Résumé:
Avec la croissance des appareils électroménagers et l'utilisation excessive d'électricité dans les bâtiments résidentiels et les secteurs industriels, la prévision énergétique émerge comme un problème de recherche intéressant. Les méthodes intelligentes de prédiction de la charge prévoient les besoins énergétiques futurs en fonction des modèles de charge précédents.
Dans ce travail, nous présentons la conception d'un modèle de prédiction de consommation d’énergie basé apprentissage profond (deep learning) dans une maison intelligente. Nous avons proposé un modèle hybride CNN avec LSTM qui imite le fonctionnement d’un auto-encodeur. Le modèle a été amélioré dans sa phase de prétraitement par la méthode de réduction de dimensionnalité non linéaire KPCA. Le CNN joue le rôle d’un encodeur permettant d’extraire les informations le long de la chaine des données et le LSTM joue le rôle d’un décodeur pour faire la classification.
La conception proposée a été implémentée et testée sur des données issues d’une maison intelligente (base de données de consommation d’énergie). Les comparaisons avec des méthodes similaires montrent que le modèle de prédiction proposé est efficace.
