Revue RAMReS – Sciences Appliquées et de l’Ingénieur Vol.

6
RAMReS 2024 - Published Online 2024 - http://publication.lecames.org/ ISSN 2630-1164
Vol. 6(1), pp. 108-115, Online July 2024 June 2024

Full Length Research Paper

Étude Comparative des Performances de Prévision de la
Consommation d'Énergie : Modèle Global vs Modèle
d'Intelligence Artificielle.
Sambalaye Diop1*, Ramatou Saré 2, Papa Silly Traore 1, Issa Zerbo2, Mamadou Lamine Ndiaye 1
1
Water, Energy, Environment, Industrial process (LE3PI) Polytechnic school of Dakar (ESP -UCAD) – Dakar, Sénégal
2
Joseph KI-ZERBO University; Renewable Thermal Energy Laboratory (L.E.T.RE) – Ouagadougou, Burkina Faso

Received April 2024 – Accepted June 2024

*Corresponding author. [email protected]

Author(s) agree that this article remain permanently open access under the terms of the Creative Commons Attribution
License 4.0 International License.

Résumé:
Dans le cadre de la demande énergétique, les unités fondamentales pour la planification et le suivi sont la
population, le PIB secondaire et le PIB tertiaire. Au Sénégal, les besoins en consommation d'énergie sont estimés
par la SENELEC pour desservir les clients, les entreprises, les logements administratifs, etc. Pour garantir un
service de fourniture d'énergie continue, plusieurs étapes de prévision de la demande sont nécessaires. D'où
l'application du modèle global, basé sur les données historiques et des prévisions économiques, qui utilise des
indicateurs spécifiques pour chaque secteur, rendant parfois les prévisions incertaines. Pour pallier cela, nous
utilisons un modèle d'intelligence artificielle de type réseau de neurones. Le but est de comparer la précision du
modèle par rapport aux différents horizons déjà explorés par le modèle global avec le modèle d'IA. Les résultats
obtenus sont d'une grande importance pour les gestionnaires du réseau électrique de la SENELEC ainsi que pour
les décideurs, car ils permettent de mieux comprendre l'évolution de la demande d'électricité et les principaux
facteurs qui l'influencent. Ils permettront aussi de mieux adapter la production d’électrique pour un équilibre
permanent entre consommation et production source d’économie et de stabilité du réseau. Les erreurs
quadratiques moyennes et les erreurs absolues moyennes sont respectivement améliorées de 0,6 MWh et 0,8
MWh.

Mots clés: Demande énergétique, population, PIB, SENELEC, modèle global, modèle d’intelligence
artificielle.

Cite this article:

Sambalaye Diop, Ramatou Saré, Papa Silly Traore, Issa Zerbo, Mamadou Lamine Ndiaye. (2024). Étude Comparative des Performances de
Prévision de la Consommation d'Énergie : Modèle Global vs Modèle d'Intelligence Artificielle. Revue RAMReS – Sci. Appl. & de l’Ing., Vol. 6(1),
pp. 108-115. ISSN 2630-1164.

1. Introduction effet, la demande d’électricité exerce une influence

La stabilité et la fiabilité du réseau électrique significative sur les prix de l’énergie, lesquels peuvent
représentent des préoccupations majeures pour les varier de manière extraordinaire sur des périodes très
gestionnaires de réseau électriques, particulièrement courtes d’ordre, allant de 15 minutes à 24 heures,
dans cette situation actuelle de mixte énergétique et de entraînant parfois des conséquences graves pour
demande croissante. L’un des défis majeurs auxquels certaines entreprises [2]. Des innovateurs du monde de
ces gestionnaires sont confrontés consiste à maintenir l’énergie cherchent à atténuer ces risques en isolant les
un équilibre constant entre la production et la demande pics de demandes à des moment plus propices ou en
d’énergie afin d’éviter des dysfonctionnements, des déplaçant la consommation électrique des
variations de tension et de fréquence indésirables, ainsi consommateurs vers des périodes où les tarifs sont plus
que des déséquilibres coûteux [1]. Dans ce dynamisme, bas [2][3]. Cependant, ces approches nécessitent des
la compréhension de la relation entre la demande et connaissances approfondies des habitudes de
l’offre d’énergie joue un rôle important pour optimiser consommation des utilisateurs, ce qui n’est pas
l’achat de l’électricité à l’échelle mondiale [2]. En toujours évident à obtenir. En ce qui concerne la

