Mémoires de Fin d’Etudes
Etablissement
Université de Annaba - Badji Mokhtar
Affiliation
Département d’Informatique
Auteur
HAMMOUCHE, Yassine
Directeur de thèse
Khadir Tarek
Filière
Informatique
Diplôme
Magister
Titre
Comparaison de plusieeurs méthodes pour prédiction de la charge electrique nationale.
Mots clés
Série temporelle; charge elictrique; box-jenkins; réseau de neurones artificiels; perceptron couches
Résumé
Les compagnies de gestion électrique ont besoin d’une prédiction à court terme de lademande de la charge électrique afin de programmer les installations de sa production. Leserreurs de prédiction peuvent mener à des risques et insuffisances dans la génération etdistribution de la quantité de la charge électrique vers les utilisateurs.Les recherches dans cet axe sont nombreuses. Plusieurs pays ont abouti à modéliser lasérie représentant la variation de leur charge électrique. Ces recherches se basent sur plusieursapproches telles que les modèles Box-Jenkins, les Réseaux de Neurones Artificiels, le filtre deKalman, etc. Mais la méthode Box-Jenkins et les Réseaux de Neurones Artificiels restent lesplus répandues.Ce travail s’inscrit dans le cadre de la prédiction des séries temporelles, Plusparticulièrement, la prédiction dechargeélectrique. Des techniques sont appliquées pourprédire la charge électrique Algérienne.Quatre modèles sont proposés dans le cadre de ce travail. Les deux premiers sefocalisent sur la prédiction d’un seul pas en avant. Un modèle se base sur la méthode Box-Jenkins qui représente dans la littérature la base de comparaison de toutes autres techniques.Les résultats obtenus par cette méthode sont comparés avec ceux obtenus par un modèleRéseau de Neurones Artificiels de type Perceptron Multi Couches.Généralement, un seul pas est insuffisant pour bien fonder la gestion de la ressource.Sur cette base, il est plus intéressant de chercher une prédiction à plusieurs pas en avant. Dansce contexte, deux modèles sont proposés. Le premier modèle fournit un vecteur de 24 valeurscomme sortie du Réseau de Neurones Artificiels représentant les 24 pas de prédiction. Lesrésultats sont comparés avec les résultats du deuxième modèle qui consiste à classer lesdonnées en 24 classes selon l’heure. Par la suite, on prédit chaque heure séparément pourobtenir 24 prédictions reflétant les 24 pas.
Date de soutenance
2010.
Cote
004 H A M .
Pagination
140 f.
Illusatration
Fig.
Format
30 cm.
Statut
Soutenue