Porteurs du projet :
– Chercheur : Muhammad Salman Shahid
– Encadrement G2Elab : Benoit Delinchant, Marie-Cécile Alvarez-Herault et Nouredine Hadjsaid
– Encadrement Enedis : Anne de Moliner, Pierre Cauchois et Christophe Boisseau
Organismes associés au projet : G2Elab, Enedis
Axe de recherche du projet :
Innovative solutions based on new computer and telecom technologies, data processing and artificial intelligence
Le projet :
De nombreux services proposés par Enedis, que ce soit à destination des collectivités, du grand public, ou pour la maintenance du réseau, sont réalisés à partir d’estimations locales de consommations et productions électriques au pas de temps demi horaire, pour des mailles géographiques plus ou moins réduites (régions, départements, communautés d’agglomérations par exemple…). Ce travail de recherche consiste à améliorer des modèles existants d’estimations des séries temporelles de consommation à l’échelle locale grâce à l’intégration de données de réseaux sociaux (Instagram, X, ou tout autre réseau social pertinent).
Ce projet proposé fait suite à des résultats prometteurs obtenus sur la prévision de séries temporelles de consommations électriques à la maille nationale, dans le contexte du processus de Reconstitution des Flux (processus permettant d’équilibrer l’offre et la demande d’électricité au pas de temps demi horaire). La stratégie qui a été mise en place permet d’inclure des données des médias sociaux, comme Twitter et les données open source, pour améliorer les modèles existants. Ces résultats ont déjà été publiés : Alyafi, A., Cauchois, P., Delinchant, B., Berges, A. (2023). Social Data to Enhance Typical Consumer Energy Profile Estimation on a National Level. In: Pierfederici, S., Martin, JP. (eds) ELECTRIMACS 2022. Lecture Notes in Electrical Engineering, vol 993. Springer, Cham.
https://doi.org/10.1007/978-3-031-24837-5_27
Questions soulevées/Challenges Scientifiques :
– Est-ce que l’information des évènements locale planifiée (e.g. une fête, une grève), extraire par les réseaux sociaux est pertinente dans la prévision de la consommation électrique locale ?
– Si oui, quel est l’impact des événements locaux sur l’évolution de la consommation électrique locale ?
Résultats attendus :
Étude de l’impact sur la consommation d’énergie locale à partir des informations extraites suite au traitement NLP (natural language processing) des messages provenant des réseaux sociaux et d’autres sources, en plus des caractéristiques existantes (température, etc.).
Publications associées :
Non concerné pour le moment
Planning :
décembre 2023 – mai 2025
