Effets des variations climatiques sur la demande de gaz naturel au

ALEXANDRE SIMARD
Effets des variations clilllatiques sur la delllande de
gaz naturel au Québec
Application à la méthode de normalisation des volumes et des
revenus de Gaz Métro
Mémoire présenté
à la Faculté des études supérieures de l'Université Laval
dans le cadre du programme de maît rise en économique
pour l'obtent ion du grade de Maître ès Art (M .A. )
Sciences sociales
UNIVERSITÉ LAVAL
QUÉBEC
2009
©Alexandre Simard , 2009
"Résumé
Dans ce mémoire nous cherchons à mieux comprendre et modéliser l effet du climat
sur la consommation de gaz naturel au Québec et ce dans le but de développer une
méthode de normalisation climatique plus complète que celle en usage chez Gaz Métro
le principal distributeur de gaz naturel de la province. En utilisant des données quotidiennes de consommation pour six régions climatiques du Québec, nous dév loppons
un modèle simple permettant de tenir compte des degrés-jours , du vent et d son int er action avec les degrés-jours , du rayonnement solaire global ainsi que d ;un effet de
persistance de la température. Nous concluons que les données de consommations uniquement normalisées pour la température ne sont pas adéquatement neutralisées pour
les variations climatiques.
Avant-propos
L'écriture de ce mémoire fut parfois pénible surtout pour mon entourage! Alors je
remercie tous ceux qui m 'ont supporté et encouragé à terminer sa rédaction, à commencer par Dominique. Je remercie aussi mon directeur J ean-Thomas Bernard, pour son
appui et sa patience ainsi que l'ensemble de mes professeurs qui non seulement ont su
me transmettre quelques connaissances utiles , mais surtout leur rigueur et leur curiosité
intellectuelle.
Je dois aussi remercier le département d 'économique et le groupe de recherche en
économie de l'énergie, de l'environnement et des ressources naturelles (GREEN) qui
p ar leur appui financier m 'ont permis de terminer mes études sans inquiét ude. Je ne
peux non plus passer sous silence l'appui et la confiance que m 'ont accordés les gens
de chez Gaz Métro et plus particulièrement Vincent Pouliot et Jean-François Tremblay
dont l'aide fut précieuse pour mes recherches.
Finalement , je salue mes amis et collègues grâce à qui mes années d 'étude en économie , particulièrement les quelques mois de la maîtrise, furent des plus agréables.
À tous ceux qui liront ces pages.
Table des matières
Résumé
Avant-propos
Table des matières
Liste des tableaux
Liste des graphiques
ii
iii
v
vii
viii
Introduction
1
1
Normalisation climatique
1.1 Méthode en usage chez Gaz Métro
3
3
2
Revue des études antérieures
2.1 lVIodélisatioll des effets clirnatiques sur la demande.
2.2 Variables climatiques
2.2.1 Température.
2.2.2 Vent . . . . .
2.2.3 Hun1idité
2.2.4 Ensoleillement .
2.2.5 Autres facteurs climatiques.
2.3 Variables non climatiques
6
6
9
9
9
10
Il
Il
Il
3
Lacunes de la méthode actuellement en usage chez Gaz Métro
14
4
Modèle
4. 1 Description des variables
4.2 Modèle. . . . . . . . . .
19
19
20
5
Données utilisées
5. 1 Données de consommation
5.2 Données climat iques . . .
23
23
24
Table des matières
5.3
5.4
P ériode d'observation . . . . . . . . .
Traitement des données manquantes.
VI
25
26
6
Résultats
6.1 Méthode d 'estimation du modèle
6.2 Effets climatiques . . . . . . . . .
7
Application à la méthode de normalisation climatique de Gaz Métro 34
7.1 Méthode proposée. . . . . . . . .
34
7.2 Impact du changement de modèle
35
28
28
28
Conclusion
41
Bibliographie
43
Annexes:
A Régions climatiques
45
Liste des tableaux
. .
2.1 Résumé des études présentées
13
3.1
3.2
3.3
3.4
Estimation de 1 effet du vent par stra es selon les degrés-jours (DJ)
Estimation de l'effet du vent indépendament des degrés-jours
Poids du vent dans la normalisation .
Variation du volume de base en cours d'année
15
15
16
18
5.1
5.2
5.3
5.4
5.5
5.6
Association par régions .
Liste des stations climatiques de référence
Liste des stations climatiques d'observation du rayonnement solaire
Données manquantes sur la période étudiée .
Données manquantes dans sur la période historique de référence
Début de la période d'observation du rayonnement solaire global
24
25
25
26
27
27
6.1
6.2
6.3
6.4
6.5
6.6
Estimation
Estimation
Estimation
Estimation
Estimation
Estimation
des
des
des
des
des
des
paramètres
paramètres
paramètres
paramètres
paramètres
paramètres
climatiques
clin1atiques
climatiques
climatiques
climatiques
climatiques
pour
pour
pour
pour
pour
pour
la
la
la
la
la
la
région
région
région
région
région
région
7.1 Volumes de normalisation (milliers de GJ) . . . . .
7.2 Décomposition de l'écart de volume (milliers de GJ)
7.3 P oids du vent dans la normalisation .
1 (Abitibi) .
2 (Québec)
3 (Saguenay)
4 (Montérégie)
5 .(Estrie)
6 (Montréal) .
30
30
31
31
32
32
37
39
40
Liste des graphiques
3.1
3.2
Impact du vent sur la consommation d gaz naturel
Biais possible d 'un base fixe . . .
15
17
Introduction
Dans une région au climat froid , comme le Québec , les besoins de chauffage figurent
parmi les déterminants majeurs de la consommation énergétique. Dans ce contexte
il importe de comprendre et de mesur r adéquatement de quelle manière le climat
influence cette consommation. À ce titre, la consommation de gaz naturel est particulièrement sensible aux variations climatiques puisqu'elle vise largement à combler des
besoins de chauffage. Pourtant , en dehors du seul effet de la température les effets plus
larges du climat et des différents facteurs qui le définissent n 'ont que peu été étudiés.
Dans le contexte réglementaire qui régit la distribution du gaz naturel, au Québec
comme ailleurs, cette compréhension des effets climatiques sur la demande de gaz n aturel joue un rôle important dans le processus de normalisation climatique. Ce processus
vise à neutraliser l'effet des variations climatiques (principalement la température) sur
les résultats ,du distributeur. De tels processus existent chez plusieurs distributeurs canadiens et américains de gaz naturel , dont Gaz Métro, le principal distributeur de gaz
naturel de la province.
Ainsi , l'objectif de ce mémoire est de comprendre et de modéliser adéquatement
l'effet du climat sur la consommation de gaz naturel au Québec afin de proposer une
méthode de normalisation qui soit plus complète que celle actuellement en usage par
Gaz Métro.
Cette méthode qu'utilise actuellement Gaz Métro repose sur une régression linéaire
de la consommation mensuelle de la clientèle du distributeur sur les degrés-jours et la
vitesse du vent. Les détails de cette méthode sont présentés au chapitre 1. Tel qu 'expliqué au chapitre 2, qui présente un survol des études antérieures, il existe plusieurs
fondements théoriques justifiant une ren1ise en question de cette méthode , notamment
l'effet théorique d 'autres facteurs climatiques que la température ou le vent ainsi que
l'interrelation potentielle entre ces variables. Sur la base de ces études, plusieurs lacunes
de la méthode qu 'utilise Gaz Ivlétro sont soulevées au chapitre 3.
Introduction
2
Au chapitre 4 nous proposons un nouveau modèle afin de combler ces lacunes. Ce
dernier comprend non seulement les degrés-jours et le vent, mais aussi de nouveaux
facteurs climatiques : l'humidité absolue le rayonnement solaire. De plus , ce modèle
est construit de manière à tenir compte d 'effets d interaction entr ces variables et d un
effet de p ersistance d ans le temps de certains phénomènes climatiqu s. Pour évaluer ce
modèle , contrairement à ce qui est généralement d'usage dans l industrie des données
quotidiennes provenant directement du réseau de distribution gazier sont utilis / es plutôt
que des données mensuelles de facturation. Ces données quotidiennes sont décrites en
détail au ch apit re 5. Les ré ultat obtenu à l aide du modèle développé confirment
que les éléments que nous présentons devraient être considérés dans la modéli ation
climatique des effets de chauffage, à l'ex eption de l humidité qui ne semble p as avoir
d effet observable. Les r /sultats tels que présentés au chapitre 6 ont été obtenus par la
méthode des moindres arrés quasi-g/néralisés sur quatre saisons de chauffe (d ;octobre
à mai) consécutives , soit de 2002-2003 à 2005-2006.
Sur la base des résultats obtenus , nous proposons au chapitre 7 une nouvelle méthode
de normalisation pour Gaz IVlétro. Cette nouvelle méthode corrige la plupart des lacunes
identifiées d ans la méthode actuellement en usage et représente une correction pouvant
atteindre près de 900 000 GJ annuellement selon les simulations faites pour les années
2003-2004 à 2005-2006.
Chapitre 1
Normalisation climatique
L'ut ilisation d 'un mécanisme de normalisation climatique est pratique courante dans
le domaine de la distribut ion d 'énergie réglementée (électricité et gaz naturel).
Dans certains cas , un t el mécanisme vise uniquement l'ajust ement des volumes livrés
afin que ceux-ci soient t els qu 'ils auraient été sous des conditions climatiques normales.
Ceci est effectué dans le but de faire apparaître plus clairement l'évolution des livraisons,
souvent cachée derrière de fort es flu ctu ations climatiques d 'une année à l'aut re, ou d ans
le but d 'utiliser les livraisons actuelles ou passées dans un processus de prévision de la
demande.
Chez d 'aut res distributeurs, c'est le cas chez Gaz J'vlétro , les résultats fin anciers
sont aussi ajust és pour reflét er ces livraisons normales, p ermett ant une stabilisation
des revenus et une protection contre le risque climatique. Ce second obj ectif découle
direct ement du contexte réglementaire qui ent oure la distribution de gaz naturel et qui
ne donne pas la latitude nécessaire aux distributeurs pour supporter adéquat ement un
tel risque. Nous nous concentrerons cep endant dans le présent mémoire sur l'ajust ement
des volumes livrés puisque le processus d 'ajustement des revenus n 'est en fin de compte
qu 'un processus cOlnptable découlant du volume établi.
1.1
Méthode en usage chez Gaz Métro
Au Québec , la Régie de l'énergie permet à Gaz Métro de normaliser ses revenus
depuis 1979. L'ajust ement des revenus se fait par le transfert (ou le retrait ) , dans
Chapitre 1. Normalisation clim atique
4
un compte de stabilisation, du surplus (ou du manque à gagner) généré par un hiver
plus rigoureux (ou plus doux) que la normale. P ar ces t ransferts, 1 entreprise stabilise
ses revenus en éliminant les pertes ou les gains dus aux aléas climatiques c est-à-d ire
aux variations du climat p ar r apport au climat défini comme norm al. Théoriquemen
ce compte devrait s'équilibrer dans le temps puisque les retraits devraient égaler les
transferts dans la mesure où les déviations par rapport à la normale sont d espérance
nulle.
Jusqu'en 2007, seule la température était prise n compte par Gaz Métro dans son
modèle. La méthode de normalisation alors en place depuis 1 ~ 98 consistait à mesurer, à
part ir des données de facturation mensuelle, l'impact de la temp érature (sous forme de
degrés-jours l) sur la consommation men uelle des client ayan un p rofil d e consommation axé sur le chauffage (clients aux tarif D l et DM 2) à 1 aide de régressions linéaires
sur 12 mois :
Consommati oni,t
=
fJOi + fJli . Degrés-joursi,t + Ei,t
(1.1)
où i représente un sous-groupe de clients selon la région , le t arif et le cycle de
facturation et t le mois de l'année.
Les paramètres ainsi estimés p ermettent de calculer le volume anorm al devant être
ajouté ou retranché des résultats :
Volum e anormali,t
=
/.
réels )
fJli Degres-Joursinormaux
,t
- Degres-Joursi,t
A
(
"
.
(1.2)
À l'expression (1.2) , les degrés-jours réels correspondent à la somme mensuelle des
degrés-jours quotidiens t andis que les degrés-jours normaux correspondent à la moyenne,
sur les trente dernières années, de la somme n1ensuelle des degrés-jours quotidiens.
Bien que largement répandue, cette méthode de normalisation climatique basée sur
la régression mensuelle de la consommation sur les degrés-jours semble ne pas st abiliser
1. Un degré-jour correspond à la différence en tre la tenl p ér ature extéri eure et un certain seuil , tant
que la température ext érieure est inférieure à ce seuil. Mathématiquement , la quantité de degrés-jours
d 'une journée donnée corresp ond au rr~ax (O , S eui l- T empérature m oyenne ). Chez Gaz Métro, le seuil
ut ilisé est de 13°C.
2. Les tarifs Dl , D3 et D M s'appliquent a ux clients à petit ou moyen débit. Les clients du t arif 3
ne sont pas considérés car le nombre est négligeable puisque ce t arif a ét é aboli. Les clients aux t arifs
D4 et D 5 sont des clients à grand débit dont le p rofil est industriel et t rès p eu influencé p ar le climat .
Leur consommation n 'est donc pas normalisée.
Chapitre 1. Normalisation climatique
5
adéquatement les volumes livrés, puisque de fortes variations de consommation, non
explicables par des fluctuations économiques ou des changements comportelnentaux
persistent.
En 2007 la Régie de l'énergie 3 a permis à Gaz Métro d utiliser un nouveau modèle
de normalisation (équation (1.3)), toujours par régressions linéaires mensu Iles pour
tenir compte du vent de manière linéaire et indépendante des degrés-jours.
Consommationi,t =
/30i + /3li . Degrés-joursi t + /32i . Venti,t + éi,t
(1.3)
Cette modification a permis d améliorer s nsiblement l'estimation des volum anormaux. Cependant cette m / thode est toujours bien imparfaite et nous reviendrons sur
ses lacunes au chapitre 3.
3. Décision D- 2007-116
Chapitre 2
Revue de"
s études antérieures
Bien que peu d'études se soient intéressées spécifiquen1ent au problème de la normalisation, plusieurs chercheurs ont étudié, pour différentes r aisons , la relation entre
les fact eurs climatiques et la consommation d'énergie. Ces travaux se divisent en deux
branches : d'une part , ceux qui se concentrent sur la modélisation du comportement
énergétique d 'un b âtiment spécifique et, d'autre p art, ceux qui visent à modéliser la
consommation agrégée sur un certain territoire.
Les recherches propres à un immeuble sont généralement très techniques et relèvent
de domaines tels l'architecture ou l'ingénierie. Non seulement s 'intéressent-elles à l'imp act du climat sur la charge de chauffage nécessaire à un immeuble , mais aussi à l'effet de
ses caractéristiques propres comme les matériaux utilisés , l'orientation de ses façades , la
surface des murs et des fenêtres , l'occupation des locaux, etc. Nous nous contenterons
donc de recencer les effets théoriques pertinents des différentes variables climatiques
qui y sont décrits sans s'attarder en profondeur à la modélisation qui y est fait e. Les
études qui empruntent la voie d 'une modélisation plus globale des besoins de chauffage
sur le parc immobilier dans son ensemble sont plus près de notre objet d 'étude. Par
conséquent, une attention plus particulière sera portée aux modèles qu 'elles proposent.
2.1
Modélisation des effets climatiques sur la demande
Ces travaux se distinguent en fonction de la source d'énergie considérée. Si certains
d 'entre eux étudient la demande de gaz naturel, la majorité s'intéresse exclusivement
Chapitre 2. R evue des études ant "rieur s
7
à la dem ande d 'électricité. Malgré t out, en raison de la similitude ent re la réaction
de la demande d 'électricité et celle du gaz naturel face aux variations climatiqu S i
il est possible de se référer à ces études en gardant t out de m Arne en tête que ces
deux ecteurs comportent des différences (consommation hors ch auffage plu impor ante
pour l électricité effet du climat sur l'éclairage etc.) Il en va de même p our l s études
réalisées pour des climats plus chaud où les b soins énerg" t iques sont plutôt ax" s sur
la con omn1ation pour fin de climatisation t où l eff t de variables climatiques peu
se faire sent ir en sens inverse.
P armi ceux qui ont sp" cifiquement "tudi ' le gaz natur l, Bower et Bower [4] ont men'un étude d cas sur le problème de l établissement d un m "cani me de normalisation
pour une compagnie gazière devant un organism de régI m nta ion de l État de New
York. Ils ont comparé différents modèl s linéair s sur un échan ilIon d une année de
données quotidiennes pour en venir à la conclusion que le volume de base est variable
de mois en mois, mais que la relation entre la consommation et les fact eurs climatiqu s
est stable toute l'année.
Toujours avec un modèle linéaire, Elkhafif [6] ut ilise des variables dép endantes décalées comme régresseurs afin de traduire le dyn amisme de la relation de la tempér ature
sur la consommation de gaz naturel. Avec des données mensuelles sur une période de
dix ans mesurées en Ontario, il met au point une procédure itérative d 'estimation visant
à ext raire l'information non normalisée contenue dans les variables décalées. Diranzo et
al. [5], en cherchant à dét erminer les vari ables climatiques influençant la dem ande de
gaz naturel, modélisent plutôt le dynamisme de la relation en ajoutant à leur modèle
linéaire une structure autorégressive du t erme d 'erreur. En t est ant le modèle sur un
échantillon de données mensuelles de dix ans pour l'Espagne, les auteurs concluent à la
non significativité de presque t outes .les vari ables sauf la t empérature.
À leur inst ar , Aras et Aras [2] ont utilisé une structure autorégressive des résidus
dans leur t entative de Inodéliser la demande de gaz naturel en Turquie. Ces derniers
optent par contre pour un modèle non linéaire multiplicatif. Avec un échantillon de 61
observations mensuelles, les deux auteurs concluent qu'il est préférable d 'utiliser deux
modèles dist inct s pour représenter la p ériode avec chauffage et la p ériode sans ch auffage . Cett e approche de modélisation log-linéaire a aussi été privilégiée par Sailor et
~1 unoz [17] tout comme par Ruth et Lin [16]. Les premiers ont cherché à dét erminer
si l'utilisation de variables climatiques primitives ét ait préférable à celle des variables
dérivées . Leur travail sur un échantillon de données mensuelles couvrant huit États américains durant dix ans semble montrer que l'utilisation de données primitives donne de
meilleurs résultat s. Les seconds ont voulu estimer l'impact des changements climatiques
sur la consommation d 'énergie au Maryland. En utilisant des données mensuelles récol-
Chapitre 2. R evue des études antérieures
8
t ées sur une période de treize ans, ils concluent à un faible impact sur la consommation
de gaz naturel.
L s travaux s'intéressant exclusivement à la dem ande d 'électricité sont plus nombreux que ceux portant sur la demande de gaz naturel. P armi ceux-ci, Peirson et H nley [1 5] se sont p enchés sur la question p art iculière de la sp écification dynamiqu . À
l aide d 'un modèle linéaire et en s'appuyant sur cinq mois de données semi horaires il
mont rent la nécessité de tenir compte de ce dynamisme et suggèrent de le modéli er
à l'aide d 'une structure autorégressive des résidus plutôt qu avec des variabl s dépendantes ret ardées. Cette conclusion e t partagée par P ardo et al. [14] qui ut ilisent par
cont re un modèle log-linéaire. En appliquant leur modèle sur des données quotidienne
s'ét endant de 1983 à 1999 mesurées en Espagne ceux-ci mont rent une bonne capacité
prédictive. Mirasgedis t al. [12] appliquent le même typ e de modèle m ais pour la Grèce .
P ar ailleurs, plusieurs auteurs se sont intéressés à la relation non linéaire entre la
demande d 'électricité et les fact eurs climatiques. Train et al. [18], pour le compt de
l' Electric Power R eserch Institute (EPRI) , présentent la manière la plus simple et la
plus r ' pandue de modéliser cette non-linéarité en segmentant les variables explicatives
et en p ermett ant un effet indép endant à chaque segment de variable (l 'ut ilisation de
degrés-jours est une application siInple de ce principe à deux segments). Ils confin nent
le bien-fondé de cette méthode pour la normalisation en l'appliquant aux données de
quatre compagnies américaines de distribution gazière.
Carcedo et Otero [13] critiquent cette méthode par segmentation et se sont appliqués
à comparer certaines t echniques de modélisation non linéaires . Des données quot idiennes
sur une période de huit ans ont ét é utilisées afin de faire la compar aison de ces techniques
et les auteurs viennent à la conclusion que le modèle de Logistic Smooth Transition
serait le meilleur pour modéliser le p assage entre la période de chauffe et celle de
climatisation en Espagne. Ce modèle permet un passage graduel aux points de rupt ures
ent re les segments , m ais rend difficile l'ut ilisation des effet s estimés d ans une procédure
de normalisation climatique.
Feinberg et al. [7] , qui ont étudié l'impact de divers facteurs climatiques sur la
demande d 'électricité, partagent eux aussi l'idée de la modélisation non linéaire et
concluent à la significativité de l'impact d 'autres vari ables climatiques que la t empérature. Pour leur part , Grenier et Fournier [9] pour le compte d 'Hydro-Québec, ont
développé un modèle de normalisation non linéaire comportant des t ermes d 'interaction
mult iplicatifs entre les variables, des t ermes polynomiaux de degrés divers et des paramètres exponentiels. Ce modèle complexe a l'inconvénient d 'être difficile à estimer et
peu révélateur quant aux effets individuels des facteurs. NotOllS aussi que les chercheurs
i
Chapitre 2. Revue des ét udes antérieures
9
ne fournissent aucune indication statist ique quant à la valeur des paramètres du mod' le
ou à leur significativité. Finalement , Al-Garni et al. [1] font aussi appel à d ,s term s
d 'interaction entre les variables explicatives dans leur modélisation non linéaire d la
charg électriqu à des fins de climatisation en Arabi Saoudit. Ce modèl a ét / b enu
par une t echnique de choix des variables Step-Wise en utilisant des donné s m nsu 11 s
sur cinq ans et les auteurs concluent positivement quant au pouvoir explicatif du mod'le
dans un climat chaud.
