Predictive Modeling of Urban Residential Power Consumption: An Explainable AI Approach to the Kenyan Prepaid Grid

Résumé Technique : Modélisation Prédictive de la Consommation d'Électricité Résidentielle Urbaine dans le Réseau Prépayé Kényan

Énoncé du Problème
La prévision précise de la charge électrique est cruciale pour la stabilité du réseau, la planification des revenus et la gestion de l'énergie, particulièrement dans les régions en urbanisation rapide où le comptage prépayé est devenu le système de facturation dominant. Cependant, les modèles de prévision existants reposent souvent sur des hypothèses dérivées des marchés occidentaux — spécifiquement, une forte sensibilité aux fluctuations météorologiques (du fait de l'usage de la CVC/HVAC) et une réactivité significative aux prix à court terme. Ces hypothèses peuvent ne pas s'appliquer au contexte de l'Afrique subsaharienne, où la consommation résidentielle est dictée par des activités de base essentielles et contrainte par les soldes de crédit prépayés plutôt que par le contrôle climatique ou l'élasticité tarifaire immédiate. De plus, la nature de « boîte noire » des modèles avancés d'apprentissage automatique (ML) limite souvent leur utilité pour les décideurs politiques qui nécessitent des informations transparentes sur les moteurs de la demande. Cette étude comble la lacune dans la compréhension des véritables moteurs de la demande résidentielle au sein du secteur prépayé kényan et évalue si les architectures de ML complexes offrent des avantages significatifs par rapport aux approches statistiques plus simples.

Méthodologie
L'étude utilise un ensemble de données longitudinales s'étendant de janvier 2017 à avril 2026, intégrant les enregistrements historiques de consommation, les variables météorologiques et les informations tarifaires de l'Energy and Petroleum Regulatory Authority (EPRA).

• Ingénierie des Caractéristiques (Feature Engineering) : Le cadre utilise des caractéristiques autorégressives (Lag 1, Lag 2 et Lag 12 kWh) pour capturer la persistance à court terme et la saisonnalité annuelle. Les variables exogènes incluent la température moyenne mensuelle, les degrés de refroidissement cumulés (CDD) et les paramètres tarifaires (Tarif Social/Lifeline Rate et Limite).
• Cadre de Modélisation : Une approche comparative compare un modèle d'Extreme Gradient Boosting (XGBoost) à un modèle de régression classique par Moindres Carrés Ordinaires (OLS).
• Stratégie de Validation : Pour éviter la fuite d'informations, une stratégie de validation chronologique stricte a été utilisée. Les données de 2017 à 2024 ont servi à l'entraînement et à l'optimisation des hyperparamètres, tandis que les données de 2025 et 2026 ont été réservées exclusivement pour les tests hors échantillon.
• Explicabilité (XAI) : L'étude intègre les explications SHapley Additive exPlanations (SHAP) pour quantifier les contributions des caractéristiques et interpréter le modèle XGBoost.
• Diagnostics : L'analyse comprend des vérifications du facteur d'inflation de la variance (VIF) pour la multicolinéarité, l'analyse de l'autocorrélation et de l'autocorrélation partielle (ACF/PACF), la décomposition saisonnière et des études d'ablation pour isoler la contribution de différents groupes de prédicteurs.

Résultats Clés

1. Dominance du Comportement Historique : L'analyse de corrélation et les valeurs SHAP révèlent que le comportement de consommation historique est le principal déterminant de la demande future. Les variables autorégressives basées sur les retards (particulièrement Lag 1 et Lag 2) présentent l'influence prédictive la plus élevée, dépassant de loin l'impact des variables météorologiques ou tarifaires.
2. Parité de Performance des Modèles : Malgré sa plus grande complexité, le modèle XGBoost a obtenu des performances de prévision globalement comparables au modèle OLS. Le modèle XGBoost a montré une erreur absolue moyenne (MAE) légèrement inférieure, tandis que l'OLS a produit une erreur quadratique moyenne (RMSE) légèrement plus faible. Cela suggère que l'information prédictive dans l'ensemble de données est largement linéaire et peut être capturée par des relations autorégressives simples.
3. Impact Limité des Variables Exogènes : La météo (CDD) et les variables tarifaires n'ont apporté que des améliorations marginales à la précision de la prévision. Les études d'ablation ont confirmé que l'ajout de ces variables à un modèle « Uniquement Lag » entraînait des réductions négligeables de la RMSE.
4. Persistance Comportementale : Les diagnostics d'autocorrélation et la décomposition saisonnière indiquent que la demande résidentielle est régie par une forte persistance temporelle et des schémas de consommation récurrents plutôt que par des réponses immédiates aux changements de prix ou à la variabilité météorologique.

Signification et Revendications
L'article affirme que la demande d'électricité résidentielle au sein du secteur prépayé kényan est principalement régie par la persistance comportementale et les schémas de consommation récurrents, plutôt que par la sensibilité à la météo ou l'élasticité des prix souvent supposées dans la littérature occidentale.

• Contribution Méthodologique : L'étude démontre que des modèles statistiques transparents et informatiquement efficaces (comme l'OLS) peuvent fournir des estimations de la demande fiables pour la planification des services publics dans les environnements prépayés, remettant en question l'hypothologie selon laquelle des architectures de ML de plus en plus complexes sont toujours nécessaires pour une performance supérieure.
• Implications Politiques : Les conclusions suggèrent que la demande résidentielle à court terme est relativement inélastique aux ajustements tarifaires modérés. Les décideurs politiques ne doivent pas s'attendre à des réductions immédiates de la demande suite aux révisions tarifaires, car les ménages privilégient les services essentiels et maintiennent des habitudes de consommation stables basées sur le crédit disponible.
• Valeur Opérationnelle : La recherche souligne la valeur des cadres de prévision interprétables. En identifiant que la consommation historique est le moteur dominant, les services publics peuvent prioriser la tenue de registres précis de l'utilisation passée plutôt que le déploiement de modèles complexes et opaques, améliorant ainsi la prise de décision opérationnelle et la confiance des parties prenantes.

En conclusion, l'étude postule que pour le réseau prépayé kényan, la « boîte noire » de l'IA avancée offre peu de compétences de prévision supplémentaires par rapport aux modèles autorégressifs simples, et que la compréhension de l'inertie comportementale des consommateurs prépayés est plus critique que la modélisation des variables économiques ou climatiques externes pour la prévision de la charge à court terme.