Prévision de la charge à court terme utilisant un réseau de neurones optimisé par essaim de particules

L'énergie est très importante dans de nombreux domaines de la vie. De plus, les humains semblent être presque totalement dépendants de l'énergie électrique ces dernières décennies. Bien que d'énormes efforts soient investis dans des dispositifs électroniques qui consomment moins d'énergie ou s'appuient sur des sources d'énergie alternatives, de nombreux dispositifs émergents continuent de dépendre d'une certaine forme d'énergie électrique. Les entreprises d'énergie sont chargées de fournir une énergie suffisante aux consommateurs ; par conséquent, ces entreprises doivent être en mesure de projeter la quantité d'énergie à rendre disponible aux consommateurs à différents moments. Il est indésirable de fournir moins d'énergie que demandée à un moment donné, car cela peut entraîner un effondrement du système ou une coupure de charge obligatoire (certains consommateurs subissent des coupures de courant). Dans ce travail, nous modélisons le problème de la prévision de la charge à court terme en utilisant un réseau de neurones feedforward optimisé par essaim de particules. Le système décrit est capable de prédire la charge horaire fournie par une entreprise d'énergie. De plus, nous examinons la modélisation de la prévision de charge avec un réseau de neurones feedforward conventionnel, entraîné avec l'algorithme d'apprentissage par rétropropagation. Les résultats obtenus montrent que les réseaux optimisés par essaim de particules et par rétropropagation sont des régresseurs adaptés pour modéliser la demande énergétique. Bien que les réseaux optimisés par rétropropagation aient légèrement un avantage en termes d'erreur absolue moyenne (MAE) et d'erreur quadratique moyenne (MSE), les réseaux optimisés par essaim de particules se distinguent par une convergence plus rapide. L'entraînement est environ deux fois plus rapide dans les réseaux optimisés par essaim de particules, car les calculs des gradients d'erreur ne sont pas nécessaires pour l'optimisation. La base de données utilisée dans ce travail est obtenue auprès d'une entreprise d'énergie basée à Chypre du Nord.