Un modèle hybride de sélection optimale de caractéristiques et Conv-LSTM (OFSCL) pour la prévision à court terme de la demande d’énergie dans les postes de distribution d’Ahvaz, Iran

Maintenir l’éclairage dans une ville chaude

Lorsqu’une vague de chaleur survient, les climatiseurs se déclenchent dans toute la ville et la charge sur le réseau électrique peut grimper en quelques minutes. Si les opérateurs du réseau se trompent dans leur estimation de la quantité d’électricité nécessaire, des quartiers risquent des coupures ou un approvisionnement excessif et gaspilleur. Cet article se concentre sur un poste réel dans la ville chaude et humide d’Ahvaz, dans le sud-ouest de l’Iran, et pose une question simple mais importante : peut-on prédire, heure par heure, quelle puissance ce poste devra fournir en s’appuyant sur les données passées de demande et de météo de façon plus intelligente que jamais ?

Pourquoi les prévisions à court terme importent

L’électricité ne se stocke pas facilement à grande échelle, donc l’offre doit suivre la demande de près. Aux postes de distribution, qui abaissent la haute tension pour les habitations et les entreprises, cet équilibre est particulièrement délicat. La demande varie selon l’heure de la journée, le jour de la semaine, la saison et la météo, en particulier la température et l’humidité. Les outils de prévision traditionnels — comme les formules statistiques de base — supposent souvent des tendances lisses et des motifs simples. En réalité, la consommation dans une ville chaude comme Ahvaz est bruitée, non linéaire et marquée par des sauts brusques dus à l’utilisation de la climatisation. De mauvaises prévisions peuvent surcharger les transformateurs, réduire la durée de vie des équipements et contraindre les opérateurs à gérer le réseau de façon conservatrice et moins efficace.

Des formules simples aux machines apprenantes

Au cours de la dernière décennie, les chercheurs ont testé des méthodes plus sophistiquées, depuis des modèles classiques d’apprentissage automatique comme les arbres de décision et les réseaux de neurones jusqu’aux systèmes d’apprentissage profond qui excellent sur les séries temporelles, tels que les réseaux LSTM (Long Short-Term Memory) et les réseaux convolutionnels (CNN). Ces modèles récents peuvent capter des rythmes à plus long terme et des motifs subtils que les techniques plus anciennes manquent. Pourtant, ils font face à deux grands défis. D’une part, ils peuvent recevoir des dizaines de variables d’entrée — heures, jours, jours fériés, vitesse du vent, point de rosée, pression, et plus — dont beaucoup ajoutent du bruit plutôt que de l’information utile. D’autre part, ils peuvent avoir du mal à exploiter simultanément les fluctuations instantanées et les variations saisonnières plus lentes. Le résultat est que la précision sur des données réelles et désordonnées reste souvent en deçà de ce dont les opérateurs ont besoin.

Un modèle hybride qui apprend ce qui compte vraiment

Les auteurs proposent une nouvelle architecture hybride d’apprentissage profond appelée modèle Optimal Feature Selection Conv-LSTM (OFSCL). Il combine deux forces : des couches convolutionnelles qui passent au crible de nombreuses variables d’entrée et se focalisent automatiquement sur les motifs les plus informatifs, et des couches LSTM qui suivent la façon dont ces motifs évoluent dans le temps. Dans OFSCL, la partie convolutionnelle réduit progressivement la quantité d’information transférée en filtrant la redondance tout en préservant les signaux clés. La partie LSTM apprend ensuite comment ces signaux raffinés changent d’heure en heure et de jour en jour. Enfin, des couches denses convertissent cette représentation compacte en une prévision unique : la quantité d’énergie que le poste devra fournir à l’instant suivant.

Tester le modèle sur un poste réel

Pour vérifier si OFSCL fonctionne en pratique, l’équipe a collecté une année de données horaires d’un poste de distribution à Ahvaz, ainsi que des relevés météorologiques locaux détaillés couvrant les fortes chaleurs estivales et les saisons plus fraîches. Ils ont comparé OFSCL à un éventail d’alternatives, y compris des arbres de décision, k-plus proches voisins, perceptrons multicouches, modèles LSTM et CNN purs, et plusieurs hybrides avancés tels que CNN-LSTM et LSTM avec attention. Tous les modèles ont utilisé les mêmes ensembles d’entraînement et de test, et leur performance a été évaluée par la concordance entre les prévisions et la consommation réelle. Le modèle OFSCL a atteint un R² d’environ 90 % et les scores d’erreur les plus bas, tout en s’entraînant plus rapidement que nombre des autres approches d’apprentissage profond. Des tests répétés sur différentes partitions des données ont confirmé que ces gains étaient cohérents et non dus au hasard.

Ce que le modèle apprend sur la météo et la demande

Au-delà de la précision, les auteurs ont cherché à comprendre sur quelles entrées le modèle s’appuyait le plus. Grâce à une analyse de sensibilité basée sur le gradient, ils ont mesuré dans quelle mesure de petites variations de chaque caractéristique affectaient la prévision. La température de l’air est apparue comme le facteur dominant, suivie du mois de l’année et de l’humidité relative, ce qui reflète comment les besoins de refroidissement augmentent avec la chaleur et les conditions saisonnières. En revanche, le fait qu’un jour soit ouvrable ou férié jouait un rôle beaucoup plus faible pour ce poste particulier. L’analyse a également montré que le modèle devient moins sensible aux petites fluctuations à mesure qu’il voit plus de données, s’accrochant à des motifs stables plutôt que de sur-réagir au bruit.

Apporter des prévisions plus intelligentes au réseau

Concrètement, l’étude montre qu’un système d’apprentissage conçu avec soin peut non seulement prédire combien d’électricité un poste chargé devra fournir dans les prochaines heures, mais aussi expliquer quels aspects du climat local importent le plus. En filtrant automatiquement ses entrées et en capturant à la fois les variations rapides et les tendances plus longues, le modèle OFSCL dépasse un ensemble de méthodes existantes tout en restant assez rapide pour une utilisation en temps réel. Étendu et testé sur davantage de régions et de postes, un tel modèle pourrait aider les services publics à fonctionner plus près de la limite — en maintenant l’alimentation, réduisant le gaspillage et préparant mieux les villes à des futurs plus chauds et plus gourmands en énergie.

Citation: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Mots-clés: prévision de la demande énergétique, apprentissage profond, réseaux électriques, météo et consommation électrique, prévision de séries temporelles