F.
Mountassir Machine Learning au service de la prédiction de la demande d’énergie
Machine Learning au service de la prédiction de la demande d’énergie dans
les Smart Grid
FOUAD Mountassir fouadmountassir19@gmail.com, MALI
LTI ENSAJ contact@ensa.com
Mots clé :
Smart Grid, réseaux de neurones, Méthodes de prédictions
supervisées, Modèle optimisation de la prédiction
Résumé:
L'intelligence artificielle est en développement continue et
enregistre aujourd'hui un succès remarquable en utilisant
des réseaux de neurones de plus en plus complexes, à
présent, le point commun entre les deux types de réseaux
électrique et de neurones c'est qu'ils sont composés de
nombreuses couches interconnectées, à l'heure actuelle il
est important pour les operateurs comme pour les
consommateurs de gérer et d'optimiser la consommation
de l'énergie électrique.
L'objectif de cet article est la corrélation entre les réseaux
Smart Grids (le futur réseau électrique intelligent) et la
science du Machine Learning et plus spécialement les
réseaux de neurones afin de prédire la consommation et
l'optimisation de l'énergie électrique dans les Datacenter,
en milieux industriel ou à l'échelle d'un bâtiment.
Introduction :
la croissance exponentiel de la consommation de l'énergie,
l'incapacité des réseaux actuel de suivre l'augmentation
des pics de consommation électrique future, la crise
pétrolière et l'épuisement des ressources naturelle (Fuel,
Gaz...) , le réchauffement planétaire à cause d'effet des
concentrations croissantes de gaz à effet de serre(dioxyde
de carbone, le méthane, le protoxyde d'azote...) dans
l'atmosphère conduisent l'humanité à un changement de
comportement et vers une 3ème révolution industrielle.
A l'heure actuelle, beaucoup d'investissements sont
réalisés dans les réseaux intelligents ainsi que les
recherchent et développement se multiplient partout dans
le monde que se soit dans les pays développés ou en
développement, les Etats-Unis, le Japon, l'Europe, la Chine;
le Brésil, l'inde ...ont investis des budgets lourds dans
l'innovation et la recherche pour les infrastructures des
réseaux intelligents et ils ont passé de l'expérimentation au
déploiement à grande échelle des technologies Smart
Grids.
Avec l'apparition des technologies des énergies
renouvelables et l'introduction de ces ressources à
caractère intermittentes nécessite une gestion et un
Mediterranean Telecommunications Journal
1
Reda, PR.BOUSMAH Mohamed, Labo
contrôle des réseaux Smart Grids d'une manière
intelligente.
Pour prédire la consommation il existe plusieurs méthodes
et algorithmes exploitant les réseaux de neurones mais le
défi majeur est de trouver une solution, une méthode ou
un algorithme qui traite les données collectées en temps
réel et donne une précision satisfaisante permettant ainsi
une optimisation de la consommation de l'énergie
électrique.
Vue la complexité des comportements imprévue des
humains, les matières de constructions, les conditions
climatiques et d'autre facteurs rendent la prédiction avec
précision de la consommation électrique difficile au niveau
d'un bâtiment, le sujet de cet article est de mettre la
lumière sur les méthodes de prédiction actuel et de choisir
une pour construire un modèle d'optimisation de la
prédiction de l'énergie.
Dans cet article on commence dans un premier temps par
la définition des Smart Grids et les réseaux de Neurones,
puis on décrit l'état de l'art des méthodes de prédiction
actuelles et dans la troisième partie on propose un modèle
d'une architecture simplifié de l'optimisation de la
prédiction de l'énergie.
I-1.Définition Smart Grids:
On trouve plusieurs définitions des réseaux Smart Grids
mais on se limite à une définition, du Forum économique
mondial (World Economic Forum) Accelerating Smart Grids
Investments:
« Les réseaux intelligents intègrent des capacités de
traitement informatique et de communication
bidirectionnelle aux infrastructures électriques existantes.
Ils englobent tous les niveaux de la chaîne de valeur
énergétique et ne se limitent pas aux compteurs
intelligents… Ils font une utilisation intelligente des
capteurs, de l’informatique embarquée et des
communications numériques pour rendre le réseau
électrique observable (capacité de mesure et de
visualisation), contrôlable (capacité de manipulation et
d’optimisation), automatisé (capacité d’adaptation et
