Approche basée sur les réseaux de neurones bayésiens pour la prédiction probabiliste des demandes énergétiques des bâtiments

La prédiction fiable de la demande énergétique au niveau des bâtiments est cruciale pour les gestionnaires de bâtiments afin d'optimiser et de réguler la consommation d'énergie. Les modèles de prédiction conventionnels omettent les incertitudes associées à la demande dans le temps ; par conséquent, ils sont généralement inexactes et peu fiables. Dans cette étude, un modèle de prédiction probabiliste basé sur un réseau de neurones bayésien (BNN) est proposé pour relever ce défi. En quantifiant l'incertitude, les BNN fournissent des prédictions probabilistes qui capturent les variations de la demande énergétique. Le modèle proposé a été entraîné et évalué sur un sous-ensemble des données d'opérations de bâtiments du Lawrence Berkeley National Laboratory (LBNL), Berkeley, Californie, qui comprend divers attributs liés au climat et aux indicateurs clés de performance des bâtiments. Nous avons effectué un réglage approfondi des hyperparamètres et utilisé une validation à horizon fixe pour évaluer les modèles entraînés sur diverses données de test afin d'évaluer leur capacité de généralisation. Pour valider les résultats, une forêt aléatoire de quantiles (QRF) a été utilisée comme référence. L'étude a comparé le BNN au LSTM, montrant que le BNN a surpassé le LSTM en quantification de l'incertitude.