Prédiction de la Demande Nette en Énergie Électrique

Auteurs

• Félix OLLIVIER
• Lylian CHALLIER

Date

10 mars 2025

Résumé du Projet

Ce projet vise à prédire la demande nette en énergie électrique (Net_demand) en France en utilisant diverses approches de modélisation prédictive. L'objectif est de déterminer avec précision la consommation nette d'énergie à partir de données historiques couvrant la période jusqu'à fin 2021.

Méthodologie

Prétraitement des Données

• Conversion des variables catégorielles en facteurs
• Séparation des données en ensembles d'entraînement et d'évaluation

Analyse Exploratoire des Données

• Analyse unidimensionnelle : Identification d'une forte saisonnalité annuelle dans la demande énergétique et observation de la relation entre la consommation totale (Load) et la somme de la demande nette et des énergies renouvelables
• Analyse bidimensionnelle : Étude des corrélations entre la demande nette et diverses variables catégorielles (jours fériés, vacances d'été) et continues (température, vent, nébulosité)

Sélection des Variables

• Corrélation linéaire : Identification des variables ayant une corrélation significative (>0.3) avec la variable cible
• Régression linéaire : Comparaison de différentes stratégies de sélection (modèle complet, modèle réduit, sélection backward)

Modélisation

• Modèle GAM (Generalized Additive Model) : Modélisation des relations non linéaires et cycliques
• Modèles Random Forest : Différentes approches de sélection de variables (complet, backward, mixte)

Évaluation des Modèles

• Métriques d'évaluation : RMSE (Root Mean Square Error), MAPE (Mean Absolute Percentage Error), Pinball Loss
• Comparaison des performances : Tableau comparatif des différents modèles

Résultats Principaux

• Identification de variables clés influençant la demande nette d'énergie (température, jours fériés, périodes de vacances)
• Le modèle GAM a montré de bonnes performances dans la capture des relations non linéaires
• Les modèles Random Forest ont également montré des résultats prometteurs

Structure des Fichiers

• rapport.Rmd : Document principal contenant l'analyse complète et le code R
• R/score.R : Script contenant les fonctions d'évaluation des modèles
• Data/train.csv : Données d'entraînement
• Data/test.csv : Données de test pour la prédiction

Dépendances

• Bibliothèques R requises : mgcv, corrplot, gt, tidyverse, ranger, randomForest, xgboost, yarrr

Utilisation

Pour reproduire l'analyse, exécutez le code dans le fichier rapport.Rmd. Assurez-vous d'avoir installé toutes les dépendances nécessaires.

# Installation des packages requis
install.packages(c("mgcv", "corrplot", "gt", "tidyverse", "ranger", "randomForest", "xgboost", "yarrr"))

# Exécution du rapport
rmarkdown::render("rapport.Rmd")