2.2
2.2.1
Variables climatiques
Température
\
La température extérieure est à la base de tout modèle explicatif de la charg de
ch~uffage . Wang [19] tout comme Leduc et Won [11] expliquent que c'est le différent iel
ntre la t empérature intérieure et extérieure ainsi que le taux de transfert t h rmique
entre les deux milieux qui dict ent les besoins de chauffage. De manière implifiée les
échanges thermiques entre l'intérieur et l'extérieur se font suivant deux phénomènes :
la conduction thermique et l'infiltration ou exfiltration d 'air. Dans le premier cas , la
chaleur se propage de l'intérieur vers l'extérieur à travers les parois (murs , fenêtre et
toit) de l'édifice à une certaine vitesse qui dépend not amment de son degré d:isolation.
Dans le second , l'air froid extérieur ent re directement dans la bâtisse par les fis ure ou
autres ouvertures (fenêtres , conduits d 'aération , etc.) et l'air chaud s'échappé par ces
mêmes voies.
i
La majorité des études utilisent la variable degrés-jours pour représenter la t empérature. Aras et Aras [2], Bovver et Bower [4], Carcedo et Otero [13], Diranzo et al. [5],
Elkhafif [6], Train et al. [18], ~irasgedis et al. [12], Pardo et al. [14], Peirson et Henley
[15] , Ruth et Lin [16] et Sailor et Munoz [17] s'accordent tous sur l'impact positif signific atif de cette variable en période de chauffe. Cependant , Carcedo et Otero [13] ainsi
que Sailor et Munoz [17] ont également utilisé la variable température brute qui s'est
avérée avoir un effet négatif significatif
2.2.2
Vent
Le vent est généralement le second facteur considéré. Selon Wang [19] et Arens et
Willi ams [3] , le vent joue un rôle amplificateur sur les deux phénomènes mentionnés
Chapitre 2. R evue des ét udes antérieures
10
précédemment. D 'une part, il chasse la couche d 'air isolante entourant la bâtisse accélérant ainsi la perte de chaleur par conduction. Cette p erte de chaleur s 'approxime par
une fonction de la racine carrée de la vitesse du vent . D 'autre part la pression exercée p ar le vent p eut augmenter le volume d air qui pénètre par infilt ra ion. Ce volume
d 'infilt ration est fonction de la différence de pression ent re l'intérieur et l'extérieur et le
carré de la vitesse du vent dans le cas de t rès p etites ouvertures (microscopiques) alors
qu 'il est fonction de la racine du différent iel de pression et de la vitesse du ven dans
le cas d ouvertures plus grandes . Le vent à lui seul n a t héoriquement pas d effet sur la
tempér at ure intérieure m ais il a un effet mult iplicatif lor que combiné à un différentiel
de température.
Malgré son imp ortance t héorique p eu d études ont considéré son effet . P armi les
études recensées , seules quatre études s y sont intéressées . Diranzo et al. [5] et Sailor
et Munoz [17] rejettent sa si gnificati~i té dans leur contexte d étude respectif alors
que Feinb erg et al. [7] comme Grenier et Fournier [9] laissent entendre un effet positif
significatif.
2.2.3
Humidité
L'effet de l'humidité est rIloins bien défini. Entre aut re, COIIlrne le fait comprendre
Hutcheon [10] , l'humidité relative change lors d 'une variation de la température de l air
puisque sa capacité m aximale en vapeur d 'eau varie. L'air froid de l'hiver cont ient peu
d :humidité (en quantité absolue de vap eur d 'eau) alors, lorsqu 'elle est ch auffée , son
humidit é relative devient t rès faible et une certaine quant ité d'énergie sera nécessaire
pour humidifier l'air intérieur en plus de la chauffer. À cet efFet, l'humidité absolue
serait alors une meilleure mesure que l'humidité relative. Par ailleurs, il ajoute qu 'en
vert u de l'effet de l 'humidité sur la température ressentie p ar le corps humain, un faible
taux d 'humidité entraîner a un b esoin de chauffage supérieur. Ces deux conséquences
vont dans le même sens, c'est-à-dire qu 'une plus faible humidité induit une plus forte
consomm ation d 'énergie, m ais ce sont des effets relativement faibles .
L'effet de l'humidité relative a surtout ét é considéré lors de p ériodes chaudes sur la
demande de climatisation. Dans ces conditions, Al-G arni et al. [1] , Feinberg et al. [7]
et Mirasgedis et al. [12] estiment un p aral!lèt re positif significatif, alors que d ans le cas
de la dem ande de ch auffage , Diranzo et al. [5] et Sailor et M unoz [1 7] arrivent à des
coefficients non significatifs.
Chapitre 2. R evue des ét udes an térieures
2.2.4
Il
Ensoleillement
L'ensoleillement est un autre facteur pris en compte dans plusieurs tentatives de
modélisation. Son action se fait par apport énergétique gratuit à la construction. La
ch aleur du rayon;nement solaire réch auffe l'esp ace intérieur , principalement p ar les fenêtres, m ais aussi à t r avers les aut res p arois, réduisant du coup les b esoins de chauffage
pour une t empérature extérieure donnée. Flouquet [8J. insiste sur l'importance de tenir
compte du rayonnement solaire afin d estimer sans bi ais la signature énergétique d 'un
bâtiment . Toutes choses étant égales par ailleurs, une augmentation du rayonnement
solaire devrait ent raîner une réduction de la charge de chauffage n~cessaire.
L impact du soleil se mesure soit par le nombre d 'heures d 'ensoleillement soit par
le taux de nébulosité, soit par le rayonnement solaire global. L ensoleillement n heures
est considéré comme non significatif par Diranzo et al. [5] ainsi que par Ru h et Lin
[1 6] . Feinberg et al. [7] le considèrent plutôt comme significatif m ais estiment le facteur
nébulosité non significatif. Seuls Al-Garni et al. [1] ut ilisent le rayonnement solaire
global et ils estiment p our ce facteur un paramètre posit if significatif, mais dans une
sit uation de climatisation. Cette mesure, le rayonnement solaire global, présente un
avantage sur les autres mesures relatives à l'ensoleillement puisqu 'elle mesure l'apport
énergétique solaire réel et ne nécessite ainsi aucun ajustement.
2.2.5
Autres facteurs climatiques
Les précipitations ne semblent pas avoir d 'impact théorique. Elles sont d'ailleurs
peu présentes d ans les modèles glob aux et l'étude de Diranzo et al. [5] confirme qu 'elles
seraient non significatives . Cet te dernière arrive à la même conclusion pour la pression
at mosphérique; qui n 'est incluse dans aucun autre modèle.
2.3
Variables non clilllatiques
La plupart des modèles ajoutent un certain nombre de variables non climatiques.
Ainsi, Train et al. [18] suggèrent l'ajout d 'une variable prix et d'une variable revenu. Ils
concluent que le prix a un effet négatif significatif et que le revenu a l' effet contraire.
L'effet négatif significatif du prix est confirmé p ar Rut h et Lin [16]. Une variable représentant une t endance t emporelle est aussi utilisée par certains auteurs. Aras et Aras
[2], Carcedo et Otero [13], Elkhafif [6], Train et al. [1 8], Mirasgedis et al. [12], P ardo
Chapitre 2. Revue des études antérieures
12
et al. [14] et Ruth et Lin [16] lui a tribuent tous un paramèt re significatif quoique de
signe variable selon le contexte de leur étude.
Afin de contrôler l'impact de facteurs non observables ou non mesurables de variable dichotomiques (ou binaires) sont habituellement utilisées. Le plus souvent ces
variables représentent les mois , comme le font Bower et Bower [4], Diranzo et al. [5],
Train et al. [18] , Grenier et Fournier [9] et Mirasgedis et al. [12]. Certains vont plus loin
en ajoutant de telles variabl s pour modéliser l'effet des de certain jours de la semain
(Carcedo et Otero [13] , Feinberg et al. [7] , Grenier et Fournier [9J et Mirasg sdis et
al. [12]) ou de certains jours fériés (Carcedo et Otero [13] et Mirasgedis et al. [12]) .
Feinberg et al. [7J vont jusqu'à ajouter des variables dichotomiques horaires . Le choix
des variables dichotomiques à inclure dépend largement de l étendue et de la fréquence
d 'observation de l'échantillon; mais dans tous les cas , leur ajout au modèle permet
d 'améliorer la précision des facteurs explicatifs en évitant que 1 impact des fact eurs non
observés soit assimilé à ceux des facteurs explicatifs du modèle.
Chapitre 2. Revue des études antéri ures
13
Tableau 2.1 - Résumé de étud s PI /sentées
C'I
~
en
en
.2.-
cà
.;..;>
Q)
'§
ro
q
VA RI BLES
Climatiques
Température
Degré -jours
V . d u vent
Humidité
Ensoleillement
Rayonnement G lobal
ébulosité
Précipitations
P. atmosphérique
Non climat iques
Prix
R evenu
T emps
Binaires
Mois
Jours
Jours fér iés
Heures
MODÉLISATION
Linéaire
Non li néaire
Log-linéaire
Erre urs a utorégressive
Variables décalées
Fréquence
Annuelle
Mensu elle
Quotidienne
Horaire ou moins
~
-;;)
~
0
0
00
~
~
1-<
ro
0
en
~
.;..;>
Q)
~
Cl)
~
çq
.;..;>
Cl)
1-<
Cl)
~
0
~
ç::::)
+*
+*
+*
00
-;;)
0
0
~
8
ü
0
.;..;>
Q)
0
"0
ü
u
~
0
*
(+*)
+*
M
0
0
~
ca
....,
;;00
~
en
~
~
M
ç:::
~
ca
~
~
....,
~
~
ç:::
'@
..D
Q
~
~
+*
x
+*
+*
c
.~
~
ro
~
ü
+
0
0
.~
~
0
1-<
Q)
t:?
Q)
ç:::
&
.;..;>
Q)
;v
.~
Q)
~
ü
x*
x( *)
ü
en
~
Q)
b.O
~
~
+*
x*
x*
x*
x(*)
x
x(*)
x(*)
~
ço
c
c
.;..;>
ü
~
t::'
en
en
N
::::>
0
~
~
.2.>,
~
ç:::
Cl)
~
....,
ü
ç:::
0
ê
'dï
'"8
~
.2.-
~
0
>=:
0
0
ç:::
~
â)
"':j
0...
0...
~
+*
+*
+
;:::s
~
.9';:a
Cf)
*
(+*)
x
x
+*
x(*)
en
en
~
+
+*
x
x
*
x*
+*
+*
x
x
+*
*
x
x
x
x
x
x
x*
x*
x
x
x
x
+*
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
Légende:
+ /- = signe du parmnètre * = variable significative
x = variable ou élément considéré sans information sur son signe (ou signe ne s'applique pas)
(*) = pas d'information sur l'estimation des paran1ètres
Chapitre 3
Lacunes de la méthode actuellement
en usage chez Gaz Métro
La méthode actuellement en usage chez Gaz Métro, telle que décrite précédemment ,
comporte d'importantes lacunes, tant au niveau du modèle que des données utilisées et
ce, malgré le fait que l'ajout de la vitesse du vent dans la méthode en 2008 constitue
une amélioration par rapport à ce qui se fait chez la plupart des autres distributeurs
nord-américains qui n'utilisent que la température.
La principale lacune de cette méthode réside dans le fait que le vent soit pris en
compte de manière indépendante dans le modèle. Tel que décrit selon la théorie , l'effet
du vent sur la charge de chauffage provient d'une accentuation de l'effet de la température. Toute chose étant égale par ailleurs ; un vent égal devrait avoir un effet différent
selon la température extérieure .
