Prévision de Charge Électrique à Court Terme basée sur des Réseaux de Convolution Temporelle Distillée

La Prévision de Charge à Court Terme (STLF) vise à prédire la charge électrique future d'un ménage, soutenant diverses applications de gestion domestique en aval. Récemment, les modèles d'apprentissage profond sont devenus populaires pour la STLF en raison de leur compétence à extraire des motifs non linéaires à partir de données de séries temporelles. Cependant, la complexité croissante de ces modèles entrave leur déploiement dans des contextes domestiques locaux. Pour y remédier, nous introduisons une approche basée sur la distillation de connaissance dans la STLF, permettant le transfert de connaissances d'un grand modèle à un plus petit sans compromettre la précision des prévisions. La méthode proposée utilise un réseau enseignant-élève pour la distillation des données, où un réseau 'enseignant' sophistiqué transmet des informations de prévision à un petit réseau 'élève', facilitant son utilisation sur des dispositifs locaux avec des ressources limitées. Nous avons mené des expériences et des études comparatives pour valider cette approche, démontrant son efficacité tout en assurant la faisabilité et la précision du déploiement.