Académique Documents
Professionnel Documents
Culture Documents
Il s'agit d'une tendance irrésistible de l'amélioration de l'énergie électrique pour développer le réseau
intelligent, qui applique un grand nombre de nouvelles technologies dans la production, la
transmission, la distribution et l'utilisation de l'énergie afin d'optimiser la configuration de l'énergie
et de réaliser des économies d'énergie. La prévision de la charge joue un rôle important dans la
planification et l'exploitation du réseau électrique, car c'est l'un des maillons essentiels pour rendre
le réseau plus intelligent. De nombreuses méthodes telles que les systèmes experts, la théorie des
systèmes gris, les réseaux neuronaux artificiels (ANN), etc. sont utilisées dans les prévisions de
charge pour effectuer la simulation. Cet article vise à illustrer la représentation du réseau neuronal
artificiel appliqué à la prévision de la charge sur la base d'une situation pratique dans la province de
l'Ontario, au Canada.
1, Introduction :
La prévision de la charge est d'une importance vitale pour les industries du système électrique à
bien des égards. En tant qu'élément essentiel du réseau intelligent, la prévision de la charge doit être
très précise pour fournir des informations exactes sur l'achat et la production d'énergie [2] sur le
marché de l'électricité, empêcher le gaspillage et l'abus d'énergie et maintenir le prix de l'électricité
dans une fourchette raisonnable, etc. Des facteurs tels que les différences de saison, les
changements climatiques, les week-ends et les jours fériés, les catastrophes et les raisons politiques,
les scénarios d'exploitation des centrales électriques et les pannes survenant sur le réseau entraînent
des changements dans la demande et la production d'électricité [1]. Depuis 1990, le réseau neuronal
artificiel (RNA) a fait l'objet de recherches en vue de son application à la prévision de la charge [2].
"Les réseaux neuronaux artificiels sont des réseaux massivement parallèles d'éléments de traitement
simples conçus pour émuler les fonctions et la structure du cerveau afin de résoudre des problèmes
très complexes" [3]. En raison de leurs caractéristiques transcendantes, les ANN sont l'une des
méthodes les plus compétentes pour réaliser des travaux pratiques tels que la prévision de la charge.
Cet article porte sur les comportements des réseaux neuronaux artificiels dans la prévision de la
charge. L'analyse des facteurs affectant la demande de charge dans l'Ontario, au Canada, est
effectuée afin de fournir une méthode efficace pour la prévision de la charge dans cette province. de
l'Ontario, au Canada, afin de fournir une méthode efficace de prévision de la charge en Ontario.
2. Réseau de rétropropagation
2.1.Contexte
1414
3. Procédures de formation
3.1. Analyse de fond
La formation du réseau neuronal est basée sur la demande de charge et les conditions
météorologiques de la province de l'Ontario, située au sud du Canada. La région de l'Ontario peut
être divisée en trois parties : le sud-ouest, le centre et l'est, et le nord, en fonction des conditions
météorologiques. La population se concentre dans la partie sud-est de la province, qui comprend
deux des plus grandes villes du Canada, Toronto et Ottawa.
La valeur d'entrée pratique étant comprise entre -1 et +1, la fonction de transfert de la première
couche est fixée à tan sigmiod, qui est une fonction de transfert sigmoïde à tangente hyperbolique.
La fonction de transfert de la couche de sortie est définie comme une fonction linéaire, qui permet
de calculer la sortie d'une couche à partir de son entrée nette [9]. La fonction de transfert de sortie
linéaire présente un avantage : comme les neurones de sortie linéaire permettent à la sortie de
prendre n'importe quelle valeur, il n'est pas difficile de trouver les différences entre la sortie et la
cible.
L'étape suivante consiste à sélectionner les neurones et les fonctions d'apprentissage. En général,
Trainbr et Trainlm sont les meilleurs choix parmi toutes les fonctions d'apprentissage de la boîte à
outils Matlab.
Trainlm (algorithme de Levenberg-Marquardt) est l'algorithme de formation le plus rapide pour les
réseaux de taille modérée. Cependant, le gros problème est qu'il nécessite le stockage de certaines
matrices qui sont parfois trop grandes pour les problèmes [10] [11]. Lorsque l'ensemble
d'apprentissage est important, l'algorithme trainlm réduit la mémoire et calcule toujours la matrice
hessienne approximative à nhn dimensions [11]. Un autre inconvénient de l'algorithme trainlm est
que l'ajustement excessif se produit lorsque le nombre de neurones est trop élevé. En principe, le
nombre de neurones n'est pas trop élevé lorsque l'algorithme trainlm est utilisé dans le réseau.
There is no difficult to find out that the trainlm performance plot stopped because of meeting the
error goal which is set as 0.001; the trainbr performance stopped owing to the validation check
times is more than the max_fail times.
