RAIRO.

R ECHERCHE OPÉRATIONNELLE

J EAN A BADIE
F RANÇOIS M ESLIER
Étude de l’utilisation des modèles A.R.I.M.A.
pour la prévision à très court terme de l’énergie
journalière produite par électricité de France
RAIRO. Recherche opérationnelle, tome 13, no 1 (1979), p. 37-54
<[Link]

© AFCET, 1979, tous droits réservés.

L’accès aux archives de la revue « RAIRO. Recherche opérationnelle »
implique l’accord avec les conditions générales d’utilisation ([Link]
[Link]/conditions). Toute utilisation commerciale ou impression systé-
matique est constitutive d’une infraction pénale. Toute copie ou impression
de ce fichier doit contenir la présente mention de copyright.

Article numérisé dans le cadre du programme

Numérisation de documents anciens mathématiques
[Link]
R.A.I.R.O. Recherche opérationnelle/Opérations Research
(vol. 13, n° 1, février 1979, p. 37 à 54)

ÉTUDE DE L'UTILISATION DES MODÈLES A.R.I.M.A.

POUR LA PRÉVISION A TRÈS COURT TERME
DE L'ÉNERGIE JOURNALIÈRE
PRODUITE PAR ÉLECTRICITÉ DE FRANCE (*)
par Jean ABADIE (*) et François MESLIER (*)

Résumé. — La qualité des prévisions à très court terme est une donnée fondamentale de la
bonne tenue d'une entreprise productrice d^électricité, en particulier en raison de capacités
limitées de stockage de Vénergie électrique. Toute amélioration amènera à la fois une diminution
des coûts pour le producteur et une augmentation de la qualité de service pour le consommateur.
Nous proposons la description des principaux résultats obtenus par une première utilisation élaborée
des techniques développées par Box et Jenkins (Auto Régressive Integrated Moving Average
Processes ou ARIMA).

1. INTRODUCTION

Nous proposons ici le résumé de l'analyse d'une série chronologique qui

revêt une importance toute particulière pour Électricité de France, aussi
bien pour des cycles de décision à très court terme que pour des études de
gestion prévisionnelle et de planification. Le travail que nous avons effec-
tué ([1], [2]) s'est situé d'emblée dans la perspective de la mise au point d'un
modèle de prévision à très court terme. Nous indiquons les principales étapes
du développement du modèle et donnons des résultats relatifs à ses perfor-
mances dans des conditions réelles de prévision.
Cette série est relative à la demande d'énergie électrique en France. La
figure 1 représente la forme typique de la demande, par pas horaire, sur
deux semaines (du lundi matin au dimanche soir) : cette courbe s'intitule
dans le jargon des électriciens une courbe de charge. L'analyse de ce schéma
de principe permet de mettre en évidence quelques caractéristiques simples
de la demande à E. D. F. :
1) les niveaux et les formes des lundi, mardi, mercredi, jeudi et vendredi
sont extrêmement semblables. Cependant, le lundi se distingue en général

(*) Reçu octobre 1977.

(l) Électricité de France, Direction des Études et Recherches;

R.A.I.R.O. Recherche opérationnelle/Opérations Research, 0399/0842/1979/37/$ 1.00

© Bordas-Dunod.
38 J. ABADIE, F. MESLIER

O 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320

Figure 1. — Exemple de courbes de charges à pas horaire.

par un niveau moyen plus faible que celui des autres « jours ouvrables »
(mardi, . . ., vendredi) ;
2) les samedis semblent bien différents, à la fois en forme et en niveau
général. Il en est de même pour les dimanches.
Les méthodes actuelles de prévision sont basées sur l'hypothèse de la stabi-
lité de telles caractéristiques au cours du temps. Ceci conduit à effectuer
les prévisions à l'aide de divers « facteurs de modulation ». La procédure,
résumée sur le tableau 1 (extrait de [3]), comporte deux étapes clefs : prévision
de l'énergie journalière à température normale (la température normale d'un
jour t se définit comme la moyenne statistique des réalisations des tempéra-
tures de ce jour sur un grand nombre d'années), puis prévision d'une courbe
de charge horaire et introduction d'une prévision de température journalière.
Comment peut-on situer notre contribution par rapport aux méthodes
actuellement utilisées?
Nous nous sommes limités a priori à l'analyse des seules énergies journa-
lières : la complexité de ce problème apparaîtra très nettement dans le texte.
Des travaux complémentaires, sans doute très importants, permettraient
d'aborder la prévision de la courbe de charge dans le même esprit. Il est, en
[Link].O. Recherche opérationnelle/Opérations Research
 UTILISATION DES MODÈLES ARIMA 39
TABLEAU 1

Les différents facteurs de modulation

Étape Facteur de modulation

1. Conversion de la valeur de Nombre de jours ouvrables

l'énergie annuelle en niveaux équivalents = N
d'énergie par jour ouvrable
(moyenne annuelle)
2. Consommation par jour ouvra- Coefficient saisonnier = ks
ble moyen, pour les divers inter-
de l'énergie journalière

valles (semaine ou mois)

3. Effet de l'augmentation de la Coefficient de tendance = r
Niveau

consommation au cours de la
période annuelle couverte
4. Conversion de l'énergie du jour Facteurs de pondération des
ouvrable moyen d'un intervalle divers types de jours = p
donné, en énergies pour chaque
type de jour (samedi, diman-
che...)
*

