La production et la consommation d’énergie sont deux des plus importantes sources de gaz à effet de serre (GES), avec l’industrie, et deux des principales causes du réchauffement climatique. La prévision du coût environnemental de la production d’énergie est nécessaire pour une meilleure prise de décision et pour faciliter le passage à des systèmes énergétiques plus propres afin de réduire la pollution atmosphérique. Cette thèse décrit une approche hybride basée sur les réseaux de neurones artificiels (RNA) et une architecture multi-agents pour la prévision du dioxyde de carbone (CO2) issu de différentes sources d’énergie dans la ville d’Annaba à partir de données réelles. Le système se compose de plusieurs agents autonomes, divisés en deux types : premièrement, les agents de prévision, qui prédisent la production d’un type particulier d’énergie à l’aide des modèles RNA ; deuxièmement, les agents de base qui exécutent d’autres fonctionnalités essentielles telles que le calcul des émissions équivalentes de CO2 et le contrôle de la simulation. Le développement est basé sur les données algériennes du gaz et de l’électricité fournies par la société nationale d’énergie. La simulation consiste tout d’abord à prédire la production d’énergie à l’aide des agents de prévision et à calculer l’équivalent CO2 émis. Deuxièmement, un agent dédié calcule le CO2 total émis par toutes les sources disponibles. Il calcule ensuite les avantages de l’utilisation de sources d’énergie renouvelables comme moyen alternatif de répondre à la charge électrique en termes d’atténuation des émissions et d’économie de consommation de gaz naturel. Le système conçu peut aider les agences environnementales et les planificateurs énergétiques à examiner leurs politiques de contrôle de l’énergie et de la pollution atmosphérique.