Pour vérifier que la relation entre la consommation de gaz naturel et le vent est une
fonction croissante dans les degrés-jours, nous avons segmenté la variable vent selon 4
strates de degrés-jours, soit de 0 à 10, de 10 à 20 , de 20 à 30 et plus de 30. Une régression
. linéaire 1 de la consommation de gaz naturel sur les degrés-jours et le vent de chacune des
strates nous permet de tester l'hypothèse selon laquelle l'effet du vent serait indépendant
de la température. Le tableau 3.1 présente les coefficients obtenus pour chacune des
strates et on remarque une progression croissante de la strate 1 (températures les plus
chaudes) vers la strate 3 (températures les plus froides). Par opposition, le tableau 3.2
présente les coefficients obtenus par la régression où le vent est pris en compte sans
égard aux degrés-jours.
1. L'estimation a été faite suivant la méthode décrite au chapitre 4.
Chapitre 3. Lacunes de la méthode actuellement en usage chez Gaz Métro
15
Tableau 3.1 - Estimation de l'effet du vent par strates selon les degrés-jours (DJ)
Variable
Degrés-jours
Vent si Dl < 10
Vent si Dl E [10· 20[
Vent si Dl E [20· 30[
Vent si Dl ~ 30
Coefficient
10185.185
600.378
813.810
982.019
1607.184
Écart-type.
(158.078)
(86 .829)
(72 .447)
(96 .054)
(168.188)
Tableau 3.2 - Estimation de 1 effet du vent indépendament de degrés-jours
Variable
Degrés-jours
vent
Coefficient
10625.880
80l.167
Écart-type
(127.524)
(66.644)
En utilisant une relation unique indépendante de la température extérieure pour expliquer l'effet de la vitesse du vent sur les besoins de chauffage , la méthode de Gaz Métro
impose donc une relation moyenne qui sous-estÏrne l'effet du vent lorsque le différentiel de température intérieur/ extérieur est grand (c'est-à-dire lorsqu 'il y a beaucoup de
degrés-jours) et qui surestime à l 'inverse cet effet lorsque les degrés-jours approchent
zéro. Ces deux relations sont illustrées à la figure 3.1
Graphique 3.1 - Impact du vent sur la consommation de gaz naturel
Degrés-jours = [20 ; 30[
DeÇJr$s-jours = [10 ; 20[
..,,/ Reratlon moyenne
ë
<V
>
, ;..-
::J
cu
<V
~~
, ~
Degrés-jours < 10
C
o
~
E
E
o
Cf)
c
o
o
Vitesse du vent
Bien que ce biais de n1odélisation devrait être présent dans les mois très froids
comme dans les mois d'épaulement, c'est surtout dans ces derniers qu'il est visible. Ces
mois d 'épaulement sont les mois charnières entre la période estivale et la période de
Chapitre 3. Lacunes de la m éthode actu ellem ent en usage chez Gaz Métro
16
ch auffe, soit les mois d 'octobre, d 'avril et de m ai. En effet , puisque les volun1es livrés
durant ces mois sont faibles puisqu 'il y a p eu de chauffage une surnormalisation sera
facilement dét ect able. Le t ableau 3. 3 mont re l'effet m arginal de l ajout du vent dans
la méthode de normalisation sur les volumes réels livrés du mois. Le poids élevé que
représente souvent le vent en octobre et en m ai lai se croire que l'effet du vent est
surestimé. P articulièrement , le mois de m ai 2005 qui fut t rès venteux se voit attribuer
un volume à normaliser pour le simple facteur vent de plus de 9% des volumes réels
livrés au cours du mois alors que les volume as ocié au chauffage au moi de mai ne
représente plus qu 'une fr act ion négligeable des volumes livrés .
Tableau 3.3 - Poids du vent dans la normalisation
Nov .
Déc.
Oct .
Méthode actuellement en place chez
2003-2004 2,03% 4, 13% 2,17%
2004-2005 1,38% 0,74% 0,91%
2005-2006 4,80% 3,59% 0,77%
Fév.
J an .
Gaz Métro
0,76% 1,55%
0,99% 0,62%
2,13% 2,70%
Mars
Avril
Mai
2,97%
0,33%
1,59%
2,49%
1,8 1%
0,37%
2,17%
9 41%
0,71 %
Par ailleurs, le choix de données mensuelles limite fort em ent le potentiel de développ ement de la modélisat ion au delà de ce qui existe. En effet , en ne conservant qu 'un an
d 'hist orique, le nombre d 'observations est limité à 12 'données ,d ont 4 sont des mois d'été
sans ch auffage. Il est donc difficile dans ce contexte d 'être à même de mesurer l'effet
de variables climat iques dont l'impact est plus subtil comlne le rayonnement solaire ou
l'humidit é. Il n 'est pas non plus envisageable d 'évaluer le biais potentiel découlant de
l'utilisation d 'un volume de base fixe si en réalité ce volume de base suit un cycle corrélé
avec celui de la t empérature. En effet , d ans un t el cas, l'impact des degrés-jours s'en
trouvera exagéré comme le montre la figure 3.2 .
Chapitre 3. Lacunes de la m éthode actuellem ent en usage chez Gaz Métro
-G raphique 3.2 - Bi ais possible d 'un b ase fixe
Année uniforme
Janvier et février
Décembre et mars
++
c
o
~
E
E
o
+
en
c
+
+
+
Novembre et avril
Octobre et mai
+
+
o
Ü
+ +
++
+ +
+
+
+
+
Degrés-jours
Basé sur des données d e sÜllllla Lion fi c t.ives
17
Chapitre 3. Lacunes de la méthode actuellement en usage chez Gaz Métro
18
Si, telle que présentée par Bower et Bower [4], la relation entre les degrés-jours et la
consommation est constante dans le temps , mais que l'ordonnée à l'origine (le volume
de base) varie dans le temps , alors la pente évaluée sera exagérée. Une telle variation du
volume de base au cours de l'année peut s'expliquer par des facteurs comportementaux
comme l'augmentation des activités commerciales au cours de 1 hiver ju qu au temps
des fêtes , puis leur déclin par la suite, ou simplement par des facteurs physiques comme
le refroidissement des conduites d'eau qui entraîne une demande énergétique supérieure
pour la production d 'eau chaude. Ce dernier facteur n 'est cependant pas corrélé avec
l'évolution des degrés-jours au jour le jour puisque le sol conserve une certaine stabilité thermique, cette variation ne devrait donc pas se retrouver dans les volumes de
normalisation.
Encore une fois , une régression simple de la consommation de gaz natur 1 sur les
degrés-jours et des variables binaires représentant les différents mois de 1 anné permet
de valider l'hypothèse selon laquelle le volume de base évolue effectivement en cour
d 'année. Le tableau 3.4 présente le volume de base estimé pour chacun des mois de
chauffe.
Tableau 3.4 - Variation du volume de base en cours d 'année
Variable
J anvier
Février
Mars
Avril
Mai
Octobre
Novembre
Décelnbre
Coefficient
119875.285
111349.001
87670.642
5209 l.358
17079.202
40375.905
71824.928
97415.549
Écart-type
(12506.435)
(12484.504 )
(1233l.651)
(12179.752)
(12313.082)
(12202.902)
(1229l.705)
(1244l.831 )
Chapitre 4
Modèle
4.1
Description des variables
Comme nous l'avons déjà mentionné, toutes les variables utilisées sont des variables
quotidiennes, mesurées au jour t dans la région i .
- C i,t'
== Consommation de gaz naturel en gigajoules(G J).
Pour représenter le climat , quatres variables climatiques ont été envisagées :
- D Ji,t = max{ 13 - T,O} == Degrés-jours, où T est la température quotidienne
moyenne en degrés Celsius (OC).
- Vi ,t ==
Vent moyen en kilomètres par heures (Km/h).
- RSGi,t == Rayonnement solaire global quotidien en kilojoules par mètre carré
(K Jlm 2 ).
- H Ai,t = (6,111 . 10 ,0(7 ,5.PTR/(237 ,7+PTR)) . 100) . 1000j((273 ,15
Humidité absolue (Kg/m
3
),
+ T)
·461,5)
où PT R correspond au point de rosé (OC).
Finalement, des variables binaires sont utilisées pour représenter les effets de calendrier :
- Jl,t == Variables binaires représentant le jour de la semaine, j, allant du lundi au
dimanche.
Chapitre 4. M odèle
20
Mi~t == Variables binaires représentant le mois de l'année ,k, allant d octobre à
septembre. 1
- J Fi,t
4.2
== Varia ble binaire prenant la valeur 1 lors de jours fériés .
Modèle
Nous avons choisi un modèle linéaire relativem nt simple puisque le modèle développé doit pouvoir être mis en application dans la méthode de normalisation de
Gaz Métro. Nous avons donc t raité le problème de la non linéarité entre la consommat ion de gaz naturel et la temp érature par l utilisation des degrés-j ours et par une
interaction mult iplicative ent re le vent et ceux-ci. Nous avons de plus intégré au modèle
une certaine persistance de la température et un volume de base variable.
C i ,t =
Ai ,t
+ (31,i
.
D J i ,t
+ (32,i
.
DJi ,t- l
+ (33 ,i . DJi ,t- 2 + (34 'i . Vi "t DJi t
+ (35 . . RSG · t + (36 . . H A · t + v -t
,'L
A i,t
où
=
aO ,i
+
7
12
j=2
. k=2
'L ,
,'L
'/.. ,
(4 .1 )
'L ,
L aj - l ,i . J ft + L ak+5 . Mi~t + a 18 . J Fi,t
et
avec
Ci ,t
rv
N (O ,a; )
Deux conditions ont été ajoutées afin de limiter l'effet du rayonnement solaire et
de l'humidité relative à la période de chauffe, c'est-à-dire aux jours où les degrés-j ours
sont non nuls :
RSG it
HAit
=
0 si DJit
= 0 si
D J it
=
0
=0
Dans le modèle proposé, la vitesse du vent apparaît dans le t erme d 'interaction avec
les degrés-jours, m ais sans effet individuel. Ceci est conforme à la t héorie puisque le vent
1. Nous avons choisi d 'u t iliser un e an née all a.nt d 'octobre à septernbre pui sque la saison de chauffe
débute en oct obre.
Chapitre 4. Modèle
21
lui-mêm e ne devrait p as influencer le ch auffage en dehors de son effet croi é avec les
degrés-j ours. P ar ailleurs, les degrés-j ours , eux, appar aissent de m anière indépendante
puisque la tempér ature a un effet qu 'il y ait du vent ou non .
De plus, nous prenons en compt e les degrés-j ours de la journée en cours et des
deux journées précédentes modélisant ainsi l'effet de persistance de la t empérature
c'est-à-dire que l'effet d' un degré-j our se fait sent ir le jour même , m ais aussi les jours
suivants .
La variable Ai représente le volume de consommation de base, c'est-à-dire toute la
consommation découlant d activités qui ne sont pas liées au ch auffage. Cette Ollsomm ation est variable en fonction de la p ériode de 1 année ou du jour de la semaine,
ce qui t raduit les variations dans l'activité des clients commerciaux ou industriels par
exemple. Ces vari ables p euvent en plus capter une part ie des effets liés aux fluct u at ions
économiques ou aux variations du prix des énergies .
En r aison de la présence de 1 effet de la tempér at ure de deux jours précédent
(Dli,t- l et Dli ,t- 2) et de l'effet croisé ent re les degrés-jours et la vitesse du vent l'interprétation des effets m argin aux doit se faire ainsi:
- f31,i = Effet m argin al d 'un degré-jour sur la consommation du jour même en l'absence de vent.
