Contribution à la prédiction des pertes de puissance sur un réseau électrique par un modèle à base de réseau de neurones

Maguito Lontchi, Claudia (2021). « Contribution à la prédiction des pertes de puissance sur un réseau électrique par un modèle à base de réseau de neurones » Mémoire. Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en génie électrique.

Fichier(s) associé(s) à ce document :
[img]
Prévisualisation
PDF
Télécharger (2MB)

Résumé

La présente recherche a pour objet de proposer des modèles empiriques de prédiction des pertes de puissances dans un réseau électrique. Ces modèles seront obtenus à base d’un RNA de type LSTM. Dans ce sens, 3 algorithmes d’apprentissage dédiés ont été séparément simulés et comparés. Signalons à ce propos que pour chaque algorithme utilisé, plusieurs configurations de ladite architecture ont été testées. La base de données que nous avons utilisée pour effectuer l’entrainement d’un modèle est issue des rapports dressant les perturbations et les occurrences inhabituelles survenues sur le réseau électrique Nord-Américain. À cet effet, l’on y retrouve l’historique des pertes de puissance relatives à ces perturbations. Cet historique qui couvre une période de 20 ans possède néanmoins des « trous » qui illustrent les difficultés inhérentes à la collecte des données de terrain. Nous avons structuré notre travail en trois chapitres. Le premier chapitre consacré à l’étude des outils d’analyse de la fiabilité des systèmes permet de mettre en exergue leurs incapacités à prédire temporellement les perturbations. Cette incapacité justifie l’utilisation d’un prédicteur neuronal. Le second chapitre dédié à l’analyse des architectures neuronales nous permet de justifier le choix du réseau LSTM. Le troisième chapitre est axé sur la présentation et l’interprétation des résultats de simulation. Les résultats obtenus avec ces modèles de prédiction de type ‘forecasting’ nous permettent de constater que les LSTM ont une très grande puissance de représentation des séries temporelles lorsqu’ils sont utilisés avec une base de données de très grande taille. Toutefois, nous pensons qu’il est possible d’obtenir des résultats similaires avec d’autres architectures neuronales profondes. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Fiabilité, Prédiction, série temporelle, Architecture neuronale profonde, Performance

Type: Mémoire accepté
Informations complémentaires: Fichier numérique reçu et enrichi en format PDF/A.
Directeur de thèse: Boukadoum, Mounir
Mots-clés ou Sujets: Fiabilité / Réseaux électriques / Pannes d'électricité / Modèles prédictifs / Réseaux de neurones artificiels / Apprentissage profond
Unité d'appartenance: Faculté des sciences
Déposé par: Service des bibliothèques
Date de dépôt: 04 nov. 2022 07:40
Dernière modification: 04 nov. 2022 07:40
Adresse URL : http://archipel.uqam.ca/id/eprint/16071

Statistiques

Voir les statistiques sur cinq ans...