Prédiction pour l’optimisation de la consommation électrique résidentielle à l’aide de l’apprentissage automatique sur des données électriques et météorologiques
Notice bibliographique
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.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».