IHSANE

THESE DE DOCTORAT DE
L'UNIVERSITE DE NANTES
ECOLE DOCTORALE N° 601

Mathématiques et Sciences et Technologies
de l'Information et de la Communication
Spécialité : Génie électrique
Par
« Imane IHSANE »
« Prévision à court terme et gestion des consommations d'énergie
électrique dans l’habitat »
Thèse présentée et soutenue à Saint Nazaire, le 25 Juin 2020

Unité de recherche : Institut de Recherche en Energie Electrique de Nantes Atlantique (IREENA)
Rapporteurs avant soutenance :

M. Vincent DEBUSSCHERE Maître de Conférences HDR, Université de Grenoble Alpes
M. Jean-Charles LE BUNETEL Professeur des Universités, IUT Tours
Composition du Jury :
Examinateur : M. Quoc Tuan TRAN Professeur, Université Paris-Saclay

Dir. de thèse : M. Patrick GUERIN Professeur des Universités, IUT Saint-Nazaire
Encadrantes : Mme. Nadia AIT-AHMED Maître de conférences, Polytech Nantes
Mme. Laurence MIEGEVILLE Maître de conférences, Polytech Nantes
Invité
M. Hamid BEN AHMED Maître de Conférences HDR, ENS RENNES

1
Dédicaces
A ma famille
A tous ceux que j’aime, et à tous ceux qui me sont chers
Je dédie ce travail…
2
3
Remerciements
Tout d'abord, mes remerciements s'adressent aux personnes qui m'ont proposées ce sujet de
thèse et qui m'ont encadré tout au long de la période de doctorat :
Je remercie mon directeur de thèse, Monsieur Patrick GUERIN, pour son professionnalisme,
son soutien et surtout ses judicieux conseils et remarques qui ont contribué à alimenter mes
réflexions et aussi pour l’opportunité qu’il m’a offerte de réaliser mes premières expériences
d’enseignement au sein de l’IUT de Saint Nazaire. Je lui suis éminemment reconnaissante
d’avoir accompagné mes premiers pas dans le métier d’enseignent-chercheur.
Un grand merci également à mes encadrantes Mme Nadia AIT AHMED et Mme Laurence
MIGEVILLE pour leur réactivité et leur gentillesse. Merci de m’avoir accompagnée et soutenue
tout au long de ce doctorat. J’ai vraiment eu beaucoup de plaisir à travailler avec vous toutes
ces années et je pense que vous m’avez beaucoup apporté.
Je souhaite ensuite exprimer ma reconnaissance à l'ensemble des membres du jury :

Je remercie Monsieur Quoc Tuan TRAN, qui a accepté de présider mon jury, ainsi qu’à
Monsieur Jean-Charles LE BUNETEL et Monsieur Vincent DEBUSSCHERE qui ont accepté
d’être rapporteurs de ce mémoire. Merci également au membre invité Monsieur Hamid BEN
AHMED pour l’intérêt qu’il a porté à ce travail.
Je tiens également à exprimer ma gratitude au laboratoire IREENA, au sein duquel j’ai pu

travailler dans de bonnes conditions et j’en remercie tous les membres :
Enseignants-chercheurs, ingénieurs, post-doctorants, doctorants, personnel administratif et
technique.
Je souhaite également présenter mes remerciements à Monsieur Marc POULY, Directeur

école d'ingénieurs CESI de Saint Nazaire ainsi qu’à tous mes collègues pour leur
encouragement et leur soutien.
J’ai évidemment une pensée pour toutes celles et ceux qui m’ont permis de mener à bien
cette thèse, à savoir ma famille et mes ami(e)s. Un grand merci à eux de m’avoir donné la
confiance ainsi que le soutien nécessaire à la thèse, et d’avoir été les premiers à me motiver
dans les moments les plus difficiles.
Du fond du cœur, merci à tous.

4
5
Table des matières
Liste des figures ..................................................................................................................................... 9
Liste des tableaux ................................................................................................................................ 13
Introduction générale .......................................................................................................................... 14
Chapitre I. Contexte énergétique ................................................................................................... 19
1. Introduction ........................................................................................................................... 19
2. Contexte énergétique ............................................................................................................. 19
2.1. Evolution de la consommation électrique ......................................................................... 19
2.2. Transition énergétique ....................................................................................................... 23
3. Problématiques liées aux pics de consommation .................................................................. 25
3.1. Définition........................................................................................................................... 25
3.2. Conséquences des pics de consommation vues du réseau de transport / distribution ....... 26
4. Qui consomme le plus d’énergie en France ? ........................................................................ 32
4.1. Répartition sectorielle de la consommation électrique ...................................................... 32
4.2. Déterminants de la consommation énergétique domestique ............................................. 34
5. Positionnement des travaux de thèse ..................................................................................... 35
5.1. Positionnement national .................................................................................................... 36
5.2. Positionnement international ............................................................................................. 42
6. Cahier des charges ................................................................................................................. 44
6.1. Contexte et objectifs de la thèse ........................................................................................ 44
6.2. Système d’alimentation électrique dans l’habitat .............................................................. 46
7. Conclusion ............................................................................................................................. 48
Chapitre II. Etat de l’art des méthodes de prévision ..................................................................... 51

1. Introduction ........................................................................................................................... 51
2. Définitions ............................................................................................................................. 51
2.1. Qu’est-ce qu’une « prévision » ? ....................................................................................... 51
2.2. Horizons temporels de prévision ....................................................................................... 51
2.3. Indicateurs de la qualité de la prévision ............................................................................ 53
3. Méthodes de prévision........................................................................................................... 54
3.1. Méthodes déterministes ..................................................................................................... 55
3.2. Méthodes probabilistes ...................................................................................................... 58
3.3. Méthodes fondées sur l’Intelligence Artificielle ............................................................... 64
3.4. Comparatif des méthodes de prévision.............................................................................. 74
4. Conclusion ............................................................................................................................. 76
Chapitre III. Analyse des données de consommation électrique dans l’habitat ........................... 78
1. Introduction ........................................................................................................................... 78
2. Analyse temporelle ................................................................................................................ 78
2.1. Consommation électrique régionale .................................................................................. 79
2.2. Consommation électrique d’un habitat individuel............................................................. 83
3. Analyse statistique des profils ............................................................................................... 91
3.1. Répartition statistique des données ................................................................................... 91
3.2. Application au profil de charge d’un habitat individuel .................................................... 95
6
4. Etude de corrélations ............................................................................................................. 98
4.1. Définition des outils mathématiques. ................................................................................ 98
4.2. Influence des paramètres météorologiques...................................................................... 104
4.3. Influence des historiques de consommation .................................................................... 108
5. Conclusion ........................................................................................................................... 113
Chapitre IV. Implémentation du modèle de prévision ................................................................. 115

1. Introduction ......................................................................................................................... 115
2. Approche théorique ............................................................................................................. 115
2.1. Structure du Perceptron Multicouches (PMC) ................................................................ 116
2.2. Modélisation du réseau de neurones type PMC .............................................................. 117
2.3. Mise en œuvre de l’algorithme de rétropropagation........................................................ 124
3. Application au niveau régional ............................................................................................ 130
3.1. Définition de l’architecture du réseau ............................................................................. 130
3.2. L’entraînement du réseau ................................................................................................ 132
3.3. Exploitation à la prévision des consommations .............................................................. 134
4. Application au niveau d’un habitat individuel .................................................................... 135
4.1. Prévision de la consommation électrique des appareils électrodomestiques ................... 135
4.2. Prévision de la consommation du chauffage électrique .................................................. 141
5. Qualité de la prévision ......................................................................................................... 144
5.1. Au niveau régional .......................................................................................................... 144
5.2. Au niveau résidentiel : habitat individuel ........................................................................ 145
6. Conclusion ........................................................................................................................... 149
Chapitre V. Etat de l’art des méthodes de gestion de la consommation électrique résidentielle

…………………………………………………………………………………………………..152
1. Introduction ......................................................................................................................... 152
2. Enjeux de la gestion des charges électriques ....................................................................... 153
2.1. Usage de l’électricité dans l’habitat................................................................................. 154
2.2. Besoin en énergie dans le bâtiment résidentiel ................................................................ 155
2.3. Les charges les plus appropriées pour une gestion .......................................................... 158
3. Méthodes de gestion indirecte ............................................................................................. 159
3.1. Campagnes de sensibilisation à la transition énergétique................................................ 159
3.2. Tarification dynamique ................................................................................................... 159
3.3. Programmes de gestion de charges électriques ............................................................... 161
4. Méthodes de gestion directe ................................................................................................ 163
4.1. Méthodes classiques ........................................................................................................ 165
4.2. Méthodes basées sur des règles ....................................................................................... 167
4.3. Méthodes basées sur des algorithmes d’optimisation...................................................... 169
4.4. Méthodes préventives ...................................................................................................... 170
4.5. Comparatif et verrous des méthodes de gestion .............................................................. 171
5. Conclusion ........................................................................................................................... 173
Chapitre VI. Implémentation d’une stratégie de gestion de la consommation électrique dans

l’habitat………………………………………………………………………………………………175
1. Introduction ......................................................................................................................... 175
2. Méthodologie proposée pour la gestion des consommations électriques ............................ 175
2.1. Structure générale ............................................................................................................ 175
2.2. Classification des charges d’un habitat individuel .......................................................... 177
7
2.3. Allocation des priorités des charges électriques .............................................................. 178
2.4. Traitement des priorités des charges ............................................................................... 182
3- Mise en œuvre et résultats de simulation ............................................................................ 185
3.1. Description du cas d’application ..................................................................................... 185
3.2. Consommation électrique sans gestion des charges électriques ...................................... 187
3.3. Cas des radiateurs seuls ................................................................................................... 189
3.4. Cas des charges électrodomestiques seules ..................................................................... 192
3.5. Cas de l’ensemble des charges électriques ...................................................................... 197
3.6. Application de l’algorithme de gestion sous une puissance restante plus restrictive ...... 201
4- Conclusion ........................................................................................................................... 204
Chapitre VII. Apport de la prévision à la gestion de la consommation électrique ...................... 207

1. Introduction ......................................................................................................................... 207
2. Association de la Prévision à la Gestion de la consommation électrique (APG) ................ 207
2.1. Définition de la problématique ........................................................................................ 207
2.2. Structure générale de l’algorithme APG ......................................................................... 208
2.3. Principe de fonctionnement ............................................................................................. 209
3. Mise en œuvre et résultats de simulation ............................................................................ 213
3.1. Application de la méthode APG avec un horizon de prévision = 1 minute .................... 214
3.2. Application de la méthode APG avec un horizon de prévision = 16 minutes ................. 218
4. Conclusion ........................................................................................................................... 223
Conclusion générale & Perspectives ................................................................................................ 224

Annexes ……………………………………………………………………………………………...227
Références bibliographiques............................................................................................................. 253
8
Liste des figures
Figure I-1 Consommation d'énergie mondiale en 2016 [CE-18] .......................................................... 20
Figure I-2 Scénario d’évolution de la population mondiale [CE-18] .................................................... 21
Figure I-3 Répartition de la consommation énergétique française en 2017 ......................................... 21
Figure I-4 Evolution de la consommation d'électricité en France [RT-18] ........................................... 22
Figure I-5 Taux de croissance annuel moyen de la consommation d’électricité par décennie ............. 22
Figure I-6 Evolution des taux de croissance annuels de la demande électrique et du PIB [RT-16]...... 23
Figure I-7 Schéma comparatif des caractéristiques d’un réseau « classique » et d’un réseau
« intelligent » ......................................................................................................................................... 24
Figure I-8 Exemple d’une courbe de consommation électrique française journalière en été 2015 et hiver
2016 [RTE] ............................................................................................................................................ 25
Figure I-9 Niveaux de tension dans le réseau électrique français ......................................................... 27
Figure I-10 (a) Courbe de régulation de charge (b) Modèle simplifié de réseau sur ligne inductive .... 29
Figure I-11 Production nette d’électricité en France [RT-18] ............................................................... 30
Figure I-12 Courbe de l’offre de production - merit order [GA-13] .................................................... 32
Figure I-13 Évolution de la consommation énergétique finale par grand secteur économique 2001-2017
[RT-18] .................................................................................................................................................. 33
Figure I-14 Comparaison de la part du secteur résidentiel au niveau européen .................................... 33
Figure I-15 Courbe de charge moyenne par heure d’un poste audiovisuel .......................................... 35
Figure I-16 Représentation schématique du système de gestion ........................................................... 45
Figure I-17 Exemple d’une installation électrique domestique [SC-20] ............................................... 47
Figure I-18 Exemple d’un circuit de pilotage des chauffages électriques via le fil pilote .................... 47
Figure II-1 Les différentes échéances de la prévision de la consommation électrique ......................... 52
Figure II-2 Stratégie du jour similaire [AD1-19] .................................................................................. 55
Figure II-3 (a) Courbe de charges pour deux jours similaires (b) Courbe de charges pour deux jours non
similaires [CO-17] ................................................................................................................................. 56
Figure II-4 Procédure de la reconstruction de la courbe de charge [DI-11] .......................................... 57
Figure II-5 RMSE pour 7 jours de prévision [SA-16] ........................................................................... 60
Figure II-6 Courbe de charge journalière d’un studio universitaire [HA-12] ....................................... 62
Figure II-7 Mise en correspondance neurone biologique (a) / neurone artificiel (b) ............................ 65
Figure II-8 (a) fonction de Heaviside, (b) fonction signe, (c) fonction linéaire à seuil, (d) fonction
sigmoïde ................................................................................................................................................ 66
Figure II-9 Réseaux non bouclés : (a) réseau monocouche (b) réseau multicouches ............................ 67
Figure II-10 Topologies de réseaux bouclés : (a) sans auto-récurrence, (b) avec auto-récurrence ....... 67
Figure II-11 Valeurs des MAPE journaliers. ......................................................................................... 71
Figure II-12 Fonctions d’appartenance ................................................................................................. 72
Figure II-13 Système de prévision à base de logique floue [BI-17] ...................................................... 73
Figure II-14 Phase d’apprentissage du système de prédiction [BI-17].................................................. 73
Figure II-15 Comparaison entre la consommation réelle et prédite du 28 janvier 2017 [BI-17]. ......... 74
Figure III-1 Les niveaux d’agrégation de la consommation électrique [BA-17] .................................. 79
Figure III-2 Consommation électrique des Pays de La Loire entre le 1er janvier 2017 et le 31 décembre
2017 ....................................................................................................................................................... 79
Figure III-3 Consommation électrique au cours d’une semaine type en hiver (du 23 au 29 janvier 2017)
et en été (du 31 juillet au 06 août 2017) ................................................................................................ 81
Figure III-4 Courbe de charge et courbe de durée de charge associée .................................................. 82
9
Figure III-5 Durées des pics de consommation ..................................................................................... 83
Figure III-6 Répartition des ménages selon leur structure (données 2016) [INSEE] ............................ 84
Figure III-7 Répartition des individus selon le statut d’activité (données 2016) [INSEE] ................... 84
Figure III-8 Consommation électrique d’un habitat individuel pour l’année 2016 (ménage : couple en
activité avec deux enfants) .................................................................................................................... 85
Figure III-9 Profils de consommation électrique d’usage électrodomestique ....................................... 86
Figure III-10 Comparaison entre les niveaux maximum de consommation du JO / WE par ménage .. 86
Figure III-11 Durées de charge journalière d’un habitat individuel ...................................................... 88
Figure III-12 Courbes de charge par ménage pendant un JO (ex. lundi 04/01/2016) ........................... 88
Figure III-13 Courbes de charge par ménage pendant un jour de WE (ex. dimanche 07/01/2016) ...... 89
Figure III-14 (a) Profil de consommation du chauffage électrique (b) Température extérieure. .......... 90
Figure III-15 Courbe des consommations en chauffage (a) et courbe de température extérieure (b) du
1er au 7 janvier 2016 ............................................................................................................................. 90
Figure III-16 (a) Courbe des consommations en chauffage (b) courbe de température extérieure du 19
au 25 novembre 2016 ............................................................................................................................ 91
Figure III-17 (a) représentations temporelle d’un profil de consommation (b) boîte à moustache ....... 93
Figure III-18 Dispersion des valeurs journalières de la consommation électrique régionale ................ 94
Figure III-19 Représentation des courbes de charge journalières sous forme de boîtes à moustaches (a)
pour le chauffage électrique (b) pour les charges électrodomestiques (couple en activité avec deux
enfants). ................................................................................................................................................. 96
Figure III-20 Zoom sur la représentation des courbes de charge journalières de l’usage
électrodomestique sous forme de boîte à moustaches ........................................................................... 96
Figure III-21 Loi normale N (0,1) ....................................................................................................... 101
Figure III-22 Loi normale................................................................................................................... 102
Figure III-23 Rapport de corrélation classé par ordre décroissant : Prégion.......................................... 105
Figure III-24 Diagrammes de dispersion entre la consommation électrique et les paramètres
météorologiques [T, V, H, R] : Prégion .................................................................................................. 105
Figure III-25 Coefficient de corrélation entre consommation électrique et les paramètres
météorologiques : Prégion....................................................................................................................... 106
Figure III-26 Rapport de corrélation classé par ordre décroissant : Pchauffage ...................................... 107
Figure III-27 Diagrammes de dispersion entre la consommation électrique et les paramètres
météorologiques [T, V, H, R] : Pchauffage............................................................................................. 107
Figure III-28 Coefficient de corrélation entre Pchauffage et les paramètres météorologiques ................. 107
Figure III-29 Valeurs de coefficient d’autocorrélation calculé pour le profil Prégion : a) hiver – b) été 109
Figure III-30 Valeurs de coefficient d’autocorrélation calculé pour le profil Pchauffage ........................ 111
Figure III-31 Valeurs de coefficient d’autocorrélation calculé pour le profil Pelec (a) historique sur 24h
(b) vue zoomée sur la 1ère heure. ......................................................................................................... 112
Figure IV-1 Architecture d’un Perceptron Multicouches (PMC) ........................................................ 117
Figure IV-2 Principe de minimisation de l'erreur quadratique entre la sortie prédite et la sortie réelle
[RE-10] ................................................................................................................................................ 121
Figure IV-3 Algorithme de rétropropagation du gradient de l’erreur.................................................. 128
Figure IV-4 Méthode de validation croisée et arrêt de l’apprentissage [RE-10] ................................ 129
Figure IV-5 Architecture du RN (application au niveau régional) ...................................................... 131
Figure IV-6 Consommation électrique de la région des Pays de La Loire entre le 1er janvier et le 31
décembre 2017 .................................................................................................................................... 132
Figure IV-7 Répartition ordonnée des données de consommation...................................................... 133
Figure IV-8 Répartition aléatoire des données de consommation : a) période de 12 semaines b) vue
zoomée sur une période de trois jours ................................................................................................. 133
10
Figure IV-9 Etude paramétrique pour le choix du nombre de neurones de la couche cachée............. 134
Figure IV-10 Comparaison entre consommations réelle et prédite ..................................................... 135
Figure IV-11 Filtrage de la courbe de charge journalière pour différents T – foyer « couple en activité
avec deux enfants » ............................................................................................................................. 138
Figure IV-12 Architecture du RNA appliqué à la prévision de la consommation des charges
électrodomestiques à l’horizon t+1min ............................................................................................... 140
Figure IV-13 Comparaison entre la consommation réelle moyenne (∆T=10min) et prédite (modèle
RNA1) .................................................................................................................................................. 140
Figure IV-14 Comparaison entre la consommation réelle moyennée (∆T=10min) et prédite (modèle
RNA2) .................................................................................................................................................. 141
Figure IV-15 Profil de consommation électrique du système de chauffage et l’évolution de la
température extérieure. ........................................................................................................................ 141
Figure IV-16 Architecture du RNA appliquée à la prévision de la consommation du chauffage électrique,
à l’horizon t+1h ................................................................................................................................... 142
Figure IV-17 Etude paramétrique pour le choix du nombre de neurones de la couche cachée........... 142
Figure IV-18 Entraînement du réseau RNA 10-20-1 .......................................................................... 143
Figure IV-19 Comparaison entre la consommation réelle et prédite................................................... 143
Figure IV-20 Valeurs du MAPE journalier ......................................................................................... 144
Figure IV-21 Valeurs du MAPE journalier calculé entre la consommation réelle et prédite .............. 145
Figure IV-22 Comparaison entre la consommation réelle et prédite de la journée du « lundi » et erreur
relative ................................................................................................................................................. 145
Figure IV-23 Valeurs du MAPE, MPDADA et MPDADMA journaliers........................................... 147
Figure IV-24 Comparaison entre la consommation réelle et prédite de la journée du « lundi » et l’erreur
absolue ramenée à la consommation moyenne journalière ................................................................. 148
Figure IV-25 Comparaison entre la consommation réelle et prédite de la journée du « Mardi» et l’erreur
absolue ramenée à la consommation moyenne journalière ................................................................. 148
Figure IV-26 Valeurs des indicateurs de performance pour le cas du chauffage électrique ............... 149
Figure V-1 Schématisation de la contribution du secteur résidentiel à la réduction des pics de
consommation à grande échelle........................................................................................................... 153
Figure V-2 Répartition par usage des consommations d’énergie de ménages dans leur logement [AD1-
19]........................................................................................................................................................ 154
Figure V-3 Répartition des usages de l’électricité par les ménages (en moyenne en France) [AD2-19]
............................................................................................................................................................. 156
Figure V-4 Consommation moyenne de quelques appareils électroménagers [AD-J19].................... 158
Figure V-5 Illustration des programmes DSM et DSB [SA-07] ......................................................... 161
Figure V-6 Exemple de programmation temporelle des charges résidentielles .................................. 167
Figure V-7 Exemple de mécanisme de gestion par règles déterministes ............................................ 169
Figure V-8 Exemple de HEMS intelligent mis en œuvre dans des logements individuels [BI-19] .... 171
Figure V-9 Exemple de gestion avec système de stockage [BI-19] .................................................... 171
Figure VI-1 Structure générale du principe de gestion proposé .......................................................... 176
Figure VI-2 Structure détaillée de la méthode de gestion des charges électriques ............................. 176
Figure VI-3 Classification proposée des charges électriques .............................................................. 178
Figure VI-4 Schématisation de la procédure d’allocation des ordres de priorité ................................ 179
Figure VI-5 Organigramme d’attribution des ordres de priorité aux radiateurs électriques ............... 182
Figure VI-6 Allocation des priorités aux charges de l’habitation. ...................................................... 186
Figure VI-7 Evolution sur une journée de la consommation électrique totale sans gestion................ 188
Figure VI-8 Evolution sur une journée de la consommation électrique des radiateurs sans (a) et avec (b)
gestion. ................................................................................................................................................ 189
11
Figure VI-9 Fonctionnement avec gestion des radiateurs électriques ................................................. 190
Figure VI-10 Zoom sur le fonctionnement avec gestion des radiateurs électriques entre 06h et 07h . 191
Figure VI-11 Puissance appelée pour les charges électrodomestiques seules sans gestion ................ 193
Figure VI-12 Consommation totale des charges électrodomestiques avec et sans gestion ................. 194
Figure VI-13 Etats d’activation des charges interruptibles en courte durée (G1) : (a) Four (b)
Réfrigérateur........................................................................................................................................ 194
Figure VI-14 Etat d’activation des charges décalables et non-interruptibles. ..................................... 195
Figure VI-15 Consommation totale des charges électrodomestiques avec et sans gestion ................. 196
Figure VI-16 Consommation de l’ensemble des charges électriques, (a) sans et (b) avec gestion sous la
consigne de puissance à deux niveaux. ............................................................................................... 197
Figure VI-17 Consommation journalière des charges non-contrôlables ............................................. 198
Figure VI-18 Fonctionnement avec gestion des radiateurs électriques ............................................... 199
Figure VI-19 Evolution des charges décalables et non interruptibles dans le cas sans et avec gestion
............................................................................................................................................................. 200
Figure VI-20 Fonctionnement avec gestion des radiateurs électriques (nouvelle puissance restante) 202
Figure VI-21 Zoom sur le fonctionnement avec gestion des radiateurs électriques entre 13h et14h
(nouvelle puissance restante)............................................................................................................... 202
Figure VII-1 Structure générale de la stratégie de gestion des charges électriques ............................ 208
Figure VII-2 Structure générale de l’Association Prévision-Gestion (APG) ...................................... 209
Figure VII-3 Organigramme de fonctionnement de l’algorithme APG .............................................. 210
Figure VII-4 Comparaison entre le fonctionnement des radiateurs avec et sans prévision ................. 215
Figure VII-5 Zoom sur le fonctionnement des radiateurs électrique sans et avec prévision ............... 216
Figure VII-6 Comparaison entre le fonctionnement des radiateurs avec et sans prévision ................. 219
Figure VII-7 Zoom sur le fonctionnement des radiateurs électrique sans et avec prévision (H=1min et
H=16min) ............................................................................................................................................ 220
12
Liste des tableaux
Tableau I-1 Evolution de la consommation mondiale d'électricité [CE-18] ......................................... 20
Tableau I-2 Les records de consommation électrique en France [RT-18] ............................................ 26
Tableau I-3 Blackouts lors des pics d'été et d'hiver dans le monde [LU-09] ........................................ 28
Tableau I-4 Comparaison entre les sources de production d’électricité en France ............................... 31
Tableau I-5 Idées essentielles issues des differents travaux précitées................................................... 44
Tableau II-1 Indicateurs de prévision .................................................................................................... 54
Tableau II-2 Méthodes de prévision de la consommation électrique à court terme .............................. 55
Tableau II-3 Choix de la méthode de lissage exponentiel en fonction de la saisonnalité et la tendance
............................................................................................................................................................... 58
Tableau II-4 Types d’activité et consommations associées................................................................... 64
Tableau II-5 Coefficients de corrélation entre la consommation du réseau égyptien et les différents
paramètres. ............................................................................................................................................ 69
Tableau II-6 MAPE et RMSE pour le modèle proposé incluant l’effet des week-end [OS-09] ........... 70
Tableau II-7 Tableau comparatif des méthodes de prévision ................................................................ 75
Tableau III-1 Facteur de charge de la consommation électrique journalière sur les saisons hiver/été .. 81
Tableau III-2 Facteur de charge journalier par ménage - du 4 au 10 janvier 2016 ............................... 87
Tableau III-3 Indicateurs statistiques (profil de charge régional) ......................................................... 94
Tableau III-4 Les principaux indicateurs statistiques (profil de charge d’un habitat individuel).......... 97
Tableau III-5 Calcul des indicateurs statistiques (cas Prégion) : rapport de corrélation (²), coefficients de
corrélation (r) et de détermination (R²) ............................................................................................... 104
Tableau III-6 Calcul d’indicateurs statistiques : rapport de corrélation (²), coefficients de corrélation
(r) et de détermination (R²).................................................................................................................. 106
Tableau III-7 Démarche de raisonnement dans l’identification des rangs d’autocorrélation les plus
significatifs .......................................................................................................................................... 110
Tableau IV-1 Comparaison PMC-RBF ............................................................................................... 116
Tableau IV-2 Comparaison des algorithmes d’apprentissage d’un PMC ........................................... 120
Tableau V-1 Définition des notions fondamentales d’un problème d’ordonnancement
pour une gestion de la consommation électrique ................................................................................ 163
Tableau V-2 Tableau comparatif des méthodes de gestion des charges électriques ........................... 172
Tableau VI-1 Répartition des radiateurs dans l’habitat ....................................................................... 186
Tableau VI-2 Définition des zones de confort thermique pour les différentes pièces de l’habitat...... 187
Tableau VI-3 Statistiques sur les DNS des radiateurs obtenues suite à l’application de la gestion de la
consommation ..................................................................................................................................... 192
consommation à l’ensemble des charges de l’habitat. ......................................................................... 201
consommation à l’ensemble des charges de l’habitat. ......................................................................... 203
Tableau VII-1 Comparaison entre les statistiques sur les DNS des radiateurs dans le cas d’une gestion
sans prévision et le cas de l’APG (H=1min) pour une puissance restante limitée. ............................. 218
Tableau VII-2 Comparaison entre les statistiques des DNS des radiateurs dans le cas d’une gestion sans
prévision, le cas de l’APG (H=1min) et le cas de l’APG (H=16min) pour une puissance restante limitée.
............................................................................................................................................................. 222
Tableau VII-3 Les quantités d'énergie consommée par radiateur en HP............................................. 223
13
Introduction générale
La consommation de l'énergie électrique connait une augmentation très importante depuis