5. Ventilation de l'énergie journa- Courbes de charges rédui-

lière en 24 valeurs de puis- tes = 7c„ t - 1 24
de charge
horaires
Courbes

sances horaires
6. Prise en compte de l'effet clima- Gradient (variation de la
tique demande par degré) ;

l'état actuel des résultats obtenus, tout à fait envisageable d'utiliser, à l'aval
des modèles obtenus pour les énergies journalières, des coefficients n (voir
tableau 1) pour définir des courbes de charge prévisionnelles.
Les réalisations des énergies journalières constituent une série chrono-
logique et c'est dans ce seul esprit que nous les avons envisagées.
Les différents types de jours envisagés de manière systématique dans les
méthodes actuelles de prévision à court terme sont les lundi, mardi, . . . ,
samedi, dimanche « normaux ». Or il existe de très nombreuses réalisations
particulières, correspondant principalement aux jours de fête et aux périodes
de vacances et nous en avons tenu compte explicitement dans notre modéli-
sation.
Les modèles envisagés pour expliciter le comportement de la série n'ont
pu être ajustés qu'en faisant appel à des méthodes d'optimisation non linéaire
assez générales, en raison surtout du nombre très important de réalisations
prises en compte et du nombre élevé de paramètres définissant les modèles.
L'annexe II donne les idées principales de cet aspect.
vol. 13, n° 1, février 1979
40 J. ABADIE, F. MESLIER

Nous nous sommes limités a priori à la classe des seuls modèles endogènes
et ce pour diverses raisons.
Tout d'abord, nous pensons qu'avant de tenter d'expliquer le comporte-
ment d'une série par celui d'autres dont elle est réputée dépendre, il importe
de retirer au préalable toute la substance que la série apporte en elle-même :
autrement dit, la mise au point d'un modèle endogène nous semble de toute
manière être la première étape indispensable. La recherche d'éventuels élé-
ments explicatifs extérieurs à la série elle-même ne doit donc porter que sur ce
que le modèle endogène ne permet pas de prendre en compte par lui-même.
Ensuite, il est bon de remarquer que, compléter nos modèles endogènes
par des modèles exogènes (mise au point de fonctions de transfert) ne consti-
tuerait qu'une extension de nos travaux. A cet égard, pour la série étudiée,
nous voudrions distinguer deux types de variables exogènes : la prise en
compte de l'influence des aléas climatiques améliorerait certainement nos
résultats (voir par exemple l'annexe III qui esquisse la détermination d'une
fonction de transfert liant énergie journalière et température moyenne jour-
nalière). Par contre, nous ne pensons pas que des grandeurs macroécono-
miques aient une influence significative pour la prévision à très court terme,
l'inertie étant beaucoup plus grande que pour les effets climatiques. Néan-
moins, l'évolution du contexte économique peut provoquer des dérives plus
ou moins lentes du modèle (modification de la structure de la consommation
entre usages industriels et domestiques par exemple); à cet égard, un suivi
systématique des qualités prévisionnelles du modèle permet de procéder, si
nécessaire, à une réactualisation des paramètres du modèle, voire du modèle
lui-même.
Notre propos ne sera pas ici de présenter les principaux éléments théoriques
relatifs aux modèles ARIMA (il conviendra par exemple de se reporter à
l'ouvrage de Box et Jenkins [4]), mais de montrer sur un exemple en vraie
grandeur les résultats qu'on peut obtenir par cette méthode. Nous donnons
uniquement, en annexe I, la définition des différentes estimations utilisées
dans le texte.

2. ÉTUDE DE LA SÉRIE DES ÉNERGIES JOURNALIÈRES

Nous disposions de statistiques journalières du 1er janvier 1952 au

30 juin 1975. Nous avons ici réservé la dernière année pour réaliser une expé-
rience de simulation de prévisions dans des conditions réelles. Au niveau de
l'estimation, nous ne retenons donc que les 8 217 premières réalisations, soit
du 1.1.1952 au 30.6.1974.
R.A.I.R.O. Recherche opérationnelle/Opérations Research
 UTILISATION DES MODELES ARIMA 41

L'analyse de la série observée et des estimations de ses principales pro-

priétés permet de dégager quelques premières caractéristiques : existence
d'une périodicité hebdomadaire, existence d'une tendance, existence d'une
périodicité annuelle, amplitude des oscillations de la série qui croît avec le
temps, existence d'observations particulières (jours de fête, jours de grève).
REMARQUE : Cette série étant sans doute assez peu connue, nous proposons
sur la figure 2 un tracé graphique d'une partie des observations, ce qui permet
de préciser quelques-unes des caractéristiques précédentes.

Energies de mardi, mercredi,

jeudi .vendredi "ordinaires"

0,3x10'
10 20 30 J
Jeudi '15 Août ° ° °
(rupture de la périodicité
hebdomadaire )

Figure 2. — Extrait de la série des observations des énergies journalières

(du lundi 1er Juillet 1974 au lundi 30 Juin 1975).

