Enhancing Smart Grid Management Through Machine Learning-Based Hourly Energy Forecast

Abstract

La prévision précise de la consommation d'électricité avec une haute résolution temporelle est essentielle à la gestion des réseaux intelligents, notamment dans le contexte de l'intégration croissante des énergies renouvelables intermittentes telles que le solaire et l'éolien. Cette transition pose des défis majeurs aux gestionnaires de réseaux, qui doivent constamment équilibrer l'offre et la demande dans des conditions de forte variabilité. Les approches de prévision traditionnelles ne parviennent souvent pas à saisir les schémas non linéaires et dynamiques de la demande d'électricité, ce qui limite leur fiabilité prédictive. Pour relever ces défis, cette étude présente une évaluation comparative de six modèles d'apprentissage automatique pour la prévision de la consommation horaire d'électricité : régression linéaire, forêt aléatoire, XGBoost, CatBoost, LightGBM et perceptron multicouche (MLP). Les performances des modèles ont été évaluées à l'aide des indices RMSE, MAE, R², précision, rappel et score F1. Les résultats soulignent la supériorité des modèles basés sur des ensembles. Français Random Forest a obtenu les meilleures performances (RMSE = 396,56, MAE = 161,35, R² = 0,9990, F1 = 0,993), suivi de LightGBM (RMSE = 544,88, MAE = 309,30, R² = 0,9981, F1 = 0,982) et XGBoost (RMSE = 671,42, MAE = 365,31, R² = 0,9972, F1 = 0,979). En revanche, la régression linéaire et MLP ont produit des résultats significativement plus faibles. Dans l'ensemble, cette étude démontre le potentiel de l'apprentissage automatique avancé, en particulier des méthodes d'ensemble, pour améliorer considérablement la précision des prévisions de la demande énergétique, permettant ainsi un fonctionnement plus fiable des réseaux intelligents et soutenant la transition mondiale vers des systèmes énergétiques durables.