Cette étude évalue en profondeur différents modèles d'apprentissage automatique pour la prévision énergétique, en se concentrant sur les défis spécifiques liés aux variations saisonnières dans des environnements tels que les résidences étudiantes. Nous évaluons les performances de modèles de référence tels que LSTM et GRU, ainsi que de méthodes de prédiction de pointe, notamment les réseaux de neurones autorégressifs à propagation directe, les transformateurs et les approches hybrides. Une attention particulière est accordée à la prévision de la consommation énergétique face à des défis tels que les variations saisonnières, les vacances, les changements climatiques et les activités humaines irrégulières qui entraînent des fluctuations rapides de la consommation. Nos résultats montrent qu'aucun modèle ne surpasse systématiquement les autres modèles en toutes saisons, ce qui souligne la nécessité d'une sélection de modèles saisonniers ou d'une conception sur mesure. En particulier, les modèles LSTM et MiniAutoEncXGBoost basés sur l'hyperréseau proposés présentent une forte adaptabilité aux variations saisonnières et capturent efficacement les variations rapides de la consommation énergétique en été. Cette étude fait progresser le domaine de la prévision énergétique en soulignant le rôle crucial de la dynamique saisonnière et du comportement spécifique du modèle pour obtenir des prévisions précises.