les années 1940. Cette hausse s'explique par une demande croissante liée à la fois à la croissance
démographique mondiale [IN-10] et à la fois au développement économique des pays
émergents, notamment le Brésil, la Russie, l'Inde et la Chine.
Pour répondre à ces besoins énergétiques en croissance, la production d'énergie repose

majoritairement sur les énergies fossiles, pourtant montrées du doigt pour les fortes émissions
de Gaz à Effet de Serre (GES) associées à leur combustion. Au niveau mondial, les émissions
de CO2 liées à l'énergie ont atteint en 2018, 33 891 Mt, en hausse de 1,95 % par rapport à 2017.
Elles ont progressé de 12 % depuis 2008 et de 59 % depuis 1990. En parallèle avec
l’augmentation démographique et l’évolution économique, les besoins énergétiques ne
cesseront pas d’augmenter, ce qui menace l’environnement et perturbe le climat de notre
planète.
En France, l’électricité est la deuxième source d’énergie consommée avec une part de 25 %
contre 43% pour le pétrole. En outre, l’électricité a un statut particulier par rapport aux autres
sources d’énergie, notamment, le pétrole, le charbon et le gaz naturel car elle a la particularité
d’être non stockable dans des quantités proportionnées aux besoins. Ce qui nécessite une
production qui s’adapte en temps réel à la consommation afin d’assurer en continu un équilibre
entre l’offre et la demande. Parfois, ces demandes énergétiques peuvent atteindre des valeurs
très élevées, traduites par le phénomène des « pics de consommation ». Pour satisfaire ces
derniers, il faut alors faire fonctionner plus de sources de production de l’électricité comme les
centrales thermiques par exemple. Par conséquent, cela peut avoir un impact négatif sur
l’environnement (émissions de GES), sur l’économie (augmentation du prix du kWh) et aussi
sur la qualité du réseau électrique (instabilité en fréquence et en tension).
En France, généralement, les records des pics de consommation se produisent en hiver,

directement liés aux vagues de froid, associés à l’utilisation massive des systèmes de chauffage
électrique. A l’échelle de la consommation nationale, la société RTE (Réseaux de Transport
14
d’Electricité) annonce qu’une baisse de température moyenne de 1°C entraînerait

l’augmentation des consommations hivernales à hauteur de 2100 MW.
L’un des plus grands défis du 21ème siècle est de répondre aux différents besoins énergétiques
des consommateurs tout en luttant contre l’apparition des pics de consommation. C’est ainsi
que la notion de gestion d’énergie a été mise en lumière. L'intérêt d’une gestion se renforce à
l'avenir en permettant par exemple d'adapter la consommation, à l'échelle de la journée et de la
semaine, aux variations de la production solaire et éolienne, dans des proportions très
intéressantes. En effet, la gestion permet d'optimiser l'utilisation du parc de production en
mettant notamment une demande en face de la production renouvelable qui serait écrêtée sans
cela. Cette optimisation conduirait à une sollicitation moindre des unités de production fossiles
permettant un gain environnemental sur le parc de production français tout en garantissant la
sécurité d'approvisionnement nécessaire.
Aujourd’hui, les bâtiments résidentiels sont les plus gros consommateurs d’énergie
électrique en France. Ils représentent à eux seuls 36% de l’énergie totale consommée face aux
autres secteurs (industrie, tertiaire, transport, …). Trois effets expliquent l’évolution de la
demande résidentielle : effet démographique (nombre de ménages), effet efficacité énergétique
(évolutions technologiques) et effet nouveaux besoins (taux d’équipement). Plus qu’ailleurs, la
gestion de la consommation électrique du secteur résidentiel doit apporter une contribution
significative à la réduction des pics de consommation et par conséquent, à la réduction des
émissions de GES.
La prévision de la consommation électrique possède une place non négligeable dans la

démarche de la gestion. En effet, avoir une estimation future de la consommation électrique
d’une charge électrique peut aider à mieux préparer la source d’énergie nécessaire pour la mise
en marche de cette charge. Par exemple, lorsque nous anticipons l’apparition des pics de
consommation, cela peut aider à mieux les gérer, en chargeant des systèmes de stockage ou en
retardant l’activation de quelques charges électriques.
Le travail présenté dans le présent mémoire concerne les deux problématiques : la prévision
de la consommation électrique et la gestion intelligente de cette consommation. Dans un
premier temps, chacune des deux problématiques est traitée d’une façon indépendante. Dans un
second temps, afin d’évaluer l’apport de la prévision de la consommation électrique à la gestion
des charges, une Association Prévision-Gestion (APG) est proposée.
15
Le mémoire est structuré en sept chapitres répartis comme suit :

Chapitre I : Contexte énergétique
Ce chapitre dresse un état des lieux sur le contexte énergétique à l’échelle mondiale
et nationale. Il traite de la problématique des pics de consommation ainsi que de la mutation
vers un système gestion électrique intelligent.
Partie 1 : Prévision de la consommation électrique
Chapitre II : Etat de l’art des méthodes de prévision de consommation électrique dans

l’habitat
Ce chapitre expose une revue de la littérature scientifique sur les méthodes de
prévision de la consommation électrique. Cette partie a permis de faire la synthèse de ces
méthodes montrant les avantages et les inconvénients de chacune d’elles. Ce comparatif
permettra de choisir la méthode de prévision la plus adaptée à une application
résidentielle : une méthodologie de prévision à court-terme basée sur les Réseaux de
Neurones Artificiels (RNA).
Chapitre III : Analyse des données de consommation électrique dans l’habitat

Dans ce chapitre, l’environnement général de l’application d’une prévision par RNA
basée sur l’analyse des données des profils de charges résidentielles est décrit. Cette
analyse a permis de tirer des conclusions pertinentes sur les caractéristiques des profils
de charges étudiés, permettant de définir les variables d’entrée pertinentes du modèle de
prévision par RNA retenu.
Chapitre IV : Implémentation du modèle de prévision
Ce chapitre présente le modèle de prévision des charges électriques développé, basé

sur la méthode des RNA. En plus de son utilisation pour reproduire les courbes de charge
à l’échelle de l’habitat individuel, le RNA est appliqué également sur des données de
consommation à l’échelle régionale. L’objectif est de faire une comparaison entre ces
deux niveaux d’agrégation distincts afin d’étudier l'effet de foisonnement et de valider
l’exactitude du modèle de prévision. En soulignant les limites d’autres indicateurs
d’évaluation de la qualité de la prévision, de nouveaux indicateurs adaptés à notre
méthodologie, ont été proposés, notamment pour qualifier les erreurs sur les périodes de
pointe.
16
Partie 2 : Gestion de la consommation électrique
Chapitre V : Etat de l’art des méthodes de gestion de la consommation électrique

Résidentielle
Ce chapitre expose une revue de la littérature sur les méthodes de gestion de la
consommation électrique. Un tableau comparatif de ces méthodes présentant les avantages
et les inconvénients de chaque méthode est établi. Ce comparatif a permis de fixer la
méthode de gestion la mieux adaptée à notre cahier des charges.
Chapitre VI : Implémentation d’une stratégie de gestion de la consommation

électrique dans l’habitat
Ce chapitre présente un modèle de gestion fondé sur des règles déterministes. Ce
modèle est appliqué à l’ensemble des charges d’un habitat individuel afin d’évaluer sa
capacité à s’adapter aux différents types d’appareils résidentiels et sa capacité d'être
déployé dans un environnement opérationnel. L’efficacité de la gestion des charges sera
évaluée en fonction de son respect des consignes en puissance et de la demande du
consommateur.
Chapitre VII : Apport de la prévision à la gestion de la consommation électrique

Nous proposons dans ce chapitre une stratégie de gestion des charges résidentielles
basée sur une prévision de la consommation électrique de l’habitat. Les résultats de
l’application de cette stratégie seront comparés à ceux de la gestion des charges sans
prévision afin d’évaluer l’apport de la prévision pour répondre au mieux aux demandes
des usagers.
17
Chapitre I
Contexte énergétique
18
Chapitre I : contexte énergétique
Chapitre I. Contexte énergétique
1. Introduction
Ce chapitre donne dans un premier temps un aperçu sur le contexte énergétique, en
particulier l’énergie électrique, tant au niveau mondial qu’au niveau national, ainsi que sur la
phase de transition énergétique vers des systèmes électriques intelligents. Cet aperçu nous
permettra d'éclaircir la complexité du contexte énergétique dans une phase pleine d'inquiétudes,
liées à l’apparition des pics de consommation. Une analyse des contraintes propres à ces
derniers sera ensuite présentée. Celles-ci concernent principalement des problèmes
environnementaux, des problèmes de stabilité du réseau électrique et des problèmes
économiques. Ensuite, l’attention sera portée sur le secteur résidentiel qui représente une grande
partie de la consommation d’électricité. Les caractéristiques des besoins énergétiques dans le
bâtiment résidentiel seront analysées afin de mieux évaluer l’importance potentielle de la
gestion énergétique des charges dans ce secteur. Dans un second temps, le positionnement de
nos travaux de thèse au sein de la communauté scientifique à l’échelle nationale et mondiale
est établi à partir des principaux objectifs du cahier des charges fixés.
2. Contexte énergétique
L’objectif de ce paragraphe est de comprendre et d’analyser l’évolution de la consommation
électrique et d’identifier les enjeux liés à la transition énergétique et l’apparition des pics de
consommation.
2.1. Evolution de la consommation électrique

Cette partie présente une synthèse de l’évolution et la répartition de la consommation
électrique à l’échelle mondiale et nationale.
19
2.1.1. À l’échelle mondiale
D’après le rapport du Commissariat à l'Energie Atomique et aux énergies alternatives (CEA),

la consommation d’énergie dans le monde a atteint 9555 millions de tonnes équivalent pétrole
(Mtep). Il s’avère que l’électricité représente 19% de cette consommation, soit la deuxième
source d’énergie consommée dans le monde après le pétrole, comme indiqué sur la Figure I-1.
Pétrole 41%
Electricité 19%
15%
Gaz naturel
11%
Bio-énergie
Charbon 11%
Autres 3%
0 500 1000 1500 2000 2500 3000 3500 4000 4500

Energie (Mtep)
Figure I-1 Consommation d'énergie mondiale en 2016 [CE-18]
Si nous nous focalisons uniquement sur la consommation d’énergie électrique, en particulier

son évolution depuis l990 (comme indiqué au niveau du Tableau I-1), celle-ci n’a pas cessé de
croître et elle est loin d’être sur le point de s’arrêter : conformément aux dernières estimations
de l’Agence Internationale de l’Energie (AIE), la consommation d’électricité dans le monde
pourrait passer à 2226 Mtep en 2025 et à 3090 Mtep en 2040, et représenterait alors 23% de la
consommation totale d’énergie dans le monde.
Tableau I-1 Evolution de la consommation mondiale d'électricité [CE-18]
1990 2000 2014 2015 2016 2025 2030 2040

Mtep % Mtep % Mtep % Mtep % Mtep % Mtep % Mtep % Mtep %
836 14 1076 16 1092 18 1740 19 1794 19 2226 20 2514 21 3090 23
Cette tendance est motivée par différents facteurs, à la fois sociologiques et économiques.
A partir de la Figure I-2, nous constatons que la population mondiale devrait atteindre
9.8 milliards à l’horizon 2050, ce qui met en évidence la croissance d’électricité attendue dans
les années à venir, en particulier dans les pays où la consommation d'énergie par personne
devrait se développer. En effet, actuellement, plus d'un milliard de personnes dans le monde
n’ont pas encore accès à l'électricité, cela signifie que les besoins en énergie vont augmenter.
Au-delà des facteurs sociologiques, les paramètres économiques peuvent contribuer à
l’augmentation continue de la demande en énergie électrique à l’échelle mondiale. Il s’agit du
20
phénomène d'industrialisation, en particulier dans les pays en voie de développement, cela

signifie que l’énergie sera nécessaire pour la construction, l'industrie et le transport des
personnes et des biens.
Figure I-2 Scénario d’évolution de la population mondiale [CE-18]
2.1.2. A l’échelle nationale
En 2017, l’électricité constituait 25% de l’énergie consommée sur le territoire français, soit
38 Mtep sur un total de 155 Mtep comme le montre le graphique de la Figure I-3.
Pétrole 43%
Electricité 25%
Gaz naturel 20%
Energies renouvelables 11%
Charbon 1%
0 10 20 30 40 50 60 70 80
Energie (Mtep)
Figure I-3 Répartition de la consommation énergétique française en 2017
Si nous nous intéressons à la consommation de l’électricité en France, du début du

21ème siècle jusqu’à aujourd’hui, nous remarquons que l’évolution de la consommation
d’électricité a traversé deux grandes périodes successives : une période de croissance faible
jusqu’en 2010 suivie d’une période de stabilité comme le montre la Figure I-4.
Cette tendance s’inscrit dans la continuité du ralentissement progressif de la croissance de

la consommation électrique depuis plusieurs décennies. Le taux de croissance moyen annuel de
la demande en électricité s’élevant à 8% entre 1950 et 1960 (Figure I-5), cet indicateur a
21
diminué progressivement, décennie après décennie, pour atteindre 1.1% entre 2001 et 2010 puis
il est devenu quasiment nul depuis 2011.
Période de stabilité
Energie
Figure I-4 Evolution de la consommation d'électricité en France [RT-18]
Figure I-5 Taux de croissance annuel moyen de la consommation d’électricité par décennie
L’évolution de la croissance économique et la croissance de la demande électrique sont

représentées en Figure I-6. La comparaison de ces indicateurs montre qu’il existe une forte
corrélation entre l’évolution du PIB et la demande électrique. Ceci se constate pendant les
années de récession (1975, 1993, 2009) où le niveau de consommation en croissance était très
faible. Par exemple, la baisse accentuée du PIB observée en 2009, causée par la crise financière
et économique de 2008, a immédiatement influencé l’évolution de la croissance de la demande
électrique.
22
Figure I-6 Evolution des taux de croissance annuels de la demande électrique et du PIB [RT-16]
La hausse de la demande électrique mondiale et nationale en électricité, nécessite la maîtrise

des consommations auxquelles les réseaux électriques doivent s’adapter. Pour moderniser les
réseaux électriques, une des solutions est d’adopter une démarche de transition énergétique vers
des systèmes plus intelligents.
2.2. Transition énergétique
2.2.1. Définition
La transition énergétique désigne l’ensemble des transformations des habitudes de

consommation énergétique et de production d’énergie. Dans le contexte actuel, cela consiste en
une meilleure compréhension et gestion de la consommation électrique. Il s’agit également de
passer d’une consommation majoritairement basée sur l’exploitation des énergies fossiles
(pétrole, gaz naturel, charbon…) à une consommation où les énergies renouvelables (solaire,
éolien, etc.) occupent une place plus importante.
2.2.2. Objectifs énergétiques fixés par la France
Comme de nombreux pays, la France a inscrit officiellement la transition énergétique comme

une priorité en 2015 avec la loi n° 2015-992 du 17 août 2015 [LO-15] relative à la transition
énergétique pour la croissance verte. Parmi les principaux objectifs que la France s’est donnée
d’atteindre à moyen terme :
• la réduction de 50 % la consommation énergétique d’ici 2050 par rapport à 2012 ;

• la diminution de 30 % la consommation primaire d’énergies fossiles d’ici 2030 par
rapport à 2012 ;
23
• l’augmentation à 32 % de la part des énergies renouvelables dans la consommation finale

d’énergie d’ici 2030 ;
• l’augmentation à 40 % de la part des énergies renouvelables dans la production d’électricité
d’ici 2030 ;
• la réduction de 40% des émissions de gaz à effet de serre d’ici 2030 par rapport à 1990 ;
• la réduction à 50 % la part du nucléaire dans la production d’électricité à l’horizon 2025 ;
• la réduction de moitié des déchets mis en décharge à l’horizon 2025.
Pour pouvoir répondre à ces objectifs environnementaux et énergétiques, les réseaux

électriques sont amenés à évoluer profondément pour s’adapter aux nouveaux enjeux de la
transition énergétique.
2.2.3. Orientation vers le Smart Grid
Historiquement, la structure du réseau électrique français a été conçue pour acheminer

l’électricité de façon unidirectionnelle, allant des sites de production centralisée vers les
consommateurs finaux. Dans le même temps, la gestion de l’équilibre entre l’offre et la
demande est traitée uniquement du côté de la production. Les réseaux électriques intelligents
(smart grid en anglais) sont présentés comme une solution indispensable pour atteindre les
objectifs environnementaux et énergétiques en matière de transition énergétique.
Un réseau électrique intelligent n’est pas un nouveau réseau électrique, il s’agit d’une
évolution du réseau électrique actuel « classique » équipé de nouvelles technologies
d’information et de communication. Les principales évolutions par rapport au réseau électrique
classique tournent autour de quatre éléments phares présentés en Figure I-7.
Figure I-7 Schéma comparatif des caractéristiques d’un réseau « classique » et d’un réseau « intelligent »
Avec l’introduction de la production décentralisée et souvent renouvelable, le réseau

électrique devient bidirectionnel. Par ailleurs, l’introduction des moyens de communication
24
associés aux smart grids tend à favoriser l’implication des consommateurs dans l’usage de
l’énergie électrique. En effet, par son comportement, le consommateur peut contribuer à limiter
les pics de consommation. Par conséquent, sa position est amenée à évoluer, le faisant passer
de consommateur à consom’acteur [SA-07].
3. Problématiques liées aux pics de consommation

Nous rappelons que le problème majeur d’un réseau électrique est le maintien de l’équilibre
entre la production (l’offre) et la consommation (la demande) afin de gérer les pics de
consommation. Les pics ou les pointes de consommation électrique sont les moments de la
journée, ou de la saison, pendant lesquels la consommation d’électricité est la plus forte. Nous
distinguons deux principaux types de pointes : la pointe journalière et la pointe saisonnière.
3.1. Définition
La pointe journalière représente le moment où la consommation électrique est la plus
importante de la journée. Dans le cadre de la consommation électrique nationale, cette pointe
est observée à 19h en hiver et à 13h en été, ainsi que le matin avec l’ouverture des commerces
et le démarrage des activités des entreprises comme le montre la Figure I-8 représentant deux
journées types : l’une en hiver, l’autre en été.
En France, les records de consommation se produisent l’hiver, directement liés aux vagues
de froid, associés à l’utilisation massive du système de chauffage électrique.
Figure I-8 Exemple d’une courbe de consommation électrique française journalière en été 2015 et hiver 2016 [RTE]
La particularité d’une pointe saisonnière est sa longue durée, directement liée à celle des
vagues de froid. Les pointes saisonnières peuvent alors s’étendre jusqu’à plusieurs semaines et
correspondre aux records de consommation. Ces derniers sont d’autant plus accentués puisque
25
la pointe journalière se superpose à la pointe saisonnière. Le Tableau I-2 présente un exemple

illustrant les cinq derniers records de consommation électrique enregistrés en France.
Tableau I-2 Les records de consommation électrique en France [RT-18]
Date heure Puissance instantanée

Mercredi 8 février 2012 19h 102 098 MW
Mercredi 7 février 2012 19h 100 430 MW
Jeudi 9 février 2012 19h 99 420 MW
Mercredi 15 décembre 2010 9h30 96 710 MW
Vendredi 10 février 2012 19h 96 698 MW
Selon la métaphore utilisée à juste titre dans le rapport [PO-10] : « on peut assimiler les
variations saisonnières aux mouvements de marée et les pointes journalières aux vagues », nous
comprenons aisément comment interagissent les différentes échelles de variation des pointes
de consommation.
Au-delà des problèmes pouvant engendrer une instabilité du réseau électrique, les pointes de
consommation ont également un impact sur l’environnement, en favorisant les émissions de
GES, ainsi que sur l’augmentation du coût du kWh.
3.2. Conséquences des pics de consommation vues du réseau de

transport / distribution
Les pointes de consommation électrique impactent principalement le réseau électrique,
le climat et le coût de l’énergie électrique.
3.2.1. Impacts sur le réseau électrique
Le réseau électrique français se compose de deux grandes infrastructures assurant

l’acheminement de l’énergie électrique depuis les centrales de production jusqu’aux
consommateurs finaux : le réseau de transport, où l’énergie est massivement véhiculée aux
régions consommatrices et le réseau de distribution, par lequel cette énergie est localement
desservie aux utilisateurs finaux. Par ailleurs, entre la production et la consommation,
cohabitent plusieurs niveaux de tension telle que le montre la Figure I-9.
26
Distribution Répartition Transport
U(kV)
Figure I-9 Niveaux de tension dans le réseau électrique français
L’une des principales préoccupations du gestionnaire du réseau de transport est d’assurer en

permanence l’équilibre entre la production et la consommation. Deux situations possibles
peuvent alors causer le déséquilibre : une consommation supérieure ou inférieure à la
production. Dans nos travaux, nous nous intéressons à la première situation qui décrit le cas des
pointes de consommation qui nous intéresse, dès lors que la production devient insuffisante
pour répondre aux besoins importants des consommateurs. Ces conditions mènent alors vers un
problème d’instabilité du réseau électrique, pouvant se manifester par une instabilité en
fréquence ou en tension.
 Instabilité en fréquence
L’instabilité en fréquence est l’incapacité d'un système électrique à maintenir sa fréquence

proche de sa valeur nominale suite à une perturbation résultant d’un déséquilibre significatif
entre la production et la consommation [LU-09]. Dans des conditions normales de
fonctionnement d’un réseau synchrone européen, la norme EN 50160 stipule que la valeur
moyenne de la fréquence fondamentale, mesurée par période de 10s, doit se situer dans les
plages : 50Hz ± 1% durant 99.5% du temps de l’année et 50 Hz +4%/-6% durant 100% du
temps [SA-07]. Lors des pointes de consommation où la charge augmente plus vite que la
production, l’instabilité de la fréquence se manifeste par une baisse de la fréquence du réseau
pouvant aller au-delà des seuils tolérés et conduire à une coupure d’électricité communément
appelée « blackout ». Ces phénomènes sont illustrés par plusieurs incidents historiques dont les
37 cas les plus importants sont présentés dans [LU-09]. Parmi ces grandes pannes d’électricité,
qui ont marqué le monde, environ un tiers s’est produit l’été dans des conditions normales de
fonctionnement du système électrique, tandis que les deux tiers se sont produits l’hiver lors de
pics exceptionnels de consommation. Les plus importants blackouts sont cités au niveau du
Tableau I-3.
27
Tableau I-3 Blackouts lors des pics d'été et d'hiver dans le monde [LU-09]
 Instabilité en tension
L’instabilité en tension est l’incapacité d'un système électrique à maintenir, à partir d'un état
initial donné, les tensions stables en tous ses nœuds après une perturbation [LU-09]. Une pointe
de consommation peut être une forme de perturbation et peut engendrer une instabilité en
tension.
Le transfert de puissance à travers un réseau électrique s’accompagne inévitablement de

chutes de tension entre le lieu de production et le lieu de consommation. Lors d’un équilibre
charge-production, ces chutes de tension restent de l’ordre de quelques pour cent de la tension
nominale. Dans les circonstances de pics de consommation où les charges tendent à consommer
une puissance supérieure aux capacités de transport du réseau, la tension peut décroitre à tel
point que la puissance ne peut plus être acheminée correctement aux consommateurs.
De façon très générale, les allures des caractéristiques de l’évolution de la tension de la

