Résumé Technique : Prévision de la Consommation Électrique par Apprentissage d'Ensemble Coopératif avec SHAP

Énoncé du Problème

La gestion de la consommation électrique dans les établissements d'enseignement présente des défis majeurs en raison de la sensibilité de cette ressource à divers facteurs d'influence, notamment l'expansion institutionnelle, les fluctuations du nombre d'étudiants et les conditions climatiques. Dans les universités, la demande croît rapidement, rendant nécessaire une gestion énergétique efficace pour assurer la durabilité et la compétitivité opérationnelle. Cependant, une prévision précise est compliquée par la vulnérabilité des schémas de consommation aux pannes d'équipement, aux instabilités du réseau et aux comportements institutionnels uniques tels que les périodes de vacances fixes, les horaires alternés et les événements sporadiques comme les conférences.

La littérature existante manque souvent d'études traitant de la prévision de l'électricité dans les établissements d'enseignement utilisant des modèles d'apprentissage d'ensemble coopératif. De plus, les modèles de séries temporelles traditionnels et les approches standard d'apprentissage automatique peinent souvent à gérer les schémas de consommation non stationnaires, irréguliers et hautement variables observés dans ces contextes, en particulier lors de prévisions sur des horizons étendus (par exemple, 12 mois).

Méthodologie

L'étude propose un cadre novateur pour la prévision de la consommation électrique 12 mois à l'avance, en utilisant des données provenant de deux campus de l'Institut Fédéral du Paraná (IFPR) : Palmas (Jeu de données 1) et Coronel Vivida (Jeu de données 2). La méthodologie se compose de trois étapes principales :

1. Préparation des Données et Sélection des Caractéristiques

• Jeu de données : Des données de consommation historique (kWh) de septembre 2017 à mars 2024 (79 mois) ont été analysées.
• Variables exogènes : Le jeu de données a été enrichi avec des variables climatiques (température, pluie, humidité, vent, rayonnement solaire), un identifiant de période pandémique (COVID-19) et des variables factices temporelles (Mois, Année).
• Sélection des caractéristiques : Pour réduire la complexité et améliorer l'efficacité, les Explications Additives de Shapley (SHAP) ont été employées. Sur la base des valeurs d'importance dérivées des modèles XGBoost et Random Forest (RF), un processus d'élimination séquentielle des caractéristiques a été mené. Cela a réduit l'ensemble initial de 47 prédicteurs à 11, conservant les caractéristiques les plus significatives telles que les retards de consommation, des métriques de température spécifiques et des identifiants temporels.

2. Entraînement du Modèle et Optimisation des Hyperparamètres

Quatre modèles d'apprentissage automatique ont été sélectionnés pour leur efficacité prouvée : Long Short-Term Memory (LSTM), Random Forest (RF), Régression par Vecteurs de Support (SVR) et Extreme Gradient Boosting (XGBoost).

• Optimisation : Les hyperparamètres de chaque modèle ont été affinés à l'aide de deux algorithmes métaheuristiques : l'Algorithme Génétique (GA) et l'Optimisation par Essaim de Particules (PSO). L'objectif était de minimiser l'Erreur Absolue Moyenne (MAE).
• Sélection : Le GA a systématiquement surpassé le PSO pour trouver des configurations optimales, en particulier pour les modèles RF et XGBoost, où le PSO avait du mal à converger. Les modèles optimisés ont été désignés sous les noms GA-LSTM, GA-RF, GA-SVR et GA-XGBoost.
• Validation : Une approche hybride de division des données a été utilisée, réservant les 12 derniers mois pour le test et employant une validation croisée à 5 plis pour l'entraînement.

3. L'Ensemble Weaker Separator Booster (WSB)

Une nouvelle approche d'apprentissage d'ensemble coopératif, nommée Weaker Separator Booster (WSB), a été proposée pour améliorer les performances du meilleur prédicteur individuel (GA-LSTM).

