Cet article aborde le problème des paramètres inconnus qui entravent les stratégies optimales de prise de décision en gestion de l'énergie dans des conditions d'incertitude, notamment pour le fonctionnement des systèmes de stockage d'énergie par batterie (BESS). Les approches conventionnelles de prédiction vers optimisation (PTO) traitent la prédiction et l'optimisation comme des processus distincts, ce qui entraîne des erreurs de prédiction pouvant conduire à des décisions sous-optimales. Cet article propose une méthode d'apprentissage piloté par la décision (DFL) qui intègre prédiction et optimisation. Pour pallier le manque de données et la variabilité nécessaires aux applications pratiques des BESS, nous utilisons des techniques d'ingénierie automatisée des caractéristiques (AFE). À l'aide d'un ensemble de données immobilières britanniques réelles, nous validons l'efficacité du cadre AFE-DFL et comparons DFL à AFE, PTO et DFL sans AFE. Les résultats expérimentaux démontrent que DFL permet d'obtenir des coûts d'exploitation inférieurs à PTO et que l'ajout d'AFE améliore les performances de DFL de 22,9 à 56,5 %. Cela démontre la faisabilité de DFL en situation réelle et suggère que l'AFE réduit la dépendance à l'expertise du domaine et génère des avantages économiques.
