Résumé:
La prédiction efficace de la consommation d'énergie est cruciale pour une gestion énergétique efficace et une allocation optimale des ressources. Dans cette thèse, nous abordons les défis liés à la qualité des données et à la sélection du modèle dans la prédiction de la consommation d'énergie à l'aide d'un modèle d'intelligence artificielle, en utilisant spécifiquement des données de séries temporelles. Pour atténuer les limitations identifiées dans la littérature existante, nous avons mené un processus complet d'analyse des données afin d'assurer la qualité et la fiabilité des données d'entrée. En examinant attentivement les données, nous avons pris des mesures pour traiter les valeurs manquantes et normaliser l'ensemble de données pour optimiser les performances du modèle, nous avons sélectionné le modèle LSTM en raison de ses performances supérieures et de sa grande applicabilité à la résolution de problèmes séquentiels. LSTM a la capacité de capturer les dépendances à long terme dans les données de séries temporelles, ce qui le rend bien adapté aux tâches de prédiction de la consommation d'énergie. Les résultats expérimentaux obtenus à la fin de cette recherche démontrent l'efficacité de notre approche. Dans l'ensemble, cette thèse contribue au domaine de la prédiction de la consommation d'énergie en abordant les défis liés à la qualité des données et à la sélection du modèle. Nos résultats mettent en évidence l'importance d'une analyse appropriée des données et démontrent la pertinence et l'efficacité des modèles LSTM pour une prévision précise de la consommation d'énergie. Les résultats de cette recherche peuvent faciliter la prise de décision éclairée et permettre de meilleures stratégies de gestion énergétique dans différents domaines.