d’autocorrection) et entièrement intégré (interopérabilité
totale avec les systèmes existants et capacité d’incorporer
un éventail diversifié de sources énergétiques).[1]
Vol. 8, N° 2, July 2018 ISSN: 2458-6765
 F. Mountassir Machine Learning au service de la prédiction de la demande d’énergie
Les réseaux intelligents peuvent être définis selon quatre
caractéristiques en matière de: [2]
-Flexibilité : ils permettent de gérer plus finement
l’équilibre entre production et consommation
-Fiabilité : ils améliorent l’efficacité et la sécurité des
réseaux
- Accessibilité : ils favorisent l’intégration des sources
d’énergies renouvelables sur l’ensemble du réseau
- Economie : ils apportent, grâce à une meilleure gestion
du système, des économies d’énergie et une diminution
des coûts (à la production comme à la consommation).
-Smart Grids- [3]
I-2.Les réseaux de neurones:
Les réseaux de neurones, fabriqués de structures
cellulaires artificielles, constituent une approche
permettant d’aborder sous des angles nouveaux les
problèmes de perception, de mémoire, d’apprentissage et
de raisonnement. Ils s’avèrent aussi des alternatives très
prometteuses pour contourner certaines des limitations
des ordinateurs classiques. Grace à leur traitement
parallèle de l’information et à leurs mécanismes inspirés
des cellules nerveuses (neurones), ils infèrent des
propriétés émergentes permettant de solutionner des
problèmes jadis qualifiés de complexes. [4]
-Schéma très simplifié d'un réseau neuronal- [5]
Les deux neurones de gauche (en vert) reçoivent les
informations. Le traitement de ces données est déterminé par
leurs connexions avec les neurones internes (en bleu). Les
neurones qui reçoivent une donnée sont activés. L'information
finale est envoyée sur le dernier neurone (en jaune) ou sur
l'organe effecteur (un moteur par exemple). [6]
le fonctionnent d'un réseau neuronal s'inspire du
fonctionnement des neurones biologiques et prend corps dans
un ordinateur sous forme d'un algorithme. Le réseau neuronal
peut se modifier lui-même en fonction des résultats de ses
Mediterranean Telecommunications Journal
2
actions, ce qui permet l'apprentissage et la résolution de
problèmes sans algorithme, donc sans programmation
classique. [7]
II-Etat de l'art des méthodes de prédictions actuelles:
On distingue entre deux méthodes de prédiction (processus
d'apprentissage) de l'énergie électrique:
-Prédiction d'énergie supervisée: On cite quelques
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]
-Prédiction d'énergie non supervisée (ou clustering): exemple
d'algorithme, regroupement d'algorithme, Analyse en
composante principale, décomposition en valeur singulière,
analyse en composantes indépendantes, hierarchical
clustering, k-means-clustering... [9]
Aujourd'hui on trouve les hybrides méthodes, le nouveau
approche (hybride méthode) est la combinaison entre deux
méthodes soit entre méthode conventionnelle et AI ou entre
deux méthodes AI ou entre SI ''Swarm intelligence'' et AI.
Cependant Foucquiert, Robert [10] a noté que ANN et SVM
peuvent être classés comme une boîte noire c.-à-d. des
inconvénients en raison de l'architecture interne inconnue. De
plus, lorsque l'ensemble de données de prévision est très
important, cela peut affecter la stabilité de la prévision ANN et
SVM.
Ainsi, cette méthode AI a été introduite pour être hybride
avec SI pour augmenter la performance de la prévision.
Puisque SI est bonne dans la méthode de recherche, cela
aidera l'AI à équilibrer la stabilité de la prévision dans le cas
d'un grand ensemble de données. [11]
Dans cet article on s'intéresse uniquement aux méthodes de
prédiction supervisée les plus performants, et pour atteindre
l'objectif de prédiction énergétique, les modèles ANN, HMM,
SVM et CRBM sont évalués et comparés à l'aide d'un
ensemble de données mesurées.
II-1 Méthode de prédiction CRBM:
Étant donné que la consommation d'énergie peut être
considérée comme un problème de séries temporelles non
linéaire, nous avons proposé l'utilisation de la méthode
CRBM (Conditional Restricted Boltzmann Machine), c est une
méthode d'apprentissage automatique stochastique
introduite avec succès pour modéliser les problèmes des
séries temporelle.
Vol. 8, N° 2, July 2018 ISSN: 2458-6765
F. Mountassir Machine Learning au service de la prédiction de la demande d’énergie 3

