Vous êtes sur la page 1sur 28

LF

LF
Prévision de charge à court
terme
LF : Prévision de charge du système

X OBJET
Š Assure la prévision de charge du système pour chaque zone
de niveau haut de la hiérarchie des modèles et le total
Š Court terme (horizon : 7 jours ; échelon de temps : 1 ou
1/2 h)
Š 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

2 > Load Forecast Training 2


LF : Prévision de charge du système

X CARACTERISTIQUES
Š Développe des profils météo pour permettre l’interpolation entre les
prévisions météo entrées
Š Utilise des valeurs de prévision des variables météo entrées
manuellement ou extraites de fichiers
Š Peut produire une prévision pour plusieurs “zones de prévision”
Š Des charges zonales extérieures peuvent être spécifiées comme fonction
des zones intérieures de prévision
Š La LF peut produire une prévision pour des zones ne comportant pas de
variable météo
Š 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
Š Etudie les caractéristiques des erreurs de prévision

3 > Load Forecast Training 3


LF : Prévision de charge du système

X CARACTERISTIQUES / 2
Š La prévision de charge s’effectue selon deux méthodes :
z Modèle régressif
z Autres méthodes (modèle non régressif) : mêmes jours,
formes de la charge
Š L’utilisateur spécifie la structure du modèle de charge ; la LF
estime les paramètres du modèle

4 > Load Forecast Training 4


Concepts de base : modèle régressif

X Modèle de charge à 4 composantes :


Š Composante de base à long terme LT
Š Composante sensible à la météo WTH
Š Composante à court terme ST
Š Composante affinée RF

Prévision de charge = LT + WTH + ST +


RF
Prévision de base

Prévision affinée

5 > Load Forecast Training 5


Concepts de base : modèle régressif

1) Composante de base à long terme


- Schéma de base des formes de charge quotidiennes
- S’obtient pas les moyennes exponentiellement pondérées des
courbes de charge réelle pendant les jours assignés au même
segment de semaine

2) Composante sensible à la météo


- Régressions progressives avec pondération actualisée des
valeurs passées

XRelations à segments linéaires entre la charge et les variables


météo effectives spécifiées
XVariables météo effectives sous forme d’une combinaison linéaire
des variables météo réelles

6 > Load Forecast Training 6


Concepts de base : modèle régressif

3) Composante à court terme


- Déviation actuelle par rapport aux profils de base quotidiens
- Charge réelle – Composante à long terme – Composantes sensibles à la
météo
- Lissage exponentielle heure par heure des valeurs résiduelles de chaque
jour

4) Composante affinée ( erreur à court terme)


- Contient les corrections à court terme de la prévision pour tenir
compte des erreurs récentes
- Basée sur la fonction d’autocorrélation à court terme de l’erreur
de prévision

7 > Load Forecast Training 7


Chronologie des données LF

X La prévision de charge LF est basée sur


Š La charge réelle et les données météo du passé
Š Les prévisions météo pour la semaine à venir Prévision
météo

X Chronologie typique
1 semaine à
partir
1 an avant 2 semaines avant Aujourd’hui d’aujourd’hui

Période
Historique Historique présent de prévision

X Les données de l’historique présent peuvent être


modifiées

8 > Load Forecast Training 8


LF : Applications associées

X 2 applications différentes
Š Application LFMODEL
z Définition du modèle
z Etude en état connecté

Š Application LF
z Prévision en état connecté

9 > Load Forecast Training 9


LFMODEL

LFMODEL
Préparation du Modèle de
Prévision de Charge
Application du Modèle de prévision de charge

X Modèle de prévision de charge


Š en état connecté (étude)
Š Sélection du meilleur modèle pour le système

X Définir le modèle de prévision de charge

X Valider le modèle de prévision de charge

X Rechercher l’historique

X Effectuer une prévision dans l’application en état déconnecté

X Mettre le modèle de prévision de charge en état connecté

11 > Load Forecast Training 11


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

Supprimer jours anormaux


Fichiers de
données
historiques
Effectuer une prévision de charge d’étude

Evaluer les résultats

12 > Load Forecast Training 12


Préparation du Modèle LF

Définir/modifier le modèle

Valider le modèle

Données charge et météo supprimées

Chercher les données historiques

Données charge et météo mémorisées comme actuelleme


Cas sauvegardés
Corriger les erreurs des données = non traitées
= prévues

»Fichiers de Supprimer jours anormaux


»données
»historiques
Effectuer une prévision de chargeEn utilisant les données non traitées seulemen
d’étude

Evaluer les résultats Données charge et météo


mémorisées dans historique
13 > Load Forecast Training 13
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

14 > Load Forecast Training 14


Définition du modèle

X Zones de prévision
Š Comprendre les caractéristiques de la demande de charge
du système
Š Trouver les types de charge présents
Š Facteurs affectant la demande de charge pendant une
semaine typique

X Sources réelles de la charge SCADA Æ LF


Š L’enregistrement doit correspondre au nom dans Scada
Š Choix de modélisation
z Valeurs analogiques individuelles SCADA (Lf est leur somme)
z Une somme SCADA de valeurs analogiques SCADA
z La charge de la zone OPA calculée par RTGEN
z Moyennes instantanées ou horaires dans SCADA