2.1. Recherche d9un ou plusieurs modèles A.R.I.M.A. possibles

En ce qui concerne l'accroissement de l'amplitude des oscillations de la

série, la construction du diagramme de l'étendue en fonction de la moyenne,
qui apparaît parfaitement linéaire, conduit à effectuer une transformation
logarithmique sur la série initiale (se reporter à [8] pour plus de précision). La
série transformée est alors beaucoup plus homogène, avec cependant une légère
indication de transformation trop forte.
Pour pouvoir ajuster un modèle ARIMA, il convient ensuite de filtrer les
vol. 13, n° 1, février 1979
42 J. ABADIE, F. MESLIER

non stationnarités sur la moyenne par des opérateurs différences. Différents

essais conduisent à identifier trois modèles possibles (notations en Annexe IV) :
(1 - <|>365B365)V V7 log 10 xt = (1 - 6 ^ ( 1 - 0 7 B 7 K (1)
(1 - <M)V7V365 log 10 xt = (1 - 67B7)(1 - 0 365 £ 365 )a t (2)
7 365
V. V7V365 log 10 x, = (1 - QXB) (1 - 97B ) (1 - 9365B )af (3)
où at représente pour chacun des modèles le résidu à l'instant t.
Comme point de départ» nous avons retenu le modèle (2). Son ajustement
par les moindres carrés conduit à :
(1 - 092919£)V7V365 log 10 xt = (1 - 059686£7)(l - 0,7068£365)a(
avec : ^ = 0,0263
L'analyse graphique du 'résidu de ce modèle permet de détecter de très
nombreuses réalisations anormales, certaines atteignant jusqu'à 9 écarts-
types. Ces résidus particuliers traduisent l'impact des différentes fêtes légales
sur la consommation journalière d'énergie électrique.
Il est vraisemblable que le modèle ARIMA est fortement perturbé par ces
situations particulières. Leur modélisation permettra d'en comprendre les
mécanismes et d'obtenir un modèle ARIMA moins perturbé.
2.2. Correction des perturbations dues aux différents jours de fête
Nous ne décrirons pas l'ensemble des essais effectués, car ceci conduirait
à analyser un nombre considérable de valeurs numériques. Nous nous conten-
terons d'indiquer les lignes générales de notre travail de manière à montrer
comment le modèle a progressé au cours de cette étape.
L'idée très générale utilisée pour prendre en compte les différentes fêtes
est la suivante : par des corrections adéquates, ramener la consommation
d'énergie de ces jours particuliers à celle qui aurait été réalisée si le jour avait
été normal.
Après plusieurs essais, nous avons retenu une méthode de « correction
additive » : soit par exemple F l'ensemble des indices des jours de fête que
nous voulons corriger par un paramètre X. Nous estimons simultanément
le paramètre X et les paramètres du modèle ÀRIMA, c'est-à-dire :
MIN £a t 2

(1 - <MF 7 V 365 w t - (1 - 9 7 £ 7 )(1 - 0365B365)a(

wt = zt si t^ F
wt = zt + X si t e F
zt = log 10 xt
R.A.I.R.O. Recherche opérationnelle/Opérations Research
 UTILISATION DES MODÈLES ARIMA 43

Pour certains jours de fête, ce type de correction est apparu insuffisant,

montrant que le taux de croissance de la consommation de ces jours spéciaux
est plus fort que celui des jours normaux. Nous avons dû introduire, pour
corriger la tendance de ces jours particuliers, soit des corrections linéaires
de la forme X+ui, soit des corrections quadratiques de la forme
Exemple : Une correction constante pour les lundi de Pâques conduit à
X = 0,1601. En effectuant une correction linéaire, la correction passe de
0,1991 en 1958 à 0,1430-en 1974.
Les différents jours de fête dont nous avons dû tenir compte peuvent être
répartis en trois classes :
1) les fêtes mobiles (Pâques, Ascension, Pentecôte) assez faciles à modéliser
dans la mesure où elles se produisent toujours le même jour de la semaine
et ont des conséquences sur un nombre limité de jours.

Exemple : Pour Pâques, nous avons introduit des corrections pour les
samedis, dimanches, lundis et mardis, c'est-à-dire 5 paramètres, la correction
étant linéaire pour les lundis.
2) les fêtes à date fixe (1 er mai, 8 mai, 14 juillet, 15 août, 1er novembre,
11 novembre, 25 décembre, 1er janvier) beaucoup plus difficiles à prendre
en compte dans la mesure où elles ont des conséquences différentes suivant
le jour de la semaine où elles se produisent, bien que le nombre de jours
concernés soit faible.

Exemple : Pour la Fête du travail, nous introduisons des corrections pour

le 1er mai (constante pour les samedis et les dimanches, linéaire pour les autres
jours), pour le 30 avril (constante pour les lundis), pour le 2 mai (constante pour
les mardis, jeudis, vendredis, dimanches), soit 10 paramètres.
3) les vacances d'été (rappelons qu'en France, le niveau de l'activité indus-
trielle est environ deux fois plus faible pendant le mois d'août) extrêmement
difficiles à prendre en compte, dans la mesure où les conséquences dépendent
du jour de la semaine où se produit le premier août, et où le nombre de jours
concernés est d'environ 40.
Le développement d'une succession de modèles ARIMA, prenant progres-
sivement en compte un nombre croissant de perturbations, a permis de mettre
au point un modèle dont les caractéristiques sur le plan statistique sont
acceptables, sans être cependant parfaites.
Le dernier ajustement du modèle (2) comprend 138 paramètres. Les 3 para-
mètres du modèle ARIMA tenant compte des perturbations sont :

fa = 0,8177 97 = 0,7877 9 365 = 0,7886

vol. 13, n° 1, février 1979

44 J. ABADIE, F. MESUER

au lieu des premières estimations (paragraphe 2 . 1 ) :

fa = 0,2919 G7 = 0,9686 0 3 6 5 = 0,7068
Le modèle ARIMA est donc considérablement modifié; l'écart-type du
résidu devient 0,00617 (c'est-à-dire 1,4 % de la valeur moyenne), au lieu
de 0s0263s soit une réduction par un facteur 4.

