Publié le 9 février 2026. Des chercheurs philippins ont développé un nouveau modèle de prévision de la consommation électrique résidentielle, combinant l’apprentissage automatique et le traitement du Big Data pour améliorer la précision et l’efficacité des prévisions.
- L’intégration de technologies Big Data avec le modèle Support Vector Machine (SVM) a permis de réduire les temps d’entraînement et de prédiction de 46 %.
- L’allocation de mémoire a été diminuée de 98,2 % grâce à cette nouvelle approche.
- Les erreurs de prévision ont été significativement réduites, avec une baisse de 10,59 % de l’erreur absolue moyenne (MAE).
Cette avancée a été présentée lors de la conférence internationale Artificial Intelligence, Computer Data Sciences and Applications (ACDSA) 2026, qui s’est tenue le 5 février 2026 à Boracay, aux Philippines. Le modèle, formulé en MATLAB, représente une étape importante vers une gestion de l’énergie plus fiable et moins coûteuse en ressources.
L’étude a été menée par Engr. Mariz Arias-Chua, PhD, du Département de génie électronique de l’Université de Santo Tomas (UST), en collaboration avec Kristian Diego R. Dimapindan, Chih-Chieh T. Ho et Federick Leonard A. Vitug, anciens étudiants en génie électronique. Leur recherche, intitulée « Modèle de prévision de la consommation d’énergie résidentielle utilisant des technologies Big Data intégrées et une machine à vecteurs de support », vise à surmonter les limitations du modèle SVM traditionnel.
Bien que le Support Vector Machine (SVM) soit performant pour les prévisions à long terme, sa complexité computationnelle augmente considérablement avec la taille des ensembles de données et le nombre de paramètres. Pour pallier ce problème, l’équipe de l’UST a intégré des technologies Big Data, telles que le stockage, la cartographie et la réduction de données, afin de prétraiter et de gérer efficacement les volumes importants d’informations avant de les introduire dans le SVM. Cette approche permet d’optimiser le processus informatique exigeant du SVM.
Les résultats obtenus démontrent une amélioration significative des performances du modèle. Outre la réduction des temps de calcul et de l’allocation de mémoire, les mesures d’erreur ont également été améliorées : l’erreur moyenne absolue en pourcentage (MAPE) a diminué de 8,88 % et l’erreur quadratique moyenne (MSE) de 12,63 %. Ces améliorations suggèrent que le modèle combiné offre une prévision plus précise de la consommation d’énergie.
Cette recherche ouvre la voie à des outils de gestion de l’énergie plus efficaces, capables de réduire la charge sur les systèmes informatiques tout en améliorant la précision des prévisions. Elle pourrait avoir des implications importantes pour les fournisseurs d’énergie, les gestionnaires de réseaux et les consommateurs, en permettant une meilleure planification et une optimisation de la consommation électrique.