Étude Comparative des Performances de Prévision de la Consommation d'Énergie : Modèle Global vs Modèle d'Intelligence Artificielle.

Sambalaye DIOP, Ramatou SARE, Papa Silly TRAORE, Issa ZERBO, Mamadou Lamine NDIAYE

Résumé


Dans le cadre de la demande énergétique, les unités fondamentales pour la planification et le suivi sont la population, le PIB secondaire et le PIB tertiaire. Au Sénégal, les besoins en consommation d'énergie sont estimés par la SENELEC pour desservir les clients, les entreprises, les logements administratifs, etc. Pour garantir un service de fourniture d'énergie continue, plusieurs étapes de prévision de la demande sont nécessaires. D'où l'application du modèle global, basé sur les données historiques et des prévisions économiques, qui utilise des indicateurs spécifiques pour chaque secteur, rendant parfois les prévisions incertaines. Pour pallier cela, nous utilisons un modèle d'intelligence artificielle de type réseau de neurones. Le but est de comparer la précision du modèle par rapport aux différents horizons déjà explorés par le modèle global avec le modèle d'IA. Les résultats obtenus sont d'une grande importance pour les gestionnaires du réseau électrique de la SENELEC ainsi que pour les décideurs, car ils permettent de mieux comprendre l'évolution de la demande d'électricité et les principaux facteurs qui l'influencent. Ils permettront aussi de mieux adapter la production d’électrique pour un équilibre permanent entre consommation et production source d’économie et de stabilité du réseau. Les erreurs quadratiques moyennes et les erreurs absolues moyennes sont respectivement améliorées de 0,6 MWh et 0,8 MWh.


Mots-clés


Demande énergétique, population, PIB, SENELEC, modèle global, modèle d’intelligence artificielle.

Texte intégral :

PDF

Références


M. Dieng, A. Ndoye, M. S. Sow, and A. Wane, "Energy consumption forecasting using artificial neural networks: A case study of Senegal," 2015 IEEE International Conference on Industrial Technology (ICIT), Seville, Spain, 2015, pp. 2432-2437.

Moglen, Rachel L.; Chanpiwat, Pattanun; Gabriel, Steven A.; Blohm, Andrew (2020). Optimal thermostatically controlled residential demand response for retail electric providers. Energy Systems, (), –. doi:10.1007/s12667-020-00400-0.

Boroumand, R.H., Goutte, S., Porcher, S., Porcher, T.: Hedging strategies in energy markets: The case of electricity retailers. Energy Economics 51, 503–509 (2015). https://doi.org/10.1016/j.eneco .2015.06.021. http://www.sciencedirect.com/science/article/pii/S0140988315002170

Jin, Ming; Feng, Wei; Marnay, Chris; Spanos, Costas (2017). Microgrid to enable optimal distributed energy retail and end-user demand response. Applied Energy, (), S0306261917306062–. doi:10.1016/j.apenergy.2017.05.103.

MISE À JOUR DU PLAN DIRECTEUR RÉVISÉ DE LA CEDEAO POUR LE DÉVELOPPEMENT DE LA CAPACITÉ DE PRODUCTION ET DE TRANSPORT D'ÉNERGIE ELECTRIQUE. TOME 2 : Etat des lieux de la situation actuelle du système électrique et perspectives.

Bellahsen, A. (2020). L’Intelligence Artificielle Au Service De L’Optimisation De L’Énergie Électrique Dans Un Réseau Intelligent (Doctoral dissertation, Ecole Polytechnique, Montréal (Canada)).

S. Diop, P. S. Traore and M. L. Ndiaye, "Wind Power Forecasting Using Machine Learning Algorithms," 2021 9th International Renewable and Sustainable Energy Conference (IRSEC), Morocco, 2021, pp. 1-6, Doi: 10.1109/IRSEC53969.2021.9741109.