2.3. Choix d'un modèle parmi les trois candidats

Nous avons utilisé les mêmes méthodes avec les modèles (1) et (3). L'analyse
des différents coefficients correcteurs, comparés avec ceux du modèle (2),
montre que :
— les résultats sont pratiquement invariants pour les fêtes mobiles et les
fêtes à date fixe, donnant confirmation de la pertinence de l'approche envisagée,
— les résultats sont moins stables pour les vacances d'août, ce qui semble
indiquer le besoin d'un modèle plus fin encore en ce qui concerne le mois
d'août.
Sur le plan global, cependant, les meilleurs résultats ont été obtenus à l'aide du
modèle (1). Les estimations des trois paramètres sont :
<j)365 = 0,0661 Qx - 0,0991 07 = 0,8256
L'écart-type du résidu est de 0,00615. La fonction d'autocorrélation du
résidu présente encore quelques valeurs caractéristiques en dehors de la bande
de confiance à 5 % du bruit blanc normal ; nous relevons une estimation r7
de l'ordre de 0,03 pouvant traduire le besoin d'un terme Q14.B14 et une estima-
tion r 364 de Tordre de 0,09 qui traduit les insuffisances des corrections appor-
tées aux mois d'août.

2.4. Simulation de l'utilisation en temps réel du modèle À.R.I.M.A. retenu

Nous avons simulé une prévision en temps réel, à l'aide du modèle (1),
pour l'année de réalisations non prises en compte dans la phase d'estimation
(du 1 er juillet 1974 au 30 juin 1975). Nous avons supposé a priori qu'il n'était
pas nécessaire de réestimer les divers paramètres sur toute cette période.
Soit T le nombre total des observations et soit xt l'observation courante.
Nous définissons :
zt = log 1 0 xt t < T
w, — zt + éventuelle correction T
a, = W t - W , _ i t ^ T
dt = a, -ex,.? T
<h le résidu du modèle ARIMA t ^ T
R.A.I.R.O. Recherche opérationnelle/Opérations Research
 UTILISATION DES MODÈLES ARIMA 45

Pour prévoir xT+l9 nous effectuons en premier lieu une prévision îT+l9
de la manière suivante :

S T + 1 = dT+1 + a r - 6
w-r+i = «r+i + vvT
zT+i = wT+1 — éventuelle correction.
Puis, bien que cela soit une approximation [9], nous calculons simple-
ment :
xT+1 = 10*T+1
L'erreur de prévision à l'instant T + 1 est alors :
a X
r+i ~ l°8io T+I ~
Avant de prévoir l'énergie du jour suivant, il convient de mettre à jour les
vecteurs suivants :
Z = X
T+I l°gio T+I
w r + 1 = zT+1 + correction éventuelle

dT+1 = a r + 1 — a T _ 6
L'écart-type de la prévision à un jour, estimé sur les 365 erreurs de prévision
est de 0,00771, ce qui correspond à un écart-type de 1,7 % de la valeur moyenne,
qui confirme la valeur obtenue après l'estimation (voir paragraphe 2.3). En
estimant l'écart-type sur les seuls jours normaux (c'est-à-dire en excluant
jours de fête et de vacances), on trouve une valeur beaucoup plus faible,
de 0,00514, soit un écart-type de 1,2 % de la valeur moyenne. La figure 3 com-
pare pour deux semaines non perturbées par les jours de fête, prévision et
réalisation. Cet exemple, choisi au hasard, reflète bien la faiblesse de l'écart-
type pour les jours normaux.
Les résidus sont en général à l'intérieur ou au voisinage de la bande de
confiance à 5 % du bruit blanc normal (d'écart-type 0,00771). Quatre d'entre
eux apparaissent nettement en dehors de la bande de confiance (ils se situent
entre 3 et 4 écarts-types) :
(D 1er août 1974 (dimanche) : un effet du mois d'août non pris en compte
(coïncidence d'un dimanche et d'un 1er août)
(D 11 novembre 1974 (lundi) : la correction linéaire introduite semble
insuffisante (ce genre de résultat nous a conduits pour Noël et le Nouvel an
à introduire des corrections quadratiques)
vol. 13, n° 1, février 1979
46 J. ABADIE, F. MESLIER

Prévisions
0,6 x 10 6 _ Réalisations

0,5*10 6

0,4 xKT

8 9 10 11 12 13 14

Figure 3. — Comparaison entre prévisions et réalisations

pour deux semaines sans jours de fête (du 24-02-1975 au 9-03-1975).