charge en fonction de la puissance qui lui est transmise, sont conformes à celles représentées à
la Figure I-10 (a). Quelle que soit la nature de la charge et l’ordre de grandeur de l’impédance
de ligne (Figure I-10 (b)), une limitation en puissance active définissant la puissance maximale
transmissible par le réseau apparaît. Au-delà de cette limitation, la tension produite s’écroule
de façon irréversible, conduisant à une situation de « blackout » ou du moins à des tensions
anormalement basses dans une partie importante du système électrique.
28
Puissance transmissible par le réseau (p.u.)
Figure I-10 (a) Courbe de régulation de charge (b) Modèle simplifié de réseau sur ligne inductive
3.2.2. Impacts sur le climat
Les impacts de l’électricité en termes d’émissions de GES ou la gestion des déchets,

dépendent totalement de la manière dont l’électricité est produite. En France, cette production
émane de plusieurs sources d’énergie classées en deux groupes : les sources de production non
renouvelables et les sources de production renouvelables. Parmi les premières, on trouve les
centrales nucléaires et les centrales thermiques à flammes. La particularité de ce type de
production réside dans le fait que l’électricité est produite grâce à la chaleur dégagée, soit par
la combustion des énergies fossiles (gaz, charbon, fioul) dans le cas des centrales thermiques à
flammes, soit par l’énergie libérée lors d’une réaction de fission des noyaux d’uranium et de
plutonium dans le cas des centrales nucléaires.
Les principales sources de production renouvelables sont les centrales hydrauliques, l’éolien,
le solaire, la bioénergie. Dans ce cas, l’électricité est produite soit par l’énergie cinétique de
l’eau (barrages, fleuves et rivières…) pour le cas des centrales hydrauliques, soit par l’énergie
cinétique du vent pour le cas des éoliennes. Le principe reste globalement le même pour ces
deux types de production renouvelables : l’énergie cinétique actionne les turbines génératrices
d’électricité. En ce qui concerne l’énergie solaire, l’électricité est produite grâce à l’absorption
de l’énergie des rayons du soleil, diffusée par la suite selon deux principaux modes de
fonctionnement : le solaire photovoltaïque ou le solaire thermique. Pour le cas de la bioénergie,
l’électricité est issue de la combustion de matériaux dont l’origine est biologique (ressources
naturelles, cultures ou déchets organiques). On en distingue généralement trois catégories
principales : le bois, le biogaz et les biocarburants.
Après avoir présenté les différentes sources de production, nous exposons dans ce qui suit
la répartition de la production française d’électricité.
29
La production totale nette d’électricité a atteint 548,8 TWh en 2018, avec une répartition des
sources comme présentée dans la Figure I-11. Il ressort de ce graphique que plus de 79% de la
production d’énergie électrique s’appuie sur des ressources fossiles. La production d’électricité
à base de sources renouvelables s’élève à 21%, dont environ 12.5% de production hydraulique.
Cette dernière est la première source renouvelable en France suivie par la production éolienne
(5.1%), le solaire (1.9%) et les bioénergies (1.8%).
Le Tableau I-4 met en avant les avantages et les inconvénients de ces différentes sources de
production, principalement par rapport à leur émission de GES et leur temps de démarrage.
Lors d’une consommation d’électricité normale, la production électrique en France se fait

sans émission de GES grâce au nucléaire et aux énergies renouvelables. En revanche, lors des
pointes de consommation, une production supplémentaire est nécessaire pour répondre à la
demande électrique importante des consommateurs. Dans ces situations, les sources de
production présentant un temps de démarrage court sont sollicitées, tel est le cas des sources
thermiques à flammes. Cependant, ce genre de centrale de production émet des GES, comme
indiqué dans le Tableau I-4, liés à la combustion de ressources fossiles. En conclusion, on
retiendra que les pointes de consommation font appel à des sources de production carbonées
qui ont un impact négatif sur le climat.
Fioul Charbon
0,4% 1,1% Gaz Solaire
5,7% 1,9%
Hydraulique
12,5% Bioénergie
1,8%
Autre
8,8%
Eolien
Nucléaire 5,1%
72%
Figure I-11 Production nette d’électricité en France [RT-18]
30
Tableau I-4 Comparaison entre les sources de production d’électricité en France
Type de source
Avantages Inconvénients
de production
 forte réactivité (moins de 30 min pour  émissions de gaz à effet de serre et

atteindre la puissance maximale) d’éléments polluants, en particulier sur
Thermique à  autonomie (dépendant de le charbon et le fioul.
Non Renouvelables
flammes l’approvisionnement et du stock de  coût et usure liés aux arrêts/

combustible) démarrages
 flexibilité dans le choix du
combustible (charbon, gaz ou pétrole)
 pas d’émission de CO2  investissements initiaux importants
 Forte puissance unitaire.  faible flexibilité : une semaine environ
Nucléaire à prévoir pour réaliser l’arrêt.
 gestion de déchets radioactifs, nuit à la
vie aquatique
 pas d’émissions de CO2  coût d’installation élevé
 forte réactivité (démarrage en quelques  impacts environnementaux dus aux
Renouvelables
Hydraulique secondes) modifications subies par

 la puissance de sortie est modulable l'environnement dans la zone du
barrage
Eolien, solaire  pas d’émissions de CO2  Intermittence de la ressource (vent,

 forte modularité d’installation soleil, etc.)
3.2.3. Impacts sur le coût d’énergie électrique
Les différentes sources de production telles que nous les avons mentionnées précédemment
en section 3.2.2 sont utilisées selon un ordre de priorité, désigné en littérature sous le terme
anglais « merit order ». En effet, les sources de production sont appelées dans un ordre croissant
de leur coût marginal variable (coût de l’énergie primaire, coût des émissions de CO2, coût de
maintenance, coût de mise en marche etc.). Selon cette logique, les premières unités appelées
sont celles produisant de l’énergie renouvelable (solaire, éolien, hydraulique au fil de l’eau).
Comme indiqué dans le Tableau I-4, leur coût marginal est faible parce que non stockable, cette
forme d’énergie est sollicitée en priorité. Les centrales nucléaires sont appelées en deuxième
position, suivies des centrales thermiques à gaz, puis à charbon et au fioul. Lorsque les besoins
sont élevés, au moment des pointes, les unités à forte capacité de production (notamment les
centrales thermiques à flammes) sont appelées, même si leur coût marginal est plus élevé. Dans
ces conditions, le prix d’électricité augmente puisque le prix du kWh doit intégrer de la dernière
unité de production sollicitée (Figure I-12).
31
Figure I-12 Courbe de l’offre de production - merit order [GA-13]
D’autres investissements peuvent s’ajouter au coût de production, notamment le coût

d’acheminement. Ce dernier correspond aux dépenses investies pour renforcer et entretenir le
réseau de transport et de distribution afin d’acheminer l’énergie électrique de la production
jusqu’au consommateur final. Le prix de l’énergie électrique varie alors selon la demande du
consommateur et selon la capacité de production.
Au terme de cette analyse, nous retiendrons que les pointes de consommation sont tenues
pour responsables à la fois de chutes de tensions ou de fréquence, pouvant conduire à une
dégradation du réseau, d’une hausse de la production contribuant à une pollution accrue de
l’environnement du fait de la nature de la source de production sollicitée et enfin d’une
répercussion inévitable sur le coût de l’énergie électrique. En conséquence, cette situation
impose de revoir les règles habituelles de la consommation énergétique et d’exploitation des
sources de production et exige des adaptations en termes de conduite des réseaux électriques.
4. Qui consomme le plus d’énergie en France ?

En France, la consommation énergétique varie de façon importante selon les différents
secteurs d’activité : le secteur résidentiel, le tertiaire, le secteur industriel, le transport et le
secteur agricole.
4.1. Répartition sectorielle de la consommation électrique

La Figure I-13 présente l’évolution de la répartition des principaux secteurs de la
consommation d’électricité sur la période 2001-2017.
En 2001, le secteur industriel est considéré comme le premier consommateur d’électricité en

France, mais sa consommation décroit continument avec une nette chute en 2009. Par ailleurs,
32
la décroissance de la consommation de ce secteur est compensée par la croissance d’autres

secteurs, notamment le tertiaire et le résidentiel amenant la consommation totale à une certaine
stabilité, comme présenté dans la section 2.1.2 (Figure I-4). En particulier, le secteur résidentiel
est le plus énergivore de France avec près de 33% de la consommation d'électricité totale
s’élevant à 476 TWh en 2016, suivi par les secteurs tertiaire et agricole (30%), l’industrie et
l’énergie (27%) et enfin le secteur du transport qui représente (3%) de la consommation
d’électricité totale.
Figure I-13 Évolution de la consommation énergétique finale par grand secteur économique 2001-2017 [RT-18]
En termes de comparaison, la structure sectorielle de la consommation électrique est

sensiblement différente au sein des pays européens comme le montre la Figure I-14. Sur
l’ensemble des pays étudiés, la France serait le pays dont le poids du secteur résidentiel est le
plus fort.
Consommation
Figure I-14 Comparaison de la part du secteur résidentiel au niveau européen
33
4.2. Déterminants de la consommation énergétique domestique

Le niveau de consommation d’électricité élevé dans l’habitat résidentiel en France
s’explique par la conjonction de plusieurs facteurs, à commencer par l’évolution
démographique. Ce facteur présente un impact direct sur la consommation d’électricité
résidentielle. En effet, la relation entre consommation électrique et évolution démographique
est évidente : plus il y a d’habitants, plus les besoins en électricité sont importants.
Une étude du Commissariat Général du développement durable [SO-16] a cherché à attirer

l’attention sur deux autres éléments importants qui favorisent la croissance de la demande
électrique dans le secteur résidentiel. Il s’agit du nombre de ménages et du nombre de personnes
par ménage. A l’échelle de 2030, le nombre de ménages devrait s’accroître en moyenne de
235.000 par an et de 200.000 par an en moyenne sur l’ensemble de la période allant jusqu’en
2050, ce qui fait augmenter la demande en énergie électrique.
Au-delà de ces considérations sociologiques, d’autres facteurs d’ordre technologique

peuvent sensiblement peser sur l’évolution de la demande électrique en énergie et en puissance,
nommée « les transferts entre énergies ». Il s’agit des charges électriques thermiques comme
les systèmes de chauffage électrique, les ballons d’eau chaude ou encore les appareils de
cuisson à induction qui viennent remplacer d’autres modes de cuisson souvent au gaz.
Un autre facteur vient également s’ajouter aux précédents : à savoir l’audiovisuel. La hausse
de la consommation d’énergie dans l’habitat est aussi en partie liée au phénomène de hausse
des standards de confort individuel. Le marché de la télévision a connu un progrès
technologique significatif, surtout après l'apparition des écrans plats, essentiellement les
télévisions LCD, ou à écran plasma. Ces nouvelles technologies ont connu un succès
remarquable auprès des français. Selon une dernière étude de Médiamétrie [ME-19], presque
neuf foyers français sur dix (88,6%) sont équipés d’un téléviseur HD. Cette même étude nous
apprend par ailleurs que les français passent en moyenne 3h42min par jour devant la télévision.
Il est évident qu’avec une telle utilisation et l’adoption de comportements de consommation
peu économes (selon la puissance des appareils), la demande en énergie électrique ne peut
continuer qu’à croitre. On retiendra également que la grande majorité des français favorisent
l’utilisation de ces équipements plutôt en milieu et fin de journée comme le montre la
Figure I-15.
34
Figure I-15 Courbe de charge moyenne par heure d’un poste audiovisuel
S’ajoute aux équipements de l’audiovisuel, la bureautique domestique, notamment,

l’ordinateur, l’imprimante, le scanner, la box internet qui sont massivement entrés dans notre
quotidien. Ces appareils consomment souvent moins que les équipements électroménagers
(environ 40 à 100kWh/an pour un ordinateur) mais leur multiplication dans chaque logement
et le nombre croissant de ménages qui en sont équipés expliquent la forte croissance de la
consommation de ces charges. Leur consommation peut atteindre environ 150 kWh/an pour les
foyers les moins équipés (téléviseur + connexion internet + ordinateur) et 950 kWh/an pour
ceux les plus équipés [AD-14]. De plus ces équipements laissés en mode veille sont amenés à
consommer de l’électricité de façon permanente [SI-09].
Dans les années à venir, d’autres charges devraient s’imposer et accroître la consommation
résidentielle : il s’agit des véhicules électriques (VE) et hybrides rechargeables. La raison de
cette évolution n’est pas seulement technologique mais aussi politique. Le 1er octobre 2009, le
gouvernement français a lancé un plan national pour faire circuler deux millions de VE et
hybrides rechargeables d’ici fin 2020. Cette transition vers ce nouveau moyen de transport
rechargeable à domicile pourrait évidement augmenter encore davantage la demande en énergie
électrique dans le secteur résidentiel.
5. Positionnement des travaux de thèse

Dans cette section, nous positionnons nos travaux de thèse au sein de la communauté
scientifique française et mondiale. L’objectif est de dégager les points communs et les
complémentarités par rapport aux travaux existants et d’évaluer l’originalité de notre thèse.
35
5.1. Positionnement national

Nous introduisons la problématique de thèse comme une combinaison de deux sujets de
recherche distincts : « prévision de la consommation électrique » et « gestion de la
consommation électrique ».
Nous allons procéder pour positionner nos travaux en trois temps : tout d’abord, nous
abordons les travaux de recherche qui s’intéressent uniquement à la prévision de la
consommation électrique dans l’habitat, l’attention va se porter ensuite sur les applications de
la gestion de la consommation électrique dans l’habitat et enfin, nous essayons de mentionner
les principaux travaux présentant des modèles qui combinent gestion et prévision de la
consommation électrique.
 Prévision de la consommation électrique dans l’habitat
Nous citons dans cette partie les travaux de thèse de Ky LE [LE-08], Alexis GEROSSIER
[GE-19], Thibaut BARBIER [BA-17] et Khaoula GHRIBI [GH-14].
Les travaux de Thèse de Ky LE [LE-08] du laboratoire G2ELab de Grenoble, ont pour

objectif de développer un modèle de prévision à court-terme de la consommation électrique
d’une région de multi bâtiments du réseau de distribution de Hanoi, au Vietnam. Les méthodes
utilisées sont les réseaux de neurones et la méthode Bottom-up.
Les travaux de thèse d’Alexis GEROSSIER [GE-19] [GE-17] du laboratoire PERSEE,

s’intéressent à la prévision à court terme de la demande électrique à l’échelle d’une maison
intelligente et à l’échelle des réseaux de distribution. Les modèles de prévision développés sont
de nature statistique et sont développés et évalués avec plusieurs jeux de données : des
prévisions probabilistes à différentes résolutions, et des scénarios journaliers de la demande.
De plus, des habitudes relatives à un usage électrique particulier, à savoir le chargement d'une
batterie de véhicule électrique, sont modélisées pour produire des scénarios prédictifs de la
demande de cet usage spécifique.
Les deux travaux précités sont basés sur les consommations passées pour prédire la
consommation électrique. Dans le contexte de la transition énergétique, des changements
importants sont en cours et à venir, et la consommation future ne sera pas une continuation des
tendances passées. Modéliser ces changements nécessite la modélisation de chaque contributeur
de la consommation électrique. Dans ce contexte, les travaux de thèse de Thibaut Barbier
36
[BA- 17] ont proposé une modélisation de la consommation électrique à partir de grandes
masses de données pour la simulation des alternatives énergétiques du futur.
Un travail de recensement, de classification et d’association des bases de données pour

expliquer la consommation électrique a été proposé. Ensuite, le modèle de consommation
électrique a été présenté, il a été validé et calibré sur une grande quantité de mesures de
consommation électrique des départs HTA fournie par Enedis. Ce modèle a pu être utilisé pour
simuler différentes alternatives énergétiques afin d’aider au dimensionnement du réseau de
distribution.
Les travaux de thèse de Khaoula GHRIBI [GH-14], réalisés au sein du Laboratoire

d’Analyse de Données et Intelligence des Systèmes (LIST), s’intéressent à la prévision à court
terme de la consommation électrique des appareils électroménagers dans un horizon temporel
de quelques heures. Le modèle de prévision exploite en plus de l'historique des activités des
appareils électroménagers, les interdépendances entre les utilisations de ces appareils et la
nature du comportement des habitants. Les résultats du test du modèle proposé ont montré une
coïncidence significative entre la prévision et la réalité : un taux de l'ordre de 90%, ce qui a
permet de qualifier le modèle proposé par prometteur.
 Gestion de la consommation électrique
Parmi les travaux qui ont contribué à la gestion de la consommation d'énergie dans le
bâtiment résidentiel, nous trouvons les travaux de thèse de Duy long Ha [HA-07],
Ky LE [LE- 08], Didier BOËDA [BO-09], Nhat Hai NGUYEN [NG-11], Rim MISSAOUI
BADREDDINE [BA- 12], Camille PAJOT [PA-19], Adnane KENDEL [KE1-15], Kévin
JAUNÂTRE [JA-19] et Yaël THIAUX [TH-10].
Les travaux de thèse de Duy long Ha [HA-07], déroulés au sein du L'Institut polytechnique
de Grenoble, ont pour but de montrer qu'en équipant les appareils domotiques d'algorithmes
d'optimisation et de moyens de communication, il est possible de mieux maîtriser la
consommation dans le bâtiment. Les résultats ont été appliqués à la gestion d'énergie d'un
bâtiment photovoltaïque et à la prévention de blackouts par un délestage intelligent.
Les travaux de Ky LE [LE- 08] portent sur la gestion correspondant aux multi bâtiments
(région) et au secteur résidentiel. Deux méthodes originales de la gestion des charges en temps
réel sont proposées : une méthode basée sur un système de régulation adaptative des chauffages
et des climatisations et une méthode basée sur le délestage en fonction de la courbe de
37
protection. Les méthodes proposées ont été validées par simulation pour une maison (secteur
résidentiel) et un hôtel (secteur tertiaire).
Les travaux de thèse de Didier BOËDA [BO-09] de l’institut polytechnique de Grenoble,

s’intéressent à l’étude de la contribution du pilotage de charges à la fourniture de services aux
réseaux électriques. En effet, ces travaux s’inscrivent dans le cadre de la problématique des
réseaux électriques qui subissent des changements dus à la dérégulation du marché, à
l'intégration de productions décentralisées et à l'augmentation de la consommation. En
conséquence, ils peuvent subir plus de contraintes et la gestion de la consommation électrique
des charges électriques est amenée à contribuer à minimiser l’impact de ces contraintes. Leur
pilotage est envisagé pour participer à la conduite des réseaux et à la fourniture de services. Les
travaux de thèse ont eu pour but d’introduire le concept de pilotage de charge. L’étude a permis
de détacher deux types de charge dont le potentiel à être piloté s’est révélé intéressant : les
charges thermiques et les charges de type électroménager. Les premières peuvent être
contrôlées par l’exploitation de leurs inerties thermiques, caractéristiques propres de ce type de
charge. Concernant les secondes, leur utilisation peut être déplacée dans le temps, ce qui
présente une souplesse indéniable quant à leur pilotage.
Les travaux de thèse de Nhat Hai Nguyen [NG-11] de l'Université de Grenoble, concernent
les problèmes de gestion intelligente de l’énergie électrique dans les bâtiments. L’objectif est
de proposer des solutions relatives à la gestion automatique de l’énergie électrique en vue de
réduire les pics de consommation en prenant, en compte le confort des occupants, les coûts
économiques ainsi que l’impact sur l’environnement. Deux méthodes ont été développées afin
de permettre la modification automatique du fonctionnement des appareils électriques
classiques : la première méthode est applicable à la gestion du chauffage et de la climatisation.
Elle est basée sur l’utilisation d’un réseau de capteurs sans fil et d’un système de régulation
adaptive. La deuxième méthode est appliquée à la gestion des cuisinières et groupes de charge
comme les chauffe-eau, et les radiateurs électriques. Elle est basée sur une stratégie de délestage
intelligent qui permet de diminuer automatiquement la puissance instantanée des cuisinières en
fonction de la réduction de puissance souhaitée.
Les travaux de thèse de Rim Missaoui BADREDDINE [BA- 12] du laboratoire G2Elab,
portent sur l’élaboration de modèles énergétiques, de stratégies de gestion d’énergie dans une
configuration multi-sources et multi-charges et surtout de mise en œuvre de méthodes et
d’outils de validation au travers de bancs tests variés où certains composants peuvent être réels.
Ce travail analyse le gestionnaire énergétique « G-home Tech » comprenant plusieurs
38
fonctionnalités de gestion testées sur des bancs d’essai virtuels et hybrides qui permettent de
combiner à la fois des composants matériels et logiciels dans les simulations. Cela a permis
d'insérer des actionneurs communicants pour tester leur pertinence. Les validations menées
dans ces travaux de thèse montrent que le gestionnaire énergétique permet l'effacement de
pointes de consommation et des économies sur la facture énergétique globale.
Les travaux de Camille PAJOT [PA-19] se sont déroulés au sein du laboratoire G2Elab en
partenariat avec le gestionnaire du réseau électrique de distribution de Grenoble « Gaz
Electricité de Grenoble (GEG) ». Ces travaux ont pour but de proposer des outils d'aide à la
décision pour une planification énergétique multi-fluides optimale à l'échelle des quartiers.
Cette thèse propose de développer une méthodologie et un outil d'aide à la décision associée,
offrant aux différents acteurs énergétiques une aide pour concevoir, dimensionner, et gérer les
systèmes énergétiques au niveau des quartiers. Pour plus de détails, cela consiste à étudier la
meilleure manière de rapidement quantifier le potentiel de flexibilité et les conséquences de
l’effacement de consommation pour les bâtiments. Plus particulièrement, pouvoir exploiter leur
inertie thermique afin de procéder à des effacements de consommation sur les systèmes de
chauffage. L’idée est de quantifier le potentiel d’un quartier résidentiel, ainsi que son intérêt en
termes de réduction de la pointe et l’impact de ces stratégies sur les émissions de gaz à effet de
serre.
Les travaux de Yaël THIAUX [TH-10] ont été effectués au sein du laboratoire SATIE. Les
travaux menés dans le cadre de cette thèse se penchent sur l’intérêt de la gestion des profils de
consommation au sein d’un système photovoltaïque autonome. Cela consiste à agir sur le profil
de consommation (gestion des charges pilotables) afin de profiter pleinement de la puissance
photovoltaïque et de minimiser le recours aux moyens de stockage. Cela offre un moyen
efficace pour une meilleure gestion de l’énergie au sein d’un système photovoltaïque autonome.
Les résultats ont montré que le profil de consommation a un impact considérable sur l’aspect
économique et énergétique, des systèmes photovoltaïques. Le sous-dimensionnement est
obtenu par une meilleure corrélation entre consommation et production permettant de
minimiser le recours au stockage, d’en minimiser ainsi les pertes et donc finalement de mieux
dimensionner les générateurs photovoltaïques. De plus, il est apparu que même avec les
technologies actuelles qui disposent encore d’un potentiel de progrès, un système
photovoltaïque autonome couplé à un système de stockage électrochimique consomme moins
d’énergie primaire sur cycle de vie que lorsque l’utilisateur est connecté au réseau de
distribution actuel.
39
Les travaux de thèse de Adnane KENDEL [KE1-15] ont pour but d’étudier l’influence du
retour d’information (feedback) vers les habitats sur leur capacité de maîtrise de leur
consommation d’électricité. Les travaux de recherche se sont basés sur une expérience menée
sur le terrain, dans le cadre d’un projet intitulé TicElec, réalisé dans la commune de Biot, dans
les Alpes-Maritimes et associant l’Université, les Autorités locales et un Bureau d’études. La
problématique porte sur l’impact de plusieurs types de feedback appliqués à trois groupes de
consommateurs, sur une durée supérieure à six mois, a montré l’existence de différents
comportements de consommation et de maîtrise de la demande d’électricité des ménages
étudiés, plus ou moins marqués par le manque d’information sur leurs modes de consommation.
Les travaux de recherches ont montré que les résultats varient selon le type d’information
transmis, la nature et la durée du feedback direct ou indirect, mais que de manière générale, le
feedback sur consommation a été efficace pour la maîtrise de la demande d’électricité (par
réduction et effacement en pointe), même si la réduction était plus grande chez les groupes à
feedback direct, par action sur les comportements de restriction, sans toutefois déclencher les
comportements d’efficience, compte tenu des coûts et des délais de leur mise en œuvre.
Les travaux de Kévin JAUNÂTRE [JA-19] s’inscrivent dans le cadre d’un projet lancé en
octobre 2014 par l'Agence De l'Environnement et de la Maîtrise de l'Energie (ADEME) et
l'entreprise ENEDIS. Ce projet de recherche dénommé "smart-grid SOLidarité-ENergie-
iNovation" (SOLENN) a comme objectifs l'étude de la maîtrise de la consommation électrique
par un accompagnement des foyers et la sécurisation de l'approvisionnement électrique entre
autres. Le projet SOLENN est piloté par l'ADEME et s'est déroulé sur la commune de Lorient.
Le projet a pour but de mettre en œuvre une pédagogie pour sensibiliser les foyers aux
économies d'énergie. Dans ce contexte une mise en place d’un modèle linéaire pour étudier
l'effet de plusieurs visites individuelles sur la consommation électrique a été développée.
 Prévision et gestion de la consommation électrique
Dans cette partie nous citons les travaux de recherche de Yann RIFFONNEAU [RI-09],
Sébastien BISSEY [BI- 19] et d’Abderrahmane BENCHEKROUN [BE-18].
Les travaux de thèse de Yann RIFFONNEAU [RI-09] de l’université Joseph Fourrier de

