Département d’informatique - Intelligence Artificielle - Master
Presentation
BIBDA 2026
2024
Prédiction de la
consommation électrique
des ménages
Projet réalisé et présenté par: Professeur encadrant:
ATAKI Ahmed Abdulmajid
BOUBACAR AMADOU Salim Toufik Mzili
Plan du travail
Introduction :Contexte et problématique
1. Objectifs et contributions
2. Etat de l’art
3. Dataset UCI et pré-traitement
4. Méthodologie
5. Résultats & interprétations
6. Discussions, limites et perspectives
Conclusion
.Introduction Présentation du contexte
Explication de la problématique
02.
03.
Introduction
Croissance de la consommation énergétique
Nécessité d’optimiser la consommation
Réduire l’empreinte carbone
-
Toute la difficulté réside dans le fait de
prédire la consommation car elle
dépend de paramètres variables et de
facteurs à prendre en compte
Alors maitriser et prédire la consommation est un
enjeu économique surtout au Maroc
L’objectif est de disposer d’outils performants de
prédiction
[Link] et
contribution
Objectifs et contributions
Prédire la consommation d’un ménage à partir de
données mesurées a l’échelle horaire
Utiliser le jeu de données publique du repository UCI
Mettre en place un modele de régression basé sur
LigthGBM pour des prédictions précises
-
Optimiser les hyper-paramètres à l’aide d’Optuna pour
de meilleurs résultats -
Interpréter les résultats à l’aide de SHAP pour detecter
les facteurs qui influencent le plus la consommation
Données agrégées Prédictions précises Détection plus visible
horairement Optimisation des facteurs
Interprétation simple
[Link] de l’art Présentation des travaux existants
Etat de l’art
Modèles de régression pour la prédiction
Utilisation du ML pour les bâtiments et ménages
(SVM, Random forest, Gradient Boosting ,NN ) dans
les revues scientifiques récentes.
-
Utilisation de ces modèles + SHAP
Références (année) Modele Dataset/Contexte Accuracy/AUC Limites
Etat de l’art
Revue ML-2025- énergie SVM,RF,GBM,NN Bâtiments & ménages A tendance variable selon l’étude Revue globale non centrée sur un ménage
Similaire sauf pour le dataset et le focus
LightGBM + SHAP energie ménages -2024 LightGBM + SHAP Données d’énergie résidentielle bonne précision donc erreur de reg. faible
horaire
-
Explainade AI-2024 ML+XAI Demande énergétique des foyers Niveau global des perfs. elevées Résolution journalière moins de détails
Benchmark explicable sur l’élec.
Ensemble + SHAP Consommation énergétique domestique Perfs. élevées (RMSE/AUC favorables) Méthodes complexes et difficiles
domestique
Amélioration prédiction via XAI XGboost + ML + XAI Consommation des ménages Haute précision Peu d’études sur 1 même foyer
[Link] UCI et
pré-traitetements
-
Jeu de données :
Données collectées sur
Dataset
Individual Household
un foyer français entre
Electric Consumption
2006 et 2010
Agrégation horaire
Puissance active globale(kW)
-
Puissance réactive (kW)
Tension(V)
Intensité(A)
Sous-mésurages d’énergie
Sub_metering_1
Sub_metering_2
Sub_metering_3
Date (jj/mm/aaaa)
Heure(hh:mm:ss)
Nettoyage des données
Pré-traitements
Gestion des valeurs manquantes
Filtrage des données aberrantes
Agrégation temporelle
Données initiales disponibles par minute
Agrégation sur une heure pour faciliter les
opérations
-
Création de features temporelle
Extraction de l’heure à partir de date/time
Création du jour de la semaine
Indicateur booléen pour le week-end
Variables pour le mois ou la saison
Preparation pour le modèle
Construction de variables cibles
Normalisation de certaines variables
4.Méthodologie
-
n li n éaire
Méthodologie
s io
Régres istique
on lo g
Régressi
KNN
om F o rest
Rand
-
Modele utilisé
-
- Explications
5.Résultats &
interprétation
Résultats
Modèle Type de modèle Performances relatives Points forts
Régréssion linéaire Linéaire Performances de base Relations linéaires uniquement
Random Forest Ensemble Bonne amelioration Gestion des non-linéarités
-
LightGBM ( pae deéfaut) Boostiong Excellente Rapidité et précision
LightGBM + Optuna Boostiong optimisé Meilleure globalement Optimisation+Hyperparamétrage+Gains significatifs
[Link]
limites et
perspectives
-
- Discussion -limites-
Conclusion Synthèse du travail
Apports pratiques
Perspective
02.
03.
Synthèse
LightGBM optimisé par Optuna atteint une précision excellente
SHAP rend le modèle explicable en identifiant clairement les
facteurs influençant la consommation
Apports
Développement d’un outil performant et interprétable pour
prédire la consommation horaire d’un ménage
Optimisation de la consommation dans l’optique de réduire
l’empreinte carbone au Maroc
Mise en pratique d’une approche IA (LightGBM + SHAP + Optuna)
Perspectives
contraintes climatiques locales (transition énergétique )03.
Intégration de données provenant de foyers marocains tout en incluant cette fois les
Etendre le modèle à plusieurs ménages même si c’est un travail de longue haleine
Département d’informatique - Intelligence Artificielle - Master BIBDA 2026
Merci pour
votre
.attention