Analyse comparative de prévision électrique à long terme : une étude de cas des centres de répartition de charge en Inde

Une prévision précise de la charge à long terme (PCLT) est cruciale pour les opérations des réseaux intelligents, mais les méthodes basées sur des CNN rencontrent des difficultés pour extraire des caractéristiques essentielles des données de charge électrique, ce qui entraîne une diminution de la performance de prévision. Pour surmonter cette limitation, nous proposons un nouveau modèle d'ensemble qui intègre un module d'extraction de caractéristiques, un bloc résiduel connecté de manière dense (DCRB), une couche de mémoire à long et court terme (LSTM) et une pensée d'ensemble. Le module d'extraction de caractéristiques capte le caractère aléatoire et les tendances des données climatiques, améliorant ainsi la précision de l'analyse des données de charge. En s'appuyant sur le DCRB, notre modèle démontre une performance supérieure en extrayant des caractéristiques à partir de données d'entrée multi-échelles, surpassant les modèles conventionnels basés sur des CNN. Nous évaluons notre modèle en utilisant des données de charge horaires d'Odisha et des données journalières de Delhi, et les résultats expérimentaux montrent de faibles valeurs d'erreur quadratique moyenne (EQM) de 0.952 et 0.864 pour Odisha et Delhi, respectivement. Cette recherche contribue à une analyse comparative de prévision électrique à long terme, mettant en avant l'efficacité de notre modèle proposé dans la gestion des systèmes énergétiques. De plus, le modèle a le potentiel de soutenir les processus de prise de décision, en faisant un outil précieux pour les parties prenantes du secteur électrique.