Sections
Accueil UNamur > Agenda > Short-term time series forecasting of the electricity consumption in Spain using an evolutionary algorithm and an ensemble method
événement

Short-term time series forecasting of the electricity consumption in Spain using an evolutionary algorithm and an ensemble method

Défense de mémoire d'Aude Gilson

Catégorie : mémoire
Date : 18/06/2018 10:30 - 18/06/2018 11:30
Lieu : I30
Orateur(s) : Aude Gilson
Organisateur(s) : Isabelle Daelman

The ability to predict short-term electricity consumption provides several benefits, both at the economic and environmental level. Indeed, it would allow for an efficient use of resources in order to face the actual demand, reducing the costs associated with the production as well as the emission of CO2.

The aim of this thesis is to propose two methodologies based on an Evolutionary Algorithm for regression trees and an Ensemble Method by Stacking strategy in order to tackle the short-term consumption forecasting problem.

The Ensemble Method uses a Stacking ensemble learning method, where the predictions produced by three bases learning methods (Random forest, Artificial Neural Network and Evolutionary Algorithm for regression trees) are combined in a generalizer (Gradient Boosted Method) in order to produce final predictions.

The two methods are applied on a dataset reporting the electric consumption in Spain over more than nine years.

 

La capacité de prédire la consommation d’électricité à court terme présente plusieurs avantages, tant sur le plan économique qu’environnemental. En effet, elle permettrait une utilisation efficace des ressources pour faire face à la demande réelle, en réduisant les coûts associés à la production ainsi que l’émission de CO2.

L’objectif de cette thèse est de proposer deux méthodologies basées sur un algorithme évolutif pour les arbres de régression et une méthode ensembliste par stratégie d’empilement afin d’aborder le problème de la prévision de consommation à court terme.

La méthode d’ensemble utilise une méthode d’apprentissage d’ensemble par empilement, où les prédictions produites par trois méthodes d’apprentissage de base (forêt aléatoire, réseau neuronal artificiel et algorithme évolutif pour les arbres de régression) sont combinées dans un généralisateur (méthode du gradient boosté) afin de produire des prédictions finales.

Les deux méthodes sont appliquées sur un ensemble de données rapportant la consommation électrique en Espagne sur plus de neuf ans.

Contact : Isabelle Daelman - 4966 - isabelle.daelman@unamur.be
Télecharger : vCal