Copyright© 2024 Revue RAMReS SAI 108 RR

 Sambalaye DIOP et al.

tarification dynamique, bien qu’elle puisse refléter le face à des variations rapides de la demande
coût de production de l’électricité et améliorer les [16][17][18]. En comparant aux modèles
bénéfices des fournisseurs, elle ne protège pas toujours traditionnelles, les résultats de certaines études ont
les clients contre la volatilité des tarifs [4]. Ainsi, pour montré une amélioration significative de la précision
anticiper la demande électrique de manière plus avec une réduction d’erreur MAE de 0.12 kWh [16].
précise, il est impératif de recourir à des modèles de Malgré les progrès réalisés dans le domaine d’IA, au
prédiction. Plusieurs méthodologies sont disponibles à Sénégal, seule la méthode globale est expérimentée
cet effet, notamment la méthode globale, la méthode pour prédire la demande d’énergie électrique. Ce
analytique et la méthode d’intelligence artificielle, travail vise à évaluer la demande d’énergie au niveau
chacune ayant ses avantages en fonction de l’historique national du Sénégal, en tenant compte du PIB de la
des données disponibles et du niveau de population Sénégalaise. L’objectif est d’évaluer la
développement du réseau électrique [5][6][7]. Cette précision du modèle par rapport aux différents horizons
première méthode, qualifiée de méthode globale, déjà explorés par le modèle global. Les résultats
repose sur l’analyse de la relation historique entre la obtenus seront une grande importance pour les
consommation d’électricité et des indicateurs macro- gestionnaires du réseau électrique de la SENELEC
économiques tels que le PIB ou la taille de la ainsi que pour les décideurs, car ils permettront de
population [5]. La prédiction de la demande est mieux comprendre l’évolution de la demande
effectuée sous l’hypothèse que la corrélation entre les d’électricité et les principaux facteurs qui l’influencent.
variables restera stable à l’avenir. Cela est un fait qui En d’autres termes, la prédiction de la demande
n’est pas toujours avéré. Elle est appliquée dans les d’électricité en horizon annuelle grâce à la méthode de
pays où la croissance de leurs demandes est l’IA permet aux décideurs politiques, aux fournisseurs
relativement prévisible et que leurs historiques de d’électricités et même aux utilisateurs de prendre des
consommation sont collectées. Parmi les pays qui décisions éclairées en matière d’achat d’électricité, de
appliquent cette approche, on peut citer le Bénin, le politique énergétique, etc. Pour mener à bien ce travail,
Burkina Faso, la Côte d’Ivoire, le Ghana, le Mali, le nous suivrons le plan suivant : La méthodologie est
Togo et le Sénégal [5]. présentée dans la section suivante. Elle est suivie par la
La seconde purement analytique procède à une présentation des données et méthodes dans la troisième
décomposition de la demande d’électricité en fonction section, tandis que la quatrième section fournira une
des secteurs d’activité et des zones géographiques, discussion détaillée de ces résultats. Enfin, la
avant d’agréger ces données au niveau national [5]. cinquième section conclura l'étude.
C’est une approche mise en œuvre dans quelques pays
comme la Gambie, la Guinée, la Guinée-Bissau, le
Libéria, le Niger et le Sierra Leone [5]. Bien que cette 2. Matériels et méthodes
méthode permette une prédiction précise de la La population Sénégalaise est passée de 7 millions en
demande, elle est complexe en raison de la diversité 1990 à 18 millions en 2024, ce qui a entraîné une
des données à traiter et de la segmentation spécifique augmentation significative de la consommation
requise pour chaque modèle. Face à la complexité de électrique, passant de 902 GWh en 1990 à 6000 GWh
ces deux modèles et à la remise en question parfois en 2021 [19]. Cela a également entraîné une
observée de leur précision, l’utilisation de modèle d’IA augmentation de la production électrique par la
se révèle être une alternative prometteuse pour la Senelec, comme illustré dans la figure 1
prédiction de la demande énergétique. Un modèle d’IA
dédié à la prédiction de la consommation électrique est
un système informatique basé sur l’apprentissage
automatique et les réseaux de neurones, qui s’appuie
sur des données historiques [8][9]. Ces modèles jouent
un rôle essentiel en l’optimisant la production et la
distribution d’électricité, en améliorant la planification
et en permettant une réponse proactive aux variations
de la demande [9][10][11]. De nombreuses plateforme
de big data font désormais appel aux modèles d’IA
pour améliorer la gestion des réseaux électriques
[12][13]. Des résultats prometteurs ont été obtenus
dans la détection des surtensions dans les réseaux de
basse tension (BT) et de moyenne tension (MT) [12].
Des études menées au Sénégal sur la prédiction de la
puissance et de l’énergie solaire et éolienne, ont permis
d’obtenir des performances impressionnantes, avec des Figure 1 : Evolution de la consommation et de la
production électrique
erreurs absolues moyennes de 0.0223kWh et 0.003
kWh en erreur quadratique moyennes [14][15]. En ce
La production d’électricité dépasse constamment la
qui concerne la prédiction de la charge électrique à très
consommation, ce qui entraîne des effets néfastes sur le
court terme, l’IA a démontré son efficacité en matière
plan économique, environnemental et sur la stabilité du
de prévention et de la détection des pannes du réseau,
réseau électrique. En effet, ce déséquilibre affecte
assurant ainsi une alimentation électrique stable, même

