Estimation et Prédiction des irradiations solaires à l’aide des modèles de Machine learning et de Deep learning

Abstract

Une connaissance précise de l’énergie solaire incidente au sol en un site donné est un facteur majeur pour évaluer la rentabilité de tout projet d'installation solaire. En effet, la disponibilité des données fiables du rayonnement solaire permettrait de correctement dimensionner et de prédire la production des centrales solaires photovoltaïques ou thermodynamiques pour élaborer des stratégies d’optimisation et de contrôle pour une gestion optimale du mix énergétique. L’objectif principal de notre thèse consiste à développer des modèles efficaces pour l’estimation des irradiations solaires globales horizontales (GHI), diffuses horizontales (DHI) et normales directes (DNI). Aussi, il a été question d'élaborer des modèles d’apprentissage automatique (Machine Learning) et profond (Deep Learning) pour la prédiction à l’avance du GHI à différents horizons temporels (h+1 à h+6 et 10min+10 à 10min+60) susceptibles d’intéresser les gestionnaires des réseaux électriques. En premier lieu, une procédure de contrôle de qualité des données a été présentée et appliquée aux mesures expérimentales provenant des six sites marocains considérés dans le présent travail (Fès, Erfoud, Missour, Oujda, Zagora, TanTan). Une estimation des irradiations solaires journalières GHI, DHI et DNI a été, ensuite, effectuée à l’aide de plusieurs modèles empiriques et d’apprentissage automatique (Machine Learning) n'utilisant, comme entrées, que les variables couramment mesurées dans les stations météorologiques. Parmi les modèles empiriques, il a été constaté que le modèle TG1 basé uniquement sur la connaissance du gradient de température journalier est le plus performant pour estimer le GHI. Pour le DHI et le DNI, les deux modèles basés sur les paramètres hybrides que nous avons proposés se sont avérés les plus appropriés. Aussi, il a été noté que les modèles d'apprentissage automatique sont plus performants que les modèles empiriques. En explorant le potentiel des trois méthodes d’ensemble (Boosting, Bagging, Random Forests (RF)) dans l’estimation du GHI, le modèle RF s'est avéré être le plus robuste pour toutes les stations. Une étude de catégorisation des modèles d’apprentissage automatique est ensuite effectuée, lorsque seulement des mesures météorologiques restreintes sont disponibles. Les résultats obtenus montrent que les modèles SVM, RF et PMC peuvent être utilisés pour estimer le GHI en disposant uniquement des valeurs extrêmes de la température ou de l’humidité relative de l’air et que le modèle RF est le plus efficace pour l'estimation du GHI, DHI, et DNI en utilisant comme variables d'entrées les paramètres hybrides. Enfin, une prédiction à l’avance du GHI à différents horizons temporels, à très court, à court et à long termes (10min+10 à 10min+60, h+1 à h+6 et h+48), a été effectuée en utilisant les modèles d’apprentissage automatique (PMC, RF, NARX) et profond (LSTM). Les résultats montrent que le modèle LSTM est plus performant que les modèles PMC et RF pour les prédictions annuelles et saisonnières et pour les prévisions horaires et sