Publication

Field test experiences with neural network models for short term electrical load forecasting in West Switzerland

Alain Germond
1996
Journal Articles

Résumé

In this paper, the authors present successful field test experience in the use of neural networks for short-term electrical load forecasting. After reviewing the importance of load forecasting as a key planning tool for a modern energy management system (EMS), they outline the advantages of using neural networks, how they are implemented, the choice of explicative variables and the selection of appropriate models. In the field test, a fully automatic load forecasting service was implemented. Numerical results are presented showing the importance of forecasted temperatures for a good load forecast and a comparison of rural and urban regions in terms of accuracy

Source officielle

https://infoscience.epfl.ch/entities/publication/96e1002f-9247-4259-af2c-8a8bda2d720d

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Alain Germond
1996
Journal Articles

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/96e1002f-9247-4259-af2c-8a8bda2d720d

À propos de ce résultat

Concepts associés (30)

Suivi de charge

Le suivi de charge est, dans le domaine de la production d'électricité, la pratique qui consiste à faire varier la puissance de fonctionnement d'une centrale de façon à l'adapter aux variations de la demande des consommateurs : la centrale « suit » la charge, c'est-à-dire l'appel de puissance causé par la demande. Les centrales qui ont la capacité d'effectuer des suivis de charge sont dites pilotables, c'est-à-dire modulables ou dispatchables. Le centre de contrôle qui pilote ces centrales pour réaliser l'ajustement offre-demande d'électricité est appelé dispatching.

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.

Load management

Load management, also known as demand-side management (DSM), is the process of balancing the supply of electricity on the network with the electrical load by adjusting or controlling the load rather than the power station output. This can be achieved by direct intervention of the utility in real time, by the use of frequency sensitive relays triggering the circuit breakers (ripple control), by time clocks, or by using special tariffs to influence consumer behavior.

Afficher plus

Publications associées (32)

Afficher plus

Field test experiences with neural network models for short term electrical load forecasting in West Switzerland

Chattez avec Graph Search

Load history effects in fiber–polymer composites: A CRNN-based hybrid deep learning approach for fatigue life prediction and structural health monitoring via infrared thermography

Statistical Physics Analysis of Graph Neural Networks: Approaching Optimality in the Contextual Stochastic Block Model

Capturing the Dichotomous Behaviors of Asperity Wear with Neural-Network Surrogate Modeling