Demande d’électricité pour la climatisation : quelle stratégie de modélisation pour une prédiction spatialisée à l’échelle d’un territoire national ?

Contexte

La transition énergétique et le réchauffement climatique rendent les systèmes électriques de plus en plus sensibles aux conditions météorologiques. Pour les compagnies d’électricité, anticiper les variations de la production et de la demande devient un enjeu central pour équilibrer le réseau.
La demande d’électricité pour la climatisation en est un exemple frappant. Elle dépend fortement des conditions météorologiques du moment, en particulier de la température et de l’humidité. On la décrit classiquement avec les degrés-jours de refroidissement, qui mesurent l’écart entre la température du jour et une température de confort. Cette dépendance la rend très prévisible, comme le montrent les performances d’un modèle prédictif à l’échelle de grandes villes d’Afrique de l’Ouest et centrale a récemment développé (Kondi-Akara et al., 2023).
L’équilibrage du réseau nécessite de pouvoir anticiper cette demande pour le froid sur l’ensemble du territoire. Or, le transfert d’échelle de la prédiction, de la ville au territoire national, pose plusieurs difficultés :
• les conditions météorologiques varient dans l’espace induisant par suite une variation de la demande d’électricité pour le froid ;
• la relation entre conditions météorologiques et demande varie d’une ville et d’un territoire à l’autre, parce que les sensibilités des usages diffèrent, les densités de population diffèrent, les taux d’équipement en climatiseurs diffèrent, … ;
• cette relation n’est pas stationnaire. Elle évolue dans le temps, avec les nouveaux raccordements et les achats de climatiseurs. Ces derniers peuvent être boostés par les épisodes de forte chaleur de plus en plus fréquents. Cette évolution est particulièrement rapide dans certains pays, en Afrique de l’Ouest en particulier.
Ces constats invitent à développer un modèle spatialisé de la demande, capable de prendre en compte ces différentes sources de variabilité. Un modèle spatialisé peut s’appuyer en particulier sur les réanalyses atmosphériques, comme ERA5, qui fournissent une pseudo-observation haute résolution des conditions météorologiques ( 50 kilomètres, horaire).

Objectif général

Le stage s’inscrit dans un travail de thèse qui vise à expliquer les variations spatiales et temporelles de la demande d’électricité pour le froid en Afrique de l’Ouest, à plusieurs échelles de temps et d’espace, avec un focus sur la Côte d’Ivoire et le Sénégal. Il visera plusieurs questions :
• un modèle spatialisé de la demande pour le froid est-il possible, et quelle doit être sa structure ?
• Comment représenter la diversité des territoires, dont les sensibilités thermiques diffèrent et évoluent dans le temps ?
• Comment prendre en compte la variabilité spatiale des conditions météorologiques ? Quels prédicteurs construire à partir des champs de température et d’humidité, pour quelles unités spatiales et avec quelles données ?
• Quel est le pouvoir prédictif d’un tel modèle, et comment varie-t-il d’un territoire à l’autre ?
• Quel gain apporte-t-il pour prédire la demande d’un pays, par rapport à un modèle global plus simple ?

Travail proposé

Le stage s’appuiera sur un jeu de données de consommation électrique horaire spatialisé, fourni pour le Sénégal et la Côte d’Ivoire par les compagnies Nationales d’Electricité de ces pays. Les conditions météorologiques proviendront de la réanalyse météorologique ERA5. Il sera question de :
1. Extraire et préparer les données de consommation et météorologiques nécessaires aux analyses pour les différents territoires d’intérêt.
2. Construire des prédicteurs météorologiques à partir des champs de température et d’humidité extraits des réanalyses ERA5 (par exemple des degrés-jours de refroidissement), à différentes échelles spatiales.
3. Evaluer le pouvoir prédictif d’un modèle de prédiction référence (Kondi et al. 2023) pour ces territoires à différentes échelles
4. Développer différentes adaptations (globales, spatialisées) de ce modèle de référence.
5. Evaluer le pouvoir prédictif de ces modèles et leur valeur ajoutée en comparaison du modèle de référence et analyser ce que ces comparaisons révèlent. Où et pourquoi la spatialisation améliore-t-elle la prédiction ? Comment les sensibilités thermiques varient-elles d’un territoire à l’autre ? Quelles stratégies de modélisation en déduire ?

Profil recherché

• Etudiant(e) en M2 ou en dernière année d’école d’ingénieur (sciences du climat, data science, énergie, géosciences).
• À l’aise en R avec bases en statistiques de séries temporelles. Aucune connaissance préalable en électricité n’est nécessaire.
• Curieux(se), rigoureux(se), et attiré(e) par le travail d’équipe et par les problématiques liées à la transition énergétique et au changement climatique.

Informations pratiques

• Durée : 5-6 mois à partir de février 2027 (date de début flexible)
• Gratification légale
• Lieu : Maison Climat Planète – 70, rue de la Physique - 38400 Saint-Martin-d’Hères
• Candidature : CV + lettre de motivation à nelson.noumbissi univ-grenoble-alpes.fr et benoit.hingray univ-grenoble-alpes.fr en copie.

Références

• Kondi-Akara, G., Hingray, B., Francois, B., & Diedhiou, A. (2023). Recent trends in urban electricity consumption for cooling in West and Central African countries. Energy, 276, 127597. https://doi.org/10.1016/j.energy.2023.127597
• Waite, M. et al. (2017). Global trends in urban electricity demands for cooling and heating. Energy. https://doi.org/10.1016/j.energy.2017.03.095