Analyse de l'impact des variables météorologiques sur la prévision de la demande énergétique au Québec
Bibliographic record
Abstract
À Hydro-Québec, la prévision précise de la demande énergétique est essentielle pour la gestion des réseaux électriques, car une surestimation peut entraîner des pertes économiques et écologiques, tandis qu’une sous-estimation peut conduire à des pannes majeures. Au Québec, la situation est particulièrement influencée par la météo en raison principalement de l’utilisation de systèmes de chauffage et de climatisation électriques qui sont soumis à des conditions variables et sur une large étendue géographique. Le but de ce mémoire est d’améliorer la précision des prévisions à court terme de la demande énergétique au Québec en considérant l’impact de plusieurs variables météorologiques. Le mémoire présente deux contributions. Dans un premier temps, le comportement d’un modèle statistique linéaire et d’un réseau de neurones artificiel est analysé en présence des différentes entrées. Les variables météorologiques considérées sont la température, l’humidité, la vitesse du vent, la nébulosité et la radiation solaire incidente. Dans un deuxième temps, on généralise les travaux à plusieurs stations. Une analyse combinatoire sur 15 stations météorologiques de la province a permis d’isoler les meilleures combinaisons de ces variables, alliant efficacité et précision. Les résultats montrent une amélioration de la précision des modèles de prévision, avec une erreur moyenne absolue en pourcentage (MAPE) finale de 1.32% sur la période de 2012 à 2019 par rapport à 1.69% pour le contrôle, en ajoutant les variables de température du point de rosée, de radiation solaire incidente et de vitesse du vent provenant des stations de Montréal, Québec et Shawinigan. Ce mémoire fournit des informations pertinentes pour améliorer la fiabilité et la précision des prévisions de la demande énergétique au Québec en tenant compte des variables météorologiques clés, permettant ainsi de mieux gérer et optimiser le réseau électrique face aux conditions météorologiques changeantes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".