Informatique, IA & cybersécurité · BIB-AFA-0068
Analysis and prediction of electric energy consumption using a Deep Learning Approach: A case study of the Dessie District
Parmi plusieurs architectures de réseaux récurrents, quel modèle prédit le plus précisément la consommation d’électricité du district de Dessie, et dans quelle mesure ces modèles peuvent-ils contribuer à une meilleure planification du réseau électrique éthiopien ?
Question centrale
Parmi plusieurs architectures de réseaux récurrents, quel modèle prédit le plus précisément la consommation d’électricité du district de Dessie, et dans quelle mesure ces modèles peuvent-ils contribuer à une meilleure planification du réseau électrique éthiopien ?
Thèse / idée directrice
L’étude conclut que les architectures de deep learning récurrentes améliorent fortement la prévision de la consommation énergétique et que le modèle GRU obtient les erreurs les plus faibles parmi LSTM, BiLSTM et GRU. La valeur de ces modèles tient autant à la précision prédictive qu’à leur capacité potentielle à améliorer allocation des ressources, gestion du réseau et maîtrise des coûts.
Architecture et contenu substantiel
Le texte part du problème opérationnel des prévisions inexactes de consommation électrique. Les auteurs utilisent des données réelles de l’Ethiopian Electric Utility pour le district de Dessie de 2019 à 2023. Ils décrivent une chaîne complète : prétraitement des données, extraction des caractéristiques, construction des modèles, entraînement et évaluation. Trois architectures sont comparées : LSTM, GRU et Bidirectional LSTM. Les performances sont évaluées sur des données de test à l’aide de MSE, RMSE et MAE. L’analyse accorde aussi une place aux difficultés de surapprentissage et au réglage des hyperparamètres. Le modèle GRU ressort comme le plus performant et sert de base à l’argument selon lequel les modèles séquentiels peuvent soutenir une gestion énergétique plus efficace.
Méthode / matériau
Jeu de données réel 2019–2023 provenant de l’Ethiopian Electric Utility, district de Dessie. Prétraitement, extraction de variables et comparaison de trois architectures : LSTM, GRU et BiLSTM. Évaluation par Mean Squared Error, Root Mean Squared Error et Mean Absolute Error.
Concepts structurants
Conclusions / résultats
Le GRU présente les meilleures performances sur les données de test, avec MSE ≈ 0,105, RMSE ≈ 0,21 et MAE ≈ 0,018. Les auteurs concluent que le deep learning peut améliorer la prévision de la demande, la gestion du réseau et l’allocation des ressources, tout en rappelant la nécessité de maîtriser le surapprentissage et le réglage des hyperparamètres.
Apport de la contribution
La fiche rend immédiatement lisible le choix méthodologique et la comparaison entre modèles. Elle montre aussi pourquoi une meilleure prévision est importante dans un contexte où la croissance de la demande et les contraintes du réseau rendent coûteuses les erreurs de planification.
Réserves / interrogations ouvertes
Le PDF intégral est accessible et les résultats principaux sont documentés, mais les détails de prétraitement, d’architecture réseau, de découpage train/test et de réglage des hyperparamètres doivent encore être repris intégralement avant validation définitive.
Références de vérification
- https://www.ajol.info/index.php/ajec/article/view/286123
- DOI 10.20372/ajec.2024.v4.i1.1093
- Abyssinia Journal of Engineering and Computing 4(1), 2024, pp. 33–41