La production hydroélectrique joue un rôle crucial dans le paysage énergétique mondial en offrant une source d'électricité renouvelable et durable. La prévision de la production hydroélectrique est essentielle pour une gestion efficace de l'énergie et le maintien de la stabilité du réseau électrique. Cet article présente un modèle autorégressif à mémoire court et long terme (LSTM) conçu pour prédire la production hydroélectrique à court terme, en ciblant spécifiquement les décisions horaires de débit d'eau de deux centrales hydroélectriques interconnectées situées sur la rivière Péribonka au Québec, Canada. Compte tenu du rôle critique d'une planification efficace dans les opérations hydroélectriques, particulièrement dans le cadre du problème de planification hydroélectrique à court terme (STHS), notre modèle propose une solution viable basée sur l'apprentissage automatique pour compléter les approches d'optimisation traditionnelles. Nous avons évalué le modèle LSTM en comparant ses performances prédictives avec des données opérationnelles historiques et des résultats issus d'un modèle déterministe de programmation linéaire mixte en nombres entiers (MILP). Notre analyse couvre plusieurs instances de validation, mettant en évidence les capacités du modèle ainsi que ses forces et limites. Les résultats démontrent que l'approche autorégressive LSTM parvient à capturer efficacement les motifs sous-jacents dans les décisions de débit d'eau, offrant des prédictions généralement alignées avec les réalités opérationnelles et les solutions optimisées. Toutefois, l'étude souligne également des défis, tels que le respect des contraintes de volume des réservoirs, en particulier lors des périodes de forte variabilité des apports en eau. Malgré ces défis, le modèle LSTM présente des performances prédictives prometteuses, posant ainsi les bases pour des améliorations futures dans l'intégration de l'apprentissage automatique à la gestion hydroélectrique à court terme. À notre connaissance, cette étude est la première à appliquer un modèle LSTM autorégressif supervisé pour prédire les décisions horaires de débit d'eau dans les systèmes hydroélectriques, contribuant ainsi significativement à l'avancement de l'apprentissage automatique dans la planification hydroélectrique.