Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

L’optimisation de la consommation électrique résidentielle représente un défi majeur à l’ère de la transition énergétique. Pour y répondre, la capacité de prédire cette consommation s’impose comme un outil presque indispensable, car elle permet d'anticiper et d'assurer la gestion de l’énergie d’une manière plus efficace, durable et économique. C’est dans ce cadre que le présent projet de maîtrise explore les solutions offertes par l’apprentissage automatique pour la prédiction à partir de données de consommation et météorologiques. La solution développée est axée sur l’utilisation de divers modèles d’apprentissage automatique et d’apprentissage profond. Ces modèles ont été entraînés sur des données de consommation réelle issues des données publiques d’Hydro-Québec. L’étude aborde plusieurs phases de prédiction, allant de l’ingénierie des caractéristiques à l’optimisation des hyperparamètres, en passant par l’explicabilité des modèles à l’aide de la technique shapley additive explanations (SHAP). Elle explore également les modèles préentraînés utilisés pour la prédiction de séries temporelles, tels que TimeGPT et TimesFM. Au cours de ce travail, une évaluation comparative des performances de différents modèles (régression linéaire, XGBoost, CatBoost, RNN, LSTM, TimeGPT, TimesFM) a été effectuée, en utilisant des métriques telles que la racine de l’erreur quadratique moyenne (RMSE), l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (MSE), l’erreur absolue moyenne en pourcentage (MAPE), et le coefficient de détermination (R²). Les résultats ont montré que les modèles d'ensemble peuvent être performants pour la prédiction de la consommation électrique. Mieux encore, les modèles préentraînés ont démontré une capacité à produire des prédictions fiables sans nécessiter d'entraînement local. Ce projet de recherche vise ainsi à démontrer comment l’intelligence artificielle peut contribuer à une meilleure anticipation de la consommation et à l’optimisation énergétique. Il propose également une méthodologie applicable à d’autres contextes de prédiction énergétique, avec un intérêt particulier pour la performance, l’explicabilité et l’applicabilité des modèles.