Approche d'apprentissage profond pour prédire la consommation d'électricité

Abstract

Les années récentes ont vu le fulgurant essor de l'intelligence artificielle, et notamment de ses sous-branches l'apprentissage automatique (ML) et l'apprentissage profond (DL), ouvrant la voie à l'épanouissement de solutions innovantes dans tous les champs. La branche énergétique n'y fait pas exception, les entreprises mettant en place les moyens nécessaires pour utiliser ces technologies afin de prévoir de manière plus efficace la consommation des clients et augmenter leurs services. Dans cette optique, ce projet final a consisté à développer une application web d'analyse et de prévision des consommations électriques à la direction commerciale de Sonelgaz à Béjaïa . L' application est basée sur trois modèles temporels de séries complémentaires : SARIMA, SARIMAX ( variables exogènes ) et GRU, un modèle de réseau neuronal récurrent adapté aux séquences temporelles. Il dispose d'une interface interactive pour la visualisation des données historiques et la génération de prévisions. L'évolution du projet a été menée selon une méthode agile avec l'approche Scrum comme base, et les tests ont été menés sur les données de consommation mensuelle de 7 clients sur une période de 4 ans.