Soutenance de thèse de Muhammad Salman SHAHID

La soutenance aura lieu en français devant le jury constitué de :

1)    M. Benoît DELINCHANT, PROFESSEUR à GRENOBLE-INP, Directeur de thèse
2)    Mme. Béatrice ROUSSILLON, MAITRE DE CONFERENCE à UNIVERSITE GRENOBLE ALPES, Co-directrice de thèse
3)    M. Daniel LLERENA, PROFESSEUR à UNIVERSITE GRENOBLE ALPES, Co-directeur de thèse
4)    M. Frédéric WURTZ, DIRECTEUR DE RECHERCHE au CNRS, Co-directeur de thèse
5)    M. Yvon BESANGER, PROFESSEUR à GRENOBLE-INP, Examinateur
6)    M. Romain BOURDAIS, PROFESSEUR à CENTRALE-SUPELEC - UNIVERSITE PARIS-SACLAY, Rapporteur
7)    M. Jérôme LEDREAU, MAITRE DE CONFERENCE à UNIVERSITE DE LA ROCHELLE, Examinateur
8)    M. Stephan MARETTE, DIRECTEUR DE RECHERCHE à INRAE, Examinateur
9)    Mme. Sandrine SELOSSE, CHARGE DE RECHERCHE à CMA - CENTRE DE MATHEMATIQUES APPLIQUEES, Rapporteuse

Résumé:
La transition énergétique vers les sources d'énergie renouvelables est essentielle pour atténuer le changement climatique. Mais, l'énergie renouvelable est intermittente en nature, ce qui peut entraîner à l'avenir une congestion du réseau lors des pics de consommation. Par conséquent, la flexibilité d'énergie est inévitable en complément de la gestion de l'offre et du stockage de l'énergie. Le secteur résidentiel est le plus gros consommateur d'énergie et il est donc essentiel de mettre en œuvre la flexibilité d'énergie. En complément des approches existantes, nous présentons dans cette thèse une flexibilité "indirecte" non monétaire par la mise en œuvre d'une expérience de science comportementale avec 175 ménages français. L'ensemble des "nudges" utilisés dans cette expérience n'oblige pas les participants à mettre en œuvre la flexibilité énergétique pour des raisons de gain monétaire ou d'aversion aux pertes.
Les alertes sont générées par des algorithmes prédictifs et envoyées par SMS à un groupe de ménages dans le but d'effectuer soit un transfert de charge, soit une effacement d'énergie. Les alertes sont complétées par des suggestions sur l'utilisation (ou non) d'appareils engagés pour mettre en œuvre la flexibilité d'énergie. Après chaque alerte, le groupe reçoit un retour graphique dans lequel la courbe de charge mesurée par le compteur intelligent LINKY est superposée à une courbe de référence théorique propre à chaque ménage. En comparaison avec un groupe de contrôle, nous pouvons quantifier l'impact de ces signaux de "nudge" sur la consommation d'énergie du groupe traité. Enfin, un algorithme de désagrégation énergétique est présenté qui nous permettra de détecter les équipements utilisés lors de la flexibilité et ainsi faire une analyse de l'engagement des ménages à rechercher des appareils potentiels pour la flexibilité énergétique.


Abstract:
The energy transition towards renewable energy sources is essential to mitigate climate change. However, the renewable energy sources are intermittent in nature, and therefore it may cause network congestion during peak consumption in future. Therefore, demand side energy flexibility is inevitable in complement to the supply side management and energy storage. The residential sector is the largest energy consumer and is therefore essential to implement demand-side energy flexibility. In addition to the existing approaches of energy flexibility, we present in this thesis a non-monetary “indirect" flexibility through the implementation of a behavioral science experiment with 175 French households. The set of nudges used in this experiment does not oblige the participating households to implement energy flexibility for either monetary gain or loss aversion.
Nudge alerts are generated by predictive algorithms and sent by SMS to a group of households with the aim of carrying out either load shifting or load shedding. The nudge alerts are complemented with the suggestions about using (or not using) committed appliances to implement energy flexibility. After each alert, the group receives graphical feedback in which the load curve measured by LINKY smart meter is superposed by a theoretical reference curve specific to each household. In comparison to a control group, we can quantify the impact of these nudge signals on the energy consumption of the treated group. Finally, an energy disaggregation algorithm is presented that will allow us to detect the equipment used during the flexibility and thus will do an analysis of the commitment of households to look for potential appliances for energy flexibility.