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

où par commodité σ est choisi pour être 1. La probabilité

des neurones cachés est donnée par une fonction sigmoïdale
évaluée sur l'entrée de chaque unité cachée et la probabilité
-Architecture du modèle CRBM-[12] des neurones visibles est donnée par une distribution
gaussienne sur l'entrée de chaque unité visible.
la fonction d'énergie totale est calculée en considérant
toutes les interactions possibles entre les neurones et les b- Apprentissage CRBM en utilisant la divergence
Poids / Biais, tels que: contrastive:
Les paramètres sont définis en maximisant la fonction de
probabilité (likelihood). Afin de maximiser la probabilité du
modèle, les gradients de la fonction d'énergie, en respectant
les poids doivent être calculés. Ceci est fait en utilisant la
NB: la fonction d'énergie totale de CRBM ne doit pas être
méthode Contrastive Divergence (CD). Les règles de mise à
confondue avec la consommation totale d'énergie pour un
jour pour chacune des matrices de poids et des biais
immeuble.
peuvent être calculées en dérivant la fonction d'énergie par
u = [u1; : : : ; unu] représente un vecteur de valeur réelle
rapport à chacune de ces variables (c'est-à-dire, les poids
avec l'historie de tous les neurones , avec nu étant l'indice visibles). Formellement, ceci peut être écrit comme:
du dernier neurone de l'historie (entrée).
v = [v1; : : : ; vnv ] représente un vecteur de valeur réelle
collectant toutes les unités visibles vi avec nv étant l'indice
du dernier neurone visible (sortie).
h = [h1; : : : ; hnh] représente un vecteur binaire collectant
toutes les unités cachées hj, nh étant l'indice du dernier
neurone caché.

Wvh ϵ Rnh×nv représente la matrice de tous les poids reliant

v et h. L'équation de mise à jour pour les biais de chacune des
couches, sont:
Wuv ϵ Rnu×nv représente la matrice de tous les poids reliant
u et v.
Wuh ϵ Rnu×nh représente la matrice de tous les poids reliant
u et h.
bh ϵ Rnh représente les biais pour les neurones cachés.
bv ϵ Rnv représente les biais pour les neurones visibles.
Il est à noter que par rapport à ANNs, les poids CRBMs
peuvent être bidirectionnel. Plus précisément, Wvh est Puisque les unités visibles sont conditionnellement
bidirectionnel. Les autres matrices de poids Wuv et Wuh indépendantes on donne les unités cachées et vice versa,
sont unidirectionnelles. l'apprentissage peut être effectué en utilisant une étape
d'échantillonnage de Gibbs, qui est effectuée en deux
a- Probabilistic inference dans CRBM: demi-étapes: (1) mettre à jour toutes les unités cachées, et
(2) unités visibles. Ainsi, dans CDn les mises à jour de poids
Dans CRBM, l'inférence probabiliste signifie la détermination sont faites comme suit:
de deux distributions conditionnelles. La première est la
probabilité de la couche cachée conditionné par tous les
autres couches, à savoir p(h|v, u), tandis que la seconde est
la probabilité de la couche actuelle conditionnée par les
autres, tels que p(V|H, u).

