Académique Documents
Professionnel Documents
Culture Documents
Les réseaux intelligents peuvent être définis selon quatre actions, ce qui permet l'apprentissage et la résolution de
caractéristiques en matière de: [2] problèmes sans algorithme, donc sans programmation
classique. [7]
-Flexibilité : ils permettent de gérer plus finement
l’équilibre entre production et consommation
-Fiabilité : ils améliorent l’efficacité et la sécurité des
II-Etat de l'art des méthodes de prédictions actuelles:
réseaux
- Accessibilité : ils favorisent l’intégration des sources On distingue entre deux méthodes de prédiction (processus
d’énergies renouvelables sur l’ensemble du réseau d'apprentissage) de l'énergie électrique:
- Economie : ils apportent, grâce à une meilleure gestion
du système, des économies d’énergie et une diminution -Prédiction d'énergie supervisée: On cite quelques
des coûts (à la production comme à la consommation). algorithmes les plus utilisés tel que, l'algorithme basé sur la
logique (arbre de décision, apprentissage avec un ensemble
de règles), techniques à base de perceptron (réseaux de
neurones), algorithmes d'apprentissage statistique (réseaux
bayésiene, apprentissage basé sur l'instance), machines à
vecteurs de support... [8]
NB: Cette méthode est une extension de la RBM (Restricted Comme il n'y a pas de connexions entre les neurones dans la
Boltzmann Machine) Méthode. même couche, l'inférence peut être faite en parallèle pour
chaque type d'unité, ce qui conduit à:
où
et
et les mises à jour des biais sont: T: représente le nombre total de pas prévus dans le futur
Plus précisément, après que la réduction d'une couche a Tout d'abord, la distribution de probabilité conditionnelle
été effectuée, FCRBM consiste en: des neurones cachés, p(hj, t = 1|vt, v<t, yt), est donnée par
une fonction sigmoïdale évaluée sur l'entrée totale de
1- une couche visible à valeur réelle v. chaque unité cachée via les facteurs:
2- une couche d'historique à valeur réelle v<t (c'est-à-dire
v<t = v<t, t-N:t-1, où N ϵ N).
Deuxièmement, la probabilité des neurones visibles,
3- une couche cachée binaire h.
p(vi,t|ht, v<t, yt), est donnée par une distribution gaussienne
4- une couche de style y. sur l'entrée totale, à chaque unité visible via les facteurs:
La fonction d'énergie totale, E (vt, ht|v<t, yt) pour FCRBM, c- Apprentissage et mise à jour des règles pour FCRBM
est calculée comme la somme des termes d'énergie du
premier et du troisième ordre, comme suit: La règle de mise à jour générale pour tous les hyper-
paramètres Ɵ est donné par:
avec Av i, m, Av<tk, m, Ayp, m, Bhj, n, Bv<tk, n, Byp, n, sont des Deuxièmement, les poids cachés factoriels Whjf sont mis à
biais dynamiques de chacune des couches. les biais et les jour. Suivant le même raisonnement, nous obtenons:
poids sont des paramètres libres qui doivent être
entraînés.
b- Inférence probabiliste dans FCRBM:
l'inférence dans FCRBM est effectuée en parallèle, car il n'y Mise à jour des biais: Les dérivés de l'équation d'énergie
a pas de connexions entre les neurones dans la même pour trouver les règles de mise à jour pour les paramètres
couche. Spécifiquement, cela signifie la détermination de qui composent les biais dynamiques de la couche actuelle
deux distributions conditionnelles. (c'est-à-dire Avim, Av <tk, m, Ayp, m) sont:
En utilisant
isant une approche d'algorithme hybride SVM avec et on met à jour la base de données
donnée avec les résultats les
PSO (Particle Swarm Optimization) en raison de sa capacité plus précisent au niveau du distributeur de l'énergie, de
à résoudre les problèmes non linéairess en utilisant une cette manière on développe une Dataset qui nous donne
petite quantité de données. En 2006, Changyin et Dengcai plus d'informations sur le comportement de chaque entité
[15] ont étudié la combinaison de l'algorithme SVM et PSO ce qui nous permet d'optimiser le temps (calcul local) et la
pour la prévision de charge à court terme. En utilisant précision de la prédiction.
l'erreur de pourcentage absolue moyenne (MAPE), ils ont
trouvé que la combinaison de SVM-PSO PSO a abouti à un Pd: Prédiction distributeur de l'énergie
MAPE inférieur à Fuzzy Inférencee (FI) et BPNN, comme PI: Prédiction local
illustré dans le tableau ci-dessous. si Pd≠Pl ==> P = Pd+Pl/2
• Prédiction • Prédiction
En 2007, Wang et Zhou [24] ont faitait la prédiction de la FCRBM
Distributeur à
FCRBM locale
Distance
demande électrique en utilisant la méthode SVM avec Gestionnai
SAPSO.. Pour compléter cette étude, ils ont utilisé les re
d'énergie
Batiment