Les modèles d'apprentissage profond sont essentiels dans des secteurs critiques tels que la finance et la santé, grâce à leur capacité à prédire des phénomènes complexes , notamment avec des séries temporelles. Cependant, leur nature opaque, souvent qualifiée de "boîte noire", soulève des préoccupations liées à leur explicabilité. Nous proposons deux méthodes pour générer des explications contrefactuelles adaptées à la prévision de séries temporelles multivariées. La première, GENO-TOPSIS, combine un algorithme génétique et TOPSIS, tandis que la seconde, NSGA-II, est plus rapide avec des résultats comparables. Pour valider ces explications, nous introduisons l'Ontologie de Validation des Explications Contrefactuelles (CEVO), qui utilise des règles SWRL et des requêtes SPARQL pour assurer du respect des contraintes spécifiques au domaine. Nous illustrons l'efficacité de notre approche avec une étude de cas sur l'estimation de l'État de Charge (EDC) des cellules LFP, démontrant ainsi une meilleure explicabilité des modèles de séries temporelles.