Accurate Electricity Consumption Prediction Using Deep Learning

Abstract

Modern society is heavily dependent on energy as a critical resource. However, with the increasing demand for energy, the world is facing several challenges such as global carbon emission, climate change, and environmental degradation. To address these issues, it is crucial to predict future electricity consumption accurately. This prediction is necessary for efficient energy management, demand-response, and grid planning. In this thesis, we propose four deep learning models, namely Multilayer Perceptron(MLP), Convolutional Neural Networks(CNN),Long-Short Terme Memory (LSTM), and (CNN-LSTM), for energy forecasting. Our aim is to demonstrate that these models outperform other existing approaches. The models were trained and evaluated using a dataset collected from Two cities in Algeria: Sidi bel Abbes, Mascara. The dataset consists of approximately 2700 HVA clients total of 66000 measurements. To assess the performance of our models, we utilize popular evaluation metrics such as Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE). These metrics provide a comprehensive evaluation of the accuracy and reliability of the models in predicting energy consumption. Remarkably, our results indicate that even with a relatively small number of data measure- ments, our proposed models deliver excellent forecasting outcomes. This suggests the robust- ness and effectiveness of the deep learning architectures in capturing and predicting energy consumption patterns in the studied cities

La soci´et´e moderne d´epend fortement de l’´energie en tant que ressource critique. Cepen- dant, avec la demande croissante en ´energie, le monde est confront´e `a plusieurs d´efis tels que les ´emissions mondiales de carbone, le changement climatique et la d´egradation de l’environnement. Pour faire face `a ces probl`emes, il est crucial de pr´edire avec pr´ecision la consommation future d’´electricit´e. Cette pr´ediction est n´ecessaire pour une gestion efficace de l’´energie, la r´eponse `a la demande et la planification du r´eseau. Dans cette m´emoire, nous proposons quatre mod`eles d’apprentissage en profondeur , `a savoir le Perceptron Multi-Couches (MLP), les R´eseaux de Neurones Convolutifs (CNN) , la M´emoire `a Court Terme Longue (LSTM) et (CNN-LSTM) , pour la pr´evision ´energ´etique. Notre objectif est de d´emontrer que ces mod`eles surpassent les autres approches existantes. Les mod`eles ont ´et´e entraˆın´es et ´evalu´es `a l’aide d’un ensemble de donn´ees collect´ees dans deux villes en Alg´erie : Sidi bel Abbes , Mascara . L’ensemble de donn´ees comprend environ 66000 mesures. Pour ´evaluer les performances de nos mod`eles, nous utilisons des m´etriques d’´evaluation courantes telles que l’erreur absolue moyenne en pourcentage (MAPE), l’erreur quadratique moyenne (RMSE) et l’erreur absolue moyenne (MAE). Ces m´etriques permettent une ´evaluation compl`ete de l’exactitude et de la fiabilit´e des mod`eles dans la pr´ediction de la consommation d’´energie. Remarquablement, nos r´esultats indiquent que mˆeme avec un nombre relativement restreint de mesures de donn´ees, nos mod`eles propos´es offrent d’excellents r´esultats de pr´evision. Cela sugg`ere la robustesse et l’efficacit´e des architectures d’apprentissage en profondeur dans la capture et la pr´ediction des sch´emas de consommation d’´energie dans les villes ´etudi´ees.