(3) 23 décembre 1974 (lundi) : un effet des fêtes de Noël non pris en compte
dans le modèle (seules les perturbations des 24, 25 et 26 Décembre ont été
envisagées)
® 5 mai 1975 (lundi) : bien qu'il n'y ait pas de fête très voisine, cette situa-
tion demanderait une analyse approfondie permettant de savoir si cette
erreur peut être considérée comme « due au hasard » ou non.
La fonction d'autocorrélation, la fonction d'autocorrélation partielle ne
montrent pas d'aspect particulier (3 à 4 % des estimations en dehors de la
bande de confiance à 5 %), sauf peut-être à Tordre 1 pour lequel les estimations
semblent significatives. Le spectre ne présente pas de profil particulier.

2.5. Quelques réflexions sur le modèle mis au point

Ainsi que nous pouvions le pressentir a priori, la modélisation de la série

des énergies journalières est loin d'être une chose aisée en raison de l'abondance
des jours de fête qui ont une influence notable sur la demande d'énergie en
France.
R.A.I.R.O. Recherche opérationnelle/Opérations Research
 UTILISATION DES MODELES ARIMA 47

La mise au point d'une succession de modèles ARIMA, avec prise en

compte progressive d'un nombre croissant de perturbations, a permis de réa-
liser un modèle dont les caractéristiques sur un plan statistique sont, sans
être encore parfaites, déjà convenables.
Nous obtenons un dernier modèle dont le nombre de paramètres est très
important, mais dont très peu concernent le modèle ARIMA proprement dit.
Ce qui peut sembler être une prolifération de coefficients correcteurs mérite
ici une explication. La correction des perturbations introduites par les très
nombreux jours particuliers relevait de deux soucis :
1) éliminer les perturbations pour que le modèle ARIMA s'adapte le mieux
possible aux jours normaux. L'attitude extrême à cet égard aurait été d'intro-
duire un coefficient chaque fois qu'un jour perturbé se serait présenté. Ceci
aurait évidemment conduit à un nombre de paramètres extrêmement élevé;
2) essayer de comprendre les perturbations en se proposant d'en dégager
des mécanismes généraux et de se donner les moyens de les prévoir.
Il fallait donc trouver un compromis entre le désir d'obtenir un modèle
ARIMA le plus pur possible et celui de mettre en évidence un certain nombre
de mécanismes sous-jacents aux perturbations de la série. C'est ce souci qui
nous a conduits à accroître, par étapes successives, le nombre de paramètres
des modèles et c'est la seule complexité des phénomènes qui en a provoqué
l'importante augmentation.
Nous pensons que les résultats de l'expérience de prévision en temps réel
sont tout à fait encourageants et donnent une bonne validation de l'approche
que nous avons développée.

3. CONCLUSIONS ET PERSPECTIVES

Notre modèle de prévision à très court terme des énergies journalières

produites par Electricité de France, possède déjà de bonnes propriétés. Des
compléments du deuxième ordre pourraient encore être apportés pour les
vacances du mois d'août et pour quelques fêtes non prises en compte (Saint-
Eloi et Sainte-Barbe). L'actualisation de nos travaux (utilisation des dernières
années de statistiques) devrait sans doute induire d'autres compléments, dont
l'un se fait déjà sentir sur la figure 2 : les fêtes de Noël et du Nouvel An com-
mencent à induire un « écrasement » prononcé de la série, analogue somme
toute à celui du mois d'août (ce phénomène était peu sensible jusqu'en 1974).
Un autre complément important serait de déterminer une transformation
« un peu moins forte » que la transformation logarithmique utilisée.
vol. 13, n° 1, février 1979
48 J. ABADIE, F. MESUER

II conviendrait également de mettre au point une fonction de transfert

reliant énergie et température. L'annexe III donne les premières idées dans
cette direction en utilisant la série des températures moyennes journalières
relevées à Paris-Montsouris (cette série représente bien, en une première
approximation, l'influence de la température sur la demande d'énergie totale en
France).
La technique d'optimisation retenue, utilisant le code GRGA [11], pourrait
également donner lieu à une analyse spécifique. Les gros modèles auxquels
nous sommes arrivés demandaient des temps de calcul importants pour leur
estimation. Il faut voir d'ailleurs dans ce fait la raison pour laquelle toutes les
voies de recherche complémentaires définies ci-dessus n'ont pu être explorées
aussi bien que nous l'aurions souhaité.
Une extension très intéressante des travaux entrepris serait d'envisager la
mise au point de modèles de prévision à très court terme de la courbe de
charge. On peut déjà utiliser nos résultats et les « ventiler » à l'aide des coeffi-
cients de modulation n (tableau 1). Il serait évidemment très intéressant
d'effectuer des prévisions directement par pas horaire à l'aide d'un modèle
ARIMA. Il ne faut pas se cacher que, si la modélisation des jours normaux ne
doit pas poser de difficultés particulières, la prise en compte des perturbations
des jours de fête s'avère a priori d'une extrême complexité.
Nous voudrions terminer par une courte remarque sur les temps de calcul
mis en jeu par le développement de notre approche. Ils peuvent être très
élevés au niveau de la phase d'estimation des paramètres du modèle retenu.
Au niveau de la prévision, les temps de calcul sont au contraire extrêmement
faibles. La prévision à un jour est, dans le cadre du modèle retenu pour les
énergies journalières, obtenue de la manière suivante :
1) calcul de wt suivant la formule :
% = wt-i 4- w,_7 — wf_8 — 0,06608wr_365 — 0,06608w(_372
+ 0,06608w/_373 - 0,09906^^ - 0,82560a(_7 + 0,08178a,_8
c'est-à-dire quelques additions et multiplications,
2) si le jour t est soumis à correction, apporter la modification convenable,
c'est-à-dire quelques tests pour trouver les bons coefficients correcteurs,
suivis de quelques additions et multiplications,
3) exponentiation du résultat pour obtenir la prévision effective en MWh.
Les temps de calcul nécessaires à une prévision sont donc extrêmement
faibles (de l'ordre de quelques millièmes de seconde). De plus, en ayant adopté
une série assez longue, il est probable que la réactualisation des coefficients
estimés n'interviendrait que peu souvent (une fois par mois dans le pire des
R.A.I.R.O. Recherche opérationnelle/Opérations Research
 UTILISATION DES MODELES ARIMA 49

