Journal international d'intelligence d'essaim et de calcul évolutif

Abstrait

Prévision à court terme de la charge et des énergies renouvelables à l'aide d'un réseau neuronal artificiel

Ram Srinivasan, Venki Balasubramanian, Buvana Selvaraj

La prévision de charge est une technique utilisée pour prédire les demandes de charge électrique dans la gestion des batteries. En général, le niveau agrégé utilisé pour la prévision de charge électrique à court terme (STLF) se compose d'informations numériques ou non numériques collectées à partir de plusieurs sources, ce qui permet d'obtenir des données précises et des prévisions efficaces. Cependant, le niveau agrégé ne peut pas prévoir avec précision les phases de validation et de test des données numériques, y compris les mesures en temps réel du niveau d'irradiance (W/m2) et de la puissance de sortie photovoltaïque (W). La prévision est également un défi en raison des fluctuations causées par l'utilisation aléatoire des appareils dans les données de charge hebdomadaires, diurnes et annuelles existantes. Dans cette étude, nous avons surmonté ce défi en utilisant des méthodes de réseau neuronal artificiel (ANN) telles que les algorithmes de régularisation bayésienne (BR) et de Levenberg-Marquardt (LM). Le STLF obtenu par des méthodes basées sur les ANN peut améliorer la précision des prévisions. Les performances globales des algorithmes BR et LM ont été analysées au cours des phases de développement de l'ANN. La couche d'entrée, la couche cachée et la couche de sortie utilisées pour former et tester le RNA prédisent ensemble la demande d'électricité sur 24 heures. Les résultats montrent que l'utilisation des algorithmes LM et BR offre une architecture hautement efficace pour l'estimation de la demande d'énergie renouvelable.