Mediterranean Telecommunications Journal Vol. 8, N° 2, July 2018 ISSN: 2458-6765

F. Mountassir Machine Learning au service de la prédiction de la demande d’énergie
et les mises à jour des biais sont:
où T est l'itération et α est le taux d'apprentissage
Exemple 1:Dans cet ensemble, les données collectées
mettent en évidence l'évolution dans le temps de la
consommation énergétique totale dans le cas d'un bâtiment
néerlandais de trois étages et d'un nombre moyen de 35
travailleurs en semaine. On exploite une Dataset (ensemble
de données) qui contient 2352 valeurs, collectées toutes les
heures, sur sept semaines et a été fourni par le projet TKI -
Switch2Smart Grid. [13]
Dans toutes les expériences, les données agrégées ont été
séparées en ensembles de données d'apprentissage et de
test. Plus exactement, les six premières semaines ont été
utilisées dans la phase d'apprentissage et la septième
semaine a été utilisée pour évaluer la performance des trois
méthodes. [14]
-la consommation d'énergie entre le 2/09/2013 et le 20/10/2013-[15]
L'implémentation de ces trois méthodes sont réalisés sur
Matlab.
-Prédiction de la consommation totale d'énergie en utilisant HMM,
ANN (NAR), ANN (NARX) et CRBM pour une semaine-[16]
la précision de prédiction est la capacité d'une métrique à
prédire avec une erreur moyenne minimale et peut être
évaluée par l'erreur quadratique moyenne, telle que:
Mediterranean Telecommunications Journal
4
T: représente le nombre total de pas prévus dans le futur
vi : représente les valeurs réelles pour le pas de temps t
ṽi : représente la valeur prédite par le modèle au même
moment
Deuxièmement, le Coefficient de Corrélation de Pearson
(PCC) indiquant le degré de dépendance linéaire entre la
valeur réelle et la valeur prédite est défini par:
E:est l'opérateur de valeur prévue avec la déviation
standard, c'est-à-dire σv et σṽ, et les moyens uv et uṽ. le
coefficient de corrélation peut prendre n'importe quelle
valeur dans l'intervalle [-1,1].
Résultat: Cette section présentait trois méthodes
statistiques permettant de prédire la consommation
d'énergie dans un immeuble de bureaux néerlandais sur
un horizon d'une semaine avec une résolution d'une
heure. L'analyse a montré que la CRBM est une méthode
probabiliste puissante qui surpasse les méthodes de
prédiction de pointe telles que les ANN et HMM.
II-2 Méthode FCRBM:
Taylor et Hinton ont introduit le FCRBM (Factored
Conditional Restricted Boltzmann Machine) [17] où ils ont
ajouté une couche pour les styles et le concept
d'interactions factorielles multiplicatives à trois voies pour
prédire plusieurs styles de mouvement humain. À l'origine,
FCRBM comprenait les trois couches précédentes de CRBM
et deux nouvelles couches introduites pour les styles et les
caractéristiques. Cependant, pour répondre aux besoins du
problème de prédiction d'énergie, nous avons réduit les
couches de style et de caractéristiques à une et nous
l'avons utilisée pour représenter différents paramètres
utiles pour la prédiction.
-Architecture du modèle CRBM-[18]
Vol. 8, N° 2, July 2018 ISSN: 2458-6765
F. Mountassir Machine Learning au service de la prédiction de la demande d’énergie
Plus précisément, après que la réduction d'une couche a
été effectuée, FCRBM consiste en:
1- une couche visible à valeur réelle v.