• Concept : Le WSB exploite le théorème du « no-free-lunch » en moyennant les prédictions des modèles « plus faibles » (GA-RF, GA-SVR, GA-XGBoost), qui tendaient à produire des prévisions linéaires et stables, proches d'une ligne horizontale.
• Mécanisme : Cette moyenne sert de point de référence stable représentant l'« incapacité d'apprendre » des schémas complexes. Un mécanisme de renforcement adaptatif ajuste la prédiction du GA-LSTM (l'apprenant le plus fort) en incorporant cette référence. L'ajustement est régi par un paramètre de poids qui augmente et diminue dynamiquement sur l'horizon de prévision pour atténuer l'accumulation d'erreurs dans la prévision récursive.

Résultats Clés

L'approche proposée a été évaluée à l'aide de l'Erreur Absolue Moyenne (MAE) et de l'Erreur Absolue Pourcentage Moyenne Symétrique (sSMAPE).

• Jeu de données 1 (Campus de Palmas) :

  • Le modèle WSB a obtenu les meilleures performances avec un sSMAPE de 13,90 % et un MAE de 1990,87 kWh.
  • Le modèle GA-LSTM autonome a suivi avec un sSMAPE de 15,35 % et un MAE de 2264,50 kWh.
  • Les deux ont nettement surpassé les modèles de séries temporelles traditionnels (par exemple, ARIMA, Holt-Winters) et d'autres réseaux de neurones (CNN, ESN).

• Jeu de données 2 (Campus de Coronel Vivida) :

  • Le modèle WSB a à nouveau démontré une supériorité avec un sSMAPE de 18,72 % et un MAE de 464,93 kWh.
  • Le modèle GA-LSTM a obtenu un sSMAPE de 18,80 % et un MAE de 466,92 kWh.
  • Les modèles traditionnels et d'autres réseaux de neurones ont affiché des taux d'erreur plus élevés, avec des valeurs de sSMAPE allant jusqu'à 41,59 %.

• Analyse SHAP :

  • L'analyse de l'importance des caractéristiques a révélé que les valeurs de séries temporelles retardées (consommation historique) étaient les prédicteurs dominants pour les deux campus.
  • Les variables climatiques ont eu une influence minimale par rapport aux facteurs temporels et historiques.
  • Des schémas distincts ont émergé : À Palmas, les valeurs retardées ont influencé positivement les prévisions, tandis qu'à Coronel Vivida, elles ont présenté une corrélation négative, suggérant des relations inverses entre la consommation passée et présente à cet endroit spécifique.

Importance et Revendications

L'article revendique que l'approche proposée Weaker Separator Booster (WSB) traite efficacement la complexité de la prévision de la consommation électrique dans les établissements d'enseignement. Son importance réside dans trois contributions principales :

1. Intégration de Variables Externes : L'étude intègre systématiquement des variables externes (pandémie, climat, événements calendaires) et utilise SHAP pour une sélection rigoureuse des caractéristiques, garantissant que les modèles sont entraînés sur les entrées les plus pertinentes.
2. Optimisation Comparative : Elle fournit une comparaison complète de divers modèles d'IA (réseaux de neurones, méthodes d'ensemble, SVM) optimisés via GA et PSO, offrant des perspectives sur les architectures les plus adaptées à ce domaine spécifique.
3. Stratégie d'Ensemble Novatrice : La méthode WSB introduit une stratégie unique pour combler le fossé entre le meilleur prédicteur et les modèles plus faibles. En utilisant la moyenne de prédicteurs plus faibles et stables pour ajuster le prédicteur le plus fort, l'approche réduit le biais et améliore la généralisation, atteignant des taux d'erreur inférieurs à ceux des modèles individuels ou des méthodes statistiques traditionnelles.

Les auteurs reconnaissent que, bien que l'approche WSB ait amélioré les performances, la prévision 12 mois à l'avance reste un défi en raison de l'accumulation d'erreurs dans les stratégies récursives et d'événements imprévus (par exemple, le pic de consommation de 2023). L'étude conclut que, bien que la méthode proposée soit prometteuse, les travaux futurs devraient explorer des horizons de prévision plus courts et étendre la méthodologie à des institutions géographiquement diverses pour valider davantage son applicabilité.