15 > Load Forecast Training 15


Définition du modèle

X Sources météo brutes


Š Sources des mesures météo

X Ensemble de variables météo


Š Influence des différentes caractéristiques météo sur la demande
Š Construit à partir des Variables effectives météo et des Courbes
météo

X Segments de semaine
Š Regrouper les jours de semaine présentant un schéma de charge
similaire
Š Associés aux ensembles de modèle météo Weather model sets et
aux points de temps Time points

16 > Load Forecast Training 16


Définition du modèle

X Zones modélisées
Š Définir les segments de semaine et les paramètres météo
associés
Š Spécifier les appareils de mesure physiques

X Zones non modélisées


Š Combinaison de zones de prévision modélisées
Š Définir des points de cassure Breakpoints

X Modèle à court terme


Š Spécifier les données des jours à inclure dans
l’actualisation du modèle à court terme
Š Spécifier, pour chaque jour du modèle à court terme, quels
jours contribuent à cette composante

17 > Load Forecast Training 17


Mise en ligne du modèle

X Copies de mise en ligne de la base de données


LF de LFMODEL vers LF :
Š Structure du modèle
Š Tous les paramètres du modèle
Š Toutes les données historiques

LFMODEL LF

Base de Base de
données données

18 > Load Forecast Training 18


LF : LABO 1 & 2

X Modèle de Prévision de charge


Š Retrouver et modifier un modèle
Š Effectuer une prévision de charge d’étude

19 > Load Forecast Training 19


LF

LF
Prévision de Charge en état
connecté
Application Prévision de charge LF

X Prévision de charge
Š en état connecté (temps réel)
Š Une semaine de charge prévue heure par heure
Š Prévisions disponibles pour de nombreuses autres applications

X Effectuer une prévision de charge à l’aide du modèle régressif (modèle


de prévision de charge à court terme basé sur la prévision météo)

X Effectuer une prévision de charge à l’aide d’autres méthodes (jours


similaires, formes de charge)

X Adapter la prévision par la mise à l’échelle de l’activité

21 > Load Forecast Training 21


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

Calcul de la prévision affinée par


Calcul de la prévision de base pour les jours suivants la soustraction des erreurs
les plus probables sur les 12 prochaine
Prévision heures
météo
Prévision de base

Prévision affinée

22 > Load Forecast Training 22


LF : Prévision selon les Jours similaires

X AUTRE PREVISION basée sur les JOURS SIMILAIRES


Š L’utilisateur peut choisir d’utiliser la prévision selon les jours
similaires au lieu de la prévision automatique
Š Cette prévision est établie, de la manière suivante, à partir de
l’historique des charges :
z Pour une zone de charge et pour une date particulières, entrer les
paramètres de recherche suivants :
- Variables météo (jusqu’à 3) à comparer à la prévision météo
- Poids positif pour chaque variable météo
- Jours de la semaines à rechercher
- Mois de l’année à rechercher
z Ordonner l’exécution de la recherche : les jours trouvés sont
présentés en ordre décroissant de qualité convenable
z L’utilisateur sélection le jour similaire désiré
Š Cette prévision n’est pas ajustée pour tenir compte des
différences météo

23 > Load Forecast Training 23


Prévision selon les Jours similaires

Prévision météo pour un jour futur


Météo du jour x dans le passé
Météo du jour y dans le passé

Température

Meilleure
adéquation

1 Temps en Heures 24

24 > Load Forecast Training 24


LF : Bibliothèque des Formes de charge

X AUTRE PREVISION basée sur les FORMES


Š L’utilisateur peut choisir cette autre prévision au lieu de la prévision
automatique
Š Il est construite à partir d’une bibliothèque de formes de charge
Š La bibliothèque de formes de charge est créée de la manière suivante :
z L’utilisateur sélectionne la courbe de charge historique
- pour une zone de charge particulière
- pour une date particulière

z L’utilisateur affecte une ID et un nom à cette forme de charge (jusqu’à 32


courbes)

Š La prévision est établie de la manière suivante :


z pour une zone de charge et une date particulières
- L’utilisateur choisit la forme de charge désirée dans la bibliothèque
- L’utilisateur entre les charges MINI et MAXI désirées [ MW ]
- La forme de charge retenue est remise à l’échelle entre 2 points spécifiés

25 > Load Forecast Training 25


Prévision selon les Formes de charge

Bibliothèque
des Formes

Historique
des
charges Jour dans la période de prévision
Mise à l’échelle

26 > Load Forecast Training 26


Mise à l’échelle de la charge

X La mise à l’échelle s’effectue selon diverses méthodes :

Š Mise à l’échelle des charges de pointe et minimale

Š Mise à l’échelle proportionnelle

Š Biais constant

27 > Load Forecast Training 27


LF : LABO 3 à 6

X Prévision de charge en état connecté


Š Jours similaires
Š Formes de charge
Š Mise à l’échelle de la charge
Š Archivage des données

28 > Load Forecast Training 28

Vous aimerez peut-être aussi