Système d’apprentissage automatique pour la prévision à long terme de la demande d’électricité en vue d’investissements énergétiques stratégiques

Pourquoi les besoins en électricité de demain comptent aujourd’hui

Assurer l’approvisionnement électrique dans les décennies à venir est bien plus complexe que de construire simplement davantage de centrales. La demande d’électricité augmente dans le monde entier à mesure que la population croît, que les villes s’étendent et que les vagues de chaleur deviennent plus fréquentes. Si les gouvernements sous-estiment la quantité d’électricité nécessaire, ils prennent le risque de coupures et d’investissements gaspillés ; s’ils la surestiment, ils peuvent immobiliser des infrastructures coûteuses et sous-utilisées. Cet article présente une nouvelle manière d’observer cet avenir incertain en combinant l’apprentissage automatique moderne et des statistiques nationales soigneusement choisies, illustrée par une étude de cas détaillée sur l’Égypte.

Relier la vie quotidienne à la demande d’électricité

Derrière chaque coup d’interrupteur se cachent de nombreuses forces : combien de personnes vivent dans un pays, la sévérité des étés, la vitesse de la croissance économique et la capacité de production déjà installée. Les outils de prévision traditionnels s’appuient souvent surtout sur la consommation passée d’électricité et, au mieux, sur une poignée d’indicateurs économiques ou météorologiques. Cette vision étroite peut manquer des changements importants, tels qu’une urbanisation rapide ou un endettement national croissant qui influence les importations de carburant. Les auteurs soutiennent que les planificateurs nationaux ont besoin d’un angle plus large — un modèle qui suit simultanément l’offre d’électricité, le climat, l’économie et les tendances démographiques sur de nombreuses années.

Construire un moteur de prévision en trois étapes

L’étude présente un système en trois phases conçu pour des prévisions à long terme au niveau national. La première étape est la collecte et le nettoyage des données : l’équipe rassemble des enregistrements mensuels et annuels de 2000 à 2023 sur la capacité de production électrique, les températures, les précipitations, l’humidité, la santé économique et la structure de la population pour l’Égypte. Comme ces sources arrivent à des intervalles différents et comportent parfois des lacunes, les auteurs appliquent des méthodes d’interpolation adaptées pour remplir les valeurs manquantes et convertir l’ensemble sur une chronologie mensuelle commune, tout en préservant les motifs saisonniers importants comme des étés plus chauds. Ils examinent ensuite le comportement de chaque variable dans le temps pour déterminer si des modèles de séries temporelles spécialisés sont appropriés.

Laisser les algorithmes apprendre du passé

Dans la deuxième phase, les chercheurs comparent des outils statistiques de prévision familiers avec des modèles d’apprentissage automatique plus flexibles. Des méthodes classiques telles que l’ARIMA et le SARIMAX servent de références ; elles captent les tendances et certains comportements saisonniers mais supposent des relations relativement simples entre les variables. Pour traiter des données multivariables plus riches, l’équipe recourt à une approche d’apprentissage profond appelée réseau Gated Recurrent Unit (GRU), bien adaptée pour apprendre des motifs s’étalant sur des mois et des années. Ils ajustent systématiquement les paramètres internes du modèle avec un cadre d’optimisation et testent plusieurs profondeurs de réseau, constatant finalement qu’une seule couche GRU bien configurée offre le meilleur compromis entre précision et robustesse pour les données disponibles.

Voir quels facteurs importent le plus

La précision brute ne suffit pas si les planificateurs ne comprennent pas ce qui motive les prévisions du modèle. Dans la troisième phase, les auteurs utilisent une technique d’interprétabilité connue sous le nom de SHAP pour mesurer dans quelle mesure chaque facteur d’entrée pousse les prévisions à la hausse ou à la baisse. Cette analyse révèle que la population — rurale comme urbaine — et le revenu par habitant sont les principaux moteurs de la hausse de la demande, la capacité de production électrique et la dette extérieure jouant des rôles de soutien importants. Les variables climatiques, en particulier les températures extrêmes, comptent toujours, mais à long terme elles contribuent moins que la croissance démographique et économique. En supprimant progressivement les variables moins influentes et en réévaluant les performances, les auteurs identifient un ensemble rationalisé de treize caractéristiques qui fournissent des prévisions solides et stables.

Ce que signifient les résultats pour la planification énergétique

Sur de nombreux tests, le modèle GRU affiné explique plus de quatre cinquièmes de la variation de la consommation électrique en Égypte et maintient des erreurs moyennes légèrement supérieures à 4 % de la demande mensuelle typique. Ce niveau de précision, associé à une compréhension claire des leviers les plus importants, rend le système bien adapté pour explorer des scénarios « et si » — comme une urbanisation plus rapide, de nouvelles centrales ou des variations du niveau d’endettement — et leur impact sur le réseau. Bien que l’étude de cas se concentre sur l’Égypte, le cadre s’appuie sur des données que la plupart des pays suivent déjà et sur des étapes de traitement transparentes, ce qui le rend transférable à l’échelle mondiale. En substance, ce travail offre aux décideurs un moteur de prévision pratique et interprétable qui relie les changements sociaux et économiques quotidiens aux systèmes électriques qui doivent suivre le rythme.

Citation: Haggag, M., Abdelhady, K., Guirguis, M. et al. Machine learning long-term electricity demand forecasting system for strategic energy investments. Sci Rep 16, 12471 (2026). https://doi.org/10.1038/s41598-026-45123-x

Mots-clés: prévision de la demande d’électricité, planification énergétique, apprentissage automatique, climat et énergie, urbanisation