- f32,i
= Effet m arginal d 'un degré-j our sur la consommation du jour suivant.
- f33,i = Effet m arginal d 'un degré-jour sur la consommation deux jours plus t ard.
- f31,i + f32,i + f33 ,i = Effet m arginal tot al d 'un degré jour sur le jour mêm e et les
jours suivants en l'absence de vent le jour m ême.
f34,i . Vi ,t = Effet rnargin al d 'un degré-jour sur la consomrnation du jour rnêrne en
présence d 'un vent Vi ,t.
- f31,i + f32,i + f33,i + f34,i . Vi ,t = Effet m argin al d 'un degré-jour , en présence d 'un vent
Vi ,t , sur la consommation du jour même et des deux jours suivants.
- f34,i . Dli,t = Effet m arginal de la vitesse du vent en présence de Dl degrés-jours.
- f34,i = Effet m arginal supplément aire des degrés-jours p ar Km/h de vent ou effet
m arginal du vent par degrés jour.
Chapitre 4. Modèle
22
- f35 ,i
== Effet m arginal du rayonnement solaire global.
- f36,i
== Effet m arginal de l humidité absolue.
L interprétation des différents p arametres a est de moindre importance puisque
ceux-ci ne sont pas considérés dans le processus de normalisation. Ils correspondent
simplement à l impact sur la consommation de base d être dans une des différentes
combinaisons de jour et de mois de l année. Le paramètre ao correspond au point de
référence soit un lundi d 'octobre non férié (toutes l s variables dichotomiques présentes
prennent alors la valeur zéro). Les autres paramètres sont des ajust ements à la hausse
ou à la b a isse p a r r a ppor t à ce point. P a r exemple un vendredi férié d e novem bre a u ra
une consommation de base estimée de a O,i + ( a4 i + a 7 i + Œ18,i ). Ces paramètres peuvent
être positifs ou négatifs puisqu 'il s'agit d 'ajust ements par rapport au point de référence.
j
j
Chapitre 5
Données utilisées
Les données utilisées sont de deux types : les données de consommation de gaz
naturel qui nous ont été fournies par Gaz Métro et les données climatiques qui , elle
ont été fournies par le service météorologique d Environnement Canada.
Toutes les données climatiques originales étant sur une base horaire, elles ont été
ramenées sur une base quotidienne allant de lOh le matin jusqu'à 9h le lendemain
matin , toujours à l'heure normale de l'est (HNE). Ceci correspond à la période de
mesure quotidienne des volumes chez Gaz Métro.
5.1
Données de consommation
Les données de consommation proviennent des volumes mesurés chaque jour par
Gaz Métro à l'entrée de son réseau. Ces volumes sont ajustés pour tenir compte des
variations quotidiennes de pression à l'intérieur du réseau et correspondent donc aux
volulues effectivement consommés quotidiennement par l'ensemble des clients 1.
Les différents points de mesure utilisés ont été répartis en six régions distinctes
illustrées sur la carte de l'annexe A et présentées au tableau 5.1
Suite à ce regroupement, nous avons exclu de ce volume total les volumes consommés
par les grands clients industriels (aux tarifs D3i D4 et D 5 ) puisque ces volumes sont
1. Ces volumes comprennent également les volumes perdus sur le réseau, en raison de fuites par
exen1ple, l11ais ces derniers sont négligeables.
Chapitre 5. Données utilisées
24
Tableau 5.1 - Association p ar régions
Numéro (i)
1
2
3
4
5
6
Nom de la région(a)
Abit ibi
Saguenay
Montréal
Estrie
Mauricie
Québec
Abréviation
Abt.
Sag.
Mtl.
Est.
Mre.
Que.
(a) Ces régions ne font pas référence a ux régions adln ini t rat ives du même nom .
suscept ibles d engendrer une grande variabilité des consommations journalièr
mais
ne sont pas liés à la t empérature. Pour ce faire, chacune de ces entr prises a été as ociée
à l'une des six régions, et son volume quotidien a été soustrait du volume total. Il en
résulte la consommation des clients avec un profil de consommation chauffag oi t ceux
des t aris Dl et D M, les mêmes que dans la méthode utilisée par Gaz Métro
5.2
Données clilllatiques
Les données climatiques recueillies sont la t empérature , la vitesse du vent , le point
de rosée (utilisé dans le calcul de l'humidit é absolue) et le rayonnement solaire global.
Les données horaires d 'origine ont ét é ramenées en moyennes quotidiennes , à l'exception
du rayonnement solaire global qui correspond plutôt à la somme quotidienne des observations horaires 2 . Bien qu 'Environnement Canada calcule la t empérature moyenne
quotidienne uniquement à partir des t empératures maximum et minimum de la journée
((Tmax + Tmin )/2) , nous avons utilisé, comme pour les autres variables climatiques, une
moyenne des 24 données horaires puisque l'informat ion était disponible.
Pour chacune des régions présentées à la section 5.1 , les observat ions des variables
climatiques les plus courantes ont ét é faites d ans la station clim atique la plus fi able
(généralement sur le, site d 'un aéroport). Le talbeau 5.2 présente la station climatique
de référence pour chacune des région.
Le rayonnement solaire global n 'ét ant pas une variable climatique largement mesu2. Le choix d 'ut iliser une somme quotidienne plutôt qu 'une moyenne quotidienne dans le cas du
rayonnement découle simplement de l'interprét at iori p lus naturelle de la variable de cette manière
puisqu 'il s' agit d 'une mesure d 'énergie Inesurée sur une p ériode de t emps donnée.
Chapitre 5. Données utilisées
25
Tableau 5.2 - Liste des stations climatiques d référence
Région
1
2
3
4
5
6
Ville de référence
Val d'Or
Québec
Roberval
Sherbrooke
Trois-Rivières
Montréal
Code d identification de la station
7098600
7016294
7066685
7028124 / 7028126
7018563
7025250
rée , les données pour cette variable proviennent généralement d une station avoi inant
de la station principale considérée. Le tableau 5.3 présent la ille et le cod de ce
stations .
Tableau 5.3 - Liste des stations climatiques d 'observation du rayonnem nt olaire
Région
1
2
3
4
5
6
5.3
Ville de référence
Rouyn
Québec (U.Laval)
Jonquière
Trois-Rivières
Lennoxville
Montréal
Code d identification de la st ation
7086716
701Q004
7063370
7018562
7011983
7025250
Période d'observation
Les données de livraisons de gaz couvrent la période du 1er octobre 2002 au 31
mai 2006 , ce qui correspond à toutes les saisons hivernales des années 2002-2003 à
2005-2006. Les données climatiques couvrent la même période, en plus de la période
1972-2002 utilisée comme historique dans la détermination des normales . Pour la région
de la Mauricie par contre, les données ne sont disponibles qu 'à partir de 1992 ce qui
limite la période historique disponible pour le calcul de la normale.
Seules les données hivernales (d'octobre à mai) ont été conservées , les données estivales n 'apportant pas d' information supplémentaire sur la consommation de gaz pour
des besoins de chauffage.
Chapitre 5. Données utilisées
5.4
26
Traitement des données manquantes
La base de données climatiques horaires obtenue d Environnement Canada comporte
certaines données manquantes. Les règles suivantes ont été appliqu / es afin de traiter ces
données manquantes en introduisant le minimum d erreur dans le calcul des données
quotidiennes, tout en conservant le maximum de jours disponibles :
- Lorsqu'une journée comporte trois données horaires consécutives, manquantes ou
moins , ces données manquantes sont r mplacées par la moyenne de la dernière
donnée existante et de la prochaine donnée existante.
- Lorsqu'unè journée comporte plus de 3 données horaires manquantes lobservation quotidienne est identifiée comrne manquante.
- Dans le cas de rayonnement solaire global, les données manquantes en dehor de
la période comprise entre le lever et le coucher du soleil ont été remplacées par
zéro.
Le tableau 5.4 présente le nombre de données manquantes observées dans la p / riode
étudiée, soit d 'octobre 2002 à mai 2006, alors que le tableau 5.5 présente le nombre de
données manquantes , mais pour la période historique utilisée dans la détermination des
normales climatiques, soit d'octobre 1972 à mai 2004 3 .
Tableau 5.4 - Données manquantes sur la période étudiée
Région
1
2
3
4
5
6
T
8
7
61
768
16
6
Données
V
15
6
61
843
19
7
horaires
HA
44
18
68
770
75
39
RSG
518
129
796
831
5319
260
T
1
0
8
38
1
0
Données quotidiennes
Total(a)
HA
RSG
V
2
Il
28
6
21
12
1
0
47
19
8
8
40
43
68
38
24
1
9
5
14
24
3
0
(a) Correspond à une donnée de température ou de point de rosée manquante. (b) Nombre de jours
pour lesquels au moins une des variables n 'a pas d 'observation, incluant deux jours de décalage pour
la tempéra utre (pour le calcul des degrés-jours retardés) .
3.' Les données d 'octobre 2003 à mai 2004 se retrouvent dans les deux tableaux puisqu'elles font
partie de l'échantillon utilisé pour la détermination de la normale cliInatique pour l'année 2005-2006.
Chapitre 5. Données utilisées
27
Tableau 5.5 - Données m anquant es d ans sur la p ériode historique de référence
Région
1
2
3
4(b)
5
6
Données
V
75
62
422
986
664
71
T
66
62
424
892
649
78
horaires
HA
189
106
489
625
742
118
RSG (a)
2434
641
2962
1158
5138
2588
T
17
6
42
164
66
6
Données quotidiennes
HA
RSG
V
17
44
120
10
43
6
126
43
51
192
76
185
91
73
304
9
159
5
(a) Les données manquantes sont comptabilisées à part ir du début de la période d 'observation t elle
q u e défi n ie a u tab leau 5 .6 . (b) Les d onnées p récé dant le 1er février 1994 sont inexista ntes et n 'ont p as
été comptabilisées dans le tableau.
Bien que le nombre de données manquantes puisse paraître impressionnant à première vue; il est relativement bas p our plusieurs régions lorsqu 'on regarde le nombr
de données t otales . Ainsi, l'échantillon d 'intérêt a un potentiel de 729 données quotidiennes (3 ans, fois 243 jours) et de 17 496 données horaires (3 ans, fois 243 jours, fois
24 heures) . L'échantillon historique, lui, a un potentiel de 8 027 données quotidiennes
et de 192 648 données horaires ; et ce pour chacune des six régions. Les observations
hist oriques du rayonnement solaire global ont tout de même un t aux très élevé de données m anquantes puisque l'historique remonte au maximum entre 1995 et 1998 selon
les régions (le début de la période d 'observation disponible pour chaque région est présenté au t ableau 5.6). Ceci posera un problème lors de la dét ermination de la normale
climat ique. Dans la région de la Mauricie (région 4) , le problème s'élargit à l'ensemble
des variables climatiques avec un historique qui n'est disponible que depuis 1992.
Tableau 5.6 - Début de la p ériode d 'observation du rayonnement solaire global
Région
1
2
3
4
5
6
Dat e de la première observation disponible
1er mars 1995
7 décembre 1997
3 juin 1995
9 novempre 1995
31 décembre 1998
28 février 1997
Chapitre 6
Résultats
6.1
Méthode d'estilll'a tion du modèle
Pour tenir compte du processus autorégressif de premier ordre des erreurs présent
dans le modèle présenté à la section 4.2, l'estimation a été faite par moindres carrés quasi-généralisés (méthode de Prais-Winsten) à l'aide de la version 10 du logiciel
STATA.
Par souci de cohérence avec l'application qui en sera faite subséquemment , l'estim ation a été faite pour chacune des saisons de chauffe et pour chacune des régions
séparément .
6.2
Effets clilllatiques
Les résultats d'estimation des paramètres climatiques sont donnés , pour chaque région, dans les tableaux 6.1 à 6.6. Ces tableaux présentent de plus le nombre d 'observations disponibles, le R 2 ajusté, la valeur estimée du paramètre p ainsi que la statistique
Durbin-Watson originale et corrigée par l'introduction de la composante autorégressive
des erreurs.
Bien que les six régions établies soient à peu près équivalentes ell tenne de superficie , '
elles diffèrent grandement en terme de population et de volumes livrés . Ainsi, la région
de Montréal représente plus de 75, 7% des volumes livrés totaux, suivie de la région de
Chapitre 6. Résultats
29
l'Estrie (9,1 %) et de Québec (8 ,0%), puis de la région du Saguenay (2 ,9%), de la région
de la Mauricie (2,7%), laissant à peine 1,6% des volumes pour la région de l Abitibi.
En raison de ce déséquilibre , les résultats de la région de Montréal sont non seulement
plus importants mais aussi plus précis puisque moins susceptibles d 'être influencés par
des fluctuations de consommation de quelques gros clients.
Les résultats obtenus de l'estimation des paramètres associés aux variables climatiques dans la région de Montréal (tableau 6.6) sont stables pour les quatre périodes de
chauffe étudiées. À l'except ion de l'humidité absolue, toutes les variables climatiques
ont un effet statistiquement différent de zéro au seuil de 5o/c et sont de signe attendu:
- Les degrés-jours (DJ, DJ(t-l) et DJ(t-2)) ont un eff t positif sur la demande de
gaz naturel.
- L'effet combiné du vent et des degrés-jours (VDJ) a lui aussi un effet positif sur
la demande de gaz naturel.
- Le rayonnement solaire global (RSG) a un effet négatif sur la demande de gaz
naturel.
De plus , conformément aux attentes , l'effet marginal des degrés-jours est décroissant
dans le temps (le paramètre associé aux degrés-jours du jour même est le plus grand,
suivi de celui associé aux degrés-jours du jour précédent puis finalement du p aramètre
associé aux degrés-jours de l'avant veille.)
Dans les cinq autres régions , les variables climatiques n 'ont pas toujours un effet significatif. Tout d 'abord, le second retard des degrés-jours (DJ(t-2)) tout comme
l'hunlidité absolue n 'a généralement d'effet dans aucune de ces cinq régions. Le premier retard des degrés-jours , lui, a un effet partout sauf au Saguenay. Évidemment , les
degrés-jours du jour même ont un effet significatif partout , ce qui est aussi le cas de
l'effet multiplicatif du vent et des degrés-jours (VDJ). Pour ce qui est du rayonnement
solaire global, seule l'Abitibi montre un p aramètre significatif pour plus de deux des
quatre années étudiées.
Chapitre 6. Résultats
30
Tableau 6.1 - Estimation des paramètres climatiques pour la région 1 (Abit ibi )
Variable
DJ
DJ (t-1)
DJ(t-2)
VDJ
HA
RSG
Nb. Obs.
R~justé
p
DW corr .
DW Orig .
2002-2003
231 ,30448 ***
117,22533 ***
-39 ,99049 ***
1,2031735 *
-17 ,46007
-0,028714 *
236
09575
-0,1340
1,943 1
2,2105
2003-2004
236,7228 ***
71,132536 ***
-5,906299
1 2033627 *
45 ,162929
-0,012287
239
0,9338
0,0104
1,9827
1,9635
2004-2005
227,40972 ***
61 922962 ***
-4,47854
1,3425001 ***
45 ,053333
-0,028687 **
236
0,9497
0,2668
1,9559
1,4746
Légende:
2005-2006
185 42866 ***
61 ,260879 ***
-2 41245
1 3794385 **
-31 ,9856
-0 02602 *
242
0,9418
0,1109
1,9863
1,7885
* p < 0,05 ; ** p<O 01 ; ***
p < O 001
Tableau 6.2 - Estimation des paramètres climatiques pour la région 2 (Québec)
Variable
DJ
LD J
L2DJ
VDJ
HA
RSG
Nb. Obs.
R~justé
p
DW c orr .
DW Orig .
2002-2003
803 ,448 11 ***
212,9318 ***
72 ,13234 **
5,4148195 ***
13,427732
-0,0 18152
242
0,9568
0,5322
2, 0646
1, 1577
2003-2004
807,61355 ***
180,39259 ***
68, 149288 *
5, 109644 ***
-35,76958
-0,014007
244
0,8345
0,8333
2,1081
0,5680
2004-2005
863,74697 ***
248, 22685 ***
6,6086197
5,9940417 ***
82,639494
-0,050933 **
233
0,9684
0,6201
1,7695
0,8354
Légende :
2005-2006
804,71877 ***
203,07098 ***
43 ,665857 *
5,9720586 ***
9,375 1855
-0,0 14909
242
0,9507
0,7050
1,8296
0,7742
* p < 0,05; ** p<O,Ol ; ***
p < O,OOl
Chapitre 6. R ésultats
31
Tableau 6.3 - Estimation des paramètres climatiques pour la région 3 (Saguenay)
Variable
DJ
LDJ
L2DJ
VDJ
HA
RSG
Nb .Obs .
R~justé
p
DW corr .
DW Ori g .
2002-2003
262 ,238 11 ***
38,676276
70,485571
5,7887789 ***
127,54253
-0,02346
238
0,7814
0,0301
1,9944
1,9342
2003-2004
254,93932 ***
88 ,252034 *
27,99 1682
4,7126988 ***
37,607238
-0,069 188 *
216
0,7848
0,1259
1,9190
1,7117
2004-2005
251 ,56849 ***
47,878976
26 ,754263
1,7349857 *
63,671296
-0,029 14
233
0,9101
-0,0292
1,9405
1,9966
Légende :
* p < O,05; **
2005-2006
262 89564 ***
32,223052
43 ,253796
2,2856884 *
23 ,410359
-0,03025
242
07697
0,2133
2,0267
1,6026
p < O,Ol ;
***
p < O,OOl
Tableau 6.4 - Estimation des paramètres climatiques pour la région 4 (Ivlontérégie)
Variable
DJ
LDJ
L2DJ
VDJ
HA
RSG
Nb .Obs.
R~justé
p
DW corr .
DW Orig .
2002-2003
345,9241 ***
55 ,177035 **
28 ,68 1685
2,5980548 ***
54 ,123401
-0,021990 *
218
0,9284
0,4282
1,9793
1,2530
2003-2004
298 ,06253 ***
92,536528 ***
37,566277 **
1,952 1247 ***
-19,42566
-0,001950
21 9
0,9411
, 0,4687
1,9699
1,2643
2004-2005
313 ,96671 ***
94 ,301 217 ***
17,321187
1,5661021 ***
I l,902828
-0,021899 ***
234
0,9526
0,4417
2,0254
1,1217
Légende:
* p<O ,05 ; **
2005-2006
302,89662 ***
85 ,095085 ***
7,5272792
2,1700896 ***
27 ,550349
-0,014297
242
0,9280
0,4633
2,2735
1,2314
p < O,Ol ;
*** p < O,OOl
Chapitre 6. Résultats
32
f
Tableau 6.5 - Estimat ion des paramètres climatiques pour la région 5 (Estrie)
Variable
DJ
LDJ
L2DJ
VDJ
HA
RSG
Nb.Obs
R~justé
p
DW corr .
DW Orig .
2002-2003
833 46219 ***
231 ,28039 ***
49,963998
5,9706922 **
-24 ,34943
-0,074795 *
239
0,9057
0,7037
1,9990
0,9009
2003-2004
870 ,44904 ***
228 ,05 119 ***
85,636287 *
6,6070276 ***
45,614646
-0,029627
244
0,8769
0,6954
2,1489
0,8845
2004- 2005
937 8546 ***
253 ,94856 ***
35 432898
5,4538298 *
103,50812
-0,146678 ***
234
0,8914
0,6114
1,9338
0,8459
Légende:
* p < 0,05; **
2005-2006
877,85808 ***
156 65424 ***
37 84506
6,5759803 ***
54,275053
-0,056218
243
0,8887
0,8211
1,9903
0,5813
p <O 01 ;
***
p<O ,OOl
Tableau 6.6 - Estimation des paran1ètres clim atiques pour la région 6 (Montréal)
Variable
DJ
LDJ
L2DJ
VDJ
HA
RSG
Nb.Obs
p
DW corr .
DW Orig .
2002-2003
9620 ,5782 ***
2686 ,8863 ***
690,68945 **
56, 175853 ***
696,69884
-0,389599 *
236
0,9737
0,5316
2,0274
1,1882
2003-2004
9780,9349 ***
2652,3459 ***
940,371 35 ***
53 ,26622 1 ***
-245 ,8550
-0,467525 **
244
0,9782
0,4811
1,9227
1,1688
2004-2005
9245 ,9602 ***
2840 ,5152 ***
443,972 16 *
58,23363 ***
608,33086
-0,376845 *
235
0,9743
0,4997
1,9439
1,1239
Légend e :
* p < 0 ,05 ; **
2005-2006
9241,2971 ***
2269 ,0857 ***
869,42691 ***
56 ,995841 ***
92 1,74847 *
-0,241306
243
0,9604
0,7068
2,1816
0,8335
p < O,Ol ;
***
p < O,OOl
Chapitre 6. R ésultats
33
L'effet des degrés-jours, l'effet mult iplicatif entre ceux-ci et le vent , ainsi que l'effet
persistant des degrés-jours (illustré par le premier ret ard sur la variables degrés-jours,
DJ(t-l)) ont donc un effet clair sur la demande de gaz n aturel, et ce, sur l'ensemble du
territ oire. À l'inverse, l'absence d 'effet de rhumidité absolue semble t out aussi éviden .
Pour ce qui est d 'un effet de persist ance plus long pour les degrés-jours (DJ (t-2))
ou d 'un effet du rayonnement sol aire, il semble que l'effet existe m ais qu 'il ne puis e
être détect é en dehors de la région de Mont réal.
L'observation des st atistiques de Durbin-Wat son originales confirme la néce sité de
tenir compte de l'autocorrélation présente dans les erreurs du modèle. La strat égie utilisée semble tenir compte a d équatem ent d e cette a u tocorréla tion puisque les statistiq u es
Durbin-Wat son corrigées ne montrent plus de signe du problème.
Chapitre 7
Application à la méthode de
normalisation .climatique de
Gaz Métro
7.1
Méthode proposée
La méthode de normalisation que nous proposons ici s 'appuie sur le résultats obtenus au chapitre précédent. Nous utiliserons donc les données quotidiennes décrites aux
sections précédentes plutôt que les données mensuelles telles qu 'utilisées actuellement.
Nous proposons de plus d' appliquer un modèle incluant une modélisation ùe l'effet d'interaction entre le vent, les degrés-jours retardés et la présence du rayonnem ent solaire
global. L;humidité a été exclue du modèle en r aison de l'absence apparente d 'effet sur
la consommation. Étant donnée la forte concentration de la consommation québécoise
de gaz n aturel dans la région de Montréal, nous avons conservé les variables dont l'effet
n 'était observable que dans cette région .
Le modèle proposé est le suivant :
c. t =
",
A.(l ,t
+ (31 ,i . D Ji ,t + {32 ,i . D Ji ,t -1 + (33 ,i . D Ji ,t - 2 + [34 'i ."
~ t D Ji t
. + {35 . . RSG · t + li· t
,t
t,
(7.1 )
t,
où Ait et vi ont la même signification qu 'à l'équation 4.1 et la condition suivante est
toujours appliquée :
Chapitre 7. Application à la m éthode de norm alisation climatique de Gaz Métro
R S Git
=
35
0 si DJi,t = 0
Ce modèle a ét é appliqué aux six régions climatiques ch aque mois, sur un historique
d 'un an. Ceci correspond à la procédure actuelle chez Gaz Métro. P ar la suite, les
volumes de normalisation mensuels p ourront être calculés tel qu 'expliqué à la section
1.1 en adaptant le calcul pour les nouvelles variables climatiques utilisées . Tel que le
mont re l'équation (7.2) seuls les paramètres climatiques sont ut ilisés dans le calcul des
volumes de normalisation :
Volum e anormali,t
6
=
J
L L [Sl,i (DJ[,t -
i=l t = j
DJ~t) + S2,i (DJ[,t- l - DJ::t - 1 )
+ b3,i (DJ[,t _2 - DJi~t- 2 ) +
A
4 ,i
(DJ[,t~~t - DJ~t~})
(7. 2)
+ b5,i (RSG~,t - RSG~t )
où r signifie réél, n normal et j et J représentent respectivement le premier et le dernier
jour du mo·is.
La définit ion actuelle de Gaz Métro de la normale climatique a été utilisée c'est-àdire une moyenne mobile sur 30 ans. Pour le rayonnement solaire par contre , un historique de 30 ans n 'est pas disponible, la normale correspond donc à une m oyenne mobile
la plus longue possible, considérant les données disp onibles (s'e référer au tableau 5.6) .
La valeur normale du rayonnement solaire pouvant provenir d 'une n10yenne inférieure
à 10 ans , l'ajustement calculé est p eu fi able et doit être interprété avec précaut ion.
Puisque la norn1alisation d 'un mois donné dem ande un historique d 'un an , la première année de donnée disponible (2002-2003) ne sera utilisée que pour la normalisation
de l'année suivante. Ainsi, la méthode a été appliquée aux mois d 'octobre à m ai des
années 2003-2004 , 2004-2005 et 2005-2006.
7.2
Impact du changement de modèle
Le tableau 7.1 présente le volume de normalisation pour l'ensemble du Québ ec,
réparti selon les fact eurs climatiques, pour chaque mois de la p ériode étudiée ainsi que
le t otal annuel pour ch aque saison de chauffe. Ce volume doit être interprété comme
le surplus de volume livré en raison des conditions climatiques; ils doivent donc être
soustr aits des livraisons mensuelles afin d 'obtenir les livraisons normalisées . Un volume
Chapitre 7. Application à la méthode de normalisation climatique de Gaz Métro
36
négatif signifie donc que les livraisons réelles ont été inférieures aux livraisons normales.
Les volumes présentés sont tous en milliers de gigajoules.
L'effet prédominant des degrés-jours sur les aut res variables climatiques dans le volume de normalisation total est visible dans les résultats du tableau 7.1. À l inverse, il
ressort aussi de ces résultats que le r ayonnem ent solaire global a un effet relativement
faible en terme de volumes de normalisation. En moyenne, le volume associé au rayonnement solaire représente seulement 6% de l'ensemble de la normalisation mensuelle.
L'effet de la vitesse du vent ne peut être directement déduit de ces résultats puisque
son effet est indissociable de son effet combiné avec les degrés-jour.
Chapitre 7. Application à la méthode de normalisation climatique de Gaz Métro
37
Tableau 7.1 - Volumes de normalisation (milliers de GJ)
Mois
oct . 03
nov. 03
déc. 03
DJ
31 ,34
-346,60
-461 ,83
LDJ
2869
-101 ,47
-104,64
L2DJ
9,12
-35 33
-27 ,48
VDJ
27,44
85 ,26
53,36
RSG
13,82
-7,29
-l ,50
Total
110,41
-405,43
-542,09
Actuel
161 ,07
-155, 20
-490 34
j a n . 04
2118 ,67
447 ,51
192 ,50
511 ,10
-26 ,55
3243 23
3 470 71
-29 ,47
-299 36
-928 ,97
-4,90
144,24
12,66
7,77
-113,57
-"35 ,46 1208,45
-5,48
-456 ,30
-215,41
-4 ,64
3,21
927,63
-25,53
660,81
-1 2,03
-938,81
307,74
-86,11
-763 ,47
50,44
257,88
-13,33
-93,47 -219,93
-564,46
38,38
-318,03
16,35
4,81 -158,96
21,50 -2750,14
-1 41 ,92
17,69
-0 ,31 -626,32
Il ,94
-890,38
-1 51,92
57,73
168,08 -5602 ,13
-302 97
-744 05
28206
-119 05
2 102 23
-450,93
-317,41
978 18
723 ,70
-1 135 ,84
383,03
-777 ,66
244,05
-352 ,87
-488,75
-109,20
-1 03 ,33
-3 247 ,73
-68 ,43
827,83
-1 173 ,58
-229 ,39
-6 111 ,36
fév. 04
mar.04
avr. 04
mai 04
Total 03-04
oct. 04
nov. 04
déc. 04
jan. 05
fév. 05
mar . 05
avr. 05
mai 05
Total 04-05
oct . 05
nov. 05
déc. 05
jan. 06
fév. 06
mar . 06
avr. 06
mai. 06
Total 05-06
-262,64
-655 ,31
69 ,37
-75 ,94
417,07
-321 ,39
-116,39
535,51
568,98
-603,74
226 ,93
-543,96
178 ,92
-75 ,13
-466,33
-277,85
-97,10
-1914,80
-1 75 ,95
-525 ,18
-601,60
-142,92
-4201 ,74
-37,77
27,68
2,84
-1 6,27 .
-179,34
-73 ,15
3,27
40 ,32
18,62
-2,29
-27,27
-15,84
44,33
55,92 726 ,59
-21 ,82
-27,76
-79,85
-2 1,20
-37,70
-35,47
54,52 126 ,05
208,32
-13,67
114,03
16,99
-21,75 -1 30,23
-171 ,06
14,80
63 ,78
88 ,35
-47,26
-33 ,99
-188 ,70
23,45
59,28
9,55
-2,89
-43 ,33
-5,10
-1 2,68
-10,53
-113,30
-7,39
39,37
-88,51
-24 ,27
14,45
-56,84
-514,15 -116,78 -225,92
-41,27 137,45
-79,83
-20,25
0,26
-80,84
-68 ,72
-168,96
-63,04
-1 3,73
-1 3,00
-40,01
-11 42 ,43 -297,26 -128,78
Chapitre 7. Application à la m éthode de normalisation climatique de Gaz Métro
38
P ar rapport à la méthode actuellement en usage chez Gaz Métro , le changement
proposé se divise en t rois aspects :
1. Un changement dans la source des données ut ilisées '
2. Un changement dans la fréquence temporelle des observations '
3. Un changement de modèle.
La comparaison précédente des résultat s, pré entée au tableau 7.1 ne permet pas de
dis ocier l'impact de ch acun de ces t rois ch angem nts . Pour i 01 r les effets de chacun de
ces changements, nous avons dans un premier t mps appliqué le modèle de Gaz Métro
(modèle (1.1)) aux données de réseau ramenées n valeurs lTIenSU lIes. Ceci nous permet
de voir l effet du simple changement de données. Ensui e, nou avons appliqu / e même
modèle aux données de réseau quot idiennes afin de mesurer l'impact du ch angement
de fréquence d 'observation. Finalement, nous avons appliqué le modèle (4.1) d / veloppé
à la section 4.2 aux données quotidiennes de réseau afin d 'observer l'effet du nouveau
modèle en soi.
Bien qu 'elle soit arbitraire à première vue, cette séquence correspond au seul ordre
possible. Dans un premier temps , le modèle (4.1) ne peut être appliqué que sur des
données quot idiennes, il faut donc que ce changement viennent après le changement de
fréquence. D 'autre part , les données de facturation actuellement en usage chez Gaz Métro ne peuvent être obtenues quot idiennement , le changement de fréquence doit donc
suivre le changement de données et non l'inverse. La décomposit ion de l'écart ent re les
volumes obtenus par la méthode actuellement en usage chez Gaz Métro et la méthode
développée dans ce mémoire est présentée au tableau 7.2.
Chapitre 7. Application à la m étbode de normalisation climatique de Gaz Métro
39
Tableau 7.2 - Décomposition de l' -' cart de volume (milliers de GJ )
mois
oct-03
nov-03
déc-03
jan-04
fév-04
mars-04
avril-04
mai-04
2003-04
oct-04
nov-04
déc-04
jan-05
fév-05
mars-05
avril-05
mai-05
2004-05
oct -05
nov-05
déc-05
jan-06
fév-06
mars-06
avril-06
mai-06
2005-06
données(a)
42 ,09
135,21
153,20
152,02
2776
-64 53
-73 ,83
-130,69
24 1,22
-11 3,38
41 ,88
147,25
72 ,09
0,13
17,45
-97,64
268 ,08
335,85
-128,70
-31,68
46 ,71
15 ,68
129,23
58 ,56
75 ,88
-25 ;59
140,09
Changement
fr équence(b) sous totaZ (c)
-131 ,64
-286 32
-140 ,77
-1011 ,50
22 ,00
14730
-65,85
150,73
-1316 ,05
21 4,93
122,37
-438 ,92
-198,01
404 ,23
-120,61
284,03
-135,15
132,86
153,92
-33,24
-17,43
998 ,80
-313,43
172,52
395,24
83,16
1439,54
-8955
-151 Il
12,43
-859 ,49
4976
82 77
-139,68
20 ,03
-1074 ,83
101 ,55
164,25
-291 ,67
-125,92
404 ,35
-103,16
186,39
132,93
468 ,71
25 ,21
-64 ,92
29 ,28
1014,48
-184,20
23 1,08
471,12
57,57
1579,63
modèle(d)
3888
-99 ,10
-64 ,19
632 ,00
-46,15
-267 68
1,86
-14,55
181,07
-106,92
-62 ,24
241,13
63 ,03
-207,34
27,85
-172 ,21
-119,10
-335,79
-100,91
-143 ,92
-84 ,90
-516,91
-26, 15
-29 ,59
-187,93
19,90
-1070,41
écart t otal
-50 67
-250 21
-51,76
-227,49
3,61
-1 84 91
-1 37 2
5,48
-893,77
-5,37
102,01
-50,54
-62 ,89
197,02
-75,31
14,18
13,83
132,92
-75,70
-208,84
-55,62
497,57
-210,34
201 ,49
283,19
77 ,47
509 ,22
(a) Modèle (1.1) appliqué a ux données quotidiennes de résea u ra menées en sommes mensuelles par
rapport aux données actuelles de Ga z Ivlétro.
