A Graph Neural Network Approach to Short-Term Electric Load Forecasting
La prévision à court terme de la charge électrique pour les régions locales intéresse Hydro-Québec afin de répondre efficacement à la demande au niveau de la distribution. Toute erreur de prévision importante peut entraîner des problèmes de fiabilité, une perte d’opportunité ou des coûts supplémentaires pour l’entreprise. Améliorer la prévision de la charge à court terme peut bénéficier autant aux consommateurs qu’aux services publics
des entreprises pour optimiser les ressources et les coûts. Avec le déploiement de son Infrastructure avancée de mesure, Hydro-Québec dispose désormais d’une quantité importante de nouvelles données de consommation qui peuvent être utilisées pour affiner les prévisions de charge. Dans ce projet, nous prévoyons d’utiliser les progrès récents en apprentissage automatique pour améliorer la prévision de la charge à court terme.
Plus précisément, nous utiliserons les réseaux neuronaux graphiques pour la prévision de la charge électrique à court terme au niveau de la distribution afin de tirer parti des similarités et dépendances latentes révélées entre les bâtiments et les quartiers.
Benoit Boulet; Di Wu
Hydro-Québec
Génie
Services professionnels, scientifiques et techniques; Services publics
Université McGill
Accélération