# Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine

**Authors:** Tatiana Gonzalez Grandon, Johannes Schwenzer, Thomas Steens, Julia Breuing  
**arXiv:** [2304.05174](https://arxiv.org/abs/2304.05174)  
**Date:** 2023-04-11  
**Summary page:** https://www.summarizepaper.com/fr/paper/2304.05174v1/

## Key points

- Une nouvelle approche hybride combinant des statistiques et de l'apprentissage automatique pour prévoir la demande nationale d'électricité est présentée.
- Les investissements et le fonctionnement des futurs systèmes énergétiques requièrent des prévisions à long terme de la consommation d'électricité avec une résolution horaire.
- Le modèle mathématique proposé remplit cette lacune en matière de prévision énergétique.
- La méthodologie proposée a été construite à partir de données horaires sur la consommation d'électricité en Ukraine entre 2013 et 2020.
- Le modèle hybride combine les approches ARIMA et LSTM "black-box" pour décrire le terme d'erreur.
- Les résultats montrent que le meilleur modèle de prévision est composé en combinant plusieurs modèles de régression et un modèle hybride LSTM pour la prédiction du résidu.
- Notre modèle hybride est très efficace pour prévoir la demande d'electricité à long terme avec une résolution horaire. En testant notre modèle sur 17520 pas de temps pendant 2 ans, il s’est avéré être très précis (96,83 \%).

## Summary

Cet article présente une nouvelle approche hybride combinant des statistiques et de l'apprentissage automatique pour prévoir la demande nationale d'électricité. Les investissements et le fonctionnement des futurs systèmes énergétiques requièrent des prévisions à long terme de la consommation d'électricité avec une résolution horaire. Notre modèle mathématique remplit cette lacune en matière de prévision énergétique. La méthodologie proposée a été construite à partir de données horaires sur la consommation d'électricité en Ukraine entre 2013 et 2020. Nous avons analysé la structure sous-jacente des séries temporelles horaires, quotidiennes et annuelles de la consommation d'électricité. La tendance annuelle à long terme a été estimée par une analyse de régression macro-financière. Le modèle à moyen terme intègre les régresseurs liés aux températures et au calendrier pour décrire sa structure sous-jacente, et combine les approches ARIMA et LSTM "black-box" pour décrire le terme d'erreur. Le modèle à court terme capture la saisonnalité horaire grâce aux régresseurs du calendrier et aux multiples modèles ARMA pour le résidu. Les résultats montrent que le meilleur modèle de prévision est composée en combinant plusieurs modèles de régression et un modèle hybride LSTM pour la prédiction du résidu. Notre modèle hybride est très efficace pour prévoir la demande d'electricité à long terme avec une résolution horaire. En testant notre modèle sur 17520 pas de temps pendant 2 ans, il s’est avérée être très précis (96,83 \%).