📊 statistics

A Blind Source Separation Framework to Monitor Sectoral Power Demand from Grid-Scale Load Measurements

Cet article propose un cadre de séparation aveugle de sources basé sur une factorisation matricielle non négative à contraintes linéaires pour décomposer les mesures de charge du réseau haute tension en contributions sectorielles, permettant ainsi d'estimer la demande de puissance résidentielle, tertiaire et industrielle à partir de données agrégées.

Auteurs originaux : Guillaume Koechlin, Filippo Bovera, Elena Degli Innocenti, Barbara Santini, Alessandro Venturi, Simona Vazio, Piercesare Secchi

Publié 2026-04-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Guillaume Koechlin, Filippo Bovera, Elena Degli Innocenti, Barbara Santini, Alessandro Venturi, Simona Vazio, Piercesare Secchi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌟 Le Problème : La "Soupe Électrique" Indiscernable

Imaginez que vous regardez un immense pot de soupe qui bouillonne sur le feu. C'est la réseau électrique national (en Italie, dans ce cas). Vous savez exactement combien de soupe il y a au total à chaque instant (c'est la consommation totale mesurée par le gestionnaire du réseau).

Mais voici le problème : vous ne savez pas ce qu'il y a dedans !

Est-ce que c'est surtout de la pomme de terre (les foyers qui cuisinent le soir) ?
Est-ce que c'est de la carotte (les usines qui tournent toute la journée) ?
Ou est-ce que c'est du poireau (les bureaux et commerces) ?

À l'heure actuelle, pour savoir ce qu'il y a dans la soupe, il faudrait arrêter de chauffer le pot, ouvrir chaque casserole individuelle de chaque maison et chaque usine pour les peser une par une. C'est trop cher, trop long et impossible à faire en temps réel.

🕵️‍♂️ La Solution : Le Détective de la "Soupe Électrique"

Les auteurs de ce papier ont inventé une méthode géniale pour deviner la recette de la soupe sans jamais l'ouvrir. Ils appellent cela la séparation de sources aveugle.

En gros, ils disent : "Même si on ne peut pas voir les ingrédients séparément, on peut deviner qui est qui en observant comment la soupe change de goût au fil du temps."

Voici comment ils procèdent, étape par étape :

1. Observer les "Signatures" (Les Profils)

Chaque type de consommateur a son propre rythme, comme une signature musicale :

Les Usines (Industrie) : Elles ont un rythme très régulier. Elles démarrent fort le matin, travaillent toute la journée, et s'arrêtent le week-end. C'est comme un métronome.
Les Foyers (Résidentiel) : Ils ont un rythme "double pic". Un petit pic le matin pour le petit-déjeuner, et un gros pic le soir pour le dîner et la télé. C'est comme une montagne avec deux sommets.
Les Bureaux (Services) : Ils sont actifs entre 9h et 18h, mais sont calmes le soir et le week-end. C'est une ligne plate au milieu de la journée.

2. Le Défi : Le Mélange est Flou

Le problème, c'est que ces rythmes se mélangent. Parfois, le pic du soir des foyers se superpose au pic de l'après-midi des bureaux. C'est comme si quelqu'un avait mélangé les notes de trois instruments différents dans une seule chanson. Il est très difficile de dire "Tiens, c'est la guitare qui joue ici" sans connaître la partition à l'avance.

3. L'Astuce Magique : Les Indices (Les Contraintes)

C'est là que l'innovation du papier brille. Les chercheurs n'ont pas besoin de tout savoir. Ils utilisent des indices partiels qu'ils ont déjà :

Ils savent combien d'électricité a été consommée au total par les usines, les foyers et les bureaux sur une année entière (comme savoir qu'il y a 50% de carottes dans la soupe sur l'année).
Ils savent comment cette consommation évolue mois par mois (les usines consomment moins en août, les foyers plus en hiver pour le chauffage).

Ils utilisent ces indices comme des contraintes pour leur algorithme. C'est comme si le détective disait à l'ordinateur : "Tu dois trouver une séparation des sons, mais attention ! Le total des sons 'foyers' sur l'année doit correspondre exactement à ce chiffre officiel."