Copyright© 2024 Revue RAMReS SAI 109 RR

 Sambalaye DIOP et al.

fréquemment la fréquence du réseau électrique. Il est • f et g: fonction d'activation respective de la

donc nécessaire d’anticiper la consommation pour première couche et de la couche de sortie.
éviter ces problèmes. Ces fonctions d’activation sont des portiers pour les
Pour prédire la consommation électrique future, un différents neurones. Elles décident si les neurones
modèle global était utilisé, applicable dans plusieurs doivent être allumés ou éteints. Il y a plusieurs
pays tels que le Bénin, le Burkina Faso, la Côte fonctions d’activations qu’on peut utiliser pour le
d'Ivoire, le Ghana, le Mali, le Togo et le Sénégal. Ce processus de simulation de l’algorithme de réseau de
modèle repose sur l'hypothèse que la corrélation entre neurone. On peut citer [21] :
les variables pertinentes restera stable dans le futur,  la fonction sigmoïde qui active ou désactive le
permettant ainsi des prévisions fiables. neurone en fonction de l’entrée. Si l’entrée est
Cette approche globale est particulièrement adaptée supérieure au seuil, la fonction sigmoïde
aux pays où la croissance de la demande est donne un poids de 1 et le contraire génère un
relativement prévisible et où des données historiques poids de valeur 0 ;
de consommation sont disponibles. Cependant, avec  la fonction softmax prend en compte les
l'avènement du Big Data, la quantité de données sorties de tous les neurones d’une couche pour
collectées a considérablement augmenté, soulignant la enfin choisir le neurone le plus influence à sa
nécessité de développer des modèles plus performants. sortie terminale. Pour effectuer ce travail, elle
Par conséquent, l'intégration de modèles d'intelligence se base sur les probabilités ;
artificielle (IA) est de plus en plus essentielle pour  la fonction ReLu est plus sophistiquée
améliorer la précision des prévisions de la demande justifiant d’ailleurs son emploie dans presque
énergétique. Ces modèles d'IA sont capables de traiter tous les algorithmes de réseau de neurones. Si
et d'analyser de vastes ensembles de données, offrant la donnée d’entrée est supérieure à zéro, elle
des perspectives plus détaillées et adaptées aux besoins libère la même valeur positive activant le
spécifiques de chaque pays. neurone, dans le cas contraire la fonction
ReLu génère la valeur 0 pour éteindre le
2.1. Présentation du modèle d’intelligence neurone.
artificielle (IA).
Le réseau de neurone Récurrent de type Neural Fusion
Le modèle d’IA utilisé est de type réseau de neurone Shareware utilisé dans ce travail est illustré par la
composé de plusieurs couches : figure 2. Étant donné que les séquences de données
 Quatre (4) couches d'entrées : composée de 16 sont aléatoires, nous allons étudier l’impact des
neurones avec des variables explicatives telles variables utilisées pour une meilleure prévision.
que le PIB, la population, la température et la
date de prise en mesure. Aucun calcul n'est
effectué dans ces couches.
 Plusieurs couches cachées déterminant le cœur
des calculs pour l'optimisation des paramètres
du modèle.
 Et une couche de sortie qui générera la
consommation annuelle en électricité du
Sénégal que nous voulons prédire.
Mathématiquement, une couche peut être exprimée par
les expressions suivantes [Eq. 1], [Eq. 2] et [Eq. 3]
[20]:

Figure 2 : Réseaux multicouches [14].

