⚡ Prévision de Consommation Énergétique du PJM Est

Prédire la demande électrique à H+1 avec MAPE 0.74% sur données réelles PJM (2003-2018)

---

📋 Contexte

Le gestionnaire de réseau électrique PJM doit équilibrer en permanence production et consommation. Une erreur de prévision coûte 100,000€/heure de déséquilibre réseau.

Objectif : prédire la consommation horaire avec MAPE < 3%

Résultat obtenu : MAPE 0.74% sur le set de test (2018)

---

🏗️ Architecture du projet

energy-forecasting/
├── notebooks/
│   ├── 01_exploration.ipynb          # Analyse et nettoyage des données
│   ├── 02_feature_engineering.ipynb  # 35 features (temporelles, météo, lags)
│   ├── 03_baseline_models.ipynb      # Modèles de référence
│   ├── 04_advanced_models.ipynb      # XGBoost + LSTM
│   ├── 05_evaluation.ipynb           # Évaluation finale + intervalles de confiance
│   └── 06_api.ipynb                  # API FastAPI + README
├── api/
│   └── main.py                       # Code de l'API
├── models/                           # Modèles entraînés
├── data/
│   ├── raw/                          # Données brutes (non versionnées)
│   └── processed/                    # Données traitées
├── app.py                            # Dashboard Streamlit
└── Dockerfile

---

📊 Dataset

• Source : Hourly Energy Consumption — Kaggle
• Région : PJM Est (Philadelphia, PA)
• Période : 2003 → 2018 (145,366 heures)
• Météo : Open-Meteo API (température, humidité, vent, couverture nuageuse)

---

🔧 Feature Engineering

35 features construites en 5 catégories :

Catégorie	Features	Exemple
Temporelles	8 features	hour, dayofweek, month, season...
Lags	5 features	lag_1, lag_24, lag_168, lag_8736
Rolling	5 features	rolling_mean_24h, rolling_std_168h...
Météo	4 features	temp, humidity, windspeed, cloudcover
Cycliques & interactions	9 features	hour_sin/cos, temp_x_season...

---

🤖 Modèles & Résultats

Modèle	MAPE Validation	MAPE Test
Moyenne Mobile	11.71%	—
Naïf Saisonnier	6.78%	—
Régression Linéaire	2.55%	—
LSTM	1.75%	1.72%
XGBoost	0.65%	0.74% ✅

Objectif initial : MAPE < 3% → Résultat : 0.74% 🎯

---

📏 Intervalles de Confiance

Trois méthodes testées et comparées :

Méthode	Taux de couverture	Verdict
Bootstrap	41.1%	❌
Quantile Regression	84.6%	❌
Conformal Prediction	95.1%	✅

Marge finale : ±697 MW autour de chaque prédiction

---

🚀 API

L'API est déployée sur Render et accessible publiquement :

Base URL : https://energy-forecasting-api.onrender.com

⚠️ Première requête : 30-60 secondes (cold start Render free tier)

Endpoints

Endpoint	Méthode	Description
/	GET	Statut de l'API
/health	GET	Santé du modèle
/predict	POST	Prédiction H+1 + intervalle de confiance

Exemple de requête

curl -X POST "https://energy-forecasting-api.onrender.com/predict" \
  -H "Content-Type: application/json" \
  -d '{
    "datetime": "2018-01-15T14:00:00",
    "lag_1": 35000,
    "lag_24": 34500,
    "lag_48": 34200,
    "lag_168": 33800,
    "lag_8736": 34100,
    "rolling_mean_24h": 33500,
    "rolling_mean_168h": 33200,
    "rolling_mean_720h": 32800,
    "rolling_std_24h": 2100,
    "rolling_std_168h": 2300,
    "temp": 2.5,
    "humidity": 75,
    "windspeed": 15,
    "cloudcover": 60
  }'

Exemple de réponse

{
  "datetime": "2018-01-15T14:00:00",
  "prediction_mw": 35420.5,
  "confidence_interval": {
    "lower": 34723.5,
    "upper": 36117.5
  },
  "mape_expected_percent": 0.74
}

Documentation interactive

👉 https://energy-forecasting-api.onrender.com/docs

---

🛠️ Installation locale

# Cloner le repo
git clone https://github.com/Dboy003/energy-forecasting.git
cd energy-forecasting

# Créer l'environnement virtuel
py -3.11 -m venv venv
.\venv\Scripts\Activate

# Installer les dépendances
pip install -r requirements.txt

# Lancer l'API
uvicorn api.main:app --reload --port 8000

---

📚 Stack technique

Catégorie	Outils
Langage	Python 3.11
ML	XGBoost, Scikit-learn, TensorFlow/Keras
Data	Pandas, NumPy
Visualisation	Matplotlib, Seaborn
API	FastAPI, Uvicorn
Déploiement	Docker, Render
Versioning	Git, GitHub
Météo	Open-Meteo API

---

👤 Auteur

Mourad — GitHub