Évaluation comparative d’algorithmes d’optimisation basés sur le gradient pour la prévision de charge à court terme utilisant des réseaux résiduels profonds

Pourquoi la consommation de demain compte déjà aujourd’hui

Chaque fois que nous allumons une lampe ou branchons un appareil, les fournisseurs d’électricité doivent déjà avoir de l’électricité prête pour répondre à cette demande. Estimer la demande de demain, quelques heures ou un jour à l’avance, aide les opérateurs de réseau à maintenir l’alimentation, éviter les coupures et économiser de l’argent. Cet article explore comment les outils modernes d’intelligence artificielle peuvent rendre ces prévisions à court terme plus précises et plus stables, et montre que le choix souvent négligé de la méthode d’entraînement peut compter autant que le modèle lui‑même.

Suivre le rythme d’un réseau en évolution

La demande d’électricité monte et descend selon l’heure, la saison, les jours fériés et la météo. Les méthodes statistiques traditionnelles peinent à capter ces motifs complexes, surtout lorsque de nombreux signaux différents interviennent. Les modèles d’apprentissage profond, qui empilent de nombreuses couches de calcul simples, sont devenus populaires parce qu’ils peuvent apprendre des relations subtiles et non linéaires. Parmi eux, une architecture dite réseau résiduel profond ajoute des connexions « raccourci » entre les couches, ce qui rend les très grands modèles plus faciles à entraîner et meilleurs pour saisir des dépendances à long terme dans des données comme les charges électriques.

Deux types de modèles intégrant la météo

Les auteurs se concentrent sur deux modèles résiduels profonds étroitement liés pour la prévision de charge à court terme. Le premier utilise la consommation passée, des informations temporelles (comme l’heure et le jour de la semaine) et la température pour prédire les prochaines 24 heures de demande. Le second modèle ajoute beaucoup plus de variables météorologiques d’une ville tropicale, notamment les précipitations et le vent, mais les compresse en un petit ensemble de signaux combinés à l’aide d’un outil statistique standard qui conserve la majeure partie de la variation tout en réduisant la redondance. Cela permet à l’image météorologique enrichie d’informer le réseau sans le rendre ingérable ou plus difficile à entraîner.

Comment les choix d’entraînement façonnent l’apprentissage

La plupart des études utilisant ces réseaux résiduels profonds pour la prévision énergétique choisissent en toute discrétion une méthode d’entraînement populaire appelée Adam et s’y tiennent. Ici, la méthode d’entraînement désigne la recette mathématique qui ajuste progressivement les paramètres internes du modèle au fur et à mesure de son apprentissage sur des données historiques. Cet article remet en question cette habitude en comparant systématiquement treize algorithmes d’entraînement basés sur le gradient, comprenant des approches classiques et plusieurs variantes adaptatives modernes, tous dans la même architecture de modèle. Les auteurs les testent sur deux jeux de données réels : l’un pour le système électrique tempéré de la Nouvelle-Angleterre aux États‑Unis et l’autre pour la Malaisie tropicale.

Ce qui a le mieux fonctionné selon le climat

Dans les deux régions, les méthodes qui adaptent leurs pas d’apprentissage en fonction des erreurs récentes surpassent généralement les approches plus anciennes et plus simples. Pour le modèle original qui repose principalement sur la température comme signal météorologique, une variante appelée AMSGrad a fourni les erreurs de prévision moyennes les plus faibles et le comportement d’entraînement le plus stable dans les deux climats. Lorsque les auteurs sont passés à la version du modèle avec météo multi‑variable compressée, l’équilibre a toutefois changé. Avec cette nouvelle représentation d’entrée, une autre méthode adaptative, AdaBelief, est passée en tête, et Adam a également bien performé. Autrement dit, modifier la façon dont l’information météorologique est présentée au modèle a subtilement remodelé le paysage d’apprentissage et favorisé des règles d’entraînement différentes.

Vérifier que les gains sont réels et non dus au hasard

Pour s’assurer que les améliorations observées n’étaient pas de simples fluctuations statistiques, les auteurs ont utilisé une technique de rééchantillonnage qui rejoue à plusieurs reprises la tâche de prévision sur des échantillons de données légèrement modifiés. Cela leur a permis d’estimer la probabilité qu’une méthode d’entraînement surpasse réellement une autre. Les tests ont montré que plusieurs gains observés, tels qu’AMSGrad surpassant Adam sur les données de la Nouvelle‑Angleterre et les bénéfices de l’approche météo compressée sous certains optimiseurs en Malaisie, sont peu susceptibles d’être dus au seul hasard.

Ce que cela signifie pour le réseau de demain

Pour les non‑spécialistes, le message principal est que l’amélioration des prévisions de demande électrique ne tient pas seulement à l’invention de nouveaux réseaux neuronaux ou à l’ajout de davantage d’informations météo. La manière dont ces réseaux sont entraînés et la façon dont les entrées météorologiques sont distillées peuvent changer significativement la précision et la stabilité. En montrant que certaines règles d’entraînement adaptatives améliorent systématiquement les performances, et que le meilleur choix dépend parfois de la représentation des données d’entrée, cette étude fournit aux planificateurs de réseau et aux praticiens de l’IA une feuille de route plus claire pour construire des outils de prévision plus fiables qui contribuent à maintenir les systèmes électriques à la fois sûrs et économiques.

Citation: Liu, J., Ahmad, F.A., Samsudin, K. et al. A comparative evaluation of gradient-based optimization algorithms for short-term load forecasting using deep residual networks. Sci Rep 16, 14949 (2026). https://doi.org/10.1038/s41598-026-45829-y

Mots-clés: prévision de charge à court terme, réseaux résiduels profonds, algorithmes d’optimisation, prévision des systèmes électriques, caractéristiques météorologiques