Grenoble, ont pour objectif de faciliter l’intégration de l’énergie photovoltaïque sur le réseau
électrique. Pour cela, il a été proposé d'ajouter un élément de stockage aux systèmes
photovoltaïques connectés au réseau dans l'habitat. Ces travaux ont proposé deux moyens pour
réaliser la gestion de l’énergie dont l'objectif est de réduire les pics de puissance appelée. La
40
première proposition est une stratégie simple basée sur des règles prédéfinies. L’avantage de
cette gestion est qu’elle fonctionne en instantané sans avoir recours à des données
prévisionnelles. L’inconvénient est que l’optimisation globale (économique, énergétique…)
n’est pas garantie. La deuxième solution proposée est un système de gestion dont lequel a été
développé une étape dédiée à la prévision. Cela concerne la prévision de la demande électrique,
l’irradiation, la température ambiante et prix de l'énergie. En effet, à partir de données
prévisionnelles, l’algorithme développé détermine la stratégie de gestion optimale
conformément à un critère de performance économique. De plus, ces travaux attirent l’attention
sur un point essentiel lié à la prévision. Il s’agit des erreurs de prévision qui sont parfois
inévitables. Ces derniers ont un impact direct sur le respect des contraintes du système de
gestion en conditions réelles, c’est pourquoi les algorithmes développés consistent à réajuster
la stratégie prévisionnelle de sorte qu’elle devienne optimale conformément aux nouvelles
conditions réelles.
Les travaux de thèse de Sébastien BISSEY [BI- 19], se déroulent au sein du laboratoire
GREMAN de l’Université François Rabelais de Tours en partenariat avec le groupe « AEG
Power Solutions (AEG-PS) » de Chambray-lès-Tours. Ces travaux portent sur l’optimisation
du coût de la consommation d'électricité dans l'habitat individuel. Ils visent à proposer des
solutions pour gérer efficacement l'énergie électrique au sein d'un habitat individuel, dans le
cas particulier des pointes de consommation. Dans le cadre du projet de thèse, un algorithme
de prédiction de la consommation d’énergie électrique dans l’habitat individuel a été développé.
Ce dernier s’appuie sur la méthode de logique floue avec un horizon temporel de 24h. L’objectif
principal de cette prévision est d’aider à gérer la consommation d’électricité. Sans prévision,
les pointes de consommation peuvent être effacées de façon chronologique. Avec prévision, les
pics de consommation peuvent être prévus et donc mieux gérés. Les habitations équipées d’un
système de stockage peuvent en outre réinjecter l’électricité stockée durant les périodes de
pointe.
Les travaux de thèse d’Abderrahmane Benchekroun [BE-18] sont en cours de préparation à

Paris, ENSAM, en partenariat avec le Laboratoire d'Electrotechnique et d'Electronique de
Puissance (L2EP) de Lille depuis le 08-10-2018. L'objet de ces travaux est de développer des
stratégies de supervision énergétique d'un réseau électrique de distribution alimentant une
communauté de communes intégrant des véhicules électriques, des énergies renouvelables, du
stockage et des charges passives pilotables ainsi que des outils d'estimation de l'état du réseau
électrique, de la prévision de la consommation et de la production d'énergie électrique
41
renouvelable. Le pilotage des charges électriques concerne principalement les charges passives
et thermique comme les ballons d'eau chaude sanitaire ou le chauffage électrique ou encore des
charges réversibles comme les véhicules électriques. Le but de la gestion est de pouvoir
consommer la plus grande quantité de production d'électricité par énergies renouvelables
localement afin d'éviter le refoulement vers le réseau de transport et de limiter par exemple
l'impact CO2 de la charge des véhicules électriques. Pour cela, il sera nécessaire de développer
des algorithmes de prévision de la consommation et de la production par énergies
renouvelables.
5.2. Positionnement international

Les travaux de recherche de l’université Lancaster en Angleterre [GE-15] [GE-16], visent à
établir des modèles de prévision de la consommation d’une charge particulière : « le chauffe-
eau ». Le but principal est de préparer une base de données importante pour l’élaboration d’une
stratégie de gestion de la demande fondée sur la prévision de la consommation d’eau chaude au
niveau des maisons résidentielles individuelles. Leur choix s’appuie sur le fait que cette charge
est considérée comme l’un des appareils les plus énergivores, dont la demande d’énergie peut
être décalée dans le temps sans influencer le niveau de confort. Nous citons également les
travaux de recherche de l’université de Varsovie, en Pologne [GA-17]. L’objectif principal est
de proposer une approche d’amélioration de la prévision de la consommation électrique à
l’échelle d’un habitat individuel. L’idée est de tenir compte des habitudes des consommateurs
et de la fréquence d’utilisation des charges pour améliorer la qualité de la prévision.
Le problème de l’amélioration de la qualité de la prévision de la consommation résidentielle

a été abordé également au sein de l’Ecole Polytechnique Fédérale de Lausanne en Suisse
[HU- 13] et en Irlande par la School of Computing Science and Statistic [MA-13] [MA-14].
Ces travaux proposent une nouvelle méthode de prévision dynamique qui surveille la variation
de la demande d’électricité résidentielle afin d’assurer l’amélioration continue de la qualité de
la prévision. Cette dernière peut être impactée par l’incertitude des données météorologiques et
les historiques de consommation utilisés comme paramètres d’entrées aux modèles de
prévision. Ceci est confirmé par l’étude [GH-11], effectué au département de Génie Electrique
et Biomédical à l’Université de Nevada, USA.
Tenant compte de l’aspect variable de la consommation journalière, l’article [KE3-15] décrit

une méthode permettant d’identifier l’influence des tarifications d’énergie sur le comportement
du consommateur. Cette étude est réalisée au sein du département de Gestion d’Energie en
42
Allemagne (Fraunhofer Center for International Management and Knowledge Economy). Un

système de prévision basé sur les réseaux de neurones est utilisé pour la prévision du
comportement des charges résidentielles adaptée aux différents systèmes de tarifications à
l’université Beira Interior, Covilha, au Portugal [PA-15].
En termes de gestion, nous citons les travaux de recherche de l’institut des technologies de
l’information d’Islamabad au Pakistan [SA-18]. Ils proposent un système de gestion qui a pour
principal objectif de gérer le fonctionnement des charges électriques de manière à offrir au
consommateur des performances optimales en termes de réduction de la facture d’électricité,
réduction des pics de consommation et amélioration du confort client.
Parmi les charges électriques les plus sollicitées dans les modèles de gestion des travaux
cités précédemment, nous trouvons les charges à effet thermique telles que les systèmes de
chauffage électrique, climatiseurs (ce sont les charges les plus sollicités au moment des pointes
de consommation électrique). A titre d’exemple, un thermostat programmable à base de logique
floue a été développé à l’Université Simon Fraser au Canada. Ce modèle de gestion vise non
seulement à gérer l’énergie mais à assurer également un confort thermique aux clients, en tenant
compte de la variabilité du prix d’énergie en fonction du temps [KE2-15].
A partir des travaux de recherche précités ci-dessus, à l’échelle nationale et internationale,

de nombreuses questions peuvent se poser, pouvant identifier des idées et des conclusions
pertinentes. Les questions proposées ainsi que les réponses associées sont regroupées dans le
Tableau I-5.
43
Tableau I-5 Idées essentielles issues des differents travaux précitées.
Les principales questions Les principales réponses

Que faut-il gérer ?  les charges thermiques (chauffages, climatiseurs,
chauffe-eau) et les charges de type électroménager
Que faut-il prévoir?  la prévision de la consommation électrique des charges

équipées d’un système de stockage comme le véhicule
électrique et le chauffe-eau, dont le but est de pouvoir
réinjecter l’électricité stockée durant les périodes de
pointe.
 la consommation électrique d’un habitat individuel
Quelles sont les considérations à  assurer le confort client

tenir en compte ?  tenir compte des tarifs dynamiques
Quels sont les points des  évaluer la qualité de la prévision

améliorations proposées ?  amélioration de la gestion par la prévision
A partir de cette synthèse, nous définissons dans le paragraphe suivant notre cahier des
charges visant à fournir une valeur ajoutée aux résultats de travaux précédents et contribuer à
l’amélioration des problématiques de gestion et de prévision de la consommation électrique au
sein de l’habitat individuel.
6. Cahier des charges

6.1. Contexte et objectifs de la thèse
Les objectifs actuels de réduction des pics de consommations et des émissions de gaz à effet
de serre pour 2020 incitent les chercheurs à développer des solutions innovantes de maîtrise de
la consommation électrique, notamment dans le secteur résidentiel qui possède, depuis 2006, la
part du lion en termes de quantité d’énergie consommée. Une des raisons qui explique cela est
l’augmentation du nombre de charges électriques dans nos logements. Ces enjeux énergétiques
font que l’hypothèse de la maîtrise de la consommation d’énergie dans le secteur résidentiel
devient une alternative de plus en plus envisageable.
Dans cette optique, il devient important de mener une/des stratégie(s) de maîtrise de la

demande d'électricité, qui vise à la gestion de la consommation des charges électriques dans les
habitations. De plus, d’autres voies peuvent être explorées, pour répondre aux enjeux
44
environnementaux et énergétiques (réduction des pics de consommation), telle que la mise en

place d’un système de prévision de la consommation d’énergie électrique.
Dans cette optique, notre travail de thèse s’intéresse au développement d’une stratégie de
gestion de la consommation des charges électriques, associée à une méthode de prévision en
temps réel des consommations électriques pour un habitat individuel. Une représentation
schématique de cette approche est illustrée sur la Figure I-16.
Réseau de communication :
Signaux électriques, Ethernet, CPL, Internet …
Figure I-16 Représentation schématique du système de gestion
Le système de gestion doit être capable d’offrir à l’usager, la possibilité de suivre sa

consommation en temps réel et de garantir une gestion optimale de ses dépenses énergétiques,
tout en assurant son confort quotidien. Nous définissons deux types de confort :
- Confort thermique : consiste à maintenir la température intérieure d’une pièce dans une plage
de température de confort, fixée par le consommateur.
- Confort préférentiel : consiste à gérer l’activation des charges électrique selon les
préférences des usagers.
Grâce à ses choix de préférences, l’usager aura la capacité, de peser sur le système de gestion
et, donc, de devenir un véritable acteur de la stratégie de gestion.
L’interaction entre le système de gestion et les charges électrique est traduite par un échange
d’informations concernant les demandes d’activation des charges. En effet, les charges
électriques envoient des demandes d’activation au système de gestion et reçoivent par la suite
des décisions d’activation ou non activation définies en fonction de la satisfaction des
contraintes.
45
Le système de gestion doit être associé à un système de prévision de la consommation

électrique. La contribution de ce dernier sera d’anticiper l’apparition des pics de consommation
et d’envisager une solution efficace pour les gérer (suppression ou réduction des pics de
consommation).
La stratégie développée pour la réduction des pics de consommation a des bénéfices majeurs
non seulement pour les consommateurs d’énergie mais aussi pour les gestionnaires du réseau
électrique. En effet, la réduction des pics de consommation au sein d’un habitat individuel
contribue activement à la réduction des pics de consommation à plus grande échelle. De plus,
cela révèle des solutions prometteuses pour améliorer la stabilité du réseau (stabilité en tension
et en fréquence) et par conséquent éviter les blackouts sur le réseau.
En comparaison avec les travaux de recherches précités précédemment, nous avons

remarqué que les actions de gestion s’intéressent à la gestion de la consommation d’un seul
type de charges, le plus souvent les charges thermiques (chauffage électrique, ballon d’eau
chaude, climatiseurs) sans prendre en compte la consommation des autres équipements utilisés
par les ménages. La stratégie de gestion développée dans nos travaux de thèse doit être capable
de s’adapter à l’ensemble des charges électriques disponibles dans l’habitat. Ces différentes
charges sont alimentées uniquement par le réseau électrique.
6.2. Système d’alimentation électrique dans l’habitat

D’une façon générale, un système d’alimentation électrique dans l’habitat est constitué par
une source de tension alternative 230 V - 50 Hz pour l’Europe et 110 V - 60 Hz pour les États
Unis.
En France, toute installation électrique domestique neuve ou entièrement rénovée doit être
conforme à la norme NFC15-100, exigée par l’Association française de normalisation (Afnor),
c’est la norme de référence partagée par l’ensemble des acteurs de la filière électrique. Elle
détaille les caractéristiques des installations électriques et les exigences minimales pour la
protection des installations et des personnes. Cette norme impose :
- un compteur électrique, qui sert à mesurer la quantité d’électricité consommée ;
- un tableau électrique, qui regroupe tous les circuits électriques du foyer ;
- un disjoncteur général de coupure et de protection. Il permet de couper le courant sur
l’ensemble de l’installation ;
- des disjoncteurs différentiels à haute sensibilité (30mA) ou des disjoncteurs à
l’origine de chaque circuit, pour assurer la protection de l’installation électriques et
les personnes contre les fuites de courant ;
- la présence de la prise de terre à chaque point d’utilisation.
46
La Figure I-17 représente un exemple du schéma général d’une installation électrique d’une
habitation conforme aux prescriptions de la norme NFC 15-100.
Figure I-17 Exemple d’une installation électrique domestique [SC-20]
Parmi les éléments qui figurent dans cette installation nous trouvons un ensemble d’appareils
électriques alimentés par le réseau tels que le chauffage électrique, le système d’éclairage, le
lave-linge, le four, etc. En plus des circuits d’alimentation, l’installation peut comporter d’autres
circuits dédiés à la gestion des charges électriques. Leur rôle est d’assurer la liaison entre les
équipements électriques et le système de gestion d’énergie. Cette liaison s'effectue via un fil
pilote permettant de relier directement les chauffages électriques au système de gestion comme
l’illustre la Figure I-18.
Fil pilote
Figure I-18 Exemple d’un circuit de pilotage des chauffages électriques via le fil pilote
En ce qui concerne les autres types de charge où une liaison directe par file pilote n’est pas
possible, tel que le cas du chauffe-eau, lave-vaisselle, lave-linge, sèche-linge, etc., parmi les
solutions envisageables, l’utilisation des contacteurs de puissance. Ces dispositifs ont pour rôle
47
d'ouvrir ou de fermer un circuit de forte puissance. En termes d’installation, le contacteur est

situé au niveau du tableau électrique, à côté du disjoncteur de l’équipement électrique qu’il doit
contrôler.
7. Conclusion
Ce chapitre a traité l’analyse de l’évolution de la consommation énergétique à l’échelle
mondiale et nationale. Il a été constaté que l’électricité est la deuxième source d’énergie
utilisées après le pétrole. La consommation de celle-ci peut atteindre des valeurs très élevées
engendrant des pics de consommation. Les principaux impacts de ces pics sont les émissions
de GES, l’augmentation du prix du kWh et l’instabilité potentielle du réseau électrique. A ce
stade d’analyse, deux problématiques ont été repérées : la première est énergétique s’articule
autour de la consommation d’électricité intensive causant des pointes de consommation et la
deuxième est environnementale (émissions des gaz à effet de serre). L’une des mesures mise
en place pour résoudre ces deux problématiques est une transition énergétique vers des réseaux
électriques plus développés « smart-grid ». Cette nouvelle structure du réseau électrique permet
de gérer l’équilibre entre l’offre et la demande, côté consommation. En effet, cette nouvelle
mutation du système énergétique accorde aux consommateurs finaux d’être des acteurs actifs
du système électrique. Une répartition sectorielle de la consommation d’électricité a été ensuite
proposée afin de repérer le secteur qui représente les plus grands consommateurs d’électricité.
Il s’agit du secteur résidentiel avec une part de 36% de la consommation totale.
Ces travaux de thèse se focalisent sur le secteur résidentiel, en particulier l’habitat individuel
et visent à proposer une stratégie de gestion de charges électriques, en y intégrant une prévision
à court terme des consommations pour aider le consommateur à participer à la gestion du réseau
en intervenant dans le pilotage par la demande.
48
Partie 1
Prévision de la consommation électrique
49
Chapitre II
Etat de l’art des méthodes de prévision
50
Chapitre II : Etat de l’art des méthodes de prévision
Chapitre II. Etat de l’art des méthodes de

prévision
1. Introduction
Ce chapitre s’intéresse à la prévision principalement de la consommation électrique au sein
de l’habitat individuel. Une méthode de questionnement (Quoi, Qui, Quand, Pourquoi et
Comment) est proposée afin de répondre aux interrogations suivantes :
o Qu’est-ce qu’une prévision de la consommation électrique ?

o Quels sont les principaux acteurs actuels qui réalisent ou qui sont intéressés par
la prévision de la consommation électrique ?
o Quels sont les horizons temporels, les objectifs et les méthodes de prévision
appliqués au contexte de la consommation électrique ?
o Quels sont les modèles existants, leurs avantages et leurs inconvénients ?
2. Définitions
2.1. Qu’est-ce qu’une « prévision » ?
La prévision est définie comme un ensemble de techniques ayant pour but d’envisager une
situation à une échéance plus ou moins lointaine. La prévision de la consommation électrique
de l’anglais « electrical load forecasting » représente une projection des profils temporels des
consommations d’électricité sur une période prédéfinie. Cette prévision peut être envisagée soit
en énergie consommée sur une période donnée (en kWh), soit en puissance maximale anticipée
(en kW). D’un point de vue mathématique, si P(t) désigne la puissance électrique moyenne
consommée à l’instant t, la prévision est l’action d’anticiper la consommation future P (t+∆t)
avec ∆t l’horizon de la prévision, variable selon le contexte d’application.
2.2. Horizons temporels de prévision

Un horizon temporel d’une prévision définit l’intervalle de temps qui sépare l’instant
d’application de la prévision et l’instant futur à prévoir. Il est d’usage de distinguer trois types
de prévision : long, moyen et court-terme. La signification de ces expressions est relative au
contexte dans lequel elles s’appliquent. Par exemple, la prévision à court terme de la croissance
51
économique d’un pays peut s’étendre sur une période allant de 1 à 2 mois environ. Au contraire,
lorsqu’il s’agit par exemple de prévisions météorologiques, la notion de court terme peut se
réduire à l’ordre de la semaine, voire de la journée.
En ce qui concerne la prévision de la consommation électrique, la plage de l’horizon
temporel à court-terme dépend du contexte d’application de la prévision, selon que l’on
s’intéresse à la demande électrique au niveau d’un poste de distribution ou bien à la
consommation d’une maison individuelle. Dans le premier cas, dont l’objectif est de quantifier
les risques de défaillances physiques, d’assurer l’équilibre de l’offre et de la demande au niveau
du réseau de distribution, et de réaliser les derniers achats et décisions d’effacement, le court
terme est défini par un horizon temporel allant de 24h à 1 mois [TH-15] comme présenté sur la
Figure II-1. Dans le deuxième cas où l’application à l’échelle d’une maison individuelle vise à
réduire sa propre consommation et minimiser sa facture d’électricité, l’horizon est beaucoup
plus petit, pouvant aller de 1min à 24h.
La prévision à moyen-terme de la consommation électrique s’applique à un horizon allant

d’un mois à une année. Elle sert à planifier des investissements pour renforcer le réseau
électrique tel que les opérations d’entretien et de maintenance des lignes ou des postes
électriques.
La prévision de la consommation électrique à long-terme quant à elle s’exprime sur un

horizon d’une année à quelques dizaines d’années. Parmi les principaux intéressés par ce type
de prévision, le gestionnaire du Réseau de Transport d’Electricité (RTE). Ce dernier établit tous
les deux ans un bilan prévisionnel pluriannuel de l’équilibre offre/demande d’électricité en
France, assurant ainsi l’équilibre entre l’offre et la demande pour les quinze prochaines années.
De plus, la prévision à long-terme de la consommation est intéressante pour planifier, construire
et mettre en service des centrales de production de l’électricité et est considérée comme une des
démarches nécessaires pour s’assurer des capacités du parc productif à répondre à la demande
en énergie.
Réseau de transport
Figure II-1 Les différentes échéances de la prévision de la consommation électrique
52
2.3. Indicateurs de la qualité de la prévision

Les méthodes pour réaliser une prévision sont nombreuses [BO2-95] et quel que soit l’outil
utilisé, il est primordial de penser à évaluer la qualité du résultat obtenu. Néanmoins, celle-ci
s’évalue à partir d’un calcul d’erreur qui permet de fournir une interprétation quantitative de la
qualité attendue des prévisions. Cela peut avoir plusieurs intérêts et en particulier identifier,
parmi les différentes méthodes existantes, le modèle le plus approprié à l’application choisie et
fixer un indice de confiance que l’on peut accorder à la prévision.
Le calcul de l’erreur consiste à déterminer l’écart entre les données réelles et celles prédites.
Parmi les nombreux indicateurs permettant de mesurer la précision des prévisions, les plus
courants sont l’erreur absolue et l’erreur relative.
1. L’Erreur Absolue (EA) : représente l’écart à un instant t entre la valeur réelle 𝑉 𝑟 (𝑡)
et la valeur prédite 𝑉 𝑝 (𝑡) en valeur absolue comme indiqué par la formule (II-1).
EA = |𝑉 𝑟 (𝑡) − 𝑉 𝑝 (𝑡)| (II-1)
2. L’Erreur Relative (ER) : représente l’écart entre la valeur réelle et la valeur prédite,
rapporté à la valeur réelle (II-2).
𝑉 𝑟 (𝑡) − 𝑉 𝑝 (𝑡) (II-2)

ER =
𝑉 𝑟 (𝑡)
A ceux-là, s’ajoutent d’autres indicateurs de performance de prévision. Nous avons choisi

de présenter les indicateurs les plus répandus, de l’évaluation de la consommation de
l’électricité résidentielle que nous avons répertorié selon deux classement (Tableau II-1) : le
premier regroupant les indicateurs calculés sur la base de l’erreur absolue et le deuxième
rassemblant ceux définis sur la base de l’erreur relative.
53
Tableau II-1 Indicateurs de prévision
Intitulé Formulation
𝑁
1 𝑝
Mean square Error MSE(%) = ∑(𝑉𝑟𝑖 (𝑡) − 𝑉𝑖 (𝑡))2 (II-3)
𝑁
𝑖=1
Erreur absolue
Root Mean Square

𝑁
1 𝑝 2
Error RMSE(%) = √ ∑ (𝑉𝑟𝑖 (𝑡) − 𝑉𝑖 (𝑡)) (II-4)
𝑁
𝑖=1
𝑁
Mean Absolute 1 𝑟 𝑝
MAE = ∑|𝑉𝑖 (𝑡) − 𝑉𝑖 (𝑡)| (II-5)
Error 𝑁
𝑖=1
Mean Pourcentage 𝑁 𝑟 𝑝
Erreur relative
1 𝑉𝑖 (𝑡) − 𝑉𝑖 (𝑡)
Error MPE(%) = ∑ × 100 (II-6)
𝑁
𝑖=1
𝑉𝑟𝑖 (𝑡)
𝑁 𝑝
Mean Absolute 𝑉𝑟𝑖 (𝑡) − 𝑉𝑖 (𝑡)
1
MAPE(%) = ∑| 𝑟 | × 100 (II-7))
Pourcentage Error 𝑁
𝑖=1
𝑉 𝑖 (𝑡)
3. Méthodes de prévision
Plusieurs méthodes de prévision de la consommation électrique ont fait l’objet de différentes
tentatives de classification selon certaines caractéristiques telles que le type du modèle de
charge, la nature des données à fournir au modèle, l’algorithme de prévision, le choix des
horizons temporels, etc.
L’étude faite dans [GR-87] propose de classer les méthodes de prévision selon le profil de
charge utilisé. La classification considère deux modèles basiques : le modèle de charge
maximale et le modèle de la forme de charge. L’étude présentée dans [MO-97] regroupe les
méthodes de prévision en deux catégories : les modèles en séries chronologiques et les modèles
de régression. Les auteurs dans [SI-13] [BO1-95] [HA-09] [CH-01] proposent trois
groupements : les méthodes classiques (comme la méthode de régression et le lissage
exponentiel), les méthodes classiques modifiées (comme la méthode des séries chronologiques
stochastiques) et les méthodes dites « soft computing », dont les principales composantes sont
la logique floue, les réseaux de neurones, l’algorithme génétique. D’autres auteurs [KH-14]
54
[MI-08] [CA-06] [FE-05] [BA-12] ont préféré des approches liées au choix des horizons
temporels de la prévision à court, moyen ou long terme.
Compte tenu des objectifs de nos travaux de thèse, nous accordons une attention plus
particulière aux techniques de prévision à court terme. Sur la base des travaux précédents, nous
classerons les méthodes envisagées en trois catégories comme l’illustre le Tableau II-2.
Tableau II-2 Méthodes de prévision de la consommation électrique à court terme
Déterministes Probabilistes Intelligence Artificielles
- Jour similaire - Séries temporelles - Réseaux de neurones

- Usage final - Chaines de Markov - Logique floue
- Lissage exponentiel
3.1. Méthodes déterministes

