Unsupervised Learning Based on Markov Chain Modeling of Hot Water Demand Processes

L'ensemble des questions analysées dans ce mémoire dérive d'un important projet de recherche multidisciplinaire appelé smartDESC et réalisé à l'École Polytechnique de Montréal entre les années 2012 et 2016. L'objectif général du projet smartDESC était d'utiliser le stockage associé à certains types de charges d'électricité, et naturellement présent de manière distribuée chez des consommateurs, en vue d'aider à compenser les déséquilibres temporaires entre génération et demande de puissance électrique. Ces derniers sont appelés à devenir de plus en plus fréquents avec la fraction d'énergies renouvelables de type intermittent (énergies solaire et éolienne) dans le mélange de sources d'énergie des réseaux électriques modernes où l'écologie occupe une place de plus en plus importante. Au sein de cet effort général, les chauffe-eau électriques constituent un type de charges d'intérêt particulier vu leur ubiquité et la capacité globale de stockage d'énergie significative à laquelle ils sont associés. Partant d'un ensemble de mesures rendues anonymes de volumes d'extraction d'eau chaude aux 5 minutes, sur une période de plusieurs mois, et fourni par le laboratoire LTE de l'Institut de recherche d'Hydro-Québec, le but de notre recherche était de développer des algorithmes permettant de regrouper des clients individuels en classes de consommation relativement homogènes et dépendantes à la fois du temps de la journée et du jour de la semaine, dans un objectif subséquent de commande coordonnée. Ce faisant, nous devions faire face à trois défis: (i) automatiser la partition des données en segments temporels de durée suffisante pour être statistiquement significatifs, et durant lesquels les statistiques d'extraction d'eau puissent être considérées comme relativement stationnaires; (ii) À l'intérieur de chaque segment temporel, développer des algorithmes d'estimation de paramètres de modèles de chaînes de Markov à deux états (On et Off) d'extraction d'eau avec un paramètre constant par morceaux de taux moyen d'extraction d'eau dans l'état On; (iii) À la lumière des résultats en (ii), développer des algorithmes de classification des usagers en groupes de consommation relativement proches en termes de propriétés statistiques de consommation, selon l'heure de la journée et le jour de la semaine. Dans ce mémoire, des outils de la théorie de l'apprentissage machine, de statistiques, et de la théorie des processus stochastiques sont proposés pour répondre aux trois défis en question.