Moussa Abdallah Hamid, Issam Taha Yassine, Wissam Mohammed Jassim

Département des sciences informatiques – Faculté des sciences informatiques et des technologies de l'information – Université d'Al-Anbar

Le but des systèmes de gestion de l'énergie dans les bâtiments est principalement de surveiller la consommation d'énergie et de réguler le fonctionnement des appareils pour réduire les factures d'électricité. L'objectif de ce travail est d'atteindre la coopération entre les algorithmes métaheuristiques pour améliorer la solution à travers trois algorithmes, parmi lesquels se trouvent : l'algorithme d'optimisation par essaim de chats (CSO) et l'algorithme d'optimisation par loups gris (GWO) puis de trouver la solution optimale proche (prédiction) en utilisant cinq algorithmes d'apprentissage automatique(ML). Ces algorithmes sont, la régression linéaire (LR), la régression par gradient boosting (GBoostR), la régression par arbre de décision (DTR), la régression par gradient stochastique (SGDR), et la régression bayésienne ridge (BRR)) et l'utilisation de l'apprentissage profond (mémoire à long et court terme (LSTM)) pour prédire la consommation et la production d'énergie. Après avoir appliqué l'apprentissage exploratoire (métaheuristique et apprentissage automatique) pour prédire la consommation d'énergie, le modèle utilisé a été évalué de quatre manières, et ces méthodes sont : l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (MSE), la racine de l'erreur absolue moyenne (RMAE), et la racine de l'erreur quadratique moyenne en pourcentage (RMSPE) pour déterminer la qualité de la performance des modèles. Les résultats de cette étude et à travers les méthodes d'apprentissage expérimental (cinq méthodes), ont montré que dans la première méthode (HL1) l'algorithme CSO avec ML, l'algorithme SGDR qui utilise MAE 0.0953296. Pour évaluer le modèle avec CSO est meilleur que les quatre algorithmes utilisés pour prédire la consommation et la production d'énergie. Dans la deuxième méthode (HL2) l'algorithme GWO avec ML, il a été noté que dans la deuxième méthode (HL2), l'algorithme LR qui utilise MAE 0.0961145 pour évaluer le modèle avec GWO est meilleur que les quatre algorithmes utilisés pour prédire la consommation et la production d'énergie. Quant à la troisième méthode (HL3) elle a utilisé GWO avec ML (entraînement 70%, test 30%), il a été noté que dans la troisième méthode (HL3), l'algorithme LR qui utilise MAE 0.1484461 pour évaluer le modèle avec GWO est meilleur que les quatre algorithmes utilisés pour prédire la consommation et la production d'énergie. Alors que dans la quatrième méthode (HL4) utilisée (entraînement 90%, test 10%), il a été noté que dans la quatrième méthode (HL4), l'algorithme LR qui utilise GWO et qui utilise MAE 1.85332E-10 pour évaluer le modèle avec GWO est meilleur que les quatre algorithmes utilisés pour prédire la consommation et la production d'énergie. Enfin, il a été noté que dans la méthode (HL5), utilisée CSO et GWO avec LSTM, dans la cinquième méthode (HL5), l'algorithme GWO qui utilise MAE 0.0021936 pour évaluer le modèle utilisant GWO est meilleur que les algorithmes CSO utilisés pour optimiser les solutions utilisées pour prédire la consommation et la production d'énergie.