Please use this identifier to cite or link to this item:
http://dspace.univ-temouchent.edu.dz/handle/123456789/4325
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | HAMZI, Kheir Eddine Yassine | - |
dc.contributor.author | BENMAROUF, Mohamed Nabil | - |
dc.contributor.author | BENTAIEB, Samia | - |
dc.date.accessioned | 2024-06-27T09:41:33Z | - |
dc.date.available | 2024-06-27T09:41:33Z | - |
dc.date.issued | 2024 | - |
dc.identifier.uri | http://dspace.univ-temouchent.edu.dz/handle/123456789/4325 | - |
dc.description.abstract | La consommation d’électricité exerce une influence considérable à la fois sur l’environnement et sur les coûts associés à la distribution de l’énergie en raison de son impact direct sur ces facteurs. Heureusement, les progrès de l’intelligence artificielle et des algorithmes d’apprentissage profond ont permis de prévoir avec précision la consommation d’électricité sur la base de données historiques. Ce travail présente une étude sur l’utilisation des méthodes d’apprentissage profond pour prédire la consommation d’électricité. Différentes architectures sont proposées pour prédire la consommation d’électricité en utilisant des données de consommation d’électricité pour l’apprentissage et l’évaluation de ces modèles. Leur performance a été évaluée à l’aide de plusieurs mesures d’évaluation, notamment l’erreur absolue moyenne (MAE), la racine de l’erreur quadratique moyenne (RMSE) et le coefficient de détermination (R2). Les résultats indiquent que la méthode proposée peut prédire efficacement la consommation d’énergie. Pour garantir la praticité et la fiabilité du système dans des applications réelles, le système proposé a été intégré avec succès sur deux cartes de développement: le Raspberry Pi et le Nvidia Jetson Nano. Cela nous a permis de tester les performances du système sur ces cartes de développement et d’évaluer son efficacité globale dans divers scénarios. Ce travail a été réalisé dans le cadre du projet, intitulé ’Stabilizing weak grids through machine learning: empowering farmers in end-of-line-communities in North Africa through artificial neural networks’ SWITCH. Il inscrit dans le cadre de l’appel à la recherche et à l’innovation Europe-Afrique sur les énergies renouvelables, LEAP-RE. Mots clés: Prédiction, Deep Learning, réseaux neuronaux convolutifs, Raspberry Pi, Nvidia Jetson Nano. | en_US |
dc.language.iso | fr | en_US |
dc.subject | Prédiction, Deep Learning, réseaux neuronaux convolutifs, Raspberry Pi, Nvidia Jetson Nano. | en_US |
dc.title | Optimisation des Ressources Énergétiques grâce à la Prédiction de la Consommation Électrique : Approche Analytique et Prédictive basée sur l'Intelligence Artificielle | en_US |
dc.type | Thesis | en_US |
Appears in Collections: | Télécommunication |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
PFE_Finale_Hamzi_Benmarouf - Nabil Nabil.pdf | 4,18 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.