Techniques d'intelligence artificielle pour l'analyse prédictive de la consommation d'électricité.

Abstract

Une prévision précise de la consommation délectricité permet de surmonter les problèmes auxquels sont confrontées les compagnies délectricité. Nous avons effectué une revue de létat de lart en analysant plusieurs articles de recherche dans le domaine de la prévision de la consommation délectricité. Cette étude nous a permis de mettre en perspective nos pratiques et de développer une approche novatrice en implémentant une architecture hybride LSTM- GRU. Le déroulement de cette étude a porté sur lapplication des techniques dintelligence artificielle telles que le Long Short-Term Memory (LSTM), le Gated Recurrent Unit (GRU), ainsi que la méthode statistique Seasonal Autoregressive Integrated Moving Average (SARIMA) et notre proposition en utilisant le langage Python. Nous avons appliqué ces différentes méthodes sur un ensemble de données fourni par Sonelgaz pour analyser la consommation délectricité. En comparant les résultats de prédiction obtenus, nous avons constaté que notre architecture hybride LSTM-GRU a surpassé les autres modèles, à savoir SARIMA, LSTM et GRU, en termes de précision.