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).
3- une couche cachée binaire h.
4- une couche de style y.
Chacune des couches ci-dessus est essentielle pour le
succès des FCRBM. La couche visible code les valeurs
actuelles d'une série chronologique qui doit être prédite.
L'historique de la séquence temporelle, étant la base de
ces prédictions, est codée dans la couche historique. La
couche cachée garantit la découverte de caractéristiques
importantes essentielles à l'analyse de la séquence
temporelle, tandis que la couche de style code d'autres
paramètres pertinents utiles à la prédiction.
a- Energie totale pour FCRBM:
La fonction d'énergie totale, E (vt, ht|v<t, yt) pour FCRBM,
est calculée comme la somme des termes d'énergie du
premier et du troisième ordre, comme suit:
où EIII est défini comme:
où F, n1, n2 et n3 représentent respectivement le nombre
total de facteurs et le nombre d'unités dans chacune des
couches visible, cachée et étiquette(Couche des Labels).
Les termes âi, t et ^bj, t sont appelés biais dynamiques, qui
sont définis comme:
avec Av i, m, Av<tk, m, Ayp, m, Bhj, n, Bv<tk, n, Byp, n, sont des
biais dynamiques de chacune des couches. les biais et les
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
a pas de connexions entre les neurones dans la même
couche. Spécifiquement, cela signifie la détermination de
deux distributions conditionnelles.
Mediterranean Telecommunications Journal
5
Tout d'abord, la distribution de probabilité conditionnelle
des neurones cachés, p(hj, t = 1|vt, v<t, yt), est donnée par
une fonction sigmoïdale évaluée sur l'entrée totale de
chaque unité cachée via les facteurs:
Deuxièmement, la probabilité des neurones visibles,
p(vi,t|ht, v<t, yt), est donnée par une distribution gaussienne
sur l'entrée totale, à chaque unité visible via les facteurs:
Par conséquent, pour chacune de la jème unité cachée et i-
ième visible, l'inférence est effectuée en utilisant:
où Ɲ(U, σ 2i) désigne la fonction de densité de probabilité
gaussienne avec la moyenne U et la variance σ 2i.
c- Apprentissage et mise à jour des règles pour FCRBM
La règle de mise à jour générale pour tous les hyper-
paramètres Ɵ est donné par:
où T ,ρ, α et ϒ représentent respectivement le numéro de
mise à jour, momentum, le taux d'apprentissage et la
désintégration des poids. les règles de mise à jour pour
chacune des matrices de poids et des biais peuvent être
calculées en dérivant la fonction d'énergie en respectant
chacune de ces variables (c.-à-d Les poids visibles
factoriels, les poids des labels factoriels, les poids cachés
factoriels et les biais de chacune des couches).
Mise à jour des poids: Trois règles de mise à jour
correspondant à Wv, Wh, Wy doivent être dérivées.
Premièrement, les poids visibles pondérés Wvif sont
calculés en dérivant la fonction d'énergie totale, fournie
dans Eq. (2.26), en ce qui concerne Wvif est:
Deuxièmement, les poids cachés factoriels Whjf sont mis à
jour. Suivant le même raisonnement, nous obtenons:
Mise à jour des biais: Les dérivés de l'équation d'énergie
pour trouver les règles de mise à jour pour les paramètres
qui composent les biais dynamiques de la couche actuelle
(c'est-à-dire Avim, Av <tk, m, Ayp, m) sont:
Vol. 8, N° 2, July 2018 ISSN: 2458-6765
F. Mountassir Machine Learning au service de la prédiction de la demande d’énergie 6

