Accurate Electricity Consumption Prediction Using Deep Learning

Résumé: La soci´et´e moderne d´epend fortement de l’´energie en tant que ressource critique. Cepen- dant, avec la demande croissante en ´energie, le monde est confront´e `a plusieurs d´efis tels que les ´emissions mondiales de carbone, le changement climatique et la d´egradation de l’environnement. Pour faire face `a ces probl`emes, il est crucial de pr´edire avec pr´ecision la consommation future d’´electricit´e. Cette pr´ediction est n´ecessaire pour une gestion efficace de l’´energie, la r´eponse `a la demande et la planification du r´eseau. Dans cette m´emoire, nous proposons quatre mod`eles d’apprentissage en profondeur , `a savoir le Perceptron Multi-Couches (MLP), les R´eseaux de Neurones Convolutifs (CNN) , la M´emoire `a Court Terme Longue (LSTM) et (CNN-LSTM) , pour la pr´evision ´energ´etique. Notre objectif est de d´emontrer que ces mod`eles surpassent les autres approches existantes. Les mod`eles ont ´et´e entraˆın´es et ´evalu´es `a l’aide d’un ensemble de donn´ees collect´ees dans deux villes en Alg´erie : Sidi bel Abbes , Mascara . L’ensemble de donn´ees comprend environ 66000 mesures. Pour ´evaluer les performances de nos mod`eles, nous utilisons des m´etriques d’´evaluation courantes telles que l’erreur absolue moyenne en pourcentage (MAPE), l’erreur quadratique moyenne (RMSE) et l’erreur absolue moyenne (MAE). Ces m´etriques permettent une ´evaluation compl`ete de l’exactitude et de la fiabilit´e des mod`eles dans la pr´ediction de la consommation d’´energie. Remarquablement, nos r´esultats indiquent que mˆeme avec un nombre relativement restreint de mesures de donn´ees, nos mod`eles propos´es offrent d’excellents r´esultats de pr´evision. Cela sugg`ere la robustesse et l’efficacit´e des architectures d’apprentissage en profondeur dans la capture et la pr´ediction des sch´emas de consommation d’´energie dans les villes ´etudi´ees.

Publié dans la revue: