Comparaison de plusieurs méthodes pour la prédiction de la Charge Electrique Nationale
No Thumbnail Available
Date
2009
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
ii
Résumé
Les compagnies de gestion électrique ont besoin d'une prédiction à court terme de la
demande de la charge électrique afin de programmer les installations de sa production. Les
erreurs de prédiction peuvent mener à des risques et insuffisances dans la génération et
distribution de la quantité de la charge électrique vers les utilisateurs.
Les recherches dans cet axe sont nombreuses. Plusieurs pays ont abouti à modéliser la
série représentant la variation de leur charge électrique. Ces recherches se basent sur plusieurs
approches telles que les modèles Box-Jenkins, les Réseaux de Neurones Artificiels, le filtre de
Kalman, etc. Mais la méthode Box-Jenkins et les Réseaux de Neurones Artificiels restent les
plus répandues.
Ce travail s'inscrit dans le cadre de la prédiction des séries temporelles, Plus
particulièrement, la prédiction de la charge électrique. Des techniques sont appliquées pour
prédire la charge électrique Algérienne.
Quatre modèles sont proposés dans le cadre de ce travail. Les deux premiers se
focalisent sur la prédiction d'un seul pas en avant. Un modèle se base sur la méthode Box-
Jenkins qui représente dans la littérature la base de comparaison de toutes autres techniques.
Les résultats obtenus par cette méthode sont comparés avec ceux obtenus par un modèle
Réseau de Neurones Artificiels de type Perceptron Multi Couches.
Généralement, un seul pas est insuffisant pour bien fonder la gestion de la ressource.
Sur cette base, il est plus intéressant de chercher une prédiction à plusieurs pas en avant. Dans
ce contexte, deux modèles sont proposés. Le premier modèle fournit un vecteur de 24 valeurs
comme sortie du Réseau de Neurones Artificiels représentant les 24 pas de prédiction. Les
résultats sont comparés avec les résultats du deuxième modèle qui consiste à classer les
données en 24 classes selon l'heure. Par la suite, on prédit chaque heure séparément pour
obtenir 24 prédictions reflétant les 24 pas.