4. La Méthode Mathématique (LCNMF)

Ils utilisent une technique mathématique appelée Factorisation de Matrice Non-Négative à Contraintes Linéaires (un nom très compliqué pour dire : "On décompose le mélange en respectant les règles du jeu").

L'ordinateur essaie des milliers de combinaisons possibles pour séparer la "soupe" en trois bols distincts. Il rejette toutes les combinaisons qui ne respectent pas les indices annuels et mensuels. Finalement, il ne reste qu'une seule solution logique qui colle parfaitement à la réalité.

🎉 Les Résultats : Une Recette Dévoilée

En appliquant cette méthode aux données italiennes de 2021 à 2023, ils ont réussi à :

Reconstruire le profil de chaque secteur heure par heure, même sans avoir de compteurs individuels.
Voir les saisons : Ils ont pu voir que les foyers changent de comportement entre l'hiver (chauffage électrique) et l'été (climatisation).
Prédire l'avenir : Une fois qu'ils ont appris à reconnaître les "voix" de chaque secteur, ils peuvent écouter le bruit du réseau en 2023 et dire instantanément : "Tiens, aujourd'hui, c'est 40% de foyers et 60% d'usines", sans avoir besoin de nouvelles données.

💡 Pourquoi c'est important ?

Imaginez que vous êtes le chef d'orchestre de l'électricité. Aujourd'hui, vous entendez juste un gros bruit. Avec cette méthode, vous pouvez entendre séparément les violons, les cuivres et les percussions.

Cela permet de :

Mieux gérer l'énergie : Savoir quand les usines s'arrêtent pour mieux intégrer les énergies renouvelables (solaire, éolien).
Réagir vite : Si le prix de l'électricité explose, on peut voir tout de suite quel secteur réagit et comment.
Économiser de l'argent : Plus besoin d'installer des milliers de capteurs coûteux partout. On utilise les données publiques existantes pour tout deviner.

En résumé : C'est comme si on avait appris à un ordinateur à écouter le bruit d'une foule et à distinguer automatiquement les cris des enfants, les conversations des adultes et le bruit des voitures, simplement en sachant à peu près combien il y a de chaque groupe dans la foule. Une prouesse de déduction mathématique pour un monde plus vert et plus efficace !

1. Problématique et Contexte

La gestion des réseaux électriques modernes nécessite une compréhension fine de la composition de la demande d'électricité à différentes échelles (secteurs résidentiel, tertiaire, industriel). Bien que les opérateurs de système de transport (OST/TSO) disposent de mesures de charge agrégées à haute résolution temporelle (horaire) sur le réseau haute tension, la visibilité sur la contribution spécifique de chaque secteur est limitée.

Le défi : Obtenir des données de consommation sectorielles à haute fréquence (horaire, quotidienne) est difficile car cela nécessite l'agrégation de millions de mesures de comptage basse et moyenne tension, gérées par de nombreux distributeurs (DSO). Les données sectorielles disponibles sont souvent annuelles, avec des délais de reporting importants, ou basées sur de petits échantillons non représentatifs.
L'objectif : Développer une méthode pour désagréger les mesures de charge agrégées du réseau national (ouvertes au public) en composantes sectorielles en temps réel, sans disposer de mesures de référence ("ground truth") à l'échelle sectorielle pour l'entraînement.

2. Méthodologie : LCNMF

Les auteurs proposent un cadre de séparation aveugle de sources (BSS) basé sur une variante contrainte de la Factorisation en Matrice Non-Négative (NMF), appelée LCNMF (Linearly-Constrained Non-negative Matrix Factorization).

A. Formulation du problème

Le problème est modélisé comme la décomposition d'une matrice de courbes de charge $X$ (n jours $\times$ p instants horaires) en deux matrices :

$S$ : Matrice des profils de charge sources (les formes de base).
$C$ : Matrice des concentrations (les poids d'activation de chaque source pour chaque jour).
L'équation de base est $X \approx CS$ , avec des contraintes de non-négativité.

