Publications

• Articles
• Communications
• Ouvrages
• Brevets
• Thèses soutenues
  • Détail des thèses
    • Soutenance de these de Papa GUEYE
    • Soutenance de thèse de Etta GROVER-SILVA
    • Soutenance de thèse de Ghislain AGOUA
    • Soutenance de thèse de Thibaut BARBIER
    • Soutenance de thèse de Fabien LABBE
    • Soutenance de thèse de Lucia IANNICIELLO
    • Soutenance de thèse de Romain DUPIN
    • Soutenance de these de Pedro AFFONSO NOBREGA
    • Soutenance de these de Youssef ABDO
    • Soutenance de thèse de Kévin NOCENTINI
    • Soutenance de thèse de Carlos Adrian CORREA FLOREZ
    • Soutenance de thèse de Alexis GEROSSIER
    • Soutenance de thèse de Sahng Hyuck WOO
    • Soutenance de thèse de Li DI
    • Soutenance de these de Simon CAMAL
    • Soutenance de these de Thomas CARRIERE
    • Soutenance de these de Antoine ROGEAU
    • Soutenance de thèse de Lluis SOLA HERNANDEZ
    • Soutenance de these de Thomas HEGGARTY
    • Soutenance de these de Valentin MAHLER
    • Soutenance de these de Kevin BELLINGUER
    • Soutenance de these Emilie Powaga
    • Soutenance de thèse de Hongxin GE
    • Soutenance de Akylas STRATIGAKOS
    • Soutenance de Biswarup MUKHERJEE
    • Soutenance de Shengfei WANG
    • Soutenance de Fian ASSEMIEN
    • Soutenance de Stefano CASSANO
    • Soutenance d'Anaëlle JODRY
    • Soutenance d'Alberto VAZQUEZ
• HDR

Soutenance de thèse de Alexis GEROSSIER

Prévision à court terme de la demande électrique des maisons intelligentes et des réseaux de distribution

Titre anglais : short-term forecasting of electricity demand of smart homes and distribution grids
Date de soutenance : jeudi 23 mai 2019 à 14h00
Adresse de soutenance : 1 Rue Claude Daunesse, 06904 Sophia Antipolis - Amphithéâtre Mozart
Directeur de thèse : Georges KARINIOTAKIS

devant le jury composé de :

Mots clés en français : demande électrique d'une maison,compteur intelligent,réseau de distribution,apprentissage automatique,prévision probabiliste,véhicule électrique
Mots clés en anglais : household electricity demand,smart meters,distribution grid,machine learning,probabilistic forecasting,electric vehicle

Résumé de la thèse en français
Cette thèse s'intéresse à la prévision à court terme de la demande électrique d'une maison intelligente et des réseaux de distribution. Les données mesurées par les compteurs intelligents permettent de caractériser la demande électrique à l'échelle d'une maison et de la comparer à la demande régionale, pour étudier notamment l'effet de foisonnement. Cette analyse permet de développer des modèles de prévision de cette demande. Ces modèles sont de nature statistique et font usage de méthodes d'apprentissage automatique. Un soin particulier est porté à la sélection de variables d'entrée pertinentes. Afin d'être déployés dans un environnement opérationnel, les modèles doivent faire preuve de réplicabilité : fonctionnement autonome, aptitude à s'adapter à de multiple situations, et robustesse face aux données erronées. Plusieurs produits de prévision sont développés et évalués avec plusieurs jeux de données : des prévisions probabilistes à différentes résolutions, et des scénarios journaliers de la demande. Enfin, les 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.

Résumé de la thèse en anglais
This thesis is devoted to the short-term forecasting of electricity demand of smart homes and distribution grids. The household demand data provided by smart meters is analyzed to characterize the electricity demand at the local scale and compared to this at the regional scale, so as to examine the aggregation effect. This thorough analysis enables the designing of models that forecast the future demand. The models make use of advanced statistical tools and machine-learning techniques. The inputs are selected with special care for their relevancy to the household demand. To be deployed in an operational environment, the models must be replicable: low to no maintenance, adaptability to various situations, and robustness to the lack of data. Several demand forecasting products are developed and compared to actual datasets: probabilistic forecasts at different temporal and spatial resolutions, and daily demand scenarios. Finally, the habits related to a domestic appliance, namely the charging of an electric vehicle battery, are modeled in order to generate forecasting scenarios of the appliance demand.