Réseaux résiduels profonds avec extraction de caractéristiques par convolution pour la prévision de charge à court terme

Pourquoi la consommation électrique de demain compte déjà aujourd’hui

Chaque fois que nous actionnons un interrupteur, les compagnies d’électricité doivent déjà disposer de la bonne quantité d’électricité prête à être distribuée. Si elles produisent trop peu, les lumières vacillent et les usines s’arrêtent ; trop, et elles gaspillent du carburant et de l’argent. Cet article examine une nouvelle méthode d’intelligence artificielle qui aide les opérateurs de réseau à prévoir, heure par heure, la quantité d’électricité que les gens utiliseront le jour suivant, dans des climats très différents, de la Nouvelle‑Angleterre enneigée à la Malaisie tropicale.

Le défi d’anticiper nos besoins énergétiques quotidiens

La prévision de charge à court terme consiste à prédire la quantité d’électricité dont une région aura besoin, de l’heure suivante jusqu’à la semaine à venir. Ces prévisions guident des décisions cruciales, comme les centrales à mettre en service, la planification des maintenances et la stratégie de trading d’énergie. Même une amélioration minime peut permettre d’économiser des sommes considérables ; pour une grande entreprise de distribution, réduire l’erreur de prévision d’un seul pour cent peut économiser des millions de dollars de carburant chaque année. Mais la demande électrique est façonnée par de nombreux facteurs imbriqués : heure de la journée, jour de la semaine, saison, météo, jours fériés et habitudes changeantes. Capturer tous ces motifs de manière fiable est difficile, surtout à mesure que les systèmes énergétiques deviennent plus complexes et que les conditions climatiques se montrent plus variables.

Les limites des outils de prévision intelligents antérieurs

Les chercheurs ont longtemps cherché à améliorer ces prévisions avec des modèles mathématiques et, plus récemment, avec l’apprentissage profond. Les approches traditionnelles comme la régression et les réseaux neuronaux simples peinent lorsque le nombre d’entrées augmente, manquant souvent des motifs subtils ou surajustant les données passées. Les réseaux plus avancés ont chacun leurs points forts et leurs faiblesses : les réseaux convolutionnels repèrent bien les fluctuations à court terme mais pas les tendances à long terme ; les réseaux récurrents comme LSTM et GRU suivent des séquences plus longues mais sont lents et plus difficiles à entraîner ; les modèles Transformer captent des relations complexes mais exigent une forte puissance de calcul et peuvent devenir instables quand ils sont rendus plus profonds. Un compromis populaire, appelé réseau résiduel profond, ajoute des connexions « courts‑circuits » qui aident les modèles très profonds à apprendre sans que l’entraînement ne s’effondre. Pourtant, la plupart des conceptions antérieures n’ont utilisé ces astuces résiduelles que dans les couches de prédiction finales, et non durant les étapes cruciales où les caractéristiques brutes sont d’abord extraites.

Un modèle en deux étapes qui regarde de près et de loin

Les auteurs proposent un système de prévision repensé appelé Réseau Résiduel Profond Intégré à des CNN (CNN‑Embedded Deep Residual Network). Dans la première étape, le modèle se concentre sur le détail local. Il fait passer les historiques récents de charge et de température — allant des dernières 24 heures jusqu’aux derniers mois — à travers des blocs de convolution unidimensionnels. Ces blocs fonctionnent comme des fenêtres glissantes, balayant les séries temporelles pour détecter des formes récurrentes : pics matinaux, montées en soirée, creux du week‑end ou pointes soudaines liées à la météo. Une étape de pooling compresse chaque motif détecté en un résumé compact, réduisant le bruit tout en préservant l’essentiel. En parallèle, des informations calendaires telles que la saison, le jour de la semaine et les indicateurs de jour férié sont traitées et fusionnées. Vingt‑quatre petits sous‑réseaux, un pour chaque heure du jour à venir, transforment ensuite ces caractéristiques enrichies en une prévision initiale sur 24 heures.

Affinement profond et tests sur deux réseaux très différents

Dans la deuxième étape, un réseau résiduel amélioré prend cette première prévision et la peaufine. Des « blocs » empilés avec connexions courts‑circuits ajustent les valeurs horaires tout en préservant la forme quotidienne globale et en empêchant l’entraînement de se bloquer. L’équipe a entraîné et réglé cette architecture sur deux jeux de données réels : ISO New England, qui couvre six États américains avec de fortes variations saisonnières, et la Malaisie, où la consommation électrique est plus stable sous un climat tropical. Ils ont comparé leur modèle à un large éventail d’alternatives, incluant des réseaux purement convolutionnels, plusieurs réseaux récurrents, un Transformer, la conception résiduelle originale et des variantes n’ajoutant que la partie convolution ou la partie résiduelle isolément. La performance a été évaluée avec des mesures d’erreur courantes, en particulier l’erreur moyenne en pourcentage absolu, et testée pour signification statistique à l’aide d’un rééchantillonnage intensif par bootstrap.

Ce que révèlent les résultats pour des réseaux plus intelligents

Le Réseau Résiduel Profond Intégré à des CNN a fourni de manière constante les prévisions les plus précises. Sur les données de la Nouvelle‑Angleterre, il a réduit l’erreur moyenne en pourcentage à environ 1,53 %, améliorant les meilleurs concurrents basés sur des résiduels d’environ 11 % au maximum. En Malaisie, où les motifs sont plus lisses et où les gains sont plus difficiles à obtenir, il a tout de même réduit l’erreur à environ 5,06 % et devancé tous les autres modèles. Des tests saisonniers ont montré que la méthode gérait les pics de printemps et d’été, les charges de chauffage hivernales et les saisons pluvieuses et sèches tropicales sans perte de précision. Des vérifications statistiques ont confirmé que ces améliorations n’étaient pas dues au hasard. Pour les non‑spécialistes, la conclusion est simple : en combinant un « microscope » pour les motifs à court terme avec une « colonne vertébrale » qui stabilise l’apprentissage profond, cette approche offre aux opérateurs de réseau un moyen plus fiable d’anticiper la consommation électrique de demain, économisant de l’argent, réduisant le gaspillage et soutenant la transition vers des systèmes électriques plus intelligents et plus propres.

Citation: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

Mots-clés: prévision de charge à court terme, apprentissage profond, réseau électrique, réseaux de neurones convolutionnels, réseaux résiduels