Cette approche innovante fusionne l’inférence bayésienne avec des techniques de classification afin de traiter la complexité des données multivariées. Cette méthode novatrice combine l’inférence bayésienne et des techniques de classification pour aborder la complexité des données multivariées, tout en répondant aux fluctuations des profils de consommation agrégée influencés par des variables climatiques et comportementales. Le travail de recherche se divise en plusieurs phases.

Dans un premier temps, un modèle de prévision est appliqué aux composantes sensibles au climat et aux aspects calendaires des profils de charge agrégés par un système additif. Ensuite une procédure de classification est appliquée aux profils de charges dans le but d’améliorer ces prévisions. La dernière analyse de cette thèse réside dans l’analyse de l’incertitude des prévisions, permettant de déterminer la flexibilité offerte par un groupe de résidences dans leur participation à la gestion locale de la demande d’énergie. Les performances du modèle proposé sont évaluées à l’aide de données réelles de la consommation électrique agrégée d’un ensemble de maisons au Québec. Cette contribution significative à la littérature scientifique apporte des perspectives prometteuses à l’étude de la gestion et de la transition énergétique, offrant aux gestionnaires de réseau, tels qu’Hydro-Québec, des outils plus efficaces permettant une participation active des consommateurs finaux dans la gestion globale du réseau électrique.

La thèse a été soutenue le 19 avril 2024

Membres du jury

Direction de recherche
Kodjo Agbossou, Ph. D. – UQTR

Codirection de recherche
Yves Dubé, Ph. D. – UQTR

Présidence 
Messaoud Ahmed Ouameur, Ph. D. – UQTR

Membre interne
Nassim Noura, Ph. D. – UQTR

Membre externe
José Candanedo, Ph. D. – Usherbrooke