Déplacements Moyenne Demande Prévision

Modèles énergétiques pour la prévision de la demandeA L. Suganthi a ,. Anand A. Samuel ba Département des études de gestion, Université Anna, Chennai 600025, Inde b Université VIT, Vellore 632014, Inde Reçu le 7 juillet 2011. Accepté le 22 août 2011. Disponible en ligne le 4 octobre 2011. L'énergie est vitale pour le développement durable de toute nation Que ce soit social, économique ou environnement. Au cours de la dernière décennie, la consommation d'énergie a augmenté de façon exponentielle à l'échelle mondiale. La gestion de l'énergie est cruciale pour la prospérité économique future et la sécurité environnementale. L'énergie est liée à la production industrielle, à la production agricole, à la santé, à l'accès à l'eau, à la population, à l'éducation, à la qualité de vie, etc. La gestion de la demande énergétique est nécessaire pour une affectation appropriée des ressources disponibles. Au cours de la dernière décennie, plusieurs nouvelles techniques sont utilisées pour la gestion de la demande énergétique afin de prédire avec précision les besoins futurs en énergie. Dans cet article, on tente de passer en revue les différents modèles de prévision de la demande d'énergie. Les méthodes traditionnelles telles que les séries chronologiques, la régression, l'économétrie, l'ARIMA ainsi que les techniques de soft computing telles que la logique floue, l'algorithme génétique et les réseaux de neurones sont largement utilisées pour la gestion de la demande. La régression vectorielle de soutien, la colonisation des fourmis et l'optimisation des essaims de particules sont de nouvelles techniques adoptées pour la prévision de la demande d'énergie. Des modèles ascendants tels que MARKAL et LEAP sont également utilisés aux niveaux national et régional pour la gestion de la demande énergétique. Modèles énergétiques Modèle de prévision Gestion de la demande d 'énergie Modèles économétriques Gestion de la demande Auteur correspondant. Mobile: 91 98412 44331. Copyright 2011 Elsevier Ltd. Tous droits réservés. () PRÉVISIONS Facteur saisonnier - le pourcentage de la demande trimestrielle moyenne qui se produit dans chaque trimestre. On prévoit que les prévisions annuelles pour la 4e année seront de 400 unités. La moyenne des prévisions par trimestre est de 4004 100 unités. Prévisions trimestrielles avg. Prévision du facteur saisonnier. Les méthodes de prévision causale sont basées sur une relation connue ou perçue entre le facteur à prévoir et d'autres facteurs externes ou internes 1. régression: l'équation mathématique relie une variable dépendante à une ou plusieurs variables indépendantes qui sont soupçonnées d'influencer la variable dépendante 3. modèles économétriques: système d'équations de régression interdépendantes qui décrivent un secteur d'activité économique. 3. modèles d'entrées-sorties: décrit les flux d'un secteur de l'économie à l'autre et prédit ainsi les intrants nécessaires pour produire des produits dans un autre secteur. Modélisation de simulation MESURER LES ERREURS DE PREVISION Il y a deux aspects des erreurs de prévision à se préoccuper: Bias et précision Bias Une prévision est biaisée si elle erre plus dans un sens que dans l'autre La méthode tend à sous-prévisions ou sur-prévisions. Précision - L'exactitude des prévisions se réfère à la distance entre les prévisions et la demande réelle, ignorant la direction de cette erreur. Exemple: Pour six périodes, les prévisions et la demande réelle ont été suivies Le tableau suivant donne la demande réelle D t et la demande prévue F t pour six périodes: somme cumulée des erreurs de prévision (CFE) -20 écart absolu moyen (MAD) 170 6 28,33 moyen carré Erreur (MPE) 5150 6 858.33 écart-type des erreurs de prévision 5150 6 29.30 erreur moyenne absolue de pourcentage (MAPE) 83.4 6 13.9 Quelle information donne chaque prévision a tendance à surestimer l'erreur moyenne de la demande par prévision était de 28,33 unités ou 13,9 de La répartition réelle de l'échantillonnage des erreurs de prévision a un écart-type de 29,3 unités. CRITÈRES DE SÉLECTION D'UNE MÉTHODE DE PRÉVISION Objectifs: 1. Maximiser la précision et 2. Minimiser les règles de biais pour choisir une méthode de prévision de la série temporelle. Sélectionnez la méthode qui donne le plus petit biais, mesurée par l'erreur de prévision cumulée (CFE) ou donne le plus petit écart absolu moyen (MAD) ou donne le plus petit signal de suivi ou supporte les croyances de gestion sur le modèle sous-jacent de la demande ou d'autres. Il semble évident qu'une certaine mesure de la précision et du biais doit être utilisée ensemble. Comment Qu'en est-il du nombre de périodes à échantillonner si la demande est intrinsèquement stable, des valeurs faibles et des valeurs plus élevées de N sont suggérées si la demande est intrinsèquement instable, des valeurs élevées de et des valeurs inférieures de N sont suggérées PRÉVISION DE FOCUS Une approche de la prévision qui développe les prévisions par diverses techniques, puis choisit la prévision qui a été produite par le quotbestquot de ces techniques, où quotbestquot est déterminé par une certaine mesure de l'erreur de prévision. PRÉVISION DE FOCUS: EXEMPLE Pour les six premiers mois de l'année, la demande pour un article de détail a été de 15, 14, 15, 17, 19 et 18 unités. Un détaillant utilise un système de prévision de focalisation basé sur deux techniques de prévision: une moyenne mobile à deux périodes et un modèle de lissage exponentiel ajusté à la tendance avec 0,1 et 0,1. Avec le modèle exponentiel, la prévision pour janvier était de 15 et la moyenne tendancielle à la fin décembre était de 1. Le détaillant utilise l'écart moyen absolu (MAD) pour les trois derniers mois comme critère pour choisir quel modèle sera utilisé pour prévoir Pour le mois suivant. une. Quelles seront les prévisions pour juillet et quel modèle sera utilisé b. Voulez-vous répondre à la partie a. Être différente si la demande de mai avait été 14 au lieu de 19