Académique Documents
Professionnel Documents
Culture Documents
Objectifs du module
A la fin de ce module, les stagiaires seront capables de :
• Décrire les caractéristiques de la prévision de charge,
• Décrire les caractéristiques de base de la prévision de charge.
LF
LF
Prévision de charge à court
terme
X OBJET
Assure la prévision de charge du système pour chaque zone
de niveau haut de la hiérarchie des modèles et le total
Court terme (horizon : 7 jours ; échelon de temps : 1 ou
1/2 h)
La prévision de charge peut être entrée automatiquement
dans :
z Les outils de planification des opérations à court terme : e-
terracommit
z La fonction de prévision des charges nodales dans
l’application de répartition des flux de puissance
X CARACTERISTIQUES
Développe des profils météo pour permettre l’interpolation entre les
prévisions météo entrées
Utilise des valeurs de prévision des variables météo entrées
manuellement ou extraites de fichiers
Peut produire une prévision pour plusieurs “zones de prévision”
Des charges zonales extérieures peuvent être spécifiées comme fonction
des zones intérieures de prévision
La LF peut produire une prévision pour des zones ne comportant pas de
variable météo
Offre des capacités d’un vaste échange de données :
z 2 semaines dans le passé
z Programme des corrections à appliquer dans le futur
z Remise automatique à l’échelle entre 2 points spécifiés par
l’utilisateur
Etudie les caractéristiques des erreurs de prévision
X CARACTERISTIQUES / 2
La prévision de charge s’effectue selon deux méthodes :
z Modèle régressif
z Autres méthodes (modèle non régressif) : mêmes jours,
formes de la charge
L’utilisateur spécifie la structure du modèle de charge ; la LF
estime les paramètres du modèle
Prévision affinée
X Chronologie typique
1 semaine à
partir
1 an avant 2 semaines avant Aujourd’hui d’aujourd’hui
Période
Historique Historique présent de prévision
LF : Applications associées
X 2 applications différentes
Application LFMODEL
z Définition du modèle
z Etude en état connecté
Application LF
z Prévision en état connecté
Objectifs du module
A la fin de ce module, les stagiaires seront capables de :
• Définir le modèle de prévision de charge,
• Valider le modèle de prévision de charge,
• Extraire l’historique,
• Faire une prévision dans l’application en état déconnecté (offline),
• Mettre le modèle de prévision de charge en ligne.
LFMODEL
LFMODEL
Préparation du Modèle de
Prévision de Charge
X Rechercher l’historique
Préparation du Modèle LF
Définir/modifier le modèle
Valider le modèle
Chercher des
données
Chercher les données historiques historiques
supplémentaires
Cas
sauvegardés Corriger les erreurs des données
Préparation du Modèle LF
Définir/modifier le modèle
Valider le modèle
Chercher des
données
Chercher les données historiques historiques
supplémentaires
Cas
sauvegardés Corriger les erreurs des données
Définition du modèle
Définir
X Zones de prévision
X Sources réelles de la charge
X Sources météo réelles
X Ensemble de variables
météo
X Segments de semaine
X Zones modélisées
X Zones non modélisées
X Modèle à court terme
Définition du modèle
X Zones de prévision
Comprendre les caractéristiques de la demande de charge
du système
Trouver les types de charge présents
Facteurs affectant la demande de charge pendant une
semaine typique
Définition du modèle
X Segments de semaine
Regrouper les jours de semaine présentant un schéma de charge
similaire
Associés aux ensembles de modèle météo Weather model sets et
aux points de temps Time points
Définition du modèle
X Zones modélisées
Définir les segments de semaine et les paramètres météo
associés
Spécifier les appareils de mesure physiques
LFMODEL LF
Base de Base de
données données
LF : LABO 1 & 2
Objectifs du module
A la fin de ce module, les stagiaires seront capables de :
• Faire une prévision de charge à l’aide du modèle régressif,
• Effectuer une prévision de charge à l’aide de méthodes alternatives (jours
similaires, formes de charge),
• Adapter la prévision à l’échelle par la mise à l’échelle de l’activité.
LF
LF
Prévision de Charge en état
connecté
X Prévision de charge
en état connecté (temps réel)
Une semaine de charge prévue heure par heure
Prévisions disponibles pour de nombreuses autres applications
______________________________________________________________________________
Organigramme LF
Actualisation à minuit Observations des derniers
jours
Valeurs courantes des • charge
paramètres du modèle • variables météo
Prévision affinée
à l’instant t
Mise à jour des Calcul des variables Calcul des
paramètres météo effectives erreurs de
du modèle de prévision prévision
Utilisation de
l’autocorrélation
Actualisation des pour extrapoler les erreurs
Valeurs mises à jour récentes de prévision sur
statistiques des
des paramètres les 12 heures prochaines heures
erreurs de prévision
du modèle
Prévision affinée
______________________________________________________________________________
______________________________________________________________________________
Température
Meilleure
adéquation
1 Temps en Heures 24
______________________________________________________________________________
______________________________________________________________________________
Bibliothèque
des Formes
Historique
des
charges Jour dans la période de prévision
Mise à l’échelle
______________________________________________________________________________
Biais constant
______________________________________________________________________________
LF : LABO 3 à 6
______________________________________________________________________________