Prédire le bilan énergétique de manière algorithmique

Une équipe turque a testé différents algorithmes d’apprentissage automatique pour prédire la demande d’électricité provenant de différentes sources. Ils ont formé les algorithmes sur les données de demande d’électricité pour la période 2000-2022 et les ont utilisés pour établir avec succès des prévisions pour 2023 avec différents degrés de précision.

Les chercheurs ont testé le pouvoir prédictif de la mémoire à long terme (LSTM), du réseau neuronal artificiel (ANN), de la régression linéaire (LR), de la régression vectorielle de support (SVR), de la régression par arbre de décision (DTR), de la régression forestière aléatoire (RFR), et eXtreme gradient boosting (XGBoost) et a démontré que LSTM est le plus précis. Un tel algorithme pourrait être utilisé pour modéliser la consommation et la production d’énergie en vue d’une planification électrique à long terme dans le monde entier.

Écrire dans le Revue internationale de technologie du pétrole, du gaz et du charbonMehmet Hakan Özdemir et Batin Latif Aylak de l’Université turco-allemande d’Istanbul, Murat İnce de l’Université des sciences appliquées d’Isparta, Isparta, et Okan Oral de l’Université Akdeniz d’Antalya, Turquie, suggèrent que comprendre l’offre et la demande en termes de différents les sources d’énergie non renouvelables et renouvelables sont essentielles à ce stade de l’histoire de l’humanité.

Étant donné que les sources non renouvelables telles que les combustibles fossiles sont limitées et irremplaçables, les sources renouvelables telles que l’énergie éolienne, solaire, hydraulique, géothermique et le biogaz, qui peuvent être reconstituées, figurent en bonne place dans l’agenda de production. L’apprentissage automatique, avec sa capacité à discerner des relations et des modèles complexes à partir de vastes quantités de données, offre une approche puissante et flexible de la prédiction.

Contrairement aux méthodes statistiques traditionnelles, les algorithmes d’apprentissage automatique, entraînés sur des ensembles de données appropriés, peuvent prendre en compte l’intégralité des données disponibles et ainsi tirer des conclusions sur des interactions complexes que les méthodes analytiques traditionnelles ne peuvent atteindre.

L’apprentissage automatique pourrait ainsi nous aider dans nos décisions de politique énergétique et orienter le secteur de la production d’électricité vers un avenir plus durable. Les enseignements tirés de la recherche informent non seulement les décideurs, mais soulignent également à quel point les algorithmes d’apprentissage automatique peuvent être transformateurs pour redéfinir la manière dont nous résolvons des problèmes de ce type.