Le nombre de neurones dans la première couche peut également être sélectionné pour optimiser le
réseau afin d'obtenir le résultat escompté. D'une manière générale, plus l'architecture du réseau est
compliquée, plus le résultat en sortie sera précis, mais plus l'algorithme, tel que trainlm, risque
d'être surajusté. Dans ce document, le nombre de neurones est de 8 dans l'algorithme trainlm et de
30 dans l'algorithme trainbr.
3.5. Entraînement du réseau neuronal
Avant la formation, le réseau doit d'abord être initialisé. L'initialisation du réseau n'influence pas
seulement le minimum local final, mais aussi la vitesse de convergence, la probabilité de
convergence et la généralisation [13]. Les informations sur les conditions météorologiques en 2007,
heure par heure, et la logique des jours de semaine et des week-ends en Ontario sont définies
comme entrée de formation ; les changements de la demande de charge en 2007, heure par heure, en
Ontario sont définis comme cible de formation. Les performances de formation de l'algorithme
trainlm et de l'algorithme trainbr sont présentées dans les figures 4 et 5, respectivement. Comme on
peut le voir sur ces graphiques, l'erreur quadratique moyenne diminue d'une valeur élevée à une
valeur plus faible.
Pour les deux algorithmes de formation, à savoir trainbr et trainlm, la procédure s'arrête lorsque
l'une des conditions suivantes se produit :
(1). Les périodes ont atteint la valeur maximale
(2). Le temps se rapproche de la valeur préinstallée
(3). L'erreur d'objectif est minimisée
(4). Le gradient est réduit à min_grad
(5). Mu dépasse mu_max
(6). La performance de validation a augmenté plus de max_fail fois depuis la dernière fois qu'elle a
diminué.
La figure 6 compare les résultats de la formation et l'objectif de la formation afin de vérifier les
performances de l'algorithme appliqué à la prévision de la charge. Il est évident que le résultat de la
formation correspond à l'objectif en général. Le test de simulation du réseau devrait être effectué
afin de déterminer la performance dans un problème réel.
Où Mean(se) est la valeur moyenne de la différence entre la sortie de simulation et la cible de test ;
La figure 7 montre un échantillon des résultats de la simulation qui applique le même réseau que la
simulation d'entraînement de la figure 6. Le tracé vert est le résultat de la simulation de test et le
tracé bleu est la demande de charge réelle fournie par l'industrie électrique de l'Ontario.
L'horizontale représente le temps et l'ordonnée représente la charge qui a été normalisée. Plus
l'erreur quadratique moyenne est faible, plus le réseau de neurones créé est performant.
Les figures 8 et 9 illustrent deux des meilleurs résultats obtenus avec différents algorithmes
d'apprentissage et différents nombres de neurones. Comme on peut le voir dans les deux figures, la
plupart des résultats des simulations de test ont très bien atteint l'objectif. Cependant, certaines
parties de la simulation n'ont pas suivi l'objectif réel. Cela peut être dû à des facteurs qui n'ont pas
été pris en compte, tels que les catastrophes, les pannes du réseau électrique ou certains jours fériés
nationaux qui ne sont pas mentionnés dans les vecteurs d'entrée.
La figure 10 vise à comparer les deux algorithmes avec le même nombre de neurones appliqués aux
réseaux. La piste bleue représente la cible de simulation du test, la piste rouge le résultat simulé par
trainlm et la piste verte le résultat simulé par trainbr. Le résultat de la simulation de trainbr est
beaucoup plus proche de la cible du test que celui de trainlm, bien que l'objectif d'erreur de trainbr
soit beaucoup plus important. La tendance du trainbr a suivi la trajectoire générale de la cible du
test, alors que le trainlm ne peut simuler que la valeur maximale et minimale par cycle.
La figure 10 vise à comparer les deux algorithmes avec le même nombre de neurones appliqués aux
réseaux. La piste bleue représente la cible de simulation du test, la piste rouge le résultat simulé par
trainlm et la piste verte le résultat simulé par trainbr. Le résultat de la simulation de trainbr est
beaucoup plus proche de la cible du test que celui de trainlm, bien que l'objectif d'erreur de trainbr
soit beaucoup plus important. La tendance du trainbr a suivi la trajectoire générale de la cible de
test, alors que le trainlm ne peut simuler que les valeurs maximale et minimale par cycle.
D'après les performances, trainbr pourrait être l'algorithme optimisé qui peut être employé dans la
prévision de la charge par rétropropagation. Il y a un argument selon lequel l'EQM de l'algorithme
trainlm pourrait être inférieure à celle de trianbr lorsque les neurones augmentent. Cependant, un
problème important ne peut être négligé, à savoir le surajustement, qui pourrait diminuer la qualité
de la simulation.