[Eq. 1]
Avec ce modèle on peut aussi appliquer la prédiction
de la consommation d’électricité. Pour ce faire la
[Eq. 2]
technique visera à établir la relation entre la
consommation d’électricité (variable dépendante) et
[Eq. 3] celui des indicateurs macro-économiques tel le produit
intérieur brut (PIB) ou la taille de la population
(variables indépendantes). L’expression mathématique
Où : peut être formulée comme suite en [Eq. 4] [5] :
• H : variable de la couche de sortie.
c(t)=a0+a1×PIB(t)+a2×POP(t) [Eq. 4]
• Yj: variable de sortie de la couche.
• Xj: variable d'entrée de la couche. Où :
• Wij: poids synaptiques.  c(t) représente la consommation d’électricité
• bk: biais du neurone. du pays pour l’année t.

Copyright© 2024 Revue RAMReS SAI 110 RR

 Sambalaye DIOP et al.

 PIB(t) représente le PIB du pays pour l’année l'avantage d'une automatisation complète, car elles
t. identifient automatiquement les variables à retenir.
 POP(t) représente la population du pays pour Toutefois, leurs implémentations actuelles, qui
l’année t. reposent souvent sur des stratégies de sélection avant-
arrière (forward-backward), peuvent limiter leur
Le modèle neuronal utilisera les données historiques de utilisation avec des données de très haute dimension. Et
la consommation d’électricité, le PIB et la population les méthodes utilisant des pénalisations de type lasso se
du pays à l’instant initiale pour effectuer des prévisions distinguent par leur rapidité et leur efficacité, même
annuelles dans le pays appliqué. Cependant, pour lorsqu'elles sont appliquées à des ensembles de
mieux anticiper les fluctuations de la demande données de très grande dimension. Dans la figure 3,
d'électricité à différentes échelles de temps, facilitée nous présentons l'impact des variables indépendantes
ainsi une planification plus précise de la production et utilisées pour prédire la consommation d'électricité, qui
de la distribution d'électricité, des horizons annuelle et est la cible illustrée dans la figure 3.
mensuelles peuvent être explorés pour la demande
énergétique en basse tension (BT) et celle en moyenne
tension (MT) au Sénégal. Dans le cadre de la demande
d’énergie en basse tension (DE_BT), le modèle prend
en compte la population, le PIB secondaire et le PIB
tertiaire. L’expression mathématique est donnée en
[Eq.5] par [5].

DE_BT=−226,38+12,562×POP+0,208×PIB_SEC
+0,255×PIB_TER [Eq. 5]

Où POP représente la population en millions

d'habitants, PIB_SEC représente le PIB secondaire en
milliards de FCFA de l’année considérée, et PIB_TER
représente le PIB tertiaire en milliards de FCFA de
l’année considérée.
L’application de cette équation permet de prédire la Figure 3 : Techniques de sélection des variables
demande d'énergie en basse tension en fonction de la importantes.
croissance de la population et du développement
économique dans les secteurs secondaire et tertiaire. L'évaluation de l'impact des variables explicatives dans
Quant à la demande d’énergie en moyenne tension la figure 3 est parfaitement conforme à la matrice de
(DE_MT), il prendra en compte le nombre de ménages, corrélation présentée dans la figure 4. Le PIB a le plus
le PIB primaire et le PIB secondaire. L’équation [Eq.6] fort impact positif sur la prédiction de la
est utilisée pour exprimer son application [10]: consommation, avec une corrélation estimée à 0,99
dans la matrice. Il est suivi par la variable population
DE_MT(GWh)=−64,02+0,054×NB_MENAGES+0,09 avec une corrélation de 0,96, puis la température à
7×PIB_PRIM+0,137×PIB_SEC [Eq. 6]
0,94, et enfin la variable Date à 0,38.

