MIMO-ELM : sept signaux énergétiques de la Corse prévus par un seul modèle
Sept sorties, six ans de données : ce que montre MIMO-ELM
À une heure d’horizon, notre modèle MIMO-ELM atteint une nRMSE de 0,179 pour le solaire et de 0,051 pour le thermique, avec R² supérieur à 0,98 pour ces deux séries. La demande totale conserve des prévisions jugées fiables jusqu’à cinq heures dans l’étude. Ces résultats, publiés dans Applied Energy, proviennent de six années de données horaires du système électrique corse.
Le modèle traite sept variables : demande totale, solaire, éolien, hydraulique, thermique, bioénergie et importations. Son architecture multi-entrée multi-sortie utilise des fenêtres glissantes et des encodages cycliques pour représenter la mémoire et les variations saisonnières. L’Extreme Learning Machine garde une couche cachée aléatoire et ajuste les sorties par une résolution analytique, ce qui évite un entraînement profond itératif.
La comparaison ne s’arrête pas à un score isolé. Le travail confronte le modèle à la persistance, à des formulations mono-sortie et à un LSTM avec un budget de réglage réaliste. Il rapporte des gains de compétence face aux références et des améliorations modestes mais stables par rapport aux formulations SISO. L’éolien et la bioénergie restent plus difficiles à prévoir, en lien avec leur forte variabilité.
Pour un système énergétique, la contribution est de représenter plusieurs composantes dans un même cadre, rapidement ajustable. Cela facilite l’étude conjointe de la production et de la consommation. Mais une sortie multiple ne garantit pas, à elle seule, un bilan énergétique exact : une contrainte physique ou une réconciliation doit être spécifiée pour l’imposer. Les valeurs rapportées ne sont pas des gains en pourcentage contre un concurrent. Elles caractérisent ce protocole corse ; une autre zone doit être évaluée avec ses propres contraintes, données et horizons.
Article, auteurs et ressources
Référence collective : Cyril Voyant, Milan Despotovic, Luis Garcia-Gutierrez, Mohammed Asloune, Yves-Marie Saint-Drenan, Jean-Laurent Duchaud, Ghjuvan Antone Faggianelli et Elena Magliaro. Short-term forecasting of energy production and consumption using extreme learning machine: A comprehensive MIMO based ELM approach. Applied Energy 410, 127599 (2026). DOI · éditeur accès ouvert · prépublication auteur.
Théorie complète, code et exemple exécutable (site des méthodes, en anglais) · Tous les récits · L'auteur