(b ) IVlodèle (1.1) appliqué a ux donn ées quotidiennes de réseau par rapport au modèle (1.1) appliqué
a ux données quotidiennes de réseau ramenées en sommes mensuelles.
(c) Somme de (a) et (b).
(d) ,1odèle (4.1) appliqué a ux données quot idiennes de réseau par rapport au modèle (1.1) appliqué
aux données quotidiennes de réseau ramenées en sommes ll1ensuelles .
Chapitre 7. Application à la méthode de normalisation climatique de Gaz Métro
40
La comparaison entre les volumes obtenus par la méthode que nous proposons et
ceux produits par la méthode de normalisation actuellement en usage chez Gaz Métro
montre un écart souvent important entre les deux méthodes . Une fois l'effet a sez faible
des degrés-jours retardés et du rayonnement solaire mis de côté, les écarts observés sont
cohérents avec le biais connu de la méthode actuelle de Gaz Métro. Ce biais , qui découle
de l'absence d 'effet croisé entre le vent et les degrés-jours , entraîne une surestimation
de l'effet de la vitesse du vent lorsque la température n est pas très froide (autour du
mois d 'octobre ou de mai) et , au contraire, une sous estimation de cet effet lorsque la
température est très froide (autour du mois de janvier).
Le tableau 7.3 permet d'apprécier ce biais, et sa correction grâce. à la méthode
proposée. C e t a bleau présente le poids relatif de la normalisa tion attribuable a u vent par
rapport au volume réel livré. Avec la méthode actuelle, on remarque des pourcentages
exagérément élevés certaines années dans les mois plutôt chauds , comme en mai 2004
et en octobre 2005 . En comparant les résultats obtenus par les deux méthodes, on
remarque que le poids relatif du vent est largement inférieur avec l application de la
méthode proposée, ce qui est plus cohérent.
Tableau 7.3 - Poids du vent dans la normalisation
Oct .
Nov.
Déc.
Méthode actuellement en place chez
2003-2004 2,03% 4,13% 2,17%
2004-2005 1,38% 0,74% 0,91%
2005-2006 4,80% 3,59% 0,77%
Méthode proposée
2003-2004 0,36% 1,08% 0,65%
2004-2005 0,04% 0,24% 0,53%
2005-2006 0,14% 0,56% 0,16%
Fév.
Jan.
Gaz Métro
0,76% 1,55%
0,99% 0,62%
2,13% 2,70%
1,98%
0,29%
0,20%
0,46%
0,54%
1,02%
Mars
Avril
Mai
2,97%
0,33%
1,59%
2,49%
1,81 %
0,37%
2,17%
9,41<Je
0,71 <Je
0,28%
0,53%
0,46%
0,38%
0,18%
0,27%
0,04%
0,33%
0,45 %
-
Conclusion
Dans ce mémoire nous avons ut ilisé des données quot idiennes de consommation de
gaz naturel agrégées pour six r "gions du Québ ec afin de développer une mé hode de
normalisation climatique plus complète que celle act uellement en usage chez Gaz Métro.
En effet, bien que Gaz Métro normalise ses revenus afin de se protéger fin ancièr ment de
l'incert it ude climatique, il semble que la méthode utilisée n 'élimine pas adéquat ment
les effets de variations climatiques d 'année en année.
À l'aide de données quotidiennes mesurées direct ement sur le réseau de distribut ion
gazier du Québec, nous avons pu dét erminer les variables climatiques pert inentes à
la modélisation climatique des b esoins de chauffage . Ainsi, nous avons déterminé que
parmi les variables climatiques envisagées, la t empérature, prise en compte sous forme
de degrés-jours, ainsi que le vent avaient effectivement un impact significatif sur la
demande. Au delà de ces variables déjà en usage par Gaz Métro , nous avons déterminé
qu 'uue nouvelle vari able clirn atique avait uu imp act significatif, soit le rayonnelnent
solaire global. Cette variable climatique représente l'énergie reçue du soleil sous forme
de chaleur ; elle est donc facile d 'utilisation comparativement à l'ensoleillement et la
nébulosité qui nécessitent une lourde modélisation en fonction du temps. Cependant ,
l'effet du r ayonnement solaire global tel que nous l'avons mesuré est faible et n iest
,observable que dans la région de Montréal où se concentre la m ajeure part ie de la
consommation gazière du Québ ec. De plus, il s'agit d 'une mesure relativement récente
dont l'historique au Québec ne remonte qu 'à quelques années et la donnée fournie par
Environnement Can ad a est encore peu fi able. Bien que nous ayons intégré cet te variable
à notre modèle, il pourrait être préférable dans la pratique d 'exclure cette dernière d 'un
processus de normalisation sans grande perte de précision. Finalement , nous avons rejet é
l'effet de l'hulnidité qui ne semble p as Illontrer d 'effet statistiquernellt significatif et ce
même pour Montréal.
D'autres biais induits par la form e fonctionnelle choisie par G az Métro ont été identifiés . Dans un premier t emps, il apparaît qu ien conformité avec la théorie, le vent ne
peut être pris en compte de m anière indép endante des degrés-jours puisque l'effet m ar-
-
-
-
-
-
-
-----
Conclusion
42
ginal de la vitesse du vent est fon ction croissant e des degrés-jours, c'est-à-dire que l effet
sur la consommation de gaz naturel d 'un kilomètre heure de vent est supérieur lorsqu 'il
fait froid que lorsqu 'il fait chaud . L'hypot hèse implicite du modèle de Gaz Métro sur la
st abilité du volume de base (la const ante du modèle) entraîne aussi un biais de sur stimation de l'impact des degrés-j ours dans la mesure où un cycle annuelle obs rvabl dans
la consommation hors chauffage est p artiellement corrélé avec le cycle saisonni r. Finalement, nou avons observé un effet de persistance t hermique non observable ur une
base mensuelle "mais qui est mesurable avec une fréquence d 'observation quotidi nne
bien que la précision de sa modéli ation gagnerait à l utilisation de données horair s.
La méthode que nous proposons t ient cOlnpte d l effet de la tempér ature via l u ilisation de degrés-j ours, d un effet de persistance de cet effet de la temp érature pour une
période de deux jours par l'ajout de la variable retardée de une et de deux p "riodes,
de l'effet du vent uniquement p ar son inter action avec les degrés-jours par l'int rmédi aire d 'un terme mult iplicatif ent re. ces deux vari ables , ajoute l'effet d 'une nouvelle
variable climatique, soit le rayonnement solaire glob al, afin de prendre en comp e les
gains énergétiques solaires passifs et inclut des variables binaires afin de tenir compte
des cycles hebdomadaires et annuels en plus des variations de l'activité économique en
cours d 'année.
Nos simulations sur les résultat s de Gaz Métro entre 2003-2004 et 2005-2006 montrent
que l'implantation de la méthode que nous proposons aurait eu un impact variant de
100 à près de 900 milliers de gigajoules annuellement.
Notre recherche s'est limitée à une modélisation linéaire classique puisque l'intérêt
de ce mémoire reposait dans le développement d 'une méthode pouvant êt re appliquée
directement chez un distributeur gazier , principalement Gaz Métro. Cependant , dans
une perspective plus large , des t ravaux supplémentaires utilisant une modélisation non
linéaire des variables primitives (soit la t empérature plutôt que les degrés-jours) permettrait une compréhension plus fine des effet s subtils des effet s climatiques, surt out
dans les périodes ext rêmes, soit les très grands froids et les périodes transit oires ent re
les p ériodes de ch auffe et les p ériodes d 'ét é où les hypothèses de linéarité ne sont p as
vérifiées .
Bibliographie
[1] A.Z. AL-GARNI , S.M. ZUBAIR et J.S. NIZAMI : A regression model for electricen ergy-consumption forecasting in Eastern Saudi Arabia. Energy(Oxford) 19(10):
1043-1049, 1994.
[2] H. ARAS et N. ARAs: Forecasting residential natural gas demand. En ergy Sources,
26(5):463- 472, 2004.
[3] E. ARENS et P.B. WILLIAM: The effect of wind on energy consumption in buildings. Energy and Buildings , 1:77-84, 1977.
[4] R.S. BOWER et N.L. BowER : Weather normalization and natural gas regulation.
The Energy Journal, 6(2):101-115, 1985.
[5] F.J. CLIMENT DIRANZO , E. Valor i MICÔ, H. Torrô i ENGUIX et V. CASELLES MIRALLES: lncidencia de la climatologia en el consumo de gas y electricidad en
Espana. Informa ci6n Comercial Espaiiola, (808):55-70 , 2003.
[6] M.A. T. ELKHAFIF : An iterative approach for weather-correcting energy consumption data. Energy economics, 18 (3):22,1- 230 , 1996.
[7] E.A. FEINBERG, J.T. HAJAGOS et D. GENETHLIOU : Statistical load modeling ,
power and energy systems. In Proceedings of the Seventh IASTED Int ernational
Multi-Conference, pages 88- 91 , February 2003.
[8] F. FLOUQUET: Local weather correlations and bias in building paran1eter estimates from energy-signature models. Energy and Buildings, 19(2): 113- 123 , 1992.
[9] M. GRENIER et M. FOURNIER: La demande d'électricité et les conditions climatiques. Hydro- Québec, 1982.
[10] N.B. HUTCHEON : Humidité dans les bâtiments canadiens. Canadian Building
Digest, 1, 1961.
[11] R. LEDUC et T.K. _W ON: A heat-loss index incorporating solar , ternperature ,
wind , and cloud cover eflects . Energy and Buildings, 2:191-196, 1979.
[12] S. MIRASGEDIS, Y. SARAFIDIS, E. GEORGOPOULOU , DP LALAS , M. MOSCHOVITS , F. KARAGIANNIS et D. PAPAKONSTANTINOU : Models for mid-term electricity demand forecasting iucorporating weather influences. Energy, 31(2-3):208- 227 ,
2006.
Bibliographie
44
[13] J. MORAL-CARCEDO et J. VICÉNS-OTERO : Modelling the non-linear response of
Spanish electricity demand to temperature variations. Energy Economics, 27(3):
477- 494, 2005.
[14] A. PARDO , V. MENEU et E. VALOR : Temperature and seasonality influences on
Spanish electricity load . Energy Economics, 24(1):55- 70, 2002 .
. [1 5] J. PEIRSON et A. HENLEY : Electricity load and temperature. Issues in dynamic
specification. Energy Economics 16(4):235-243 1994.
[16] M. RUTH et A.C. LIN: Regional energy demand and adaptations to climate
change: Methodology and application to the state of Maryland, U.S.A. Energy
policy, 34(17):2820-2833, 2006.
[17] D.J. SAILOR et J.R. MUNOZ : Sensitivity of electricity and natural gas consumption to climate in the U. S. A. : Methodology and results for eight states.
Energy (Oxford) , 22(10):987-998, 1997.
[18] K. TRAIN P. IGNELZI, R. ENGLE, C. GRANGER, R. RAMANATHAN et J. RICE :
Weather normalization of electricity sales. Electric Power Research Institut e
(EPRI) , 1983.
j
[19] F. WANG: Modelling sheltering effects of trees on reducing space heating in office
buildings in a windy city. Energy and Buildings, 38(12):1443-1454 , 2006.
Annexe A
Régions climatiques
46
Annexe A . R égions clim atiqu es
I
li
; l !!~;! ~!
ii li li !iH
111111 :
-
-
-
-
,
1~
~!
~,
. . . , - - - - -- 1