Où NB_MENAGES : représente le nombre de

ménages en milliers, PIB_PRIM : représente le PIB
primaire en milliards de FCFA de 1999, et PIB_SEC :
représente le PIB secondaire en milliards de FCFA de
1999.
Cette expression mathématique nous permet de prédire
la demande d'énergie en moyenne tension en fonction
du nombre de ménages ainsi que du développement
économique dans les secteurs primaire et secondaire.
Les données historiques utilisées par notre modèle
seront fournies par la banque mondiale et la FMI.
Une technique sera applicable pour voir l’impact de ces
variables utilisées pour la prédiction de la
consommation électrique.

2.2. Technique de sélection des variables. Figure 4 Matrice de corrélation des variables explicatives
en fonction de la cible à prédire.
Plusieurs approches sont couramment utilisées pour la
sélection de variables. Parmi lesquels on peut citer les
méthodes basées sur la sélection de modèles offrent

Copyright© 2024 Revue RAMReS SAI 111 RR

 Sambalaye DIOP et al.

Une fois les variables pertinentes pour la prédiction de employées sont présentées en [Eq. 8], [Eq. 9], [Eq. 10]
la consommation électrique sélectionnées, nous et [Eq. 11] [14-15], [22] :
procéderons à la subdivision des données.
2.3. Création des lots de données
N
1
La création des lots de données est une étape
importante pour la mise en place d’un modèle d’IA.
∑ |Y − Yt|= MAE
N i= 1 i [Eq. 8]
Elle permet d’organiser les données en ensemble

√
d’entraînement, de validation, et de test. En divisant les N
données de manière adéquate, on peut éviter le sous- 1
apprentissage (underfitting) et le sur-apprentissage ∑ (Y − Yt )2= RMSE
N i= 1 i
(overfitting) afin de mieux s’assurer que le modèle [Eq. 9]
généralise bien sur des données qu’elle n’a jamais N
vues. Dans la figure 5, nous pouvons observer la 1
subdivision de notre base de données en deux parties : ∑ Y − Yt )2= MSE
N i= 1 ( i
80 % pour l’entraînement et 20 % pour le test. Cette [Eq. 10]
répartition a été appliquée une fois que le taux d’erreur
N 2
était jugé satisfaisant. (Yi − Yt )
1− ∑ N
=R2
∑ Y 2i
i= 1

i= 1 [Eq. 11]

Toutes ces équations évaluent les paramètres de

performances utilisés pour mesurer la précision de la
consommation prédite par l’algorithme d’IA. Lors de la
modélisation, le nombre d’époques est utilisé pour
permettre au modèle neuronal de voir l’intégralité des
données. Ce nombre d’époques forme le réseau de
neurones pour effectuer des prédictions permettant
d’aboutir aux résultats attendus.

3. Résultats
La connaissance en temps réel de la consommation
électrique du Sénégal est cruciale pour maintenir
Figure 5 : Schéma de séparation des lots de données l'équilibre entre la production et la demande à tout
moment. La précision de ces données impacte
Ces étapes sont aussi cruciales pour évaluer la directement la stabilité et la fiabilité du réseau
performance du modèle. électrique.

2.4. Paramètres d’Évaluation des performances 3.1. Prévision de la consommation avec le

Dans le cadre de ce travail, nous avons utilisé la modèle d’intelligence.
normalisation min-max qui a été déjà appliquée dans Les premières prévisions du modèle d’IA sont
les travaux prétendantes [14] pour mettre nos données représentées dans les figures 6 et 7. La ligne rouge en
à l’échelle comprise entre 0 et 1. La formule pointillés (y=x) représente la situation idéale où les
mathématique utilisée est donnée comme suite en [Eq. valeurs prédites correspondent parfaitement aux
7]: valeurs observées. Pour la figure 6 appliquée dans les
données d’entraînement, les points violets représentant
les prédictions se trouvent majoritairement aligné le
long de la ligne de référence. Cela indique que le
[Eq. 7] modèle a une bonne capacité prédictive sur l’ensemble
des données d’entraînement. Nous avons observé aussi
X € [Xmin, Xmax] une performance positive presque similaires sur les
X et Xnorm représentent respectivement les données données de test matérialisée par la figure 7. Les points
réelles de l’énergie et les données normalisées. verts représentant les valeurs prédites par le modèle se
Xmin et Xmax désignent respectivement les valeurs rapproche parfaitement à la situation idéale représentée
minimales et maximales de nos variables d'entrée du en pointillés rouge. Cette proximité est un indicateur de
modèle. Après la normalisation, nous procéderons à précision de prédiction du modèle.
l’application des paramétrés de performances pour
évaluer notre prédiction. Les équations mathématiques

Copyright© 2024 Revue RAMReS SAI 112 RR

 Sambalaye DIOP et al.

