Prévision de la consommation électrique journalière française
RTE, le responsable du réseau de transport d’électricité publie une prévision de consommation nationale, révisée régulièrement : pour un jour J une première prévision est effectué en J-2, puis revue en J-1 à minuit, puis en J-1 à 16h, soit donc 8 heures avant le début du jour J. Cette prévision à l’échelle nationale se mesure par une puissance de consommation instantanée moyenne, dont l’unité est le Gigawatt (GW), soit un millier de méga-watt (MW). La France a une consommation instantanée moyenne de l’ordre de 40 GW en été, et pouvant atteindre les 100 GW en hiver.
Bien que cette prévision soit publiée par l’acteur spécialiste de son domaine, un client trader a demandé à NEHOOV de construire un modèle permettant, si possible, d’améliorer encore la précision de cette prévision. Pour se faire, notre client nous a fourni un historique journalier sur plusieurs années des prévisions RTE et du réalisé (le consommé national réellement constaté le jour J), ainsi que d’autres variables explicatives : durée du jour en minutes, températures moyennes mini & maxi prévisionnelles, évènements de vacances zones A/B/C, ainsi que les évènements « EJP » par zones géographiques, à savoir les jours « d’effacement de la pointe », là où EDF propose pour certains de ces clients (les boulangers par exemple) des prix de l’électricité très élevés, incitant à consommer moins (ces jours sont les jours de grand froid, là où la production d’électricité devient difficile).
En notant Forecast_C(X@Y) la prévision de consommation RTE pour le jour X et produite le jour Y, nous avons utilisés les 4 prévisions suivantes :
Nous noterons Forecast_C(J) notre prévision finale, sortie de notre modèle, et
le réalisé de la consommation nationale France. Le graphe ci-dessous donne un exemple de comparaison de la prévision et du réalisé de la consommation nationale d’électricité :
Remarquez que les 9 et 10 janvier 2012 montrent des prévisions moins bonnes que les autres jours.
En résumé, notre matrice d’apprentissage est de l’ordre de 1500 lignes par 25 colonnes, ce qui montre un petit problème, mais qui doit toutefois être traité avec attention. Pour l’évaluation de la performance, le client a demandé l’écart type des écarts non normés entre prévision et réalisé, à savoir
Avec cette métrique, l’erreur moyenne sur l’historique de la dernière prévision Forecast_C(J,J-1, 16h) est de l’ordre de 1150 MW. Chez NEHOOV nous avons voulu faire mieux.
Nous avons donc lancé « the one click analytic », en laissant chercher notre méta-moteur les meilleurs paramètres permettant d’obtenir un réseau de neurones performant, sans overfitting. Sur cette problématique nous avons simplement coupé aléatoirement en 2 la base d’apprentissage, 50% dédié à la construction des modèles, et 50% à l’évaluation – ce que nous appelons les training et validation sets. Les variables d’entrée ont été transformées et sélectionnées selon notre algorithme génétique standard.
Le meilleur modèle retenu est diaboliquement simple : son architecture est de type 31->2->1, soit 31 variables d’entrée et une unique couche cachée composée de 2 neurones ! Sa performance, évaluée sur l’entièreté des données donne un écart type d’écart relatif de l’ordre de 850 MW, soit une amélioration de la dernière prévision de RTE de plus de 25% ! Notamment, la prévision pour les 9 et 10 janvier 2012 est maintenant presque parfaite.
Ce simple réseau à 2 neurones cachés a alors été exporté en code informatique et directement intégré dans la plate-forme du client. La simplicité du modèle a aussi permis de mettre en relation explicite non linéaire certaines variables explicatives et la consommation journalière Française, permettant d’augmenter la connaissance de notre client. Cette relation fait appel à la tangente hyperbolique et aux formes quadratiques, ainsi qu’à des fonctions de type « fuzzy ».
Une construction simple et rapide permettant d’améliorer notablement une prévision nationale, que demander de mieux ?