cas) ; en tout état de cause, il serait très facile de provoquer un déclenchement

quasi automatique d'une réestimation des paramètres : il suffit par exemple
de suivre les erreurs de prévision et d'en estimer diverses propriétés (le corrélo-
gramme ou le spectre par exemple) et de déclencher la procédure d'ajustement
dès qu'une hypothèse de bruit blanc, définie a priori, n'est plus satisfaite. Par
ailleurs, le modèle aurait alors la même structure et on pourrait calculer
exactement les dérivées utilisées par la méthode de gradient, ce qui conduirait
à des temps d'estimation nettement plus faibles que ceux obtenus jusqu'alors.

ANNEXE 1

ESTIMATION DES PROPRIÉTÉS DU PREMIER ET DU DEUXIÈME ORDRE

D'UNE SÉRIE CHRONOLOGIQUE STATIONNAIRE

Soient x\, x2, . . . , xn les diverses observations. Nous définissons : la

moyenne ,

la fonction d'autocovariance C(i) :

la fonction d'autocorrélation r(i) :

KO =
C(0)
la fonction d'autocorrélation partielle P(i, i) (Méthode de Durbin [5])
Kl) i= 1
t-1

KO -
P(i, i) =

= P(i-lJ)-P(iJ)P(i-hi-j) j = 1, 2, . . ., Ï - 1
la transformée de Vautocovariance T(i) (Estimation au sens de Tukey-Han-
ning [6])
w+1 (i — \)(i — 1)
T(i) = I C\j) cos ^ - ^ J- n i = 1, . . . , m + 1

ou : C\j) = C(j) pour ; = 1, m + 1

pour j = 2, 3, . . . , m
vol. 13, n° 1, février 1979
50 J. ABADIE, F. MESLIER

le spectre (Estimation au sens de Tukey-Hanning [6])

S(l) = 0,5T(l) + 055T(2)
S{i) = 0,25T(i - 1) + 0,5T(î) + 0,25T(i + 1) i - 2, . . . , m
S(m + 1) = 0,5 T(m) + 0,5T(m + 1)

ANNEXE II

ESTIMATION DES MODÈLES A.R.I.M.A.

Nous n'avons considéré que des estimations au sens des moindres carrés,
l'hypothèse de normalité des résidus ayant toujours été acceptable. L'estima-
tion des paramètres des modèles ARMA peut se définir (sur un ARMA(2, 1)
pris à titre d'exemple), comme étant la résolution du programme mathéma-
tique :
T
Min0 Z^i f l »= w t-<l>i w *-i-*2 w t-2+e 1 fl l _ 1 t=i,...,T (i)

plus un certain nombre de conditions assurant la stationnarité et l'inversibilité

du processus, pour notre exemple :
4>2 + 4>! ^ 2 ; <j>2 - 4>2 < 1 ; - 1 ^ <|>2 < + 1 ; - 1 ^ Qx ^ + 1
REMARQUE : La relation de récurrence (1) pose un problème d'initialisation.
Pour t^. 2, elle fait appel à des quantités non disponibles. A cet égard, plu-
sieurs solutions sont possibles :
1) introduire les variables non connues comme paramètres à optimiser, c'est-
à-dire résoudre :
Min £ af
Cette solution est envisageable pour des modèles non saisonniers. Par
contre, le nombre de paramètres à ajouter devient très important pour des
modèles saisonniers de période longue (environ 365 paramètres seraient
nécessaires pour nos modèles de prévision de l'énergie journalière).
2) utiliser la technique de « backforecasting » développée par Box et Jen-
kins ([4]) en particulier lorsque la série est courte. Cette solution complique
l'implantation sur ordinateur des modèles envisagés ;
3) introduire des valeurs arbitraires pour certaines variables (0 par exemple)
lorsque la série est longue, et prendre un anneau de garde, c'est-à-dire résoudre
un problème de la forme
Min Y af

