The threat of terrorist attacks in Europe is a very topical issue that greatly affects all of Europe's population, their trust in the European Community, especially the economy, both nationally and globally. One of the most prominent economic indicators is the price of oil and petroleum products, from which the price of fuel depends on the price of fuel. The price of fuel is the price of most products and services. Thus, the overall living standard of the population and the value of money as a whole. But it would be a mistake to think that terrorism is the only element that affects the price of oil. The purpose of terrorist attacks is primarily to intimidate the population through violence or the threat of violence for the purpose of their religious, political or other goals. In order for the term terrorism to be better grasped, it is necessary to define it with regard to other types of combat. Also define some related concepts, such as a terrorist group. In addition, there is a small list of terrorist organizations operating in Europe. And also an overview of selected terrorist attacks in Europe, their brief description. The handling of all terrorist attacks in Europe would mean more than 8,000 incidents, so only the most serious ones, as well as those with some special facts, have been described. The aim of this work was to demonstrate that terrorism has an impact on economic indicators. This was accomplished through statistical analyzes

La forte variabilité de la vitesse du vent fait que l'énergie produite par un parc éolien n'est pas constante dans le temps. Le gestionnaire ne peut donc pas dimensionner son réseau électrique en prenant intégralement ce type de production en compte. L' une des solutions préconisées pour permettre le développement de l' éolien et son intégration avec une plus grande sureté aux réseaux, est de développer et d'améliorer les outils de prévisions. Le travail de thèse consiste à améliorer les performances d'un outil de prédiction basé sur les réseaux de neurones bayesiens, permettant la prédiction de la puissance à très court terme . Le prédicteur fonctionne notamment par J'ajustement de paramètres, certain se détermine « automatiquement » via le mécanisme des réseaux de neurones bayesiens d' autres, que nous nommerons paramètres temporels, sont à l' appréciation de l'utilisateur. Le travail mené consiste à établir un protocole pour la fixation de ces paramètres tout en améliorant les performances du prédicteur . Nous avons donc décidé de conditionner leurs valeurs en fonction de la variabilité des séquences de puissance précédent l'instant de prévision. Tout d'abord nous avons classifié des séquences de puissance en fonction de leurs coefficients de variation en appliquant la méthode des C-moyennes floues. Puis, chaque classe formée a été testée sur plusieurs valeurs de paramètres, les valeurs associées aux meilleures prédictions ont été retenues. Enfin, ces résultats couplés au formalisme des Chaines de Markov, par le biais de la matrice de transition , ont perm is d'obtenir des taux d'amélioration par rapport à la persistance allant de 7,73 à 23,22 % selon l'horizon de prédiction considéré / The high variability of the wind speed has for conse quences that the energy produced by a wind farm is not constant over time. Therefore, the manager can't size the electrical network by takin g into account this type of production. One solution advocated for the development of wind energy and its integrati on with greater security at network, is to develop and improve fore casting tools. The thesi s objective is to improve the performance of a predi ction tool based on Bayesian neural networks, allowing the predi ction of wind power for short timescales. The predictor works, in part icular by the adjustment of parameters, sorne is determined "automatically" through the mechan ism of neural networks Bayesian other , which we cali temporal parameters are at the discretion of the user. The work involves establishing a protocol for the determination of these parameters and improving the performance of the predictor. So, we decided to condition their values depending on the sequence variability of wind power previous the moment of the forecast. First we classified sequences of power according to their coefficients of variation using the method of fuzzy C-means. Then, each formed class was tested for several parameters values, the values associated with the best predictions were selected. Finally , these result s coupled with the formalism of Markov chains , through the transition matrix allowed to obtain rates of improvement over the persistence ranging from 7.73 to 23.22 % depending on the prediction horizon considered

科学研究費補助金 研究種目:一般研究(B) 課題番号:05452196 研究代表者:後藤 俊夫 研究期間:1993-1994年度