2019). Mais ces écarts semblent relativement faibles,

ce qui suggère une bonne performance globale du
modèle sur les données d'entraînement.

Figure 8: Consommation Électrique observée contre celle

Prédite de 1990 à 2020 (Ensemble d'Entraînement)

Figure 6 : Consommation Électrique observée avec celle La forte correspondance entre les courbes de la figure 8
Prédite (Ensemble d'Entraînement) montre que le modèle est bien ajusté aux données
d'entraînement, capable de prédire avec précision la
consommation électrique basée sur les variables
d'entrée (PIB, population, température et la date). Cette
performance positive est confirmée par les résultats du
modèle appliqués aux données de test comme on peut
le voir à la figure 9. Le modèle d'IA montre une forte
capacité à reproduire les tendances historiques de la
consommation électrique du Sénégal, avec une
correspondance étroite entre les valeurs réelles et
prédites sur l'ensemble des données test. Cela prouve la
robustesse et la généralisation du modèle qu’on peut
s’attendre à d’autres types de données qu’elle n’a
jamais vue.

Figure 7 : Consommation Électrique observée avec celle

Prédite (Ensemble Test)

Pour mieux comprendre les prévisions apportées par le

modèle d’IA, nous allons visualiser la consommation
électrique réelle du Sénégal à celle prédite à partir des
figure 8 et 9. La figure 8 montre une augmentation
générale de la consommation électrique au fil des
années, avec des fluctuations notables, notamment
autour des années 2000. Ces variations peuvent refléter
des événements économiques ou des changements dans
les infrastructures énergétiques. Malgré cela, la courbe Figure 9: Consommation Électrique observée contre celle
des prédictions (en pointillés jaunes) suit de très près la Prédite de 1991 à 2021 (Ensemble Test)
courbe des valeurs réelles (en bleu). Cette proximité
indique que le modèle d'IA capture bien les tendances
historiques de la consommation électrique dans
l'ensemble des données d'entraînement (Fig. 8).
Cependant, Il existe quelques écarts mineurs entre les
courbes, particulièrement dans les périodes de
changements (par exemple, autour des années 2000 et

Copyright© 2024 Revue RAMReS SAI 113 RR

 Sambalaye DIOP et al.

3.1. Prévision de la consommation avec le 1,205 GWh pour le modèle global. Ces résultats
modèle globale. démontrent l'efficacité supérieure du modèle d'IA dans
la prédiction de la consommation électrique.
La figure 10 compare la consommation électrique En somme, l'utilisation de l'intelligence artificielle dans
réelle et prédite au Sénégal de 1990 à 2021 en utilisant ce contexte améliore considérablement la qualité des
un modèle global basé sur la régression linéaire. La prévisions de consommation électrique, rendant ce
courbe rouge représente la consommation réelle, tandis modèle plus adapté pour des applications nécessitant
que la courbe bleue montre les prédictions du modèle. une haute précision.
Le coefficient de détermination (R2) est de 0,87, ce qui
indique que le modèle explique 87 % de la variance des Tableau 1.:.Tableau comparatif des performances sur les
données observées. Cependant, il y a des écarts types de contraintes
notables entre les prédictions et les valeurs réelles,
particulièrement après 2005, où les prédictions Paramètres de performance
Modèles
semblent sous-estimer ou surestimer la consommation R2 RMSE MAE
réelle, ce qui suggère des limitations du modèle à Méthode
capturer les variations non linéaires et les tendances globale 0.87 3.29 GWh 1.205 GWh
complexes dans les données. Ces résultats mettent en
évidence que, bien que le modèle global fournisse une Méthode
approximation raisonnable, il pourrait bénéficier de d’intelligence
0.998 1.9 GWh 0.0141 GWh
l'intégration de techniques plus sophistiquées pour artificielle
améliorer la précision des prévisions.