Lee graphe ci dessus présente un exemple de la prévision de

En outre, les dérivés pour trouver les règles de mise à jour
pour les paramètre qui composent les biais dynamiques de
la couche cachée (à savoir Bhj, n, Bv <tk, n, Byl, n) sont
présentés comme suit:
la demande électrique agrégée pendant six heures en
fonction du MAPE, avec une résolution de cinq minutes, en
utilisant les méthodes de persistance, FCRBM (énergie) et
FCRBM en fonction de l'énergie, la météo et les prix.
prix [20]

Résultat : Les résultats montrent que pour le problème

probl de
prédiction d'énergie résolu ici, FCRBM surpasse SVM et la
méthode de persistance.

Exemple3 : On utilise 5 scénarios résumés sur le tableau ci-

dessous. [21]

Les paramètres libres du modèle (c.-à-d.,d., Biais dynamiques

et poids) sont apprises en utilisant isant la divergence
contrastive. on utilisant la dérivée énergétique des hyper-
hyper
paramètres et l'expression
expression de divergence,
divergence on peut calculer
la règle delta conduisant à:

avec k étant une étape de chaîne de Markov

Mar s'exécutant
pour un nombre total de K étapes et commençant à la
distribution de données originale.

d- Algorithme Procédure d'apprentissage FCRBM:

FCRBM

1: Définir l'architecture FCRBM

2: Initialiser les poids et les biais de FCRBM
3: Initialiser le taux d'apprentissage α
4: Initialiser
er l'ensemble d'entraînement (V<t, V)
5: répéter l'époque d'entraînement
aque instance d'entraînement (v(i)<t, v (i))ϵ(V<t, V)
6: pour chaque
7: Définir la couche visible de FCRBM à v (i)
8: Définir la couche historique de FCRBM sur v(i)<t
9: Exécuter la chaîne de Markov dans FCRBM
10: Mettre à jour less poids et les biais pour FCRBM
11: jusqu'à convergence
Exemple 2: On exploite une autre Dataset EcoGrid EU
collecté sur l'île danoise de Bornholm
rnholm au cours des sept
premiers mois de 2014. [19]
On étudie les possibilités d'augmenter la précision des
prévisions en utilisant d'autres caractéristiques externes
-Résultats des fonctions
ons erros (précision) pour 4 scénarios-[23]
La Précision de la prévision de la demande électrique est
améliorée en utilisant les données de prix et de
météorologie.
NB: Ce travail a été fait sous l'hypothèse que les données
historiques sont disponibles.
isponibles.
Résultat: Pour évaluer les performances, les deux
méthodes, FCRBM et CRBM, sont comparées aux ANNs,
SVM et RNN classiques. Il convient de mentionner que
lorsque l'intervalle de prédiction augmente, les FCRBM et
les CRBM semblent être plus robustes
robus et leur erreur de
prédiction est typiquement la moitié de celle de l'ANN.
Exemple 4: dans cet exemple on utilise l'hybride méthode
entre SVM et SI (approuvée
approuvée mieux que l'hybride ANN et SI)

Mediterranean Telecommunications Journal Vol. 8, N° 2, July 2018 ISSN: 2458-6765

F. Mountassir Machine Learning au service de la prédiction de la demande d’énergie 7

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

conditions météorologiques et les données historiques Smart

Grid

comme principales entrées de données. L'étude avait été Station

Usine
menée pour collecter
ecter les données pendant un mois en • Prédiction
PV/eolien
• Prédiction
FCRBM locale FCRBM locale
utilisant différents modèles, comme indiqué dans le
tableau ci-dessous. La méthode proposée a montré le
meilleur pourcentage MAPE par rapport aux deux autres -Modèle
Modèle de calcule de la prédiction Globale-
méthodes de BPNN et PSO-SVM.
III-2. Modèle de prédiction au niveau d'une entité:

On propose un modèle qui permet l'optimisation de la

prédiction de l'énergie électrique au niveau d'une maison
ou appartement afin de calculer la prédiction au niveau de
l'immeuble toute entière.

On procède par l'utilisation d'un capteur de consommation

de l'énergie au niveau de chaque appareil électrique qui
-Résultat de la Prédiction pour différentes modèles-
modèles [25]
permet de calculer l'énergie électrique consommé et
envoie les informations de consommation au compteur
Résultat : il apparaît que les méthodes hybrides sont
intelligent, ce dernier se base sur une DataSet enregistrée
susceptibles d'améliorer la performance de la prévision de
de l'appareil électrique pour prédire la consommation de
la demande de la charge électrique du bâtiment. La
l'appareil.
combinaison des deux méthodes AI et SI peut entraîner
On fait la mêmeme démarche pour tous les appareils de la
des performances supérieures pour la prévision. C'est
maison et le capteur intelligent calcule la prédiction totale
parce que les méthodes hybrides utilisent les avantages
de la maison ou appartement.
des deux méthodes pour une prévision plus précise.
Prédiction totale d'un appartement:
III-Architecture d'optimisation de la prédiction de PTA = Pa1+Pa2+.......+Pan (Pa: Prédiction d'un appareil)
l'énergie: Prédiction totale d'un immeuble:
PTI = PA1+PA2+........+PAn
III-1. Modèle de prédiction vue globale:
Pour
ur améliorer la précision de la prédiction on ajoute
Pour l'optimisation de la prédiction de la demande de
quelque paramètres tel
el que la présence d'une personne à
l'énergie électrique on propose de faire un calcul local
la maison ou à une chambre de la maison, le nombre de
court (une minute à une journée max) par exemple au
personnes, la catégorie d'une personne
niveau d'un bâtiment en utilisant la meilleure
meilleur méthode de
(adulte/adolescent/enfant), la météo, et en fonction de
prédiction FCRBM approuvé auparavant, et on utilise la
ces paramètres on calcule la prédiction.
même méthode pour prédire la demande de la même
entité (immeuble) mais cette fois le calcul est à moyen NB: toutes les méthodes de prédiction
pré sont des FCRBM.
(une journée jusqu'a une semaine) et long terme (d'une
semaine à une année) au niveau du distributeurdistrib de
l'énergie. On propose ainsi de faire une comparaison entre
le calcul de la prédiction FCRBM au niveau local avec celui
au niveau distributeur de l'énergie, si on trouve une
différence à partir d'un certain seuil on calcule la moyenne
moyen

