Résumé

Il s'agit d'une tendance irrésistible de l'amélioration de l'énergie électrique pour développer le réseau
intelligent, qui applique un grand nombre de nouvelles technologies dans la production, la
transmission, la distribution et l'utilisation de l'énergie afin d'optimiser la configuration de l'énergie
et de réaliser des économies d'énergie. La prévision de la charge joue un rôle important dans la
planification et l'exploitation du réseau électrique, car c'est l'un des maillons essentiels pour rendre
le réseau plus intelligent. De nombreuses méthodes telles que les systèmes experts, la théorie des
systèmes gris, les réseaux neuronaux artificiels (ANN), etc. sont utilisées dans les prévisions de
charge pour effectuer la simulation. Cet article vise à illustrer la représentation du réseau neuronal
artificiel appliqué à la prévision de la charge sur la base d'une situation pratique dans la province de
l'Ontario, au Canada.

1, Introduction :

La prévision de la charge est d'une importance vitale pour les industries du système électrique à
bien des égards. En tant qu'élément essentiel du réseau intelligent, la prévision de la charge doit être
très précise pour fournir des informations exactes sur l'achat et la production d'énergie [2] sur le
marché de l'électricité, empêcher le gaspillage et l'abus d'énergie et maintenir le prix de l'électricité
dans une fourchette raisonnable, etc. Des facteurs tels que les différences de saison, les
changements climatiques, les week-ends et les jours fériés, les catastrophes et les raisons politiques,
les scénarios d'exploitation des centrales électriques et les pannes survenant sur le réseau entraînent
des changements dans la demande et la production d'électricité [1]. Depuis 1990, le réseau neuronal
artificiel (RNA) a fait l'objet de recherches en vue de son application à la prévision de la charge [2].
"Les réseaux neuronaux artificiels sont des réseaux massivement parallèles d'éléments de traitement
simples conçus pour émuler les fonctions et la structure du cerveau afin de résoudre des problèmes
très complexes" [3]. En raison de leurs caractéristiques transcendantes, les ANN sont l'une des
méthodes les plus compétentes pour réaliser des travaux pratiques tels que la prévision de la charge.
Cet article porte sur les comportements des réseaux neuronaux artificiels dans la prévision de la
charge. L'analyse des facteurs affectant la demande de charge dans l'Ontario, au Canada, est
effectuée afin de fournir une méthode efficace pour la prévision de la charge dans cette province. de
l'Ontario, au Canada, afin de fournir une méthode efficace de prévision de la charge en Ontario.

2. Réseau de rétropropagation
2.1.Contexte

1414

En raison des caractéristiques exceptionnelles de ses capacités statistiques et de modélisation,

l'ANN peut traiter des problèmes non linéaires et complexes en termes de classification ou de
prévision [4]. Comme le problème l'indique, la relation entre l'entrée et la cible est non linéaire et
très compliquée. L'ANN est une méthode appropriée à appliquer au problème de la prévision de la
situation de la charge.
Pour l'appliquer à la prévision de la charge, un ANN doit sélectionner un type de réseau tel que la
rétro-propagation Feed-forward, la couche récurrente et la rétro-propagation Feed-forward à
retardement, etc. À ce jour, la rétropropagation est largement utilisée dans les réseaux neuronaux. Il
s'agit d'un réseau feed-forward avec des fonctions à valeur continue et un apprentissage supervisé
[2]. Elle peut faire correspondre les données d'entrée et la sortie correspondante d'une manière
appropriée afin d'approcher une certaine fonction utilisée pour atteindre un objectif escompté
avec des données antérieures de la même manière que les données d'entrée.
2.2. Architecture de l'algorithme de rétropropagation
La figure 1 montre un modèle de neurone unique de l'algorithme de rétropropagation. En général, la
sortie est une fonction de la somme du biais et du poids multipliée par l'entrée. La fonction
d'activation peut être n'importe quel type de fonction. Cependant, la sortie générée est différente.
En raison du réseau feed-forward, il faut en général au moins une couche cachée avant la couche de
sortie. Le réseau à trois couches est choisi comme architecture, car ce type d'architecture peut
approximer n'importe quelle fonction avec quelques discontinuités [5]. L'architecture à trois
couches est présentée dans la figure 2 ci-dessous
Fondamentalement, trois fonctions d'activation sont appliquées dans l'algorithme de
rétropropagation, à savoir la Log-Sigmoïde, la Tan-Sigmoïde et la Fonction de transfert linéaire. La
plage de sortie de chaque fonction est illustrée dans la figure 3 ci-dessous.
2.3. Sélection de la fonction d'apprentissage
Les algorithmes de la fonction de formation utilisés sont basés sur l'approche de la rétropropagation
et la fonction a été intégrée dans la boîte à outils du réseau Matlab Neuron.

3. Procédures de formation
3.1. Analyse de fond
La formation du réseau neuronal est basée sur la demande de charge et les conditions
météorologiques de la province de l'Ontario, située au sud du Canada. La région de l'Ontario peut
être divisée en trois parties : le sud-ouest, le centre et l'est, et le nord, en fonction des conditions
météorologiques. La population se concentre dans la partie sud-est de la province, qui comprend
deux des plus grandes villes du Canada, Toronto et Ottawa.

3.2. Acquisition des données

Les données de formation requises peuvent être divisées en deux parties : les vecteurs d'entrée et les
cibles de sortie. Pour la prévision de la charge, les vecteurs d'entrée pour la formation comprennent
toutes les informations sur les facteurs affectant la variation de la demande de charge, telles que les
informations météorologiques, les jours fériés ou ouvrables, les pannes survenant dans le réseau,
etc. Les objectifs de sortie sont les scénarios de charge en temps réel, c'est-à-dire la demande
présentée en même temps que les vecteurs d'entrée changent.
En raison de la restriction conditionnelle, cette étude ne considère que les informations
météorologiques et l'ajustement logique des jours de semaine et des week-ends comme des facteurs
affectant l'état de la charge. Dans ce document, les facteurs affectant la variation de la charge sont