On observe récemment un intérêt croissant pour l’analyse des prévisions de la demande en électricité au moyen de modèles statistiques et d’apprentissage automatique. La plupart de ces études utilisent la température et le type de journée comme caractéristiques, s'appuyant sur des prévisions ponctuelles de la température pour prévoir la demande d'électricité. Cependant, la température fluctue tout au long de la journée, ce qui rend plus appropriée l'intégration de la variabilité de l'erreur de prévision par le biais de prévisions par intervalles en tant qu'entrée. La nouveauté de ce travail est de proposer une approche en deux étapes pour la prévision par intervalles de la demande d'électricité à l'aide de prévisions par intervalles de la température. Tout d'abord, ces dernières prévisions sont obtenues en utilisant des caractéristiques supplémentaires et le meilleur modèle est sélectionné sur la base de RMSE, MAE, MPE et MAPE. Ensuite, les prévisions par intervalles de la température, ainsi que le type de journée, sont utilisés pour dériver les prévisions par intervalle de la demande d'électricité. Nous discutons de la performance supérieure du NNAR dans la production de prévisions par intervalles en utilisant les données de la demande d'électricité de l'Ontario.