Etudiant : JAAFANE SALAH EDDINE

Filière : Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. EL BOURAKADI DOUNIA

Annèe : 2025

Résumé : La prévision précise de la consommation d’électricité s’est imposée comme un enjeu de premier plan dans le contexte actuel où l’essor des énergies renouvelables pose des problèmes nouveaux, de variabilité et d’incertitude, à la planification énergétique. C’est à ce titre que nous nous inscrivons dans cette problématique en développant puis en testant plusieurs modèles d’apprentissage in-situ, machine ou profond, pour la prévision de la consommation à partir des données disponibles. Un large choix de modèles a été mis en œuvre : SVR, Random Forest, XGBoost, GRU, LSTM, Transformer, CNN-LSTM et un modèle hybride SWT-LSTM, entre autres. Ces modèles visent à réduire l’incertitude du renouvelable afin de mieux anticiper les consommations par une meilleure prise en compte des dynamiques dans la prévision. Dans cette optique, un modèle basé sur du stacking incluant XGBoost, CNN-LSTM et Random Forest a été proposé en vue de tirer parti des différentes forces des algorithmes afin de produire des prévisions plus robustes. L’évaluation comparative des modèles, par des indicateurs standards tels que le MAE, le RMSE et le coefficient de détermination R², montre que le modèle de stacking proposé permet de dépasser l’ensemble des autres modèles en termes de performance au cours des prévisions à court terme. Ces apports permettent de fournir une solution performante de prévision de la demande à un horizon incertain et constituent un apport méthodologique pour les problématiques de gestion intelligente de l’énergie et d’intégration des énergies renouvelables. Mots-clés : Prévision de la demande électrique, Énergies renouvelables, Incertitude, Apprentissage automatique, Apprentissage profond, Stacking, XGBoost, CNN-LSTM, Random Forest, Modèle hybride.