Les méthodes déterministes sont : méthode du jour similaire, méthode de l’usage final et la
méthode du lissage exponentiel. La particularité de ces méthodes est la capacité de prévoir la
consommation électrique en fonction des paramètres qui l’influencent.
3.1.1. Le jour similaire
Cette approche est basée sur stratégie qui consiste à la recherche dans l’historique des jours
similaires au jour à prévoir (Figure II-2), en d’autres termes, les jours présentant les mêmes
caractéristiques (même jour de la semaine, même conditions météorologiques, etc.).
La Figure II-3 [CO-17] montre un exemple de deux comparaisons concernant dans un

premier cas, les courbes de charge de deux jours similaires (a) et d’un deuxième cas, à celles
de deux jours non similaires (b).
Figure II-2 Stratégie du jour similaire [AD1-19]
55
Figure II-3 (a) Courbe de charges pour deux jours similaires (b) Courbe de charges pour deux jours non similaires [CO-17]
Afin d’avoir une meilleure prévision, le choix de sélection du jour similaire est important.
Plusieurs méthodes de sélection sont proposées dans la littérature [LI-05] [MA-06] [MA-07].
A titre d’exemple, dans l’étude [LI-05], le jour similaire est le jour associé au minimum d’une
fonction d’estimation 𝑓(𝛼, 𝛽), illustrée par l’équation (II-8).
𝑓(𝛼, 𝛽) = |(𝛼1 − 𝛽1 )2 + (𝛼2 − 𝛽2 )2 + ⋯ + (𝛼𝑘 − 𝛽𝑘 )2 |1/2 (II-8)
Avec
α1, α2, ...αk : les facteurs influençant la charge du jour susceptible d’être
similaire
β 1, β2, ...βk : les facteurs influençant la charge du jour à prévoir
k : nombre de facteurs influençant
Une fois le jour similaire sélectionné, la courbe de charge du jour similaire après correction
définit la prévision recherchée de la courbe de charge.
3.1.2. L’usage final
L’approche de l’usage final ou Bottom-up développe une méthodologie qui permet la

reconstruction de la courbe de charge sur la base des données des charges électriques et du
consommateur. Pour le secteur résidentiel, ce type d’informations est renseigné par le nombre
de personnes par foyer, la superficie du foyer, le nombre d’équipements électriques ou encore
le profil de charge de chaque appareil, lui-même calculé sur la connaissance d’un ensemble de
données liées à chaque appareil électrique telles que la puissance consommée, le nombre
d’heures d’utilisation, …). La Figure II-4 illustre la méthodologie complète de l’usage final
[DI-11].
56
L’un des principaux inconvénients de cette méthode repose sur l’incertitude des informations
concernant les consommateurs et leurs équipements, ce qui impacte la qualité de la prévision.
D’autre part, la contrainte de connaitre un ensemble d’informations sur chaque appareil
électrique présent dans l’habitat, peut toucher à la vie privée des consommateurs [FE-05]. Par
ailleurs, la base des données utilisées par la méthode de l’usage final nécessite une mise à jour
régulière capable de suivre l’évolution de la vie économique, culturelle et démographique des
consommateurs [KO-11]. Relativement au grand nombre d’appareils électriques dans chaque
foyer, le modèle d’usage final risque enfin d’être difficile à concevoir, à analyser et à mettre à
jour.
Figure II-4 Procédure de la reconstruction de la courbe de charge [DI-11]
3.1.3. Le lissage exponentiel
Le lissage exponentiel est un outil permettant de réaliser des prévisions à court terme. Son
principe repose sur le fait que la valeur future de la variable étudiée ne dépend que de ses valeurs
passées. Pour une application à la prévision de la consommation d’énergie électrique, la
consommation yt+h à l’instant t+h est déterminée en fonction des moyennes pondérées des
valeurs passées yt, yt−1, etc. On note cette prédiction par l’expression suivante :
M (yt+h|yt,yt−1,···) (II-9)
Les trois méthodes les plus connues du lissage exponentiel sont le lissage simple, le lissage
de Holt [BR-59] et le lissage de Holt Winters [WI-60] [AR-11]. Le choix de la méthode de
lissage exponentiel se fait en fonction de la présence ou non d’une tendance et/ou d’une
saisonnalité comme indiqué dans le Tableau II-3.
57
Tableau II-3 Choix de la méthode de lissage exponentiel en fonction de la saisonnalité et la tendance
Saisonnalité
Tendance NON OUI
NON Lissage exponentiel simple
lissage de Holt Winters
OUI lissage exponentiel de Holt
La méthode de lissage exponentiel simple nécessite peu de calculs et elle est utilisée lorsque
les modèles de données n'ont ni variation cyclique ni tendance dans les données historiques. La
méthode de Holt, également connue sous le nom de méthode de lissage exponentiel double, est
utilisée dans les séries temporelles qui contiennent une tendance. Pour les séries chronologiques
saisonnières, la technique Holt-Winters est avantageuse parce qu'elle permet de saisir à la fois
la tendance et le caractère saisonnier des données historiques.
Un exemple d’application est présenté dans l’étude [LA-14]. En effet, les auteurs ont
développé trois nouveaux modèles de prévision de la demande d'électricité française, basés sur
l'utilisation de la technique de lissage exponentiel de Holt dans une mise en œuvre parallèle. La
formulation du lissage exponentiel de Holt est présentée par les expressions suivantes :
(II-10)
𝑆𝑡 = 𝛼 𝑦𝑡 + (1 − 𝛼)( 𝑆𝑡−1 + 𝑇𝑡−1 )
𝑇𝑡 = 𝛾( 𝑆𝑡 − 𝑆𝑡−1 ) + (1 − 𝛾)( 𝑇𝑡−1 ) (II-11)
𝑦̂𝑡 (𝑘) = 𝑆𝑡 + 𝑘 𝑇𝑡 (II-12)
où 𝑆𝑡 et 𝑇𝑡 sont les paramètres de lissage définissant respectivement le niveau lissé et la

tendance.
Initialisés par l’équation (II-13) 𝑦𝑡 est la valeur réelle de la série temporelle à l’instant t et
𝑦̂𝑡 (𝑘) est la prévision de k pas en avant faite à partir de l'origine prévue t.
𝑇0 = 1 et 𝑆1 = 𝑦2 − 𝑦1 (II-13)
L’évaluation de la performance prédictive de ces modèles aboutit à une valeur de MAPE

moyenne de 0.491%, l'efficacité des modèles proposés est clairement révélée.
3.2. Méthodes probabilistes

Comme leur nom l’indique, les méthodes probabilistes sont des méthodes de prévision
s’appuyant sur le concept de probabilités et de variables aléatoires. La valeur future de la
grandeur étudiée est définie par une distribution de probabilités. Dans cette catégorie se
rangent : la méthode des séries temporelles et la méthode des chaînes de Markov.
58
3.2.1. Les séries temporelles
Une série temporelle est définie comme une suite de variables aléatoires réelles, notée (Xt)tϵθ
où θ est un ensemble de temps pouvant être discret (θ ϵ ℕ) ou continu (θ ϵ ℝ). Le principe des
séries temporelles est de suivre l’évolution d’un phénomène au cours du temps dans l’objectif
de décrire, expliquer et prévoir ce phénomène dans le futur. Généralement, une série temporelle
est la résultante de trois composantes :
1. La tendance, représentant l’évolution du système à long terme

2. La saisonnalité, décrivant la répétition d’un phénomène d’une façon périodique
3. La composante aléatoire (ou bruit), correspondant à des fluctuations irrégulières qui
représentent le comportement stochastique du processus
Les modèles des séries temporelles les plus courants sont le modèle Autorégressif AR, le
modèle de moyenne glissante MA (Moving Average), le modèle combiné ARMA.
Un exemple d’application de la méthode des séries temporelles pour la prévision de la

consommation électrique résidentielle est présenté dans [SA-16]. Cette étude propose une
nouvelle approche de prévision basée sur une combinaison de la méthode de Box & Jenkins
[LA-13], avec une des méthodes de traitement les plus courantes des processus ARMA
associées aux données météorologiques.
Etant donné que la consommation d’électricité dans l’habitat résidentiel se diffère d’une
maison à une autre dû à la qualité d’isolation, au type d’appareils électriques, au nombre de
personnes, etc. Les auteurs ont choisi d’élaborer un modèle de prévision pour deux groupes de
consommation d’électricité : le premier s’adressant à des habitats de basse consommation, le
deuxième à des habitats de plus haute consommation.
Ce modèle de prévision nécessite trois principales phases : la phase d’analyse descriptive, la

phase de modélisation et la phase de prévision. La première étape descriptive vise à étudier la
tendance de la consommation d’énergie électrique, notamment vérifier la présence éventuelle
d’une tendance horaire, journalière, hebdomadaire ou saisonnière. La phase de modélisation a
été consacrée à la détermination du modèle de prévision en utilisant la méthodologie de Box &
Jenkins. Les paramètres finaux du modèle sont les suivants :
𝑈𝑓 = 𝑈(𝑡) − 1.08435 𝑈(𝑡 − 1) + 0.30891 𝑈(𝑡 − 2) (II-14)
59
Avec
𝑈𝑓 : la valeur de la consommation électrique prévue
U (t) : la valeur de la consommation électrique observée à l’instant courant t
U(t−1) : la valeur de la consommation électrique observée à l’instant précédent t−1
Le modèle précèdent est amélioré en tenant en compte du facteur météorologique qui se

caractérise par une forte corrélation avec la consommation électrique. Le modèle prédictif
amélioré est présenté en équation (II-15), suivante :
𝑈′𝑓 = −2.07199 − 0.13479 𝑈𝑓 + 1.16697 Weather (II-15)
Avec
Weather : facteur météorologique

𝑈′𝑓 : nouvelle valeur de la consommation électrique prévue en tenant compte du
facteur météorologique
La Figure II-5 présente les résultats obtenus de la prévision d’une période de sept jours
évaluée par l’indicateur d’erreur RMSE définie précédemment (voir section 2.3). Comme nous
pouvons le constater, le taux d’erreur augmente et les prévisions après 3 jours ne sont pas
fiables. En utilisant le modèle prédictif amélioré (en définissant le facteur météorologique
comme une variable indépendante dans le modèle prédictif), les taux d’erreur du RMSE
diminuent et par conséquent, les prévisions s'améliorent.
Figure II-5 RMSE pour 7 jours de prévision [SA-16]
3.2.2. Chaîne de Markov
Une chaîne de Markov est une suite de variables aléatoires X(t) qui permet de modéliser
l’évolution dynamique d’un processus aléatoire. Ce processus est dit markovien s’il valide la
propriété fondamentale des chaînes de Markov, selon laquelle l’évolution future du processus
60
ne dépendrait du passé qu’au travers de sa valeur actuelle, signifiant en d’autres termes que
l’histoire passée du processus est entièrement résumée dans sa valeur actuelle.
Un processus Xt à valeurs discrètes est markovien si et seulement si pour toute suite

d’instants t1< t2 < . . . < tk < tk+1 et toute suite de valeurs x1, x2. . ., xk, xk+1, satisfait l’équation
(II-16).
P [ Xtk+1 = xk+1 | Xt1 = x1, Xt2 = x2, ...]= P[ Xtk+1 = xk+1 | Xtk = xk] (II-16)
Selon que le temps t est discret ou continu, on parlera de chaîne de Markov à temps discret,
également appelée « Discrete Time Markov Chains » (DTMC) ou de chaîne de Markov à temps
continu « Continus Time Markov Chains » (CTMC).
Une DTMC est une suite de variables aléatoires (Xk, k ϵ ℕ) qui permet de modéliser
l’évolution dynamique d’un système aléatoire sachant que Xk représente l’état du système à
l’instant k. Le passage de Xk à Xk+1 est aléatoire avec une probabilité de transition pij. Celle-ci
peut se présenter sous forme de matrice ou sous forme de graphe. On parlera, alors, de matrice
de transition [P] dont l’expression est présentée en équation (II-17).
[P] = [pij], où pij = P [Xk+1 = j | Xk = i] (II-17)
Pour le cas du CTMC, les observations se font de façon continue plutôt qu’à des moments
discrets. La différence se situe dans le fait que la chaîne peut changer d’état à n’importe quel
moment t (t ϵ [0, +∞ [) et pas uniquement à des instants entiers (k ϵ ℕ).
Après avoir défini une chaîne de Markov, nous présentons dans ce qui suit quelques-unes de
ses applications à la prévision de la consommation d’électricité dans le secteur résidentiel.
Les auteurs dans [HA-12] utilisent la méthode des chaînes de Markov (DTMC et CTMC)
pour prédire la consommation électrique d’un studio universitaire. D’après la courbe présentée
sur la Figure II-6, la demande en énergie électrique est élevée en fin de journée, principalement
entre 18h et 2h du matin et faible pendant la journée (entre 6h30 et 15h). Cela s’explique par
l’absence de l’étudiant pendant la journée et son retour à la résidence en fin d’après-midi.
L’allure de cette courbe de charge met en évidence la variation de la consommation d’électricité
selon l’heure de la journée et en fonction des activités de l’étudiant. Pour cela, les auteurs ont
décomposé le profil de charge de la journée en trois périodes, de faible, moyenne et forte
consommation, de sorte que les niveaux de consommation restent presque stationnaires pendant
ces périodes, comme il l’est indiqué sur la Figure II-6. Chaque période fait l’objet d’une
modélisation distincte par chaîne de Markov.
61
Consommation en énergie (kWh)
Temps (h)
Figure II-6 Courbe de charge journalière d’un studio universitaire [HA-12]
Le nombre d’états dans chaque modèle dépend de la variabilité de la charge au cours des
périodes définies. En effet, pour créer un modèle de Markov à k états, les auteurs ont utilisé un
algorithme de classification appelé k-means [SA-06] afin de subdiviser la consommation
électrique de chaque période en k groupes. Ces derniers sont les k états requis pour chaque
modèle. Les données quantifiées sont ensuite utilisées pour construire la matrice de probabilités
de transition [P].
Pour prédire la consommation des 15 premiers jours du mois de décembre, les auteurs ont
utilisé les deux types de modèles de Markov, celui basé sur CTMC et celui basé sur DTMC.
Les matrices de probabilité de transition ont été calculées pour le mois de Novembre. Afin
d’évaluer la qualité des prévisions, un indicateur qui reflète l’efficacité des modèles a été défini.
Cet indicateur correspond à la fonction de distribution cumulée (CDFerror). Il est défini par
l’équation (II-18) suivante :
𝑆𝑢𝑟𝑓𝑎𝑐𝑒 𝑒𝑛𝑡𝑟𝑒 𝑙𝑒 𝐶𝐷𝐹 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑛𝑠𝑜𝑚𝑚𝑎𝑡𝑖𝑜𝑛 𝑟é𝑒𝑙𝑙𝑒 𝑒𝑡 𝑙𝑎 𝑐𝑜𝑛𝑠𝑜𝑚𝑚𝑎𝑡𝑖𝑜𝑛 𝑝𝑟é𝑑𝑖𝑡𝑒

𝐶𝐷𝐹𝑒𝑟𝑟𝑜𝑟 = × 100 (II-18)
𝐶𝐷𝐹 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑛𝑠𝑜𝑚𝑚𝑎𝑡𝑖𝑜𝑛 𝑟é𝑒𝑙𝑙𝑒
L’évaluation du modèle CTMC a donné un 𝐶𝐷𝐹𝑒𝑟𝑟𝑜𝑟 minimal de 2.92% et dans le cas

DTMC, un 𝐶𝐷𝐹𝑒𝑟𝑟𝑜𝑟 minimal de 5,37%. Ces résultats montrent qu’il est possible d’appliquer
les modèles de Markov pour prédire une consommation résidentielle avec une préférence des
modèles CTMC par rapport aux DTMC puisqu’il fournit le pourcentage de l’erreur de prévision
le plus faible.
62
Une autre façon d’exploiter des chaînes de Markov pour la prévision de la consommation
d’électricité est proposée dans l’article [MU-13]. Les auteurs considèrent que la consommation
d’électricité totale d’un habitat individuel peut se diviser en 5 catégories comme indiqué en
équation (II-19) :
𝑊̇ T = 𝑊̇ froid + 𝑊̇ thermique + 𝑊̇ activité + 𝑊̇ éclairage + 𝑊̇ veille (II-19)
Où 𝑊̇ T désigne la consommation d’électricité totale, 𝑊̇ froid la puissance consommée par les

appareils de froid notamment le réfrigérateur, 𝑊̇ thermique la puissance consommée par les
appareils thermiques, 𝑊̇ éclairage la puissance consommée par le système d’éclairage, 𝑊̇ veille la
puissance consommée par les appareils en veille et 𝑊̇ activité l’usage d’électricité lié à une activité
effectuée par le consommateur. La modélisation par chaîne de Markov utilisée pour prévoir la
dernière catégorie, c’est-à-dire 𝑊̇ activité, s’applique à modéliser l’activité des particuliers pour
en prédire par la suite la puissance consommée. Neuf types d’activités ont pu être ainsi définies
en associant à chacune une valeur de demande en puissance comme présenté dans le Tableau
II-4.
Le modèle de chaîne de Markov suppose que chaque membre du ménage k se trouve dans
l’un des neuf états (activités) à chaque pas de temps t. Le passage de l’instant t à t+1 est défini
𝑑,ℎ
par une transition d’état. Chaque transition est représentée par une probabilité de transition 𝑝𝑖,𝑗
qui donne la probabilité de passer de l’état i à l’état j pendant l’heure h et le jour d. La probabilité
de transition pour chaque membre du ménage k est définie comme suit :
𝑑,ℎ
𝑑,ℎ
𝑤𝑘 × 𝑛𝑖,𝑗,𝑘
𝑝𝑖,𝑗 = (II-20)
𝑑,ℎ
∑𝑘 ∑𝑖 𝑤𝑘 × 𝑛𝑖,𝑗,𝑘
𝑑,ℎ
où 𝑛𝑖,𝑗,𝑘 définit le nombre de transitions faisant passer un habitant k de l’état i à l’état j
pendant l’heure h (h=1, …, 24) du jour d (variable binaire égale à 0 pour un jour ouvré et à 1
pour un jour de weekend).
63
Tableau II-4 Types d’activité et consommations associées
Activité Puissance (W)

1 Sommeil 0
2 Pas d’usage d’électricité : ex. lecture 0
3 Ménage 1250
4 Lavage 425 + 3400
5 Cuisson 1225
6 Lavage automatique 1800
7 Loisir 200
8 Au travail 0
9 Sorties 0
Les auteurs ont utilisé une méthodologie de validation des résultats répartie en deux étapes.
Tout d'abord, la sortie du modèle est comparée à l'ensemble de données utilisé pour
l’apprentissage du modèle (données de la région Indiana Michigan) afin de vérifier que les
résultats simulés présentent les mêmes caractéristiques statistiques que les données réelles.
Ensuite, le modèle est utilisé pour simuler la demande d'électricité pour une région différente
(Texas) de celle utilisée pour la phase d’apprentissage et sa sortie est comparée aux données de
demande résidentielle mesurée de cette région.
Les résultats montrent que le modèle de prévision de la demande tient compte des variations
annuelles et diurnes, les fluctuations de la charge et la diversité de la configuration des ménages,
l'emplacement et la taille.
3.3. Méthodes fondées sur l’Intelligence Artificielle

D’autres techniques de prévision basées sur l’intelligence artificielle sont également prisées
comme l’algorithme génétique, la machine à vecteurs de support (SVM) [DE-17], les réseaux
de neurones [BA-99] [DE-17], ou encore la logique floue [BA-99] [DE-17]. Nous nous limitons
à présenter ces deux dernières méthodes car elles sont les plus répandues en matière de prévision
de la consommation électrique.
3.3.1. Réseaux de neurones
Un Réseau de Neurones Artificiels (RNA) qu’on nomme en anglais « Artificiel Neural

Network » (ANN), est un modèle mathématique inspiré des réseaux de neurones biologiques.
L’objectif de cette imitation est d’élaborer un système artificiel capable de reproduire des
calculs complexes, semblables à ceux qu’effectue le cerveau humain [RE-10].
64
Un neurone artificiel k, présenté en la Figure II-7, est une modélisation mathématique de la

réalité du neurone biologique comportant un ensemble de n entrées e1, e2, …, ei,… en, jouant le
rôle des dendrites, auxquelles est associé un ensemble de n poids synaptiques W1 , W2 , … Wn
dont la somme pondérée par ces poids est comparée à un seuil bk. La sortie sk, correspond à
l’axone, est alors calculée à partir d’une fonction non linéaire f dénommée « fonction
d’activation » telle que définie par la relation (II-21). Ce calcul fait référence au traitement
d’information qui se déroule au niveau du corps cellulaire.
(a) Propagation
Dendrites Réception Traitement
axone
Synapse Corps cellulaire
Poids
w1
e2
(b) w2 sk
… ∑ f
en wn
bk
Biais
Figure II-7 Mise en correspondance neurone biologique (a) / neurone artificiel (b)
s𝑘 = f ( ∑ 𝑒𝑖 𝑊𝑖 − 𝑏𝑘 ) (II-21)
𝑖=1
Avec
n : nombre d’entrées du neurone artificiel

k : indice du biais, correspond au nombre de sorties
La fonction d’activation du neurone peut être une fonction binaire à seuil, tel que le cas de
la fonction Heaviside (Figure II-8a) et la fonction signe (Figure II-8 b), ou une fonction linéaire
à seuil (Figure II-8c) et la fonction sigmoïde (Figure II-8d).
Après avoir présenté le neurone artificiel et montré sa correspondance par rapport au neurone
biologique, nous nous intéressons maintenant à la définition du RNA. Ce dernier peut être
présenté sous deux angles différents : une description architecturale et une description
algorithmique.
65
(a) (b) (c) (d)
Figure II-8 (a) fonction de Heaviside, (b) fonction signe, (c) fonction linéaire à seuil, (d) fonction sigmoïde
Au niveau architectural, le RNA peut être défini comme un ensemble de neurones artificiels
répartis sur des couches avec de nombreuses connexions entre elles.
Le nombre de couches et le nombre de neurones dans chaque couche définissent

l’architecture du réseau. Généralement, un RNA se compose de trois types de neurones :
 Neurone d’entrée : il collecte les données d’entrée du réseau.
 Neurone caché : il se situe entre les entrées et les sorties. Il n’a aucun contact avec le
monde extérieur, en effet, il ne peut être connecté qu’avec les autres neurones du réseau.
 Neurone de sortie : il définit la sortie du réseau.
On distingue alors deux types de réseaux de neurones : les réseaux non bouclés et les réseaux
bouclés (ou récurrents).
Un réseau de neurones non bouclé est représenté graphiquement par un ensemble de

neurones connectés entre eux, l’information circulant des entrées vers les sorties sans « retour
en arrière ». Ces types de réseaux peuvent être monocouches (perceptron simple) ou
multicouches (perceptron multicouches). Les premiers se composent d’un ensemble de
neurones dans une couche d’entrée et d’un ensemble de neurones dans la couche de sortie
(Figure II-9a). Les seules liaisons neuronales possibles sont celles qui relient un neurone
d’entrée à un neurone de sortie. Aucun lien entre neurones d’une même couche ne peut exister.
Quant aux réseaux multicouches, ils se caractérisent par une ou plusieurs couches
intermédiaires, appelées « couches cachées », se situant entre la couche d’entrée et la couche
de sortie (Figure II-9b). Les différentes couches sont classées de la couche d’entrée vers la
couche de sortie.
Les réseaux récurrents sont différents des réseaux non bouclés. En effet, les structures
possibles sont extrêmement nombreuses. Parmi ces structures, on distingue celles utilisant ou
non des couches cachées et celles utilisant ou non des connexions auto-récurrentes, faisant
66
intervenir des liaisons entre sortie et entrée d’un même neurone. Nous proposons en
Figure II-10, quelques exemples de topologies de réseaux récurrents.
(a) (b)
Figure II-9 Réseaux non bouclés : (a) réseau monocouche (b) réseau multicouches
(a) (b)
Figure II-10 Topologies de réseaux bouclés : (a) sans auto-récurrence, (b) avec auto-récurrence
D’un point de vue algorithmique, le réseau de neurones se caractérise par un développement

qui passe par une phase essentielle nommée « apprentissage » à travers laquelle les poids du
réseau sont modifiés de façon itérative pour que la sortie calculée par le réseau corresponde à
la sortie désirée. On distingue alors deux types d’apprentissage : un apprentissage supervisé et
un apprentissage non supervisé.
Concernant l’apprentissage non supervisé (dit aussi « apprentissage sans professeur »), nous
ignorons ce que doit être la sortie du réseau, contrairement à l’apprentissage supervisé qui
utilise un « professeur » pour guider le réseau vers la solution recherchée.
On distingue deux cas :
 le professeur est capable de mesurer l’écart entre les réponses souhaitées et

obtenues. Les modifications du réseau sont alors fonction de l’ampleur de l’erreur.
On parle d’apprentissage par correction d’erreur.
 la mesure de l’erreur est simplement booléenne, on n’en connaît pas l’ampleur. On
parle d’apprentissage par renforcement.
67
Parmi les algorithmes d’apprentissage supervisé, l’algorithme de rétropropagation de

gradient est le plus courant pour l’optimisation des réseaux de neurones multicouches [RE-10].
Cet algorithme est basé sur la méthode de descente de gradient où un processus itératif
modifiant les poids de chaque neurone est adopté afin de minimiser un critère d’erreur sur la
sortie.
D’après la littérature [KO-11], la sélection du type et du nombre de variables d’entrée est un

problème important souvent rencontré dans la conception des RNA. La performance de la
prévision dépend en grande partie du bon choix des variables qui influencent sur la charge. Pour
la prévision à court-terme de la consommation électrique, les variables clés sont le temps, les
prévisions météorologiques et l’historique de consommation. Par conséquent, il est essentiel
d’identifier les variables d’entrée dont l’impact sur la charge du système serait significatif.
Après avoir présenté les méthodes des RNA, nous proposons de nous attarder sur quelques
exemples de leur application à la prévision de la consommation en électricité. Notre attention
se porte sur quatre paramètres : le type de données (c’est-à-dire la consommation électrique à
l’échelle d’un pays, d’une région, d’un habitat individuel, …), la méthode utilisée pour la
sélection des entrées du RNA, l’architecture du RNA puis le résultat de la prévision.
Dans [OS-09], les auteurs utilisent la méthode du RNA pour prévoir la consommation
électrique nationale de l’Egypte, où le secteur résidentiel est considéré comme le premier
consommateur d’électricité avec une part de 36.8%. Les données de consommation sont
regroupées par saison. L’approche utilisée pour identifier les variables d’entrée les plus
importantes est basée sur la corrélation statistique entre la consommation d’électricité et les
paramètres supposés influents. Ces paramètres sont :
- P(d,t-1), P(d,t-2) et P(d,t-3) : la consommation électrique (en W) des trois heures

précédentes à l’instant à prévoir t du jour d.
- P(d-1,t), P(d-1,t-1), P(d-1,t-2) et P(d-1,t-3) : la consommation électrique (en W) de la
même heure et aux trois heures précédentes, du jour précèdent le jour à prédire.
- T(d,t), T(d,t-1), T(d,t-2) et T(d,t-3) : la température du même jour à prévoir à la même
heure et aux trois heures précédentes.
- W(d,t), W(d,t-1), W(d,t-2) et W(d,t-3) : la vitesse moyenne du vent du même jour à
prévoir à la même heure et les trois heures précédentes.
- H(d,t), H(d,t-1), H(d,t-2) et H(d,t-3) : l’humidité relative du même jour à prévoir à la
même heure et aux trois heures précédentes.
68
- D(d,t), D(d,t-1), D(d,t-2) et D(d,t-3) : le point de rosée du même jour à prévoir à la

même heure et aux trois heures précédentes.
L’étude de corrélation s’appuie sur le calcul du coefficient de corrélation linéaire r. Le

résultat de la corrélation statistique est présenté dans le Tableau II-5. Les auteurs s’appuient
sur les résultats de l’étude de corrélation pour définir l’architecture la plus pertinente du
RNA. En effet, l’objectif principal est de sélectionner les entrées du RNA les plus corrélées
avec la consommation électrique.
Tableau II-5 Coefficients de corrélation entre la consommation du réseau égyptien et les différents paramètres.
Chaque saison fait alors l’objet d’une modélisation distincte par la méthode de RNA.
L’architecture du RNA de la saison du printemps et la saison d’été est la suivante : 17-25-1,
signifiant 17 neurones dans la couche d’entrée, 25 neurones dans la couche cachée et 1 neurone
dans la couche de sortie. Les neurones d’entrées correspondent aux paramètres suivants :
P(d,t-1), P(d-1,t), P(d-1,t-1), P(d-2,t), P(d-2,t-1), P(d-3,t), P(d-3,t-1), P(d-7,t), P(d-7,t-1), T(d,t),
W(d,t), D(d,t), H(d,t), T(d,t-1), W(d,t-1), D(d,t-1), H(d,t-1). Le neurone de la couche de sortie
correspond à la consommation d’électricité P(d,t). Pour les saisons automne et hiver
l’architecture identifiée devient : 14-25-1. Les neurones d’entrées correspondent aux
paramètres suivants : P(d,t-1), P(d-1,t), P(d-1,t-1), P(d-2,t), P(d-2,t-1), P(d-3,t), P(d-3,t-1), P(d-
7,t), P(d-7,t-1), T(d,t), W(d,t), D(d,t), H(d,t), T(d,t-1).
Pour chaque saison, les 60 derniers jours de données sont utilisés pour l’apprentissage du
réseau et les données du mois suivant sont utilisées pour la prévision. Le Tableau II-6 montre
les performances des modèles de prévision selon que les données du week-end sont incluses ou
exclues. Les résultats indiquent que l’exclusion des données du week-end offre de meilleures
69
performances de prévision. Cependant, dans tous les cas, le MAPE maximum reste inférieur à
2.5%.
Tableau II-6 MAPE et RMSE pour le modèle proposé incluant l’effet des week-end [OS-09]
Les RNA constituent une méthode très pratique pour résoudre les problèmes de prévision
dans des domaines complexes, telle que la consommation d’énergie électrique d’une maison
individuelle. A titre d’exemple, dans [AD1-19] les auteurs s’intéressent à la prévision de la
consommation d’électricité d’une maison individuelle à l’aide d’un RNA multicouches. La base
de données se compose de la consommation d’énergie par minute mesurée sur près de 4 ans
pour une maison individuelle située près de Paris (environ 2 millions de points de données). Le
modèle de prévision est composé d’un ensemble de RNA. Chaque réseau permet de prévoir la
consommation d’électricité pour une heure donnée h au cours d’une journée j, constituant alors
un modèle prévisionnel contenant un ensemble de 24 RNA en parallèle pour une journée
entière.
Une prévision de la consommation d’électricité à un horizon de 24h a été réalisée pendant

une semaine. La Figure II-11 illustre les valeurs du MAPE des différents jours de la semaine.
L’auteur [AD1-19] a précisé que le jour le plus difficile pour les prévisions hebdomadaires était
le samedi et le plus facile, le mercredi. La moyenne hebdomadaire du MAPE est de 61.16%,
une valeur considérée élevée.
Devant une aussi grande différence observée sur les ordres de grandeurs des valeurs de
MAPE selon celles concernant à la prévision d’une consommation nationale (entre 0.32% et
2.2%) ou à celles concernant la prévision d’une consommation d’un habitat individuel (entre
53% et 73%), il est possible de s’attendre à une plus grande dépendance de la qualité de la
prévision aux types et profils données qu’au choix de la méthode de prévision en elle-même.
70
MAPE (%)
Jours (du samedi au vendredi)
Figure II-11 Valeurs des MAPE journaliers.
3.3.2. Logique floue
La logique floue, proposée par Zadeh en 1965, représente une extension de la logique
booléenne classique. Elle permet d’exprimer différents niveaux au lieu de deux états VRAI ou
FAUX. En ce sens, elle étend la logique booléenne classique avec des valeurs de vérités
partielles. Elle consiste à tenir compte de divers facteurs numériques pour aboutir à une décision
qu'on souhaite acceptable.
C’est une méthode basée sur des règles « si-alors-sinon », sur le modèle du raisonnement
approximatif du cerveau humain. Elle est préoccupée par la quantification et le raisonnement
en utilisant un langage qui permet des définitions ambigües, comme beaucoup, peu, petit, haut.
En d’autres termes, elle s’occupe des situations où la question qui est posée et la réponse
obtenue contiennent des concepts vagues.
Le principe d'un système flou consiste à calculer des paramètres de sortie en fournissant au
système un ensemble de règles formulées en langage naturel. Pour ce faire, trois étapes doivent
être satisfaites : la fuzzification, le moteur d'inférences et la défuzzification.
La fuzzification transforme une donnée réelle (ou variable) en donnée floue appelée variable
linguistique. On définit la plage de valeurs que peut prendre chaque variable comme une
fonction allant de 0% à 100% caractérisant pour chaque variable son pourcentage d’affirmation
(fonction d’appartenance). Prenons l’exemple d’une vitesse (en km/h) provenant d'un capteur
de vitesse. Cette donnée numérique doit être transformée en une variable linguistique. Pour
qualifier une vitesse, plusieurs variables linguistiques peuvent être utilisées : rapide, lente,
modérée, très rapide, etc. A ce stade, il suffit de créer les fonctions d’appartenance
correspondantes aux différentes variables linguistiques, comme montré sur la Figure II-12.
71
Figure II-12 Fonctions d’appartenance
La deuxième étape est le moteur d'inférence chargé d'appliquer chacune des règles, définies
par le concepteur du système flou en se basant sur les connaissances dont il dispose le système.
Chaque règle génère une commande de sortie. Pour reprendre l’exemple précèdent, en ajoutant
à la vitesse une deuxième variable représentée par la distance par rapport à un feu de carrefour,
la règle suivante pourrait se définir par « SI la vitesse est grande ET la distance au feu de
carrefour est courte ALORS freine fort ».
La dernière étape est la défuzzification, dont le but est de fusionner ces commandes (des
commandes par règle) générées dans la précédente étape et de transformer les paramètres
résultants en donnée réelles.
Plusieurs travaux de recherche utilisant ces techniques de modélisation dans la prévision de

la consommation d’électricité ont été menées mais la plupart ont été testées sur la
consommation électrique à l’échelle d’un pays, d’une ville ou d’un ensemble de maisons
[MA- 13], peu de travaux ont utilisé cette méthode pour une prévision de la consommation
électrique à l’échelle d’une maison individuelle. A titre d’exemple, nous citions l’étude [BI-17]
où les auteurs présentent une prévision de la consommation d’électricité sur trois jours du mois
de janvier 2017, d’une maison occupée par un couple avec un enfant. L’algorithme de prévision
développé prévoit l’énergie utilisée pour le jour suivant J+1. L’architecture du système flou
utilisé est présentée sur la Figure II-13. La première étape (la fuzzification) permet de traduire
trois entrées réelles en variables linguistiques. Ces trois variables sont l’heure, le jour de la
semaine et la différence de température entre l’intérieur et l’extérieur. L’auteur considère
l’heure comme entrée principale divisée en 48 fonctions d’appartenance.
72
Figure II-13 Système de prévision à base de logique floue [BI-17]
Dans ce travail, les règles floues sont composées d’une table à 1344 colonnes. Chaque
colonne correspond à une combinaison heure / jour / écart de température (Figure II-14). La
phase d’apprentissage est stockée selon les règles if-then. La consommation de la charge est
décrite par trois variables linguistiques : « H » Elevée (High), « M » Moyenne (Medium) et
« L » Faible (Low).
Figure II-14 Phase d’apprentissage du système de prédiction [BI-17]
La Figure II-15 montre le résultat de prévision du 28 Janvier 2017. L’auteur attribue certains
manques de prévision à la difficulté de prévoir la consommation de charges présentant des
temps de fonctionnement courts comme le micro-onde ou le four.
73
Temps (h)
Figure II-15 Comparaison entre la consommation réelle et prédite du 28 janvier 2017 [BI-17].
3.4. Comparatif des méthodes de prévision

Les méthodes de prévision à court terme apportent leur lot d'avantages, mais aussi
d’inconvénients, dont nous nous efforcerons de faire la synthèse à partir du Tableau II-7 afin
de dégager la/les méthodes la/les plus adaptée(s) à notre problématique.
Au terme de cette comparaison, nous nous intéressons aux techniques de prévision de la

consommation électrique, basées sur l’intelligence artificielle, qui ont été développées
récemment et donnent des résultats encourageants, telle que la méthode du RNA. Cette méthode
est particulièrement adaptée pour la prévision de la consommation d’électricité en général et en
particulier au niveau du secteur résidentiel. Les RNA apportent de meilleurs résultats par
rapport aux autres méthodes de prévision dans le cas où il est difficile d’établir une relation
linéaire entre les entrées et les sorties du système. En effet, cette méthode est capable de gérer
les relations non linéaires entre la charge et les facteurs l’affectant directement à partir de
données historiques. Elle offre donc un avantage qui peut répondre aux contraintes réelles de la
consommation électrique d’un habitat.
74
Tableau II-7 Tableau comparatif des méthodes de prévision
Méthodes Avantages Inconvénients

Jour similaire
déterministes
Usage final  Besoin d’une base de données importante qui

 Simple à utiliser
Lissage exponentiel  Facilité d’interprétation nécessite une mise à jour régulière.
 Traitement des séries brutes sans aucune  Contrainte de stationnarité de la série

Séries temporelles transformation (ex-normalisation). temporelle.
 Besoin d’une base de données importante qui
probabilistes
nécessite une mise à jour régulière.


Utilisation des matrices de transition plutôt que  Incapable de prévoir les données non
des formules complexes qu’exigent les calculs en présentées dans la base d’apprentissage.
Chaîne de Markov temps continu et à cardinalité infinie.  Besoin d’une base de données importante qui
 Rapidité de calcul nécessite une mise à jour régulière.
 Simplicité d’interprétation
 Flexible : possibilité de modéliser des relations  Aspect boite noire
Fondées sur l’intelligence artificielle
non linéaires entre les entrées et sorties (entre la  Besoin de normalisation des données
charge et les facteurs l’affectant directement à  Lenteur d’apprentissage
partir de données historiques)  Convergence stochastique
Réseau de neurones  Robuste aux données incomplètes ou bruitées en  Besoin d’une base de données importante qui
ajoutant des neurones supplémentaires à la nécessite une mise à jour régulière.
couche cachée.
 Rapide après l’apprentissage.
 Capable de modéliser de grandes variétés de
comportements.
 Implémentation des règles exprimées en langage  Aucune assurance d’un comportement
Logique floue naturel pour permettre de raisonner et de tirer des optimale du système.
conclusions  Besoin d’une base de données importante qui
nécessite une mise à jour régulière.
75
4. Conclusion
Le présent chapitre a commencé par l’évocation de quelques généralités sur la prévision en
termes de définitions et horizons temporels. Les indicateurs de performance de la qualité de
prévision les plus utilisés ont été définis et listés. Un ensemble de méthodes de prévision issues
de la littérature a été présenté et classifié en trois groupes : déterministes, probabilistes et celles
fondées sur l’intelligence artificielle. Chacune des méthodes a été expliquée et un exemple
d’application a été présenté. Les avantages et les inconvénients de ces différentes méthodes ont
été présentés.
La synthèse des méthodes de prévision montrant les avantages et inconvénient de chacune

d’elles et les différentes applications présentées dans ce chapitre nous ont permis de définir la
méthode de prévision la plus appropriée à notre cas d’étude. En effet, l’application des réseaux
de neurones artificiels pour la prévision de la consommation électrique résidentielle montrent
un résultat de prévision satisfaisant même dans un cas défavorable, quand il est difficile
d’établir une relation linéaire entre les entrées et les sorties du système de prévision.
76
Chapitre III
Analyse des données de consommation
électrique dans l’habitat
77
Chapitre III. Analyse des données de

consommation électrique dans
l’habitat
1. Introduction
La finalité de ce chapitre est de proposer une démarche permettant de définir les variables
d’entrée pertinentes du modèle de prévision des consommations électriques à mettre en place.
Cet objectif passe par une phase d’analyse temporelle et statistique des profils de consommation
afin d’étudier leur comportement et de sélectionner les paramètres les plus influents. Ne
s’agissant en aucun cas de généraliser les résultats mais plutôt de suggérer une démarche
d’analyse réfléchie, il faut se rendre à l’évidence que les résultats démontrés seront tributaires
de la base de données utilisée. Dans ces conditions, il apparaît important, dans le contexte de
mesures, de disposer de relevés réels qui puissent être représentatifs et complets ou, dans le cas
de simulations, de savoir reproduire de manière cohérente les grandeurs et leur dépendance. A
cette fin, la cohérence des résultats d’analyse en vue de leur exploitation ultérieure dans un
modèle de prévision repose sur la bonne représentativité de la base de données que l’on se
donnera.
Ce chapitre s’articulera autour de trois grandes parties : la première présentant les différents
profils de consommation étudiés, la deuxième exposant la démarche de l’analyse statistique et
la dernière s’intéressant à l’étude des corrélations entre variables.
2. Analyse temporelle
Dédiée à la présentation des profils de consommation électrique, cette partie s’organise
autour d’une analyse de leurs caractéristiques temporelles. Constitué d'un relevé de puissances
à intervalles réguliers, pouvant être un pas de mesure ou un pas de simulation, un profil de
consommation électrique retrace l’évolution dans le temps des niveaux de consommation.
Cherchant à analyser et comprendre la façon dont l’énergie électrique est consommée, nous
nous intéressons à différents niveaux d’agrégation de la consommation d’électricité : à l’échelle
mondiale, nationale, régionale, à l’échelle d’un quartier, ou encore à l’échelle d’un habitat
individuel, tel que le montre la Figure III-1.
78
Figure III-1 Les niveaux d’agrégation de la consommation électrique [BA-17]
Dans le contexte de nos travaux, nous avons choisi de nous intéresser aux deux niveaux
extrêmes de la pyramide, concernant pour l’un, la consommation électrique de la région
des Pays de la Loire et pour l’autre, la consommation électrique à l’échelle d’un habitat
individuel.
Le choix de ces deux profils vise d’une part à mettre en évidence les caractéristiques de
chacun et d’autre part à vérifier que la méthodologie d’analyse proposée puisse s’adapter
facilement, quelle que soit la différence des profils à l’étude.
2.1. Consommation électrique régionale

Comme mentionné précédemment, nous proposons de mener à bien une étude sur le profil
de la consommation électrique de la région des Pays de la Loire en France. Les données
disponibles à partir du site gratuit eco2mix, sont des mesures fournies par RTE sur une année
(1er janvier 2017 au 31 décembre 2017), au pas de temps d’une heure. La courbe de charge
annuelle est fournie en Figure III-2.
Janvier Février Mars Avril Mai Juin Juillet Août Septembre Octobre Novembre Décembre
Puissance (MW)
Temps (h)
Figure III-2 Consommation électrique des Pays de La Loire entre le 1er janvier 2017 et le 31 décembre 2017
79
L’analyse graphique de cette courbe souligne la présence d’une consommation importante

sur la période d’hiver allant de novembre à mi-mars liée principalement à l’utilisation du
chauffage électrique. Cette observation nous amène à différencier l’étude sur deux périodes
caractéristiques : la période d’hiver s’étalant de novembre à mi-mars et la période d’été entre
les mois d’avril et septembre.
La littérature recense de nombreux outils d’analyse temporelle appliqués à l’analyse des

données de consommation électrique [AB-04], dont la synthèse nous a permis de retenir les
plus cités : la courbe de charge, le facteur de charge et la courbe de durée de charge.
2.1.1. Courbe de charge
La courbe de charge, également appelée courbe de puissance, est un outil d’usage courant
pour appliquer une analyse temporelle de la consommation électrique. C’est une représentation
graphique de l’évolution de la consommation d'énergie, pendant une durée fixe, permettant
d’identifier les caractéristiques de la consommation électrique. A partir du profil présenté en
Figure III-2, deux courbes de charge peuvent être définies pour chaque saison, dont une
illustration est donnée en Figure III-3 sur une période d’une semaine.
L’analyse de ces courbes permet dès lors de dégager plusieurs observations :
- Les allures des consommations, hiver comme été, sont différenciables entre jours ouvrés
et jours de week-end ;
- La période ouvrée d’une saison estivale ou hivernale présente systématiquement un cycle
journalier répétitif ;
- Comparativement aux consommations enregistrées en été, les amplitudes de
consommation observées en hiver sont toujours plus élevées en jours ouvrés qu’en
Week- end.
80
Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche
Weekend
Puissance (MW)
Jours ouvrés
Temps (h)
Figure III-3 Consommation électrique au cours d’une semaine type en hiver (du 23 au 29 janvier 2017) et en été
(du 31 juillet au 06 août 2017)
2.1.2. Facteur de charge
Le facteur de charge ou Load Factor, noté Lf, est utilisé pour mesurer les variations de la
demande en énergie électrique. Celui-ci se définit comme le rapport entre la puissance
moyenne, notée Lmoy, consommée au cours d’une période donnée et la puissance maximale
notée Lmax survenue au cours de cette même période, comme indiqué par la relation (III-1).
𝐿𝑚𝑜𝑦
Lf = (III-1)
𝐿𝑚𝑎𝑥
La valeur de Lf est comprise entre 0 et 1. Une valeur de 1 signifie qu’une courbe de charge
est strictement lisse et ne contient aucune variation. Une valeur de 0 signifie que la courbe de
charge comporte plusieurs fluctuations. Le Tableau III-1 renseigne les valeurs du facteur de
charge journalier, calculées pour les deux semaines présentées en Figure III-3.
Tableau III-1 Facteur de charge de la consommation électrique journalière sur les saisons hiver/été
Hiver 0.87 0.85 0.90 0.86 0.88 0.86 0.88

Lf
été 0.84 0.86 0.86 0.86 0.85 0.78 0.78
Les résultats obtenus démontrent des valeurs de Lf supérieures à 0.78, que ce soit en été ou
en hiver. Ces ordres de grandeurs élevés du facteur de charge indiquent que les variations sont
proportionnellement faibles. Ce résultat est détectable visuellement à partir des courbes de
charge de la Figure III-3.
81
2.1.3. Courbe de durée de charge
La courbe de durée de charge est un moyen simple de visualiser la durée des niveaux de
puissance sollicités. Sa construction s’obtient à partir d’une courbe de charge discrétisée dont
une illustration est donnée en Figure III-4.
Profil temporel de puissance Profil discrétisé
Puissance (MW)
Temps (h) Temps (h)

Courbe de durée de charge
Puissance (MW)
Durée (h)
Figure III-4 Courbe de charge et courbe de durée de charge associée
L’exploitation de cet outil doit permettre d’identifier les pics de consommation journalière
et leur durée associée. Dans le cadre de la consommation d’électricité de la région des Pays de
la Loire, cette observation, obtenue à partir de la Figure III-4 se fait principalement le matin
autour de 9h00 puis le soir autour de 19h00 pour la saison hivernale et autour de 13h00 pour la
saison estivale.
Comme le montre la Figure III-5, que ce soit l’hiver ou l’été, une durée importante des
pointes de consommation est observée en jours ouvrés avec une durée maximale cumulée de 6
heures par jour. La présence de cette consommation importante peut se justifier par l’utilisation
massive d’un certain nombre d’équipements, parmi lesquels le chauffage électrique en hiver et
le climatiseur en été. La durée des pics de consommation pendant le week-end reste quant à elle
assez courte mais non nulle avec une durée maximale cumulée de 3 min. La baisse de cette
durée et le niveau des pics de consommation en week-end peuvent être liés à la réduction de
82
l’activité journalière les samedis et dimanches, pour cause de fermeture d’institutions, bureaux
ou entreprises …
Puissance (MW)
Temps (h)
Figure III-5 Durées des pics de consommation
La démarche d’analyse ainsi proposée permet de dégager plusieurs caractéristiques du profil

de consommation électrique de la région des Pays de la Loire. En résumé, les profils sont lissés
et globalement reproductibles d’un jour à l’autre, amenant un comportement cyclique sur
l’année. Par ailleurs, la durée et le niveau des consommations électriques enregistrent des
valeurs plus élevées en jours ouvrés qu’en jours de week-end.
2.2. Consommation électrique d’un habitat individuel

Cette section n’a d’autre objectif que l’application de la méthodologie d’analyse de données
proposée ci-avant pour étudier le comportement d’usage en électricité, spécifique au secteur de
l’habitat pour un ménage français.
Littéralement, un ménage, désigne l'ensemble des occupants d'un même logement sans que
ces personnes ne soient nécessairement unies par des liens de parenté, tel pour le cas d’une
cohabitation. En France, plus d’un tiers des ménages (Figure III-6) se compose d’une personne
seule : une configuration sensiblement plus fréquente comparativement à la part des ménages
(26 %) composés de trois personnes ou plus, notamment le cas de familles avec un enfant et
plus, ou encore à la part des foyers (26%) « couples sans enfants ». La part restante de 13.6%
regroupe deux dernières situations : celles de familles monoparentales et celles de ménages dits
« complexes » pouvant comprendre plus d’une famille et/ou plusieurs personnes sans lien de
parenté.
83
Du point de vue de leurs occupants, la Figure III-7 présente la répartition des français selon
leur statut d’activité. La plus grande part (40.8%) recense les personnes en activité
professionnelle, suivi de la population des retraités avec une proportion de (22,7%) et du corps
étudiant selon un ratio de 9.7%.
Figure III-6 Répartition des ménages selon leur structure Figure III-7 Répartition des individus selon le statut d’activité
(données 2016) [INSEE] (données 2016) [INSEE]
Sur la base de ces précédentes données statistiques, trois ménages types ont été choisis pour
mener à bien notre analyse : un ménage composé d’un couple en activité avec deux enfants, un
étudiant seul et un couple de retraités sans enfant.
Pour disposer d’une courbe de charge dans l’habitat, deux sources possibles de données sont
exploitables : l’une émanant de relevés réels de compteurs intelligents, type Linky, l’autre
suggérant des données de consommations simulées à partir d’outils logiciels capables de
reproduire artificiellement des profils de charge. Dans le contexte de nos travaux, la voie de la
simulation permettant de construire une base de données riche et exploitable rapidement a été
privilégiée. Ce choix se justifie par l’avantage de pouvoir considérer une très large variété de
situations (types de ménage, types d’habitation, nature des appareils …), ainsi que par un gain
de temps significatif dans l’accès aux données (disponibilité des profils par charge, par groupe
de charges, par activité, par pièce, …). Autant de données que des mesures auraient
vraisemblablement rendues plus limitées, soit par la difficulté de mise en œuvre, soit par le
caractère intrusif de l’instrumentation qu’elles auraient imposé à l’usager.
Par rapport aux besoins de notre application et aux avantages précités de la simulation, les
logiciels Load Profile Generator (LPG) et Polysun (POL) nous sont apparus appropriés à notre
étude : le premier [PF-15] pour la génération de profils variés d’appareils électrodomestiques
dans un habitat, tenant compte du foyer, des activités de ses occupants, des marques
84
d’appareils ; le deuxième [SO-11], utilisant la base de données de LPG pour la génération plus
appropriée de profils de consommation de charges thermiques, parmi lesquelles le chauffage
électrique.
Dans ce contexte, nous proposons d’aborder l’étude en deux temps : l’analyse des
consommations d’appareils électrodomestiques seuls, suivie de l’analyse des usages du
chauffage électrique seul.
2.2.1. Appareils électrodomestiques
Les appareils électrodomestiques peuvent se regrouper en deux classes : le petit

électroménager (PEM) et le gros électroménager (GEM). Le PEM touche les appareils de faible
consommation, parmi lesquels les charges servant à la préparation culinaire (bouilloire,
machine à café, mixeur …), les charges dédiées à l’éclairage et celles relatives aux loisirs et
multimédia (téléviseur, ordinateur, radio réveil, …). Au contraire, le GEM concerne les
appareils les plus énergivores, dont ceux touchant à la création du froid (réfrigérateur,
congélateur), à la cuisson (cuisinière, four, plaque de cuisson …) ou encore à l’entretien (lave-
linge, lave-vaisselle, sèche-linge).
Un exemple de courbe de charge annuelle associée à la consommation des appareils

électrodomestiques d’un habitat individuel est présenté en Figure III-8 pour le cas du ménage
« couple en activité avec deux enfants ». L’analyse du profil est alors abordée sur la base des
outils d’analyse temporelle définis à la section 2.1 et illustrée pour la semaine du 04 au 10
janvier 2016.
Janvier Février Mars Avril Mai Juin Juillet Août Septembre Octobre Novembre Décembre
Puissance (W)
Temps (h)
Figure III-8 Consommation électrique d’un habitat individuel pour l’année 2016 (ménage : couple en activité avec deux
enfants)
85
a. Courbe de charge
Telle que présentée en Figure III-9, l’allure des profils met en évidence la présence d’une
variabilité tributaire du type de ménage, de la période de semaine (Week-End (WE) ou Jour
Ouvré (JO)) ainsi qu’aux instants de la journée.
Temps (h)
Figure III-9 Profils de consommation électrique d’usage électrodomestique
La Figure III-10 s’intéresse quant à elle aux pointes de consommations atteintes par chacun
des ménages et présente une comparaison de ces niveaux en jours ouvrés et en week-end. Pour
la semaine étudiée, la tendance est à la hausse en week-end pour deux des ménages : + 40 %
pour le « couple en activité avec deux enfants » et +25 % pour le « couple de retraités ». Par
ailleurs, on observe pour le couple en activité des pointes de consommation deux à trois fois
plus élevées que pour les autres foyers, selon qu’il s’agisse d’un jour ouvré (JO) ou d’un week-
end (WE). Cela se justifie naturellement par le nombre de personnes composant le ménage ainsi
que le nombre important des appareils raccordés à l’installation de l’habitation.
Puissance (W)
Figure III-10 Comparaison entre les niveaux maximum de consommation du JO / WE par ménage
86
b. Facteur de charge (Lf )
Le résultat du calcul du facteur Lf permettant de quantifier les variations de la consommation

électrique de chacun des trois ménages est présenté dans le Tableau III-2 pour la même
semaine d’étude. Également valable pour l’ensemble du profil annuel de la Figure III-8 (pour
une étude complète de l’année 2016, le lecteur pourra se reporter à l’Annexe 1), l’observation
de faibles valeurs de Lf (proche de 0) est à l’image d’une forte variabilité des niveaux de
consommation telle que la précédente analyse de courbe de charge l’avait déjà montré.
Tableau III-2 Facteur de charge journalier par ménage - du 4 au 10 janvier 2016
Couple en activité 0.08 0.10 0.10 0.10 0.09 0.09 0.11

Retraités 0.13 0.13 0.13 0.10 0.12 0.12 0.12
Etudiant seul 0.08 0.06 0.05 0.06 0.04 0.04 0.08
c. Courbe de durée de charge
L’étude qui suit se situe dans deux perspectives : l’identification des durées des pics de
consommation et la localisation des périodes de pointes au cours d’une journée.
La Figure III-11 présente les courbes de durée de charge journalière pour chacun des
ménages étudiés. A partir des valeurs extraites du graphique, nous remarquons que les périodes
de fortes amplitudes sont d’une durée plutôt courte, inférieure à l’heure.
A partir des courbes de charge journalières des trois ménages sur deux journées, l’une choisie
en période ouvrée, l’autre en week-end, une comparaison est proposée en Figure III-12 et
Figure III-13 sur le critère des consommations de pointe.
Il apparait clairement qu’en jours ouvrés, des ménages de type « couple en activité avec deux
enfants » ou « étudiant seul » font usage de leurs appareils principalement le matin au réveil
avant de se rendre à leur lieu de travail et de manière plus intensive le soir, après leur journée
d’activités. Pour cette même semaine, un usage semblable reste observable en week-end
particulièrement pour le couple avec enfants. A contrario, le couple de retraités fait un usage
plus régulier de ses appareils tout au long de la journée qu’il s’agisse d’un jour de semaine ou
de week-end. Nous pouvons en conclure que la période des pics de consommation reste très
sensible à la nature du ménage ainsi qu’au type de journée sur la semaine, jour ouvré ou week-
end.
87
Figure III-11 Durées de charge journalière d’un habitat individuel

(a) Couple en activité avec enfants (b) couple de retraités (c) étudiant seul
Figure III-12 Courbes de charge par ménage pendant un JO (ex. lundi 04/01/2016)
88
Figure III-13 Courbes de charge par ménage pendant un jour de WE (ex. dimanche 07/01/2016)
2.2.2. Chauffage électrique
Représentant une grande partie de dépenses énergétiques des ménages, la consommation du

chauffage électrique fait de ce dernier, le poste de consommation le plus important et le plus
énergivore. D’une manière générale, cette consommation dépend principalement de la
composition du ménage, de la présence de ses occupants, de la surface à chauffer, de l'isolation
thermique du logement (murs, sols, fenêtres et plafonds) et du type du chauffage.
Le profil de charge couvre la période de janvier à mai 2016 et de novembre à décembre 2016
de la consommation de chauffage de l’habitation occupée par le ménage « couple en activité
avec deux enfants » est présenté en Figure III-14 (a).
À première vue, les principaux besoins électriques du chauffage se situent majoritairement

sur la période hivernale, liés aux faibles valeurs de la température extérieure donnée en Figure
III-14(b). L’usage du chauffage est en effet conditionné aux variations de la température
extérieure. Pour le cas du logement étudié, la consommation électrique est quasi nulle sur toute
la période estivale, dès le dépassement d’une température extérieure au voisinage de 15°C.
89
Temps (h)
Temps (h)
Figure III-14 (a) Profil de consommation du chauffage électrique (b) Température extérieure.
L’analyse de la courbe de charge sur la semaine du 1er au 7 janvier (Figure III-15(a)) montre
clairement un comportement cyclique de la consommation. Le profil temporel sur la journée
fait apparaitre trois périodes caractéristiques :
- une période de nuit s’étalant de 00h00 à 06h00 et caractérisée par une consommation
quasi nulle ;
- une période de pointe, répartie en matinée entre 06h00 et 09h00 où le maximum de
puissance est atteint en réponse à la remontée en température intérieure de la maison ;
- une période définie entre 09h00 et 00h00, où la consommation électrique apparait stable,
autour d’une valeur moyenne de 3.8 kW.
(a)
Temps (h)
(b)
Temps (h)
Figure III-15 Courbe des consommations en chauffage (a) et courbe de température extérieure (b) du 1er au 7 janvier 2016
90
Sur la période simulée, la température ne semble pas jouer de rôle majeur sur la
consommation électrique du chauffage : le profil de puissance garde un comportement cyclique
invariant le long de la semaine pouvant se justifier par une faible variation de température (entre
− 2.5°C et 7°C), ou encore par la qualité de l’isolation du logement. Pour des situations de plus
forte variabilité en température, il faut s’attendre à un profil de consommation de chauffage très
irrégulier tel que l’illustre la Figure III-16 pour la semaine du 19 au 25 novembre 2016.
Temps (h)
Temps (h)
Figure III-16 (a) Courbe des consommations en chauffage (b) courbe de température extérieure du 19 au 25 novembre 2016
3. Analyse statistique des profils

Dans cette section, nous proposons d’appliquer une approche statistique à l’analyse des
profils de consommation. Celle-ci s’appuie sur la détermination de paramètres statistiques
courants, tels que la médiane, les quartiles. Pour venir en support de notre précédente
interprétation des courbes de charge de la section 2. L’approche statistique est également
utilisée pour évaluer la corrélation entre la demande en puissance et les phénomènes pouvant
l’influencer. A cet effet, l’analyse suivante se divisera en deux parties : la première, consacrée
à la répartition statistique des données; la deuxième orientée vers la recherche et l’analyse de
corrélations entre variables.
3.1. Répartition statistique des données

Parmi les représentations possibles d’une répartition statistique des données, nous avons
retenu l’approche par boîtes à moustaches, appelées aussi boîtes de distribution qui offre un
moyen pratique d’approcher les concepts abstraits de la statistique en pratiquant leur usage sur
91
différents jeux de données. Cette représentation graphique permet de résumer une variable de
manière simple et visuelle, de comprendre la répartition générale de ses observations et de
mettre en lumière la présence possible de valeurs atypiques imputables pour une grande part
aux pointes de consommations sur lesquelles notre étude s’intéresse.
Avant d’exploiter cette approche, nous nous attardons sur la description d’une boîte à
moustaches. Nous y expliquerons la manière de lire et d’interpréter ce graphique
(Figure III-17(b)), en y ayant préalablement défini les principales caractéristiques qui le
composent.
3.1.1. Définitions et considérations théoriques
Les boîtes à moustaches permettent de visualiser, à partir des observations d’une variable,
plusieurs paramètres statistiques de sa distribution. De sa représentation graphique
(Figure III-17(b)), on y repère :
- L’échelle des valeurs de la variable située sur l’axe vertical ;

- La valeur du 1er quartile Q1 associée à 25% des effectifs, et correspondant à la limite
inférieure de la boîte ;
- La valeur du 2ème quartile Q2 associée à 50% des effectifs cumulés, représentée par un
trait horizontal à l’intérieur de la boîte ;
- La valeur du 3ème quartile Q3 associée à 75% des effectifs cumulés, correspondant à la
limite supérieure de la boîte ;
- Les deux moustaches inférieure et supérieure, représentées par des lignes verticales de
part et d’autre de la boîte, délimitant les valeurs adjacentes à une distance n’excédant pas
1.5 fois la longueur de la boîte ;
- Enfin, les valeurs dites atypiques, extrêmes ou exceptionnelles, situées au-delà des
valeurs adjacentes, représentées par des marqueurs (*, o), pour identifier
individuellement des observations anormalement distantes du reste de la distribution.
En se basant sur les quartiles, c’est à dire des statistiques d’ordre 4, la médiane et l’écart
interquartile ne sont jamais influencés par les valeurs extrêmes. En dessous ou au-dessus de
plus de 1.5 fois la distance entre le 1ers et le 3ème quartile, les valeurs sont individualisées de
manière à être mises en évidence. Lié à des considérations probabilistes, le choix d’un
coefficient de 1.5 permet d’observer, dans la situation d’une distribution normale de la variable,
un taux de 99.3% de ses valeurs délimitées par la boîte et les moustaches et, par voie de
conséquence, un taux de 0.7% de valeurs atypiques. Si le coefficient vaut 1, la probabilité serait
92
de 95.7% et vaudrait 99.9% pour un coefficient égal à 2. Un facteur de 1.5 est donc un
compromis satisfaisant pour retenir comme valeurs atypiques assez d’observations mais pas
trop toutefois.
Appliqué au jeu de données d’une consommation électrique enregistrée sur 24h

(Figure III-17(a)), la boîte à moustache (Figure III-17(b)) conduit à l’interprétation du
comportement des consommations, sur la base de trois critères : la répartition des puissances
consommées, leur dispersion et l’identification d’amplitudes anormalement distantes de la
distribution générale mais normalement beaucoup moins fréquentes.
(a) (b)
Max Valeur max
25%
Q3 3ème quartile
Moustache
25%
Puissance (MW)
haute
Q2 Médiane
25% Moustache
basse
Q1 1er quartile
25%
Min Valeur min
Figure III-17 (a) représentations temporelle d’un profil de consommation (b) boîte à moustache
La position de la médiane voisine de la valeur moyenne à l’intérieur de la boîte de

distribution et le quasi-équilibre des longueurs des moustaches de part et d’autre de la boîte
apporte un diagnostic de quasi-symétrie des consommations sur la journée observée.
L’appréciation quant à elle de l'écart interquartile Q3 – Q1 ou encore de l’étendue des

extrémités des moustaches donne un aperçu de la dispersion des données enregistrées. Pour une
interprétation plus aisée, il est d’usage de travailler à partir d’une valeur normalisée en ramenant
cette caractéristique de variabilité à une valeur centrale (valeur moyenne ou valeur médiane)
des observations. Plus ce coefficient de dispersion est faible, plus les valeurs sont dites
homogènes. Plus ce-dernier est élevé, plus la variabilité est forte et la représentativité de la
valeur centrale diminuée.
93
3.1.2. Application au profil de charge régional
Appliquée à la courbe de charge horaire des consommations électriques de la région des

Pays de la Loire sur deux semaines types, extraites des saisons hivernale et estivale, la
Figure III-18 permet d’apprécier les distributions des consommations regroupées par jour de
semaine sur chacune des saisons et d’offrir un moyen pratique de comparaison. Les valeurs
numériques des indicateurs statistiques associés à chaque distribution sont regroupées dans le
Tableau III-3.
Puissance (MW)
Figure III-18 Dispersion des valeurs journalières de la consommation électrique régionale
Tableau III-3 Indicateurs statistiques (profil de charge régional)
Jour
Lundi Mardi Mercredi Jeudi Vendredi Samedi dimanche
P(MW)
minimum 4320 4456 4483 4581 4039 3269 3243
25% (Q1) 4520 4632 4899 4743 4506 3448 3393
Médiane (Q2) 4760 4842 5109 5078 4744 3784 3630
Moyenne 4950 5154 5116 5270 4734 3812 3663
Hiver
75% (Q3) 5109 5241 5473 5419 5002 3954 3769

maximum 5575 5852 5749 5959 5430 4354 4083
| Q3 – Q1 |/Q2 12% 12% 11% 13% 11% 13% 10%
Nb. points
0 0 0 0 0 0 0
atypiques
minimum 1747 1927 1922 1959 1921 1761 1593
25% (Q1) 2189 2291 2299 2293 2286 1951 1784
Médiane (Q2) 2526 2598 2629 2583 2547 2125 1931
Moyenne 2330 2429 2430 2439 2426 2251 2030
Eté
75% (Q3) 2705 2754 2767 2760 2750 2287 2037

maximum 2912 2931 2938 2918 2930 2740 2466
| Q3 – Q1 |/Q2 20% 18% 18% 18% 18% 16% 13%
Nb. points
0 0 0 0 0 0 2
atypiques
94
À la première lecture du graphique, il est aisé d’observer une légère asymétrie de la

distribution des consommations sur les deux semaines présentées. En hiver, les valeurs de
puissance sont sensiblement plus étalées vers les valeurs hautes, ainsi en témoigne la longueur
de la moustache supérieure et la position de la médiane décalée le plus souvent vers le bas de
la boîte de distribution. Inversement, en été, la consommation apparaît plus dispersée sur une
plage de valeurs allant de la consommation médiane à la consommation la plus basse d’un
facteur 2 à 2.5.
Le Tableau III-3 des indicateurs statistiques calculés attire les remarques suivantes :
- Une différence de médiane est observée entre les jours ouvrés et jours de week-end (bien
visible sur l’hiver; un peu moins sur l’été) ;
- Une différence notable de répartition des consommations selon la saison été/hiver ;
- Quasi-absence de points atypiques, donc les données entrent dans l’intervalle de +/-
1,5 fois le 1er et 3ème quartile.
3.2. Application au profil de charge d’un habitat individuel

Une démarche similaire est illustrée et commentée dans l’analyse statistique de la courbe de
charge du chauffage électrique et des appareils électrodomestiques pour l’exemple du ménage
« couple actif avec deux enfants » (voir Figure III-19 et Figure III-20).
L’observation d’une très forte densité de valeurs atypiques sur les consommations
journalières de l’usage électrodomestique se révèle caractéristique de variations abruptes et très
irrégulières d’amplitudes dP/dt, telle que nous l’avions antérieurement souligné à partir des
caractéristiques temporelles associées. La comparaison des boîtes de distribution journalière
obtenues pour le chauffage électrique (Figure III-19a) et pour les appareils électrodomestiques
(Figure III-19b) montre une différence notable de comportement, à la fois en termes de
répartition, de dispersion et d’enregistrement de valeurs atypiques associées à des pointes de
consommation. Par souci de lisibilité, la Figure III-20 propose une représentation plus localisée
de la partie centrale des boîtes à moustaches de la Figure III-19b facilitant l’appréciation des
indicateurs statistiques résumés dans le Tableau III-4.
95
(a) Chauffage électrique
(b) Electrodomestique
(a) Chauffage électrique (couple avec deux enfants)
Figure III-19 Représentation des courbes de charge journalières sous forme de boîtes à moustaches (a) pour le chauffage
électrique (b) pour les charges électrodomestiques (couple en activité avec deux enfants).
Figure III-20 Zoom sur la représentation des courbes de charge journalières de l’usage électrodomestique sous
forme de boîte à moustaches
96
Tableau III-4 Les principaux indicateurs statistiques (profil de charge d’un habitat individuel)
Jour
Lundi Mardi Mercredi Jeudi Vendredi Samedi dimanche
P(W)
minimum 12 13 11 9 10 10 12
Chauffage électrique
25% (Q1) 2697 2686 2694 2694 2682 2690 2678

Médiane (Q2) 3773 3773 3737 3770 3766 3771 3760
Moyenne 2526 2705 2703 2658 2654 2651 2703
75% (Q3) 3798 3803 3798 3801 3794 3797 3787
maximum 5041 5398 5395 5307 5300 5292 5394
| Q3 – Q1 |/Q2 29% 29% 29% 29% 29% 29% 29%
points atypiques 5 5 5 5 5 5 5
minimum 45 44 46 46 45 44 43
25% (Q1) 90 161 163 164 146 174 176
Électrodomestique
Médiane (Q2) 186 213 261 203 202 352 355

Moyenne 4271 3733 3224 4230 2859 3100 6113
75% (Q3) 307 398 393 545 361 550 625
maximum 8498 7423 6403 8415 5673 6156 12184
| Q3 – Q1 |/Q2 116% 111% 88% 187% 106% 107% 126%
points atypiques 228 213 161 247 180 285 335
Nous nous intéressons dans un premier lieu à la position de la médiane et la longueur des
moustaches pour recueillir une appréciation sur la symétrie de la distribution. Pour le cas du
chauffage électrique, la médiane de la distribution est très largement décentrée. En effet, toutes
les valeurs de la médiane sont très voisines du 3ème quartile (Q3), montrant une forte dissymétrie
de la distribution vers des puissances élevées. Cela est confirmé par la quasi-égalité des valeurs
de la médiane et Q3 présenté dans le Tableau III-4. La distribution est également asymétrique
pour le cas des appareils électrodomestiques avec des médianes décalées vers le bas. En
revanche, la distribution semble plus symétrique les samedi et dimanche, laissant supposer un
usage plus grand des appareils électrodomestiques les week-end.
Nous nous intéressons maintenant à l’étude de la dispersion en examinant la taille de la boîte

et la longueur des moustaches. Pour le premier cas, c’est-à-dire le profil de charge du chauffage
électrique, nous trouvons, un écart interquartile d’environ 1kW, alors que celui-ci est entre 200
et 400W pour le profil de charge des appareils électrodomestiques. La puissance unitaire et le
fonctionnement différents de ces charges pourraient expliquer ces disparités.
La répartition de la consommation des appareils électrodomestiques se caractérise par la

présence de plusieurs centaines de points atypiques liés à une demande de puissance importante
par rapport à la normale. Il peut s’agir de quelques appareils de fortes puissances mais qui
fonctionnent peu souvent ou à des instants où plusieurs appareils fonctionnent simultanément.
97
Pour le cas du chauffage électrique, le nombre de points atypiques est très faible, et
correspond à la période nocturne où le chauffage ne fonctionne plus mais reste en « veille ».
Les analyses de ces profils indiquent des consommations et un comportement très différent,
entre une région et un habitat individuel, de ces deux catégories de consommateurs/charges. Il
semble alors opportun de les traiter et de les modéliser de manières séparées.
4. Etude de corrélations
L’étude statistique des profils de charge est fondée non seulement sur la répartition
statistique des données mais également sur la recherche de corrélations entre la consommation
électrique et d’autres variables pouvant l’impacter. Cette section s’articulera autour de la
présentation des outils mathématiques sur lesquels reposera l’étude et les calculs de corrélations
entre la consommation électrique et les paramètres éventuellement influents.
4.1. Définition des outils mathématiques.

Par définition, une série temporelle Xt, appelée encore série chronologique, est une suite
d’observations enregistrées à chaque instant t, définie par Xt = {x(n)} avec n ϵ ℕ* où l'indice t
représente une unité de temps, pouvant être de l’ordre de la minute, l'heure, le jour ou l'année
et n la longueur de la série.
Parmi les outils mathématiques que l’on se propose d’exploiter : le rapport de corrélation, le
coefficient de corrélation et le coefficient d’autocorrélation.
4.1.1. Rapport de corrélation
Si l’on s’intéresse à l’étude simultanée de deux séries temporelles Xt, Yt définies par une
série de couples de valeurs {(x,y)k, k = 1,…n}, le rapport de corrélation η² existant entre Xt et
Yt se définit comme l’indicateur statistique capable de mesurer l’intensité de la liaison entre les
couples de valeurs croisées de chaque série. Calculée suivant la formule donnée en (III-2) et le
support des relations (III-3) (III-4), (III-5) et (III-6) faisant intervenir des valeurs discrétisées
préalablement ordonnées en classes [xi ; xi+1[, [yj ; yj+1[ où i{1, .., p}, j  {1, .. , q} et
assimilées à la valeur milieu de leur classe, la valeur résultante de l’indicateur η² est toujours
comprise entre 0 et 1. Une valeur proche de 0 signifie l’absence d’influence d’une variable sur
l’autre. Au contraire, une valeur proche de 1 témoigne d’un rapport d’influence significatif de
l’une sur l’autre.
98
̅̅̅̅̅̅̅
V X (Y)
2 = 1 − (III-2)
V (Y)
p
1 (III-3)
VX (Y) = ∑ ni Vi (Y)
n
i=1
q q
1 2 1
V(Y) = ∑(yj − y̅) où y̅ = ∑ nj yj (III-4)
n n
j=1 j=1
q q
1 2 1 (III-5)
Vi (Y) = ∑ nij (yj − y̅i ) où y̅i = ∑ nij yj
ni ni
j=1 j=1
q p p q
ni = ∑ nij nj = ∑ nij n = ∑ ni = ∑ nj (III-6)

j=1 i=1 i=1 j=1
4.1.2. Coefficient de corrélation
a. Intensité d’une corrélation

Le coefficient de corrélation, noté conventionnellement r, quantifie l’intensité et le sens,
positif ou négatif, de la relation linéaire existant entre deux séries de variables X, Y. Défini par
la relation (III-7), le coefficient de corrélation linéaire simple est une normalisation de la
covariance par le produit des écart-type de chaque variable :
cov(X, Y)
r= (III-7)
√V(X)V(Y)
Sa valeur, comprise entre 1, n’a toutefois pas de signification intrinsèque. Le coefficient de
corrélation ne sert qu’à caractériser le niveau de linéarité, positif ou négatif reliant deux
variables entre elles. Plus sa valeur se rapproche de l’unité en valeur absolue, plus la corrélation
peut être supposée forte ; au contraire, une valeur nulle indique l’absence de toute relation
linéaire, sans signifier pour autant l’indépendance des variables. En revanche, le carré du
coefficient de corrélation, appelé encore coefficient de détermination, compris entre 0 et 1,
s'interprète quantitativement comme la proportion de variabilité de Y (resp. X) linéairement
expliquée par X (resp. Y).
Sur un échantillon de taille n, le coefficient de corrélation s’obtient à partir d’une valeur

estimée, donnée par la relation (III-8).
99
∑n ̅ )(yk − y
k=1(xk − x ̅)
𝑟̂ = (III-8)
√∑n ̅ ) 2 × ∑n
k=1(xk − x ̅)2
k=1(yk − y
La littérature parle alors de coefficient de corrélation empirique, également défini, après

simplification, par la formulation (III-9) suivante :
∑𝑛
𝑘=1(𝑥𝑘 𝑦𝑘 ) −𝑛.𝑥̅ 𝑦
̅
𝑟̂ = (III-9)
√∑𝑛 2
𝑘=1(𝑥𝑘 ) − 𝑛.𝑥̅
2 × √∑𝑛 (𝑦 )2 − 𝑛.𝑦
𝑘=1 𝑘 ̅2
𝑟(1− 𝑟 2 )
D’espérance mathématique (𝑟̂ ) = 𝑟 − , le coefficient de corrélation empirique est
2𝑛
un estimateur biaisé, dont la valeur du biais 𝜀 = 𝐸(𝑟̂ ) − 𝑟 apparaît toutefois négligeable dès
lors que l’effectif n devient suffisant.
b. Significativité d’une corrélation
L’évaluation d’une corrélation entre deux variables passe non seulement par la connaissance
de l’intensité de cette corrélation, mais également par l’identification de son niveau de
significativité, qui caractérise la fiabilité de la corrélation.
S’appuyant sur les formalismes de l’inférence statistique, l’application d’un test de

significativité d’un coefficient de corrélation fait l'hypothèse que la distribution des valeurs des
résidus (c'est-à-dire les écarts à la droite de régression) de la variable expliquée Y obéit à une
loi gaussienne et que la dispersion des valeurs des résidus est sensiblement identique quelles
que soient les valeurs de la variable explicative X. Le niveau de significativité évoluant avec la
taille de l'échantillon, de nombreux chercheurs admettent toutefois la règle empirique suivant
laquelle des biais sérieux sont peu probables en présence d’échantillons de taille supérieure ou
égale à 50, et au-delà de 100, l’hypothèse de normalité est raisonnablement ignorée.
Dans le contexte de notre application, nous proposons de présenter le mécanisme de deux

tests paramétriques, l’un testant la conformité du coefficient de corrélation à 0 équivalent à un
test d’indépendance, l’autre testant sa conformité à une valeur différente de 0.
Test  : Absence ou présence d’une corrélation ?
Le test s’écrit selon la formulation (III-10) :
Hypthèse H0 : r = 0 contre Hypthèse H1 : r  0 (III-10)
De manière générale, r̂ converge lentement vers une loi gaussienne. Or, lorsque n tend vers
l’infini, sous l’hypothèse H0 : r = 0, cette convergence devient plus rapide et dès lors que la
taille des données dépasse 100, il est admis [RA-15] que la loi de probabilité de r̂ s’apparente
100
à la loi normale de paramètres Er̂   0, Vr̂  

1
. La statistique du test S définie en
n 1
(III-11) suit alors une loi gaussienne centrée réduite N 0, 1 .
𝑟̂ − 𝐸(𝑟̂ )
𝑆= = √𝑛 − 1 . 𝑟̂ (III-11)
√𝑉(𝑟̂ )
La région critique du test conduisant au rejet de l’hypothèse H0, au seuil de significativité 
est illustrée par la zone grisée apparaissant sur la Figure III-21 et s’écrit selon la formulation
donnée en (III-12):
H0 rejetée pour |𝑆| > 𝑢𝑐 , équivalent à |r̂| > 𝑟 (III-12)
𝑢𝑐
𝑜ù 𝑟𝛼 =
√n-1
de la loi normale N 0, 1
𝛼
𝑢𝑐 = le fractile d’ordre 1 − 2
Figure III-21 Loi normale N (0,1)
Test  : Valeur du coefficient de corrélation
Le test de conformité du coefficient de corrélation, à une valeur autre que 0, demande de

connaître la distribution de la variable de décision de manière générique. Or, dans un voisinage
autre que r = 0, la convergence de r̂ vers la loi normale est beaucoup plus lente et laisse
apparaître une dissymétrie à gauche pour de faibles échantillons. Afin de remédier à ces
contraintes, il est préconisé d’appliquer une transformation de Fisher définie par (III-13) :
1 1+𝑟
𝑧= ln(1−𝑟) (III-13)
2
L’avantage de cette transformation est d’aller au-delà du précédent test de significativité et

d’offrir la possibilité de comparer la valeur du coefficient de corrélation à une valeur de
référence r0 non nulle, en travaillant à partir d’une variable de décision ẑ définie par (III-14) :
1 1+𝑟̂ (III-14)
𝑧̂ = ln(1−𝑟̂ )
2
101
Ce changement de variable à l’avantage de définir une variable asymptotiquement non