B. Intégration de contraintes linéaires (Supervision faible)

Pour résoudre le problème d'unicité inhérent à la NMF aveugle, les auteurs intègrent des informations a priori sous forme de contraintes linéaires :

Données d'entrée :
- Charge totale horaire (2021-2023).
- Demande sectorielle annuelle (ASD) : données officielles sur la consommation totale par secteur.
- Indicateurs sectoriels mensuels (MSI) : données normalisées décrivant l'évolution mensuelle relative de la consommation par secteur.
Contraintes :
- Les profils sources doivent intégrer à 1 (normalisation).
- Une application linéaire (matrice $A$ ) mappe les $K$ sources vers les $g$ secteurs (ex: 2 sources pour le résidentiel, 2 pour le tertiaire, 1 pour l'industrie).
- La consommation mensuelle estimée par la décomposition ($BCA$) doit correspondre aux indicateurs mensuels normalisés ( $Y$ ) redimensionnés par la demande annuelle totale.

C. Algorithme de résolution

Les auteurs proposent une modification de l'algorithme de Mises à Jour Multiplicatives (MU) de Lee & Seung pour résoudre ce problème d'optimisation sous contraintes.

Fonction de perte : Minimisation de la norme de Frobenius de l'erreur de reconstruction, pénalisée par les écarts aux contraintes linéaires (paramètres $\alpha$ et $\beta$ ).
Stratégie d'initialisation : Pour éviter les minima locaux, l'algorithme est exécuté 1000 fois avec des initialisations aléatoires. Les solutions sont ensuite regroupées par clustering, et un ensemble de solutions optimales est utilisé pour obtenir une estimation robuste et quantifier l'incertitude.

3. Contributions Clés

Première approche de désagrégation au niveau de la transmission : C'est la première méthode capable de désagréger la charge nationale en temps réel à partir de mesures haute tension, sans échantillons de consommateurs individuels.
Approche "Top-Down" innovante : Identification des profils journaliers et de leurs variations temporelles (jour/semaine, saison) uniquement à partir de données agrégées et de contraintes statistiques faibles.
Cadre algorithmique général : Introduction d'un algorithme LCNMF capable de résoudre des problèmes de NMF avec contraintes linéaires générales, applicable à n'importe quelle échelle du réseau électrique.

4. Résultats

L'étude a été appliquée aux données italiennes (2021-2023).

Détermination de la dimension : Une analyse en composantes principales fonctionnelle (FPCA) a suggéré l'utilisation de 5 sources ( $K=5$ ) pour expliquer 97% de la variance.
Mapping des sources :
- Industrie : 1 source unique, très stable, avec un profil trimodal (pics à 09h, 16h, 20h) et une forte activité en semaine, faible le week-end.
- Résidentiel : 2 sources, permettant de capturer deux régimes distincts (hiver/chauffage électrique vs été/climatisation) et des variations jour/semaine (pics du soir décalés le week-end).
- Tertiaire : 2 sources, montrant une activité plus constante en journée avec des variations saisonnières (pic d'après-midi en été lié à la climatisation).
Validation :
- La qualité d'approximation de la LCNMF est supérieure à celle d'une simple projection FPCA.
- Prédiction (Nowcasting) : En utilisant les profils appris sur 2021-2022 pour prédire la consommation de 2023 (année de test sans données sectorielles utilisées dans l'entraînement), les estimations mensuelles montrent une forte corrélation avec les indicateurs officiels (MSI).
- Les performances de la LCNMF sont comparables, voire légèrement supérieures, à des modèles de lissage exponentiel (Holt-Winters) et nettement meilleures qu'une prévision naïve.

5. Signification et Perspectives

Utilité pour les opérateurs : Cette méthode permet aux TSO et aux décideurs politiques de surveiller la demande sectorielle en temps réel, essentiel pour la gestion de la flexibilité, la réponse à la demande et l'analyse de l'impact des chocs économiques ou météorologiques.
Généralisabilité : Le cadre est applicable à d'autres pays ou zones de réseau où les données désagrégées manquent, à condition de disposer de quelques indicateurs macro-économiques ou statistiques annuels.
Limites : L'absence de validation "ground truth" à l'échelle horaire ou quotidienne empêche une validation quantitative directe de la précision fine. De plus, le modèle ne sépare pas explicitement les effets météorologiques, qui pourraient introduire du bruit.

En conclusion, cet article démontre qu'il est possible de reconstruire des profils de consommation sectoriels fiables à partir de données agrégées brutes en utilisant des techniques de séparation de sources contraintes, comblant ainsi un vide méthodologique majeur dans le suivi des réseaux électriques.