Prévision à court terme à plusieurs horizons à l’aide d’un modèle hybride basé sur LSTM et une convolution fractionnée modifiée

La prévision précise à court terme de la charge (STLF) joue un rôle essentiel dans le bon fonctionnement des systèmes électriques, la planification future de la capacité, la mise en service des unités et la réponse à la demande. Toutefois, en raison de sa non-stationnarité, ainsi que de sa dépendance à plusieurs caractéristiques calendriques cycliques et non cycliques, et à des caractéristiques météorologiques non linéaires fortement corrélées, une prévision précise de la charge reste un défi majeur avec les techniques existantes. Pour relever ce défi, une nouvelle technique hybride basée sur un réseau de mémoire à long et court terme (LSTM) et un réseau neuronal modifié à convolution par division (SC) (LSTM-SC) est proposée pour la prévision à un pas et à plusieurs pas de la charge à court terme. L'ordre de concaténation de LSTM et SC dans le réseau hybride proposé permet une excellente extraction des caractéristiques dépendantes de la séquence ainsi que d'autres caractéristiques spatiales hiérarchiques. Le modèle est évalué sur le jeu de données de charge du réseau national pakistanais fourni par la National Transmission and Dispatch Company (NTDC). Les données de charge sont prétraitées et plusieurs autres caractéristiques corrélées sont intégrées afin d’améliorer les performances. Pour évaluer la capacité de généralisation, les performances du modèle LSTM-SC sont testées sur des jeux de données publics provenant d’American Electric Power (AEP) et d’Independent System Operator New England (ISO-NE). L’impact de la température, une caractéristique d’entrée fortement corrélée, sur la prévision de la charge est étudié en supprimant la température ou en ajoutant un bruit aléatoire gaussien à celle-ci. En termes d’erreur quadratique moyenne (RMSE), d’erreur absolue moyenne (MAE) et d’erreur absolue moyenne pourcentuelle (MAPE), les résultats du modèle proposé sur le jeu de données NTDC atteignent respectivement 500,98, 372,62 et 3,72 % pour la prévision à plusieurs pas, et 322,90, 244,22 et 2,38 % pour la prévision à un pas. Les résultats montrent que la méthode proposée présente une erreur de prévision réduite, une forte capacité de généralisation et des performances satisfaisantes sur plusieurs horizons temporels.