Méthodes Heuristiques pour la Prédiction des Séries Temporelles
No Thumbnail Available
Files
Date
2012
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La prévision de la charge électrique est de nos jours d’une importance primordiale tant
pour des raisons économique qu’environnementales. L’électricité en tant que ressource non
stockable, doit de ce fait répondre à une production équivalente à la demande en cours, afin de
réaliser un équilibre entre la production et la consommation ; ce qui limiterait les pertes et
assurerait un approvisionnement continu des consommateurs. Des outils de prédictions
peuvent assurer une connaissance a priori sur la quantité d’énergie requise à la production.
Ces outils se basent sur des approches reconnues dans le domaine de l’analyse des séries
temporelles pour prédire les valeurs antérieures de cette dernière. Avec l’évolution de
l’informatique, et l’introduction de plusieurs approches intelligentes, les réseaux de neurones
ont marqué leur puissance en termes d’approximation de fonction et de classification.
Toutefois, le problème de prédiction de la charge électrique ne peut être traité qu’après une
étude et une compréhension exhaustive des données de cette dernière. De plus, la courbe de
charge est très différente d’un pays a l’autre voir d’une région a l’autre dans un même pays
car dépendant de paramètres socio-économique culturel, religieux etc. L’identification des
types de journées électrique devient alors nécessaire afin de refléter l’influence de ses
paramètres sur la courbe de charge et permettre une meilleure segmentation des données.
En effet la connaissance des types de jours ainsi que leur relation avec les besoins des
consommateurs qui se traduit par un effet direct sur la courbe de charge (journalière,
hebdomadaire, ou mensuelle), est primordiale. Pour cela, et après l’examen d’une recherche
exhaustive sur les approches de classifications simple et hybrides, une palette de paradigmes
de l’IA, avec comme outil principal les RNA et plus particulièrement les cartes auto-
organisatrices de Kohonen, ainsi qu’une hybridation avec les K-moyenne et la logique floue a
été considérée. Des résultats probants et novateurs, pour la charge Algérienne nationale ainsi
que la charge régionale en mettant l’accent sur des zones du nord et du sud, ont été trouvés.
Sur la base de cette classification a été élaboré un système expert flou pour la prédiction de la
charge électrique pour chaque type de jours, préambule à une approche multi-modèles.
Dans cette thèse, nous nous intéressons à une stratégie pour l’identification de types de jours
en utilisant une classification automatique dans le cadre de la classification non supervisée.
Quelle approche utiliser et quels sont les indices de validités pour pouvoir déceler les
différentes classes ? Sur la base de cette classification a été élaboré comme exemple
explicatif, un système expert flou pour la prédiction de la charge électrique