4. Conclusion
La prédiction de la consommation électrique joue un
rôle crucial dans la stabilité du réseau. En effet, un
déséquilibre entre la consommation et la production
peut perturber le réseau, ce qui nécessite des méthodes
de prévision efficaces pour anticiper les besoins en
énergie. C’est dans cette optique que cet article propose
un modèle d’intelligence artificielle visant à améliorer
la précision des prédictions par rapport au modèle
global. Ce modèle d’IA a été entraîné en utilisant des
variables telles que le PIB, la population, la
Lorem ipsum dolor sit amet, consectetur adipiscing elit. température, et la date des mesures, pour prédire la
Morbi elit sen, tempus sit amet hendrerit volutpat, consommation électrique du Sénégal entre 1990 et
euismod vitae risus. Etiam consequat, sem et vulputate 2022. Les résultats montrent une amélioration
significative de la précision des prédictions. Les
coefficients de détermination R2 sont de 0,998 pour le
Figure 10: Consommation Électrique observée contre modèle d'IA, contre 0,870 pour le modèle global. Les
celle Prédite de 1990 à 2021 (Ensemble Test) valeurs de l’erreur absolue moyenne (MAE) et de la
racine carrée de l’erreur quadratique moyenne (RMSE)
Ces écarts dans ces prédictions mettent en lumière pour le modèle d’IA sont respectivement de 0,0141
l'importance sur l’utilisation des modèles d’IA afin GWh et 1,9 GWh, ce qui souligne le potentiel
d'améliorer la précision des prévisions. Nous prometteur de l’IA pour maintenir l’équilibre entre la
procéderons à une comparaison approfondie des consommation et la production, garantissant ainsi la
performances des deux modèles dans la section stabilité du réseau électrique.
suivante.

3.3. Comparaison des performances des deux REFERENCES

modèles. [1] M. Dieng, A. Ndoye, M. S. Sow, and A. Wane, "Energy
Le tableau 1 compare les performances du modèle consumption forecasting using artificial neural networks: A
global et celui du modèle d'intelligence artificielle (IA) case study of Senegal," 2015 IEEE International Conference
on Industrial Technology (ICIT), Seville, Spain, 2015, pp.
pour prédire la consommation électrique. Le modèle
2432-2437.
d'IA surpasse nettement le modèle global, avec un [2] Moglen, Rachel L.; Chanpiwat, Pattanun; Gabriel, Steven
coefficient de détermination (R2) de 0,998 contre 0,87, A.; Blohm, Andrew (2020). Optimal thermostatically
indiquant une meilleure précision des prédictions. De controlled residential demand response for retail electric
plus, le modèle d'IA présente une erreur quadratique providers. Energy Systems, (), –. doi:10.1007/s12667-020-
moyenne (RMSE) plus faible de 1,9 GWh, ce qui 00400-0.
traduit une meilleure qualité de prédiction. L'erreur [3] Boroumand, R.H., Goutte, S., Porcher, S., Porcher, T.:
absolue moyenne (MAE) est également beaucoup plus Hedging strategies in energy markets: The case of electricity
faible pour le modèle d'IA, à 0,0141 GWh, comparée à retailers. Energy Economics 51, 503–509 (2015).

Copyright© 2024 Revue RAMReS SAI 114 RR

 Sambalaye DIOP et al.

