Human spatial dynamics for electricity demand forecasting: the case of France during the 2022 energy crisis
Dynamiques de mobilité pour la prévision de consommation électrique : le cas de la France pendant la période de sobriété de 2022
Résumé
Accurate electricity demand forecasting is crucial for energy security and efficiency, especially when relying on intermittent renewable energy sources. Recently, massive savings have been observed in Europe following an unprecedented global energy crisis. However, assessing the impact of such a crisis and of government incentives on electricity consumption behaviour is challenging. Moreover, standard statistical models based on meteorological and seasonal data have difficulty dealing with such sudden changes. Here, we show that mobility indices based on mobile network data significantly improve the performance of state-of-the-art models in electricity demand forecasting during France's government-pushed energy sobriety period. We start by documenting the drop in French electricity consumption during the winter of 2022-2023. We then show how our mobile network data captures work dynamics and how adding such mobility indices to models outperforms the state-of-the-art during that atypical period. In effect, our results characterise the effect of employment-related behaviour patterns on electricity demand.
Prévoir précisément la demande électrique est crucial en termes de sécurité et d'efficacité énergétique, en particulier pour l'incorporation de sources d'énergie renouvelable intermittentes dans le mix électrique. Récemment, des économies d'énergie importantes ont été observées en Europe à la suite d'une crise énergétique mondiale. Toutefois, il est très difficile de prédire à l'avance l'impact sur la consommation électrique d'une telle crise et des mesures gouvernementales qui ont été prises. De plus, les modèles statistiques usuels reposant sur des données météorologiques et calendaires peinent à s'adapter à des changements si rapides et importants. Dans cet article, nous montrons que l'utilisation de données de mobilité issues de réseaux téléphoniques permet d'améliorer significativement la performance de l'état de l'art en matière de prévision de consommation électrique pendant la période de sobriété. Nous commençons par documenter la baisse de consommation électrique pendant l'hiver 2022-2023. Puis, nous montrons comment l'ajout de données de mobilité capture les dynamiques de travail et permet d'améliorer les performances des modèles de prévision. Enfin, nous caractérisons l'effet des dynamiques de travail sur la consommation électrique.
Fichier principal
main.pdf (1.38 Mo)
Télécharger le fichier
Normalcy.pdf (8.94 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|