumption and balancing of an electricity network
Bâra et al. Devising single in-out long short-term memory univariate models for predicting the electricity price on the day-ahead markets
EP3864422A1 (en) Method, system and software product for identifying equipment that can present an electrical non-conformity
FR2979451A1 (en) Method for determining power consumption related to external temperature for management of power system, involves determining share of power consumption related to external temperature by summing impulse responses of power consumption
Brewer Literature review on carbon footprint collection and analysis
Kunoy Leveraging telematics and smart home integration to reduce EV ownerships costs

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20210611

ST Notification of lapse

Effective date: 20220808