Exploration de différentes architectures de réseaux de neurones pour la prédiction de la glace atmosphérique sur les conducteurs des réseaux électriques
Notice bibliographique
Résumé
Dans le but d'établir un modèle informatique empirique visant à prédire l'évolution temporelle des charges mécaniques dues à l'accumulation de la glace atmosphérique sur les conducteurs de transport d'énergie électrique, cinq architectures de réseaux de neurones artificiels ont été étudiées et comparées. Deux réseaux de nature statique, soit le Perceptron multicouches (MLP) et le réseau à fonctions de base radiales (RBF), ainsi que deux réseaux orientés vers le traitement temporel, soit le réseau à réponse impulsionnelle finie (FIR) et le réseau récurrent Elman, ont été comparés à la régression linéaire multiple (ADALINE). \n \nLes données utilisées pour faire l'entraînement des modèles basés sur les réseaux de neurones proviennent du site instrumenté du Mont-Bélair qui fait partie du système de surveillance en temps réel SYGIVRE d'Hydro-Québec. On retrouve sur ce site une ligne de 315 kV dotée d'un capteur de force pour la mesure des forces mécaniques, plusieurs instruments météorologiques standards ainsi qu'un givromètre permettant d'évaluer l'intensité des conditions givrantes environnantes. Les modèles créés dans le cadre de cette recherche utilisèrent la température ambiante, la vitesse normale du vent et le signal du givromètre comme paramètres d'entrée et le signal de charge (ou son taux de variation) comme paramètre de sortie. \n \nLes résultats indiquent que les réseaux de neurones (le FIR par exemple) constituent un outil prédictif potentiellement avantageux ayant une puissance de représentation supérieure à des techniques statistiques simples comme la régression linéaire multiple. Les réseaux de neurones de nature statique donnent généralement de moins bons résultats que les réseaux orientés vers le traitement temporel et semblent donc moins adéquats. Toutefois, les performances affichées par les modèles montrent bien que la problématique de la prédiction des charges mécaniques de glace atmosphérique est plutôt difficile et qu'il ne faut pas considérer les réseaux de neurones comme une solution magique. L'utilisation de l'historique passé du signal de sortie comme variable d'entrée supplémentaire améliore notablement la situation cependant dans le cadre d'une prédiction en avance. Dans ce cas, les modèles fournissent une prédiction raisonnablement précise. \n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».