Exposé par Olivier Wintenberger 

La pandémie de coronavirus 2019 (COVID-19) a incité de nombreux gouvernements dans le monde à imposer un confinement strict de toutes les entreprises non essentielles et à ordonner aux citoyens de rester chez eux. L'une des conséquences de cette politique est un changement significatif dans les habitudes de consommation d'électricité. Comme les modèles de prévision de la charge s'appuient sur des informations calendaires ou météorologiques et sont formés à partir de données historiques, ils ne parviennent pas à saisir la rupture significative causée par le verrouillage et ont affiché de mauvaises performances depuis le début de la pandémie. Cela rend la programmation de la production d'électricité difficile et entraîne un coût élevé tant pour les producteurs d'électricité que pour les gestionnaires de réseau. Dans cet article, nous présentons des modèles additifs généralisés adaptatifs utilisant des filtres de Kalman et un réglage fin pour s'adapter aux nouveaux comportements de consommation d'électricité. Les méthodes proposées sont appliquées pour prévoir la demande d'électricité pendant la période du premier confinement en France, où elles démontrent leur capacité à réduire considérablement les erreurs de prévision par rapport aux modèles traditionnels.  

Référence
Obst, D., de Vilmarest, J., & Goude, Y. (2020). Adaptive Methods for Short-Term Electricity Load Forecasting During COVID-19 Lockdown in France. arXiv preprint arXiv:2009.06527.

preprint