R.A.I.R.O. Recherche opérationnelle/Opérations Research

 UTILISATION DES MODÈLES ARIMA 51

C'est la solution que nous avons retenue, nos séries étant exceptionnellement
longues.
L'estimation d'un modèle ARMA conduit donc en général à la résolution
d'un programme non linéaire, sous des contraintes qui deviennent de plus
en plus complexes à mesure que le degré du processus augmente. Heureuse-
ment, l'expérience numérique montre que si l'identification du processus est
correcte, alors le résultat de l'estimation sera un processus stationnaire et
inversible sans tenir compte explicitement des contraintes correspondantes.
Box et Jenkins [4] recommandent un algorithme dérivé de celui de Mar-
quardt [12]. Nous ne l'avons pas adopté pour les deux raisons principales
èat
suivantes : d'une part, il est nécessaire de calculer les — (les pf étant les
d%
différents paramètres) ; pour nos plus gros modèles, le volume d'informations
correspondant aurait été incompatible avec un programme informatique
« in core » ; d'autre part, il semble nécessaire d'avoir de bonnes estimations
initiales des paramètres pour obtenir une convergence acceptable. Les calculs
préalables auraient été considérables pour la série des énergies.
La technique d'optimisation adoptée, utilisant le code GRGA [11] est
dXaf
plus générale et ne demande que le calcul des dérivées —— (ce qui sup-
prime toute difficulté de stockage en mémoire centrale). Après plusieurs essais
prenant en compte les contraintes (conditions de stationnarité et d'inversi-
bilité), le code a été utilisé comme un code d'optimisation sans contrainte
(méthode des gradients conjugués [13] à la date de nos travaux).
La technique d'optimisation retenue devrait cependant donner lieu à une
analyse spécifique. GRGA permettait d'aborder sans difficulté l'estimation
des divers modèles tant que le nombre de paramètres n'était pas trop impor-
tant (avec 6 000 a,, 4 minutes avec 19 paramètres, 30 minutes avec 40 para-
mètres sur un I.B.M. 370-168). Par contre, un nombre important de paramètres
nous conduisait à des temps de calcul très élevés.
Les temps de calcul observés proviennent pour une bonne part du mode de
calcul des dérivées, par différences centrales, demandant pour 100 variables,
200 appels de fonction pour calculer le gradient, soient 200 explorations de la
série temporelle : une formule exacte pour le gradient ne demanderait qu'une
seule exploration. En contrepartie, la détermination analytique du gradient
exige une formulation extrêmement compliquée qui est à remettre entièrement
en cause dès qu'une modification est introduite dans le modèle. Une fois le
modèle fixé (pour la recherche de la meilleure transformation par exemple), il est
certainement rentable d'effectuer les calculs littéraux nécessaires à l'obtention
des formules; une réduction importante du temps de calcul peut en être attendue.
vol. 13, n ° l , février 1979
52 J. ABADŒ, F. MESLIER

Une analyse plus spécifique pourrait porter sur la technique d'optimisation

proprement dite. Quelques essais utilisant un autre code [14] ont été très
encourageants pour un faible nombre de paramètres : temps divisé par 2 pour
19 paramètres. Par contre, un essai sur un plus grand modèle (100 paramètres)
a donné de moins bons résultats que GRGA5 au bout de 100 itérations. Une
poursuite des travaux dans cette direction devrait conduire à des réductions des
temps d'estimation.
Nous n'avons pas, en général, estimé les écarts-types des coefficients. Il
y a trois raisons à cela :
1) nous avons plutôt jugé le bien fondé d'un coefficient en fonction de
l'analyse des diverses propriétés du second ordre (autocorrélation, auto-
corrélation partielle et spectre) estimées sur le résidu d'un modèle contenant ou
ne contenant pas le coefficient;
2) pour les gros modèles, cette estimation aurait été lourde. Rappelons
qu'il est nécessaire de calculer la matrice des dérivées secondes du critère Eaf
(ceci est très facile au niveau du principe avec le code GRGA, par une méthode
de différences centrales), puis d'inverser cette matrice, puis de la multiplier
par deux fois la variance du résidu. La diagonale donne les variances des coeffi-
cients et les autres éléments les covariances entre les coefficients ;
3) de toute façon, nous avons ajusté nos modèles avec un nombre important
d'observations, et l'écart-type du résidu est faible, ce qui conduit à des écarts-
types des coefficients faibles (de 10" 4 à 10" 3 comme nous l'ont indiqué quel-
ques estimations faites sur des modèles simples mis au point dans le cadre de cette
étude).
ANNEXE III

PREMIER ESSAI D'IDENTIFICATION D'UNE FONCTION DE TRANSFERT

LIANT L'ÉNERGIE JOURNALIÈRE A LA TEMPÉRATURE JOURNALIÈRE
Différentes analyses effectuées au sein d'E. D. F. ont montré que la tempé-
rature moyenne journalière relevée à Paris-Montsouris représente, en une
première approximation, l'influence de la température sur la demande d'énergie
électrique en France. C'est donc la série que nous avons utilisée pour cette
analyse.
Soient xt, yt les observations courantes de la température et de l'énergie
et soit n le nombre total d'observations. Transformons en premier lieu les
deux séries pour induire leur stationnarité simultanée, c'est-à-dire calculons :
\k = VV7V365x, t = 1, . . . ,
vt = log 10 yt + correction pour les jours de fête t ~ 1, . . . ,
"w, = VV7V365i?( t=l ...
R.A.I.R.O. Recherche opérationnelle/Opérations Research
 UTILISATION DES MODÈLES ARIMA 53

Nous calculons la covariance des deux séries ainsi transformées :

