Prévision de la charge électrique à l’aide de modèles d’intervalles fondés sur la granularité et des principes justificables

Pourquoi cela compte pour l’usage quotidien de l’électricité

Maintenir l’électricité disponible est un exercice d’équilibre délicat. Les compagnies d’électricité doivent toujours disposer de suffisamment d’énergie pour satisfaire la demande, sans en produire de trop au risque de gaspiller du carburant et de l’argent. Cette étude explore une nouvelle manière de prévoir la quantité d’électricité qu’une région aura besoin à l’avenir, notamment sur des horizons mensuels et annuels, tout en montrant de façon honnête l’incertitude de ces prévisions. Cela importe pour tous ceux qui dépendent d’un système électrique fiable, abordable et de plus en plus bas carbone.

Passer d’estimations uniques à des plages sûres

La plupart des outils de prévision traditionnels fournissent un seul chiffre pour la demande future, par exemple « le réseau aura besoin de 5 000 mégawatts demain à 18 h ». Ces prévisions ponctuelles peuvent être très précises à court terme, mais elles deviennent fragiles à mesure que l’on s’éloigne dans le temps, la demande étant affectée par la météo changeante, la croissance économique et les habitudes évolutives comme la recharge des véhicules électriques. Les méthodes récentes utilisant l’apprentissage automatique et l’apprentissage profond ont amélioré la précision, mais elles fournissent encore souvent un unique « meilleur estimé » et cachent généralement l’incertitude derrière des hypothèses probabilistes complexes difficiles à interpréter pour les exploitants et les régulateurs.

Penser en blocs plutôt qu’en points

Les auteurs proposent un état d’esprit différent : au lieu de parier sur un seul chiffre, ils prévoient des intervalles — des plages sûres dans lesquelles la demande réelle est susceptible de se situer. Pour construire ces plages, ils utilisent une idée appelée « informatique granulaire », qui traite les données par blocs significatifs, ou granules, plutôt que comme des points isolés. Pour la demande électrique, chaque granule est un intervalle autour d’une valeur centrale (comme la charge médiane quotidienne ou hebdomadaire) qui capture l’amplitude des variations possibles. Travailler avec de tels granules aide à lisser le bruit aléatoire, rend les tendances plus claires sur des échelles de jours, de semaines et de mois, et offre une image plus réaliste de l’incertitude future.

Équilibrer largeur et précision

Un défi clé est de décider de la largeur de chaque intervalle. S’il est trop large, il contiendra presque toujours la valeur réelle mais deviendra inutile pour la planification car trop vague. S’il est trop étroit, il risque d’omettre des valeurs réelles et de donner une fausse impression de certitude. Les chercheurs abordent ce problème en définissant deux mesures simples : la « couverture », la part des valeurs réelles qui tombent à l’intérieur d’un intervalle donné, et la « spécificité », une mesure de la finesse et de l’informativité de cet intervalle. Ils les combinent en un score unique appelé indice de justification. La méthode recherche ensuite automatiquement les intervalles qui maximisent ce score, en rejetant les extrêmes — des intervalles si larges qu’ils expliquent tout et rien, ou si étroits qu’ils manquent trop de données réelles.

Tester l’idée sur un réseau réel

Pour évaluer l’efficacité de cette approche en pratique, l’équipe a utilisé quatre ans de données du principal réseau électrique d’Oman, mesurées toutes les 30 minutes de 2020 à 2023. Ils ont construit et ajusté leurs intervalles à partir des données 2020–2022, puis vérifié dans quelle mesure ces intervalles couvraient les charges non vues en 2023. Ils ont construit des intervalles journaliers, hebdomadaires et mensuels et les ont comparés à des outils de prévision plus familiers tels que les modèles de régression, les arbres de décision, les réseaux profonds et des méthodes probabilistes comme la régression quantile et la prédiction conforme. À l’aide d’une mesure de « recouvrement », ils ont évalué dans quelle mesure les intervalles prédits correspondaient aux intervalles construits directement à partir des données de 2023. Les résultats ont montré que, en passant de granules journaliers à hebdomadaires puis mensuels, les intervalles devenaient plus stables, mieux alignés avec la réalité et plus faciles à interpréter.

Ce que révèlent les nouveaux intervalles sur le réseau

L’analyse a mis au jour plusieurs enseignements pratiques. Premièrement, l’agrégation des données sur des périodes plus longues, comme les semaines et les mois, améliore sensiblement la fiabilité des prévisions, car les fluctuations quotidiennes s’atténuent. Deuxièmement, les intervalles optimisés ont fourni une correspondance claire et cohérente avec la demande réelle sur plusieurs années, ce qui suggère que la méthode généralise bien au lieu de suradapter une année particulière. Troisièmement, la demande en semaine et le week‑end dans le système étudié se sont révélées étonnamment similaires, ce qui implique que des modèles séparés n’étaient pas nécessaires. Comparée à d’autres méthodes de prévision par intervalles, l’approche par granules justificables a offert une couverture compétitive tout en maintenant des intervalles raisonnablement étroits, le tout sans supposer de distribution statistique particulière pour les données.

Comment cela aide à maintenir la fiabilité du réseau

Pour les non‑spécialistes, le résultat principal est simple : au lieu de dissimuler l’incertitude, cette méthode la rend visible et exploitable. Les exploitants de réseau peuvent planifier la production, les réserves et la maintenance autour d’une bande réaliste de demande future probable, plutôt qu’autour d’un unique chiffre fragile. La borne inférieure indique combien de capacité ils peuvent raisonnablement réduire, tandis que la borne supérieure indique combien de secours ils doivent garder prêts pour les journées chaudes, les pics économiques ou d’autres surprises. En exprimant l’incertitude de manière transparente et fondée sur les données, ces prévisions par intervalles favorisent des systèmes électriques plus résilients, plus rentables et, en fin de compte, plus durables.

Citation: Al-Hmouz, R., Mansouri, M., Al-Badi, A. et al. Electric-load forecasting using interval models based on granularity and justifiable principles. Sci Rep 16, 7722 (2026). https://doi.org/10.1038/s41598-026-39571-8

Mots-clés: prévision de la charge électrique, intervalles d’incertitude, informatique granulaire, planification du réseau électrique, séries temporelles énergétiques