1 1  r 
biaisée et distribuée selon une loi normale de paramètres Eẑ   , Vẑ  
1
ln  . Le
2 1 r  n 3
test d’hypothèses sur r (III-15) devient dans ce cas équivalent au test d’hypothèse sur z (III-16).
H0 : r = r0 contre H1 : r > r0 (III-15)
H0 : z = z0 contre H1 : z > z0 (III-16)
La statistique du test S définie en (III-17) suit alors une loi gaussienne centrée réduite
N (0,1).
𝑧̂ − 𝐸 (𝑧̂ )
𝑠= (III-17)
√𝑉(𝑧̂ )
Illustrée par la zone grisée de la Figure III-22, la région critique du test définie au seuil de
significativité  s’écrit selon le formalisme donné en (III-18):
ud
H0 rejetée pour |𝑆| > 𝑢𝑑  ẑ   z0 (III-18)
n 3
Avec
𝑢𝑑 : le fractile d’ordre 1   de la loi normale N 0, 1
Figure III-22 Loi normale

𝑢𝑑
En posant 𝑎 = + 𝑧0 , la règle de décision au test d’hypothèses (III-13) s’écrit selon le
√𝑛−3
formalisme (III-19) :
𝑒 2𝑎 −1
SI 𝑟̂ > ALORS H0 est rejetée au bénéfice de H1 (III-19)
𝑒 2𝑎 +1
SINON H0 est acceptée par défaut
Dans la situation où la valeur observée de r se retrouve au-delà du seuil critique théorique,

l’hypothèse nulle est jugée non compatible avec les données ; en conséquence de quoi,
l’hypothèse H1 : r > r0 est acceptée comme vraie au risque d’erreur . Dans le cas contraire, les
preuves ne sont pas suffisantes pour rejeter l’hypothèse H0 : r = r0 qui est alors acceptée comme
vraie.
102
4.1.3. Coefficient d’autocorrélation
a. Définition
Spécifique à l’étude de séries chronologiques Xt, la fonction d’autocorrélation renseigne sur
la relation linéaire entre les données d’une même série décalées dans le temps. Définie par
l’écriture (III-20), la fonction d’autocorrélation (h) mesure les liaisons temporelles pouvant
exister entre deux composantes 𝑋𝑡 , 𝑋𝑡+ℎ , observées à des dates différentes séparées d’un
délai h.
𝑐𝑜𝑣(𝑋𝑡 , 𝑋𝑡+ℎ ) 𝛾(ℎ) (III-20)

 (h) = =
𝑉(𝑋𝑡 ) 𝛾(0)
L’équivalent empirique de la fonction d’autocorrélation, noté ̂h  est obtenu à partir du

rapport des estimateurs de covariance et de variance définis selon les relations (III-21)
et (III-22) :
𝑛−ℎ
1 (III-21)
𝛾̂(ℎ) = ∑(𝑥𝑘 − 𝑥̅ ) (𝑥𝑘+ℎ − 𝑥̅ )
𝑛−ℎ−1
𝑘=1
𝑛
1 (III-22)
𝛾̂(0) = ∑(𝑥𝑘 − 𝑥̅ )2
𝑛−1
𝑘=1
où 𝑥̅ désigne la moyenne de la série temporelle.
b. Significativité des autocorrélations
Afin de tester la nullité du coefficient d’autocorrélation d’ordre h, on se propose de définir

le test d’hypothèses : H0 : (h) = 0 contre H1 : (h)  0. Sous l’hypothèse nulle H0, la statistique
du test définie en (III-23) suit une loi de Student à (n-h) degrés de liberté :
̂ (ℎ) − 𝐸(̂ (ℎ))

𝑆= (III-23)
√𝑉(̂ (ℎ))
Avec :
ℎ−1
1
𝐸(̂ (ℎ)) = ∑ ̂ (𝑘) = 0 (III-24)
𝑛
𝑘=−(ℎ−1)
1 1 (III-25)
et 𝑉(̂ (ℎ)) = 𝑛 𝑘=−(ℎ−1) 
∑ℎ−1 𝑘=1 
̂ (𝑘)2 = 𝑛 (1 + 2 ∑ℎ−1 ̂ (𝑘)2 )
103
Si nous utilisons la symétrie des coefficients pour le cas d’un processus Xt stationnaire, dès
lors, la règle de décision à appliquer est la suivante : si |S| > tc (fractile d’ordre  de la loi de
Student à n-h degrés de liberté), l’hypothèse H0 est rejetée au bénéfice de l’hypothèse
alternative H1. Dans le cas contraire, l’hypothèse nulle H0 est conservée.
Il convient toutefois de noter, dans la situation de grands échantillons, que la loi de Student
s’apparente à la loi gaussienne, conduisant à comparer la valeur observée de la statistique de
test au seuil critique de la loi normale, égal à 1.96 pour un seuil de signification égal à 5%. Par
ailleurs, la variance V ˆ h  dépendant du délai h, l’intervalle de confiance associé au
corrélogramme (h) augmente avec h.
4.2. Influence des paramètres météorologiques

Nous proposons dans cette partie d’appliquer les précédents indicateurs statistiques à
l’examen de l’influence des paramètres météorologiques sur la consommation en électricité
associée à deux profils différents de charge : le premier observé à l’échelle d’une région (Prégion),
le deuxième se rapportant au chauffage électrique (Pchauffage) d’un habitat individuel.
4.2.1. Impact sur la consommation électrique régionale
Extraites du site Meteoblue qui propose une base complète de paramètres météorologiques
depuis l’année 1985 jusqu’à nos jours, les données météorologiques présentement exploitées se
rapportent à la ville de Nantes, pour l’année 2017, selon un pas de temps d’une heure. Parmi
ces données, nous proposons de nous intéresser à la température (T), la vitesse du vent (V),
l’humidité (H) et le rayonnement global (R).
En application des outils de calcul exposés au niveau de la section 3.1, avec X = Prégion et Y
jouant tour à tour le rôle des paramètres T, V, H et R. Le Tableau III-5 résume les valeurs
numériques des rapports et coefficient de corrélation puis coefficient de détermination pour
chaque couple de variables (X, Y) à l’étude.
Tableau III-5 Calcul des indicateurs statistiques (cas Prégion) : rapport de corrélation (²), coefficients de
corrélation (r) et de détermination (R²)
(Prégion, T) (Prégion, V) (Prégion, H) (Prégion, R)

² 40% 1.37% 1.95% 1.57%
r -56% 12% 5% -5%
R² 31.4% 1.44% 0.25% 0.25%
104
Les résultats obtenus sur le rapport de corrélation, mis en illustration par la Figure III-23,
démontre l’existence d’une influence statistique de la température sur la consommation
électrique 20 fois plus élevée qu’avec les autres paramètres météorologiques, ce que conforte
l’examen du nuage de points (Prégion, T) de la Figure III-24, où la variable Prégion apparaît
singulièrement corrélée à la variable T. Par ailleurs, l’interprétation des valeurs des coefficients
de corrélation et de détermination associées à ce même couple (Prégion, T) amène à la conclusion
d’une corrélation négative de forte intensité entre les deux variables, dont plus de 30% de la
variabilité en consommation électrique serait linéairement expliquée par les données de
température, alors que seulement 0.25% le serait à partir des données d’humidité ou de
rayonnement et 1.44% à partir des données de vitesse du vent.
P (MW)
P (MW)
P (MW)
P (MW)
Figure III-23 Rapport de

corrélation classé par
ordre décroissant : Prégion
Figure III-24 Diagrammes de dispersion entre la consommation électrique et les
paramètres météorologiques [T, V, H, R] : Prégion
Le calcul des coefficients de corrélation ne constitue cependant qu'une première étape dans
l'analyse des relations recherchées entre deux caractères. Il s'agit tout au plus d'une étape
exploratoire devant être validée par un test de significativité selon la démarche méthodologique
exposée en 4.1. Il en résulte les graphiques en barre de la Figure III-25 comparant les amplitudes
de chaque corrélation au seuil critique théorique calculé en (II-18) pour un seuil de signification
α fixé à 5%. Il en vient, dans ces conditions : r = 2.09% et un historique de données de 8760
échantillons.
Dans la présente situation, les coefficients de corrélation chiffrés pour chacun des quatre
paramètres météorologiques sont tous significatifs au seuil de 5%, ce à quoi l’on pouvait
s’attendre avec la valeur élevée de son coefficient de corrélation liant la température à la
puissance consommée. La démarche montre néanmoins que même pour des valeurs 5 à 10 fois
plus faibles, les corrélations observées entre la consommation électrique et chacun des autres
105
paramètres, vitesse du vent (V), humidité de l’air (H) et rayonnement (R), ne présentent que
très peu de chances d’être dues au hasard sur l’ensemble de l’historique disponible
(8760 échantillons).
rα
Coefficient de corrélation r
Paramètre météorologiques
Figure III-25 Coefficient de corrélation entre consommation électrique et les paramètres météorologiques : Prégion
En conséquence, les résultats des tests obtenus des données (Prégion, T), (Prégion, V),
(Prégion, H), (Prégion, R), n’apparaissent pas incompatibles avec la présence de corrélations au
seuil de 5% et offrent le double avantage de pouvoir associer un risque d’erreur quantifié à cette
prise de décision.
4.2.2. Impact sur la consommation en chauffage électrique d’une

habitation
La même démarche d’analyse est ici appliquée au profil de consommation du chauffage

électrique d’un habitat individuel. Les résultats du Tableau III-6 illustrés par les graphiques des
Figure III-26 et démontrent une dépendance statistique de la consommation en chauffage avec,
par ordre décroissant d’influence, la température, l’humidité, le rayonnement puis la vitesse du
vent.
Tableau III-6 Calcul d’indicateurs statistiques : rapport de corrélation (²), coefficients de corrélation (r) et de
détermination (R²)
(Pchauffage , T) (Pchauffage , V) (Pchauffage , H) (Pchauffage , R)
η² 24.5% 0.81% 4.83% 4.24%
r - 47% - 0.16% 16% -18%
R2 22% 0.00025% 2.56% 3.24%
106
Figure III-26 Rapport de Figure III-27 Diagrammes de dispersion entre la consommation électrique et les
corrélation classé par ordre paramètres météorologiques [T, V, H, R] : Pchauffage
décroissant : Pchauffage
Quant aux corrélations mesurées sur chacun des couples de variables (Pchauffage, T),
(Pchauffage, V), (Pchauffage, H) et (Pchauffage, R), trois d’entre elles valident le test de significativité
présenté en Figure III-28, avec des valeurs supérieures au seuil critique théorique r = 0.03
défini selon la relation (III-12), pour un seuil de signification  fixé à 5% et 4171 échantillons.
Il est alors possible d’affirmer, avec moins de 5% de risque d’erreurs, que la relation
présupposée entre la consommation électrique de chauffage et chacun des paramètres :
humidité (H), température (T) et rayonnement (R) n’est pas le fruit du hasard. A contrario, avec
un coefficient de corrélation bas (r = - 0.16%) observé entre les variables Pchauffage et V, il n’est
pas surprenant que le test d’hypothèses n’ait pas donné de résultat significatif au seuil de 5%,
ce qui conforte la conclusion de ne retenir que les corrélations les plus significatives de la
consommation de chauffage avec chacune des trois variables : température, humidité et
rayonnement.
rα
Coefficient de corrélation r
Paramètres influents
Figure III-28 Coefficient de corrélation entre Pchauffage et les paramètres météorologiques
107
4.3. Influence des historiques de consommation

Nous nous proposons à présent d’examiner l’influence de l’historique des consommations
sur le comportement global de différents profils de charge, à partir d’un calcul
d’autocorrélation, cherchant à renseigner sur la dépendance entre les composantes d’une même
série temporelle observées à des instants décalés de plusieurs unités de temps. S’appuyant sur
le formalisme mathématique défini en 4.1, la démarche de calcul s’appliquera aux trois profils
de charge suivants :
- la consommation électrique observée à l’échelle d’une région (Prégion)

- la consommation du chauffage électrique d’une habitation (Pchauffage)
- la consommation de charges électrodomestiques (Pelec)
4.3.1. Impact sur la consommation électrique régionale
Représentés à partir d’un corrélogramme différencié selon les saisons hiver /été , les résultats
de la Figure III-29 laissent apparaître sur la saison hivernale des valeurs d’autocorrélation
positives subissant une lente régression dans une fourchette de valeurs élevées, allant de 66%
pour les faibles intensités à 89% pour les plus élevées. Sur la saison estivale, les autocorrélations
s’étagent sur une plus large plage de valeurs, allant de 24% pour les plus faibles intensités à
81% pour les plus élevées. Par ailleurs, le test de significativité démontre pour chaque décalage
(h = 1, ..., 24) à court et plus long terme, des valeurs d’autocorrélation significatives au seuil de
5%.
Afin de pouvoir porter un choix objectif sur la valeur seuil des coefficients d’autocorrélation
au-delà de laquelle les ordres d’autocorrélation seront retenus comme les plus significatifs, nous
proposons d’effectuer un test de conformité unilatéral des coefficients (h) selon le schéma
décrit en (III-26).
H0 : ρ = ρ0 contre H1 : ρ > ρ0 où ρ0 = ρ (III-26)
Soit ρ0 fixé à une valeur moyenne égale à 0.77 pour la saison « hiver » et 0.51 pour la saison
« été ».
108
- Cas « hiver » :
Après avoir défini le test d’hypothèses sur le paramètre , il faut exprimer son équivalent
sur le changement de variables donné par la transformée de Fisher (z) introduite en (III-13) et
calculer la variable de référence transformée z0 exprimée en ((III-27).
1 1+0.77 (III-27)
𝑧0 = ln (1−0.77) = 1.02
2
La région critique du test définie en (III-28) pour un niveau de confiance de 95%, s’exprime
selon le formalisme donné en (III-18), avec ud = 1.645 et n = 4392 :
|𝑧̂ | > 1.04 = 𝑎 (III-28)
Il s’en suit, selon le formalisme (III-18), la règle de décision au test d’hypothèses (III-26)
suivante :
Si 𝜌̂ > 0.8 alors H0 est rejetée au bénéfice de H1
Sinon H0 est acceptée par défaut
Selon la Figure III-29a, les décalages h = 1, 2, 3, 23, 24 satisfont à la condition 𝜌̂ > 0.8, en
conséquence de quoi, nous pouvons conclure que le test d’hypothèses (III-26) est significatif
pour les autocorrélations d’ordre 1, 2, 3, 23 et 24 au seuil de signification de 5%.
rα
Figure III-29 Valeurs de coefficient d’autocorrélation calculé pour le profil P région : a) hiver – b) été
La démarche de raisonnement dans l’identification des rangs d’autocorrélation les plus

significatifs pour le cas hiver et été est résumé dans le Tableau III-7.
109
Tableau III-7 Démarche de raisonnement dans l’identification des rangs d’autocorrélation les plus significatifs
hiver été
Changement de 0 = 0.77 0 = 0.51
variable 1 1 + ρ0 1 1 + ρ0
z0 = ln ( ) = 1.02 z0 = ln ( ) = 0.56
z 2 1 − ρ0 2 1 − ρ0
Test d’hypothèses sur z H0 : z = 1.02 contre H1 : z > 1.02 H0 : z = 0.56 contre H1 : z > 0.56
Règle de décision avec ud = 1.645, n = 4392 avec ud = 1.645, n = 4369
(III-18) H0 refusée si |𝑧̂ | > 1.04 H0 refusée si |𝑧̂| > 0.58
H0 acceptée sinon H0 acceptée sinon
z = 0.58
z = 1.04
Test d’hypothèses sur H0 :  = 0.77 contre H1 :  > 0.77 H0 :  = 0.51 contre H1 :  > 0.51

Règle de décision avec a = 1.04 avec a = 0.58
(III-19) H0 refusée si |̂ | > 0.8 H0 refusée si |̂ | > 0.6
H0 acceptée sinon H0 acceptée sinon
Conclusion Test d’hypothèses significatif au seuil de 5% pour les autocorrélations
de rang h = 1, 2, 3, 23, 24
Validation de l’hypothèse (h) > 0.8 Validation de l’hypothèse : (h) > 0.6
pour h = 1, 2, 3, 23, 24 pour h = 1, 2, 3, 23, 24
Nous retiendrons de la synthèse des résultats du Tableau III-7 que la consommation

électrique à l’instant t pour les saisons été/hiver est influencée par l’historique de consommation
aux instants passés, récents t – 1, t – 2, t – 3 et plus antérieurs t – 23, t – 24.
4.3.2. Impact sur la consommation en chauffage électrique d’une

habitation
La même démarche de calcul appliquée au profil de charge du chauffage électrique (Pchauffage)

d’une habitation individuelle disponible sur un pas de temps d’une heure témoigne de la
présence d’autocorrélation à plus court-terme. Le corrélogramme de la Figure III-30 présente
une valeur positive importante pour h = 1 puis à un ou à deux décalages suivants, des amplitudes
110
significatives mais beaucoup plus faibles et dégressives. Une remontée est ensuite observée
pour des valeurs d’autocorrélation faibles mais toujours significatives sur 4 à 6 décalages
suivants. Une deuxième remontée progressive des valeurs d’autocorrélation de valeurs positives
importantes s’observe sur les derniers décalages (à partir de h = 19), expliquée par la domination
d’un cycle journalier déjà observé sur le profil temporel des consommations électriques.
Dans la présente situation, les valeurs d’autocorrélation observées pour chacun des décalages
h (1, …, 24) sont toutes significatives au seuil de 5% (test de conformité du coefficient
d’autocorrélation à 0). En revanche, le test de conformité par rapport à une valeur moyenne de
0.38 (la moyenne des autocorrélations) pour les décalages h = 1, 2, 3, 22, 23 et 24. En appliquant
la même démarche de raisonnement pour identifier les rangs d’autocorrélation les plus
significatifs presenté dans la partie 4.1.3. La règle de décision associée à ce test d’hypothèse est
la suivante :
si 𝜌̂ > 0.4 alors H0 est rejetée au bénéfice de H1

(III-29)
Sinon H0 est acceptée par défaut
Coefficient d’autocorrélation
Figure III-30 Valeurs de coefficient d’autocorrélation calculé pour le profil P chauffage
4.3.3. Impact sur la consommation de charges électrodomestiques d’une

habitation
Le corrélogramme associé au profil de consommation de charges électrodomestiques (Pélect)

établi sous un pas d’échantillonnage d’une minute est caractéristique d’une série temporelle
alternante, avec des amplitudes d’autocorrélation alternativement positives et négatives. Le test
de significativité démontre que les valeurs d’autocorrélation sont significatives pour un grand
111
nombre de décalages (sauf ceux qui correspondent aux changements de signe des coefficients
d’autocorrélation), comme le montre la Figure III-31(a).
Pour ce type de profil, le test de conformité est appliqué uniquement sur les soixante premiers
décalages (Figure III-31(b)). Le test montre que pour les décalages h (1, …,11), des valeurs
d’autocorrélation sont significatives au seuil de 5% par rapport au seuil critique obtenu, égal à
0.6.
(a)
(b)
Figure III-31 Valeurs de coefficient d’autocorrélation calculé pour le profil P elec (a) historique sur 24h (b) vue
zoomée sur la 1ère heure.
112
5. Conclusion
La méthodologie présentée dans ce chapitre permet, à partir d’une étude temporelle et
statistique conjointe, d’analyser les données de la consommation électrique et de définir les
paramètres qui les influencent. Cette méthodologie est appliquée à deux types de profils de
consommation à deux niveaux d’agrégation différents : l’une à l’échelle d’une région, l’autre à
l’échelle d’un habitat individuel. Le premier profil se caractérise par un comportement cyclique,
avec un niveau de consommation plus élevé en jours ouvrés qu’en week-end. Le comportement
du profil de charge d’un habitat individuel dépend, tant en forme qu’en niveau de puissance, de
la nature de la charge électrique. Ce profil de charge présente de très fortes variations de
consommation, pouvant atteindre des valeurs très élevées mais de très courtes durées.
Cependant, la courbe de charge du chauffage électrique n’a pas de forme standard. Elle change
en fonction de plusieurs facteurs, tels que la température extérieure, l’isolation, etc. On peut
ainsi s’attendre à des profils de charge adoptant un comportement cyclique et lisse ou des allures
avec de très fortes variations pour le cas du chauffage.
Que ce soit pour le cas du chauffage ou les charges électrodomestiques, les résultats
d’analyse restent dépendants de la base de données. Nous pouvons nous attendre, sur d’autres
bases de données, réelles ou simulées, à ce que d’autres conclusions puissent être mises en
évidence.
L’étude présentée dans ce chapitre s’intéresse également à la recherche de corrélations entre

la consommation électrique et des phénomènes pouvant être influents. En effet, cette démarche
s’appuie sur l’utilisation d’un ensemble d’indicateurs de dépendance statistique (rapport de
corrélation, coefficient de corrélation et coefficient d’autocorrélation) pour étudier l’influence
des conditions météorologiques et les historiques de consommation sur la demande électrique
à l’échelle d’une région et à l’échelle de l’habitat individuel.
Cette méthodologie peut être exploitée pour analyser différents types de profils de charges.
Elle permet de s’adapter aisément à la nature des données de consommation et permet de tirer
des conclusions pertinentes sur les caractéristiques du profil de charge étudié. Ces conclusions
permettent de définir les variables d’entrée pertinentes d’un modèle de prévision. Le chapitre
suivant se base sur l’exploitation de ces résultats d’analyse pour prévoir la consommation
électrique.
113
Chapitre IV
Implémentation du modèle de pr�

Langue

IHSANE

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

IHSANE

Transféré par

Droits d'auteur :

Formats disponibles

THESE DE DOCTORAT DE

ECOLE DOCTORALE N° 601

Thèse présentée et soutenue à Saint Nazaire, le 25 Juin 2020

Rapporteurs avant soutenance :

Examinateur : M. Quoc Tuan TRAN Professeur, Université Paris-Saclay

M. Hamid BEN AHMED Maître de Conférences HDR, ENS RENNES

Je souhaite ensuite exprimer ma reconnaissance à l'ensemble des membres du jury :

Je tiens également à exprimer ma gratitude au laboratoire IREENA, au sein duquel j’ai pu

Je souhaite également présenter mes remerciements à Monsieur Marc POULY, Directeur

Du fond du cœur, merci à tous.

Chapitre II. Etat de l’art des méthodes de prévision ..................................................................... 51

Chapitre IV. Implémentation du modèle de prévision ................................................................. 115

Chapitre V. Etat de l’art des méthodes de gestion de la consommation électrique résidentielle

Chapitre VI. Implémentation d’une stratégie de gestion de la consommation électrique dans

Chapitre VII. Apport de la prévision à la gestion de la consommation électrique ...................... 207

Conclusion générale & Perspectives ................................................................................................ 224

La consommation de l'énergie électrique connait une augmentation très importante depuis

Pour répondre à ces besoins énergétiques en croissance, la production d'énergie repose

En France, généralement, les records des pics de consommation se produisent en hiver,

d’Electricité) annonce qu’une baisse de température moyenne de 1°C entraînerait

La prévision de la consommation électrique possède une place non négligeable dans la

Le mémoire est structuré en sept chapitres répartis comme suit :

Partie 1 : Prévision de la consommation électrique

Chapitre II : Etat de l’art des méthodes de prévision de consommation électrique dans

Chapitre III : Analyse des données de consommation électrique dans l’habitat

Chapitre IV : Implémentation du modèle de prévision

Ce chapitre présente le modèle de prévision des charges électriques développé, basé

Partie 2 : Gestion de la consommation électrique

Chapitre V : Etat de l’art des méthodes de gestion de la consommation électrique

Chapitre VI : Implémentation d’une stratégie de gestion de la consommation

Chapitre VII : Apport de la prévision à la gestion de la consommation électrique

Chapitre I. Contexte énergétique

2.1. Evolution de la consommation électrique

2.1.1. À l’échelle mondiale

D’après le rapport du Commissariat à l'Energie Atomique et aux énergies alternatives (CEA),

0 500 1000 1500 2000 2500 3000 3500 4000 4500

Figure I-1 Consommation d'énergie mondiale en 2016 [CE-18]

Si nous nous focalisons uniquement sur la consommation d’énergie électrique, en particulier

Tableau I-1 Evolution de la consommation mondiale d'électricité [CE-18]

1990 2000 2014 2015 2016 2025 2030 2040

phénomène d'industrialisation, en particulier dans les pays en voie de développement, cela

Figure I-2 Scénario d’évolution de la population mondiale [CE-18]

2.1.2. A l’échelle nationale

Gaz naturel 20%

Energies renouvelables 11%

Figure I-3 Répartition de la consommation énergétique française en 2017

Si nous nous intéressons à la consommation de l’électricité en France, du début du

Cette tendance s’inscrit dans la continuité du ralentissement progressif de la croissance de

Figure I-4 Evolution de la consommation d'électricité en France [RT-18]

L’évolution de la croissance économique et la croissance de la demande électrique sont

La hausse de la demande électrique mondiale et nationale en électricité, nécessite la maîtrise

2.2. Transition énergétique

La transition énergétique désigne l’ensemble des transformations des habitudes de

2.2.2. Objectifs énergétiques fixés par la France

Comme de nombreux pays, la France a inscrit officiellement la transition énergétique comme

• la réduction de 50 % la consommation énergétique d’ici 2050 par rapport à 2012 ;

• l’augmentation à 32 % de la part des énergies renouvelables dans la consommation finale

Pour pouvoir répondre à ces objectifs environnementaux et énergétiques, les réseaux

2.2.3. Orientation vers le Smart Grid

Historiquement, la structure du réseau électrique français a été conçue pour acheminer

Avec l’introduction de la production décentralisée et souvent renouvelable, le réseau

3. Problématiques liées aux pics de consommation

la pointe journalière se superpose à la pointe saisonnière. Le Tableau I-2 présente un exemple