1 T « I n n-i+l "I

n - i + l\_t=i n — i + 1 t=i t=i J

Ceci conduit à la fonction de corrélation entre les deux séries. L'analyse

de cette estimation montre :
1) une forte valeur à l'ordre 0, suivi de valeurs plus faibles aux ordres 1 et 2,
le tout semblant décroître de manière exponentielle ;
2) une forte valeur à l'ordre 7 et rien de significatif à Tordre 14 (avec un
satellite à l'ordre 8, certainement induit par les valeurs des ordres 1 et 7) ;
3) une forte valeur à l'ordre 365 et rien de significatif à l'ordre 730 (avec
un satellite à l'ordre 366, certainement induit par les valeurs des ordres 1 et 365).
Ceci conduit à postuler la fonction de transfert suivante :
(1 - &xB)vt - (D0(l - cû7fT)(l - o) 365 B 365 K + Nt
où Nt représente la « part » des vt qui ne peut être expliquée par la tempéra-
ture ; pour Nt nous adopterons bien entendu la structure du modèle endogène
de la série des énergies, c'est-à-dire :
(1 - ct>365B365)VV7Nt = (1 - 6 ^ ( 1 - e7U7)af
La combinaison de ces deux termes conduit au modèle cherché.
L'estimation du modèle conduirait à résoudre
MIN £>t2
ôl,Cùo,W 7 , 0)365,91,07, (f>365 t

La technique utilisée pour les modèles endogènes est ici directement applicable.
REMARQUES: 1) Ce modèle est à considérer comme une première tentative
de prise en compte de l'influence de la température sur la consommation.
Les résultats de l'estimation, en particulier l'analyse des résidus, peut induire
des modifications de cette première identification. Cependant, ce modèle
comprend des mécanismes bien connus par ailleurs, essentiellement la varia-
tion de la sensibilité de la consommation à la température en fonction du
jour dans la semaine et du jour dans l'année (termes 1 — co7JB7 et 1 — œ 365J B 365
respectivement). Le terme (1 - btB) caractérise un phénomène non pris en
compte dans les procédures actuelles, à savoir une certaine inertie de la
consommation face aux dernières températures réalisées.
2) Pour une utilisation dans des conditions réelles de prévision, la tempé-
rature xt n'est évidemment pas conrxue et il conviendrait de la templacer par
une prévision xt (dans les méthodes actuelles, xt = x f _ l s modèle simple qui
a cependant, dans la classe des modèles endogènes, des propriétés satis-
faisantes).
vol. 13, n° 1, février 1979
54 J. ABADIE, F. MESLIER

3) On peut aussi prendre les prévisions de la météorologie nationale, qui

consistent en un couple de températures, minimale et maximale. Leur moyenne
est, selon ce que semblent montrer des études en cours, un indicateur meilleur
que le précédent, en ce sens que cette prévision est plus proche de sa réalisation
que x t _! ne Test de xt, et que sa valeur explicative est au moins égale.

ANNEXE IV
Notations : pour une série temporelle quelconque (ut) :

BIBLIOGRAPHIE
1. J. ABADIE et F. MESLIER, Présentation synthétique de modèles de prévision à très
court terme de l'énergie journalière produite par Électricité de France et de la
température moyenne journalière relevée à Paris Montsouris, Cahier du LAMSADE,
n° 10, octobre 1977.
2. F. MESLIER, Contribution à Vanalyse des séries chronologiques et application à la
mise au point de modèles de prévision à court terme relatifs à la demande journa-
lière d'énergie électrique en France et à la température relevée à Paris Montsouris.
Thèse Université Paris IX-Dauphine, décembre 1976.
3. A. FERRANDIZ, M. PENEL and Y. PIOGER, Short, medium and long term loadfore-
casting models. IEEE PES Summer Meeting, Paper n° A 75 430-9, July 1975.
4. G. E. P. Box and G. M. JENKINS, Time Series Analysis forecasting and control
Holden Day, San Francisco, 1970.
5. J. DURBIN, The fitting of time series models. Rev. Int. Inst., 28, 1960, p. 233-244.
6. C. W. J. GRANGER and M. HATANAKA, Spectral analysis of economie time series.
Princeton University Press, 1964.
7. G, E. P. Box and D. R. Cox, An analysis of transformations. Journ. Royal Stat.
Soc, B26, 1974, p. 211-252.
8. G. E. P. Box and G. M. JENKINS, Some comments on a paper by Chatfield and
Prothero and on a review by Kendall (with a reply). Journ. Royal Stat. Soc,
A136, 1973, p. 337-352.
9. C. W. J. GRANGER and P. NEWBOLD, Forecasting Transformée Series. Journ.
Royal Stat. Soc, n° 2, 1976, p. 189-203.
10. J. ABADIE and J. CARPENTIER, Generalization of the Wolfe reduced gradient method
to the case of non linear constraint, in: Optimization, Fletcher éd., Academie
Press, 1969, p. 37-47.
IL J. ABADIE, Méthode du gradient réduit généralisé, ie code GRGA, Note E.D.F.,
Hl 1758, février 1975.
12. D. W. MARQUARDT, An algorithm for least squares estimation of non linear
parameters. Journ. Soc. Ind. Appl. Math., 11, 1963, p. 431-441.
13. R. FLETCHER and C. M. REEVES, Function minimization by conjugate gradients.
Comput. Journ., 6, 1964, p. 149-154.
14. A. A. H. HAGGAG, Étude d'algorithme d'optimisation non linéaire (une variante
du GRG). Thèse Université Paris VI, novembre 1976.
R.A.I.R.O. Recherche opérationnelle/Opérations Research