Contexte du projet

Ce projet a été réalisé dans le cadre du projet fil rouge de la formation Data Analyst par :

• Aurélien BOYER
• Reda KAOUA
• Geoffroy LADONNE

Le jeu de données utilisé, provient de l’Open Data Réseaux Energie (ODRE), il représente les données énergétiques régionales (au pas de 30 minutes) consolidées depuis janvier 2020 et définitives de janvier 2013 à décembre 2019, elles sont issues de l’application éCO2mix.

Problématique

Une des principales problématiques d’un réseau de production électrique, est le stockage de l’électricité produite. En effet, actuellement le stockage électrique utilise des stations de pompage-turbinage entre deux retenues d’eau situées à deux altitudes différentes, où l’eau est pompée vers le bassin supérieur pendant les heures de faible consommation alors que pendant les heures de pointe, l’eau passe dans une turbine qui produit un appoint d’électricité sur le réseau.

Concrètement, cette technique de stockage consomme plus d’énergie pour le pompage de l’eau que le turbinage n’en crée, et engendre des pertes d’énergie allant de 15 à 30%.

Afin de répondre à cette problématique de stockage, il est nécessaire de pouvoir adapter la production en fonction de la consommation.

Et c’est dans cette démarche que s’inscrit notre projet « eC2F » (Pour Electrical Consumption Forcating in France), qui a pour but d’analyser et d’estimer la consommation électrique afin d’adapter la production d’électricité au niveau national et régional.

Etapes du projet

• Analyse exploratoire des données

  • Data Cleaning
  • Data Preprocessing

• Analyses Statistiques et Data Visualisation

  • Analyse de la distribution des variables.
  • Analyse de la consommation électrique.
  • Analyse de la Production électrique.
  • Focus sur la Production des énergies renouvelabes

• Modélisation

  • Mise en place de modèles de Régression : SGD, Ridge, Lasso et Elastic Net

  • Mise en place de modèles de Séries Temporelles : SARIMAX et ARIMA

  • Mise en place d’un modèle de Réseau de Neurones Récurrents : LSTM

Résultats obtenus

Les résultats de modélisation nous permettent d’affirmer que c’est les modèles « Ridge » (régression) et SARIMAX (série temporelle) qui ont donné les résultats les plus fiables, et qui anticipent le mieux les variations de la consommation électrique.

Quant au modèle LSTM, ses résultats de prédictions sont exceptionnels. Néanmoins il représente un désavantage conséquent qui est le coût de son exécution, car ce modèle est très gourmand en ressources et en temps de calcul.

Les prédictions sur l’année 2019 semblent plus pertinentes que pour l’année 2020 qui s’avère être une année particulière (réchauffement climatique, effet de la pandémie de Covid-19, …) ce qui rajoute de la difficulté pour prédire la courbe de consommation électrique de cette année-là. Ceci est également renforcé par le fait que les données pour l’année 2020 ne sont pas encore définitives.

Voir le projet complet sur GitHub
Voir le rapport du projet en PDF