https://doi.org/10.1016/j.eneco .2015.06.021. [14] Diop, S., Traore, P. S., & Ndiaye, M. L. (2022, October).
http://www.sciencedirect.com/science/article/pii/S014098831 Power and Solar Energy Predictions Based on Neural
5002170 Networks and Principal Component Analysis with
[4] Jin, Ming; Feng, Wei; Marnay, Chris; Spanos, Costas Meteorological Parameters of Two Different Cities: Case of
(2017). Microgrid to enable optimal distributed energy retail Diass and Taïba Ndiaye. In 2022 IEEE International
and end-user demand response. Applied Energy, (), Conference on Electrical Sciences and Technologies in
S0306261917306062–. doi:10.1016/j.apenergy.2017.05.103. Maghreb (CISTEM) (Vol. 4, pp. 1-6). IEEE.
[5] MISE À JOUR DU PLAN DIRECTEUR RÉVISÉ DE [15] Diop, S., Traore, P. S., Niang, B., & Ndiaye, M. L.
LA CEDEAO POUR LE DÉVELOPPEMENT DE LA (2022, October). Using multilayer Neural Network to
CAPACITÉ DE PRODUCTION ET DE TRANSPORT increase the Prediction Accuracy: application in the Taïba
D'ÉNERGIE ELECTRIQUE. TOME 2 : Etat des lieux de la Ndiaye Power Plant. In 2022 IEEE International Conference
situation actuelle du système électrique et perspectives. on Electrical Sciences and Technologies in Maghreb
[6] Bellahsen, A. (2020). L’Intelligence Artificielle Au (CISTEM) (Vol. 4, pp. 1-6). IEEE.
Service De L’Optimisation De L’Énergie Électrique Dans Un [16] A. Dey, S. Kumar, and S. Rajasegarar, "Short-Term
Réseau Intelligent (Doctoral dissertation, Ecole Load Forecasting Using LSTM Recurrent Neural Network,"
Polytechnique, Montréal (Canada)). in IEEE Transactions on Industrial Informatics, vol. 17, no.
[7] S. Diop, P. S. Traore and M. L. Ndiaye, "Wind Power 11, pp. 7817-7824, Nov. 2021.
Forecasting Using Machine Learning Algorithms," 2021 9th [17] R. Fu, L. Liu, and W. Yu, "Hourly Load Forecasting in
International Renewable and Sustainable Energy Conference Distribution Grids Using a Deep Neural Network Model," in
(IRSEC), Morocco, 2021, pp. 1-6, Doi: IEEE Transactions on Industrial Informatics, vol. 16, no. 11,
10.1109/IRSEC53969.2021.9741109. pp. 7133-7141, Nov. 2020.
[8] Habbak, H., Mahmoud, M., Metwally, K., Fouda, M. M., [18] X. Yang, X. Zou, and B. Zhang, "Short-Term Load
& Ibrahem, M. I. (2023). Load forecasting techniques and Forecasting Based on XGBoost Algorithm," in IEEE
their applications in smart grids. Energies, 16(3), 1480. Transactions on Industrial Informatics, vol. 15, no. 9, pp.
[9] Aguiar-Pérez, J. M., & Pérez-Juárez, M. Á. (2023). An 5202-5210, Sept. 2019.
Insight of Deep Learning Based Demand Forecasting in [19] Agence Nationale de Statistiques et de Démographie,
Smart Grids. Sensors, 23(3), 1467. 2024; Rapport sur l'Énergie, Organisation Internationale de
[10] Motamedi, A., Zareipour, H., & Rosehart, W. D. (2012). l'Énergie, 2023
Electricity price and demand forecasting in smart grids. IEEE [20] F.-V. Gutierrez-Corea, M.-A. Manso-Callejo, M.-P.
Transactions on Smart Grid, 3(2), 664-674. Moreno-Regidor, and M.-T. Manrique-Sancho, “Forecasting
[11] Muralitharan, K., Sakthivel, R., & Vishnuvarthan, R. short-term solar irradiance based on artificial neural networks
(2018). Neural network-based optimization approach for and data from neighboring meteorological stations,” Solar
energy demand prediction in smart grid. Neurocomputing, Energy, vol. 134, pp. 119–131, Sept. 2016.
273, 199-208. [21] BOUREK, Yacine (2016) ETUDE DE LA DECHARGE
[12] Bozorg, M., Fatemi, N., Pena, C. A., Mousavi, O., & ELECTRIQUE PAR L’INTELLIGENCE ARTIFICIELLE.
Carpita, M. (2020). L'intelligence artificielle au service des Doctorat thesis, Université de Batna 2.
réseaux: le projet Grid Data Digger. Bulletin. Ch= [22] S. Diop, P. S. Traore, M. L. Ndiaye, and I. Zerbo,
Fachzeitschrift und Verbandsinformationen von Electrosuisse “Using Artificial Intelligence Models to Predict the Wind
und VSE= Bulletin SEV/AES: revue spécialisée et Power to be Fed into the Grid,” Journal of Engineering
informations des associations Electrosuisse et AES. Research and Sciences, vol. 3, no. 6, pp. 1-09, 2024. Doi:
[13] Schaeken Willemaers, J. P. (2023). L'intelligence 10.55708/js0306001.
artificielle et l'énergie: Facteurs d'accomplissement et de
réalisation des mutations sociétales. L'intelligence artificielle
et l'énergie, 1-180.

Copyright© 2024 Revue RAMReS SAI 115 RR