Mediterranean Telecommunications Journal Vol. 8, N° 2, July 2018 ISSN: 2458-6765

F. Mountassir Machine Learning au service de la prédiction de la demande d’énergie
-Modèle
Modèle de calcule de la prédiction au niveau d'un immeuble-
immeuble
-Interaction entre Agents-
IV-Conclusion :
Nous
ous avons étudié le problème de la prévision énergétique
dans le contexte du réseau intelligent, pour travailler avec
une méthode il faut choisir avec précaution quelque
paramètres tel que le choix du nombre optimal d'unités
cachées et lee taux d'apprentissage, afin améliorer la
performance de ces modèles. Toutes les méthodes
proposées ont montré un temps de prédiction
comparable, de l'ordre de quelques centaines de
millisecondes, et sont donc adaptées à une exploitation en
temps quasi réel dans des applications
ations telles que des
immeubles et les appareils de domotique, et les tests
montrent que la méthode FCRBM est la meilleure meilleur à
retenir.
Cependant, ce travail a été fait sous l'hypothèse que des
données historiques sont disponibles. Parfois, dans le
contexte du Smart Grid,, ces données ne sont pas
disponibles.
V-Références:
[1]] World Economic Forum « Accelerating Smart Grid Investments
Inv ».
[2] FONDATION D'ENTREPRISE ALCEN POUR LA CONNAISSANCE DES
ENERGIES https://www.connaissancedesenergies.org/fiche
https://www.connaissancedesenergies.org/fiche-
pedagogique/reseau-intelligent-smart-grid''
grid'' 14 avril 2015
[3]Integration of solar home systems in Smart Grids
https://www.slideshare.net/brhamesh/roof-top-solar solar-pv-connected-dc-
micro-grids
[4]] Livre RESEAUX DE NEURONES par Marc Parizeau Hiver 2006 Université
de l'aval.
[5,6,7]https://www.futurasciences.com/tech/definitions/informatique
[5,6,7]https://www.futurasciences.com/tech/definitions/informatique-
reseau-neuronal-601/
[8] Emerging Artificial Intelligence Applications inComputer Engineering
publie par Ilias G. Maglogiannis
[9] Bioconductor Case Studies chapitre 10 unsupervised Machine Learning
R. Gentleman and V. J. Carey.
[10] Foucquier A, et al. State of the art in building modelling and energy
performances prediction: a review. Renew Sustain Energy Rev 2013,
23:272-88/ Article Building electrical energy rgy consumption forecasting
analysis using conventional and artificial intelligence methods.
methods
Mediterranean Telecommunications Journal
8
[11]] Article Building electrical energy consumption forecasting analysis
using conventional and artificial intelligence methods paragraph 4.2.
Hybrid artificial neural network.
[12] Mocanu, E. University of technology Machine Learning applied to
Smart Grids Figure 2.6.
[13]] Energy prediction at building level, chapitre 2 Supervised energy
prediction, page 17 Memoire Mocanu, E. (09/10/2017). Machine learning
applied to smart grids Eindhoven: Technische Universiteit Eindhoven.
[14,15]] Experiments and results chapitre 2 Supervised energy prediction,
page 21 Memoire Mocanu, E. (09/10/2017). Machine learning applied to
smart grids Eindhoven: Technische Universiteit
Univers Eindhoven.
[16]] Experiments and results chapitre 2 Supervised energy prediction,
page 23 Memoire Mocanu, E. (09/10/2017). Machine learning applied to
smart grids Eindhoven: Technische Universiteit Eindhoven.
Eindhoven
[17]] G. W. Taylor, G. E. Hinton, and S. T.T Roweis, \Two distributed-state
models for generating high-dimensional
dimensional time series," Journal of Machine
Learning Research, vol. 12, pp. 1025{1068, 2011.
[18] Mocanu, E. University of technology Machine Learning applied to
Smart Grids Figure 2.10.
[19] ENERGY PREDICTION IN A PRICE-RESPONSIVE
PRICE CONTEXT chapitre 2
Supervised energy prediction, page 38 Memoire Smart Grid. Grid
[20] Supervised energy prediction chapitre 2, page 42 Memoire Mocanu,
E. (09/10/2017). Machine learning applied to smart grids Eindhoven:
Technische Universiteit Eindhoven.
Eindhoven
[21]] ENERGY PREDICTION IN A PRICE-RESPONSIVE
PRICE CONTEXT chapitre 2
Supervised energy prediction, page 39 Memoire Mocanu, E.
(09/10/2017). Machine learning applied to smart grids Eindhoven:
Technische Universiteit Eindhoven.
Eindhoven
[22]] Summary chapitre 2 Supervised energy prediction, page 43 Memoire
Mocanu, E. (09/10/2017). Machine learning applied to smart grids
Eindhoven: Technische Universiteit Eindhoven.
[23]] Changyn S, Dengcai G. Support vector machines with PSO algorithm
for short-term
term load forecasting. In: Proceeding of the 2006 IEEE
international conference on networking, sensing and control, 2006/
Article Building electrical energy consumption
consumpt forecasting analysis using
conventional and artificial intelligence methods.
methods
[24]] Wang J, Zhou Y, Chen X. Electricity load forecasting based on support
vector machines and simulated annealing particle swarm optimization
algorithm. In: Proceedings of the
th 2007 IEEE international conference on
automation and logistics, 2007/ Article Building electrical energy
consumption forecasting analysis using conventional and artificial
intelligence methods.
[25]] Article Building electrical energy consumption forecasting
forecast analysis
using conventional and artificial intelligence methods paragraph 4.2.
Hybrid artificial neural network Table 4.5.
4.5
Liste d'abréviations:
ANN Artificial Neural Network
NAR Artificial Neural Network(with one time series as input)
ANN-NAR
ANN-NARX Artificial Neural Network(with more time series as input)
BP-ANN Back-Propagation ANN
CRBM Conditional Restricted Boltzmann Machine
FCRBM Factored Conditional Restricted Boltzmann Machine
HMM Hidden Markov Model
MAPE Mean absolute percentagentage error
NRMSE Normalized root-mean-square
square error
PCC Pearson Correlation Coefficient
RMSE Root-mean-square error
RNN Recurrent Neural Networks
SVM Support Vector Machine
SI Swarm Intelligence
PSO Particle Swarm Optimization
FI Fuzzy Inférence
SAPSO Simulated Annealing Particle Swarm Optimization
Vol. 8, N° 2, July 2018 ISSN: 2458-6765