Prévision de consommation gazière par modèles de régime et lissage adaptatif

1. Un portefeuille à trois visages, trois méthodes

Contrairement à une prévision de charge électrique qui peut reposer sur un cadre méthodologique unique, un portefeuille de consommation gazière combine des segments de nature statistique très différente. Une part profilée (sans compteur télérelevé), reconstituée à partir de courbes de profil climatiques standardisées, se comporte de façon régulière et prévisible par correction thermosensible. Une part industrielle télérelevée, en revanche, alterne entre arrêt complet et paliers d'activité selon des cycles de production qu'aucune régression continue ne représente correctement. Une troisième composante, plus stable, se prête bien à un lissage exponentiel classique.

Plutôt que de forcer un cadre académique unique sur cette hétérogénéité, l'approche retenue assume une architecture par segment : trois méthodes statistiques standard, chacune choisie pour la nature spécifique de la composante qu'elle doit prévoir.

2. La composante profilée : correction thermosensible déterministe

Pour les clients sans télérelevé, la consommation est reconstituée à partir d'un profil de référence climatique, corrigé par une température effective lissée (moyenne mobile exponentielle sur plusieurs jours) et un seuil de déclenchement du chauffage propre à chaque zone géographique. Ce mécanisme, standard dans l'industrie gazière, transforme une simple courbe de référence calendaire en une prévision sensible aux conditions météorologiques réelles.

La forme caractéristique « en crosse de hockey » (illustration ci-dessus, données synthétiques) traduit un effet de seuil physique simple : sous le seuil climatique, chaque degré perdu se traduit par un surcroît de consommation de chauffage ; au-dessus, la consommation reste globalement plate, insensible à un réchauffement supplémentaire.

3. La composante industrielle : classification de régime

Le cœur méthodologique du modèle porte sur la composante industrielle télérelevée, dont le comportement binaire (arrêt / activité) rend inadaptée une régression continue classique. La solution retenue combine deux étapes de classification :

• Classification non supervisée par $k$-moyennes (MacQueen, 1967) pour identifier automatiquement les régimes de consommation caractéristiques d'un site (arrêt, palier bas, palier haut) à partir de son historique.
• Classification supervisée par forêt aléatoire (Breiman, 2001) pour prédire, chaque jour, dans quel régime le site va se trouver le lendemain, à partir de variables explicatives calendaires et de comportement récent.

Un point de méthode qui mérite d'être documenté : l'algorithme des $k$-moyennes (algorithme de Lloyd) est non convexe et peut converger vers un minimum local médiocre selon son initialisation. La pratique standard — et celle retenue ici — consiste à relancer l'algorithme depuis un grand nombre d'initialisations aléatoires et à ne conserver que la meilleure partition obtenue, ce qui élimine quasi systématiquement le risque de minimum local dégradé pour un coût de calcul modéré.

Le résultat (illustration ci-dessus, données synthétiques) est une lecture claire des régimes traversés par un site au fil du temps : arrêt complet, puis reprise à un palier bas, puis à un palier haut — une dynamique qu'une régression continue classique ne saurait représenter sans une forte dégradation de précision.

4. Robustesse : détection de rupture et correction par la mesure réelle

Un dispositif de détection de rupture structurelle protège les prévisions contre les arrêts industriels durables non anticipés par le modèle de classification : lorsque l'écart entre la moyenne récente observée et la moyenne historique de référence dépasse un seuil, le système bascule vers un mode de protection plutôt que de prolonger une tendance obsolète. Enfin, à mesure que les mesures horaires réelles de la journée en cours deviennent disponibles, une correction intraday puis day-ahead recale la prévision sur l'observation, avec une confiance calibrée par jour de la semaine.