Habbak, H., Mahmoud, M., Metwally, K., Fouda, M. M., & Ibrahem, M. I. (2023). Load forecasting techniques and their applications in smart grids. Energies, 16(3), 1480.

Aguiar-Pérez, J. M., & Pérez-Juárez, M. Á. (2023). An Insight of Deep Learning Based Demand Forecasting in Smart Grids. Sensors, 23(3), 1467.

Motamedi, A., Zareipour, H., & Rosehart, W. D. (2012). Electricity price and demand forecasting in smart grids. IEEE Transactions on Smart Grid, 3(2), 664-674.

Muralitharan, K., Sakthivel, R., & Vishnuvarthan, R. (2018). Neural network-based optimization approach for energy demand prediction in smart grid. Neurocomputing, 273, 199-208.

Bozorg, M., Fatemi, N., Pena, C. A., Mousavi, O., & Carpita, M. (2020). L'intelligence artificielle au service des réseaux: le projet Grid Data Digger. Bulletin. Ch= Fachzeitschrift und Verbandsinformationen von Electrosuisse und VSE= Bulletin SEV/AES: revue spécialisée et informations des associations Electrosuisse et AES.

Schaeken Willemaers, J. P. (2023). L'intelligence artificielle et l'énergie: Facteurs d'accomplissement et de réalisation des mutations sociétales. L'intelligence artificielle et l'énergie, 1-180.

Diop, S., Traore, P. S., & Ndiaye, M. L. (2022, October). Power and Solar Energy Predictions Based on Neural Networks and Principal Component Analysis with Meteorological Parameters of Two Different Cities: Case of Diass and Taïba Ndiaye. In 2022 IEEE International Conference on Electrical Sciences and Technologies in Maghreb (CISTEM) (Vol. 4, pp. 1-6). IEEE.

Diop, S., Traore, P. S., Niang, B., & Ndiaye, M. L. (2022, October). Using multilayer Neural Network to increase the Prediction Accuracy: application in the Taïba Ndiaye Power Plant. In 2022 IEEE International Conference on Electrical Sciences and Technologies in Maghreb (CISTEM) (Vol. 4, pp. 1-6). IEEE.

A. Dey, S. Kumar, and S. Rajasegarar, "Short-Term Load Forecasting Using LSTM Recurrent Neural Network," in IEEE Transactions on Industrial Informatics, vol. 17, no. 11, pp. 7817-7824, Nov. 2021.

R. Fu, L. Liu, and W. Yu, "Hourly Load Forecasting in Distribution Grids Using a Deep Neural Network Model," in IEEE Transactions on Industrial Informatics, vol. 16, no. 11, pp. 7133-7141, Nov. 2020.

X. Yang, X. Zou, and B. Zhang, "Short-Term Load Forecasting Based on XGBoost Algorithm," in IEEE Transactions on Industrial Informatics, vol. 15, no. 9, pp. 5202-5210, Sept. 2019.

Agence Nationale de Statistiques et de Démographie, 2024; Rapport sur l'Énergie, Organisation Internationale de l'Énergie, 2023

F.-V. Gutierrez-Corea, M.-A. Manso-Callejo, M.-P. Moreno-Regidor, and M.-T. Manrique-Sancho, “Forecasting short-term solar irradiance based on artificial neural networks and data from neighboring meteorological stations,” Solar Energy, vol. 134, pp. 119–131, Sept. 2016.

BOUREK, Yacine (2016) ETUDE DE LA DECHARGE ELECTRIQUE PAR L’INTELLIGENCE ARTIFICIELLE. Doctorat thesis, Université de Batna 2.

S. Diop, P. S. Traore, M. L. Ndiaye, and I. Zerbo, “Using Artificial Intelligence Models to Predict the Wind Power to be Fed into the Grid,” Journal of Engineering Research and Sciences, vol. 3, no. 6, pp. 1-09, 2024. Doi: 10.55708/js0306001.


Renvois

  • Il n'y a présentement aucun renvoi.