Prévision des courbes de charge intra-journalières à l'aide de la régression fonctionnelle éparse.

Résumé Dans cet article, nous proposons une méthode de prédiction, la boîte de prédiction, basée sur un processus d'apprentissage clairsemé élaboré sur des informations de très haute dimension, qui sera capable d'inclure de nouvelles variables influentes - potentiellement de haute dimension - et de s'adapter à différents contextes de prédiction. Nous élaborons et testons cette méthode dans le cadre de la prédiction de la courbe de charge intra-journalière nationale française, sur une période de 7 ans, à partir d'une large base de données comprenant les consommations électriques quotidiennes françaises ainsi que de nombreuses données météorologiques, des relevés calendaires et des dictionnaires fonctionnels. La boîte de prédiction incorpore un grand nombre d'informations contextuelles provenant du passé, les organise de manière gérable par la construction d'une encyclopédie intelligente de scénarios, fournit des experts élaborant des stratégies de prédiction en comparant le jour en cours à des scénarios référents extraits de l'encyclopédie, puis harmonise les différents experts. Plus précisément, la boîte de prédiction est construite en utilisant des procédures d'apprentissage successives : élaboration d'une base de données de scénarios historiques organisée sur une haute dimension et apprentissage fonctionnel des courbes de charge intra-journalières, construction de prévisionnistes experts utilisant une tâche de recherche d'information parmi les scénarios, agrégation finale des experts. Les résultats sur les courbes de charge intra-journalières de la France montrent clairement les avantages de l'utilisation d'un modèle fonctionnel épars pour prévoir la consommation d'électricité. Ils semblent également correspondre assez bien à la connaissance métier des prévisionnistes de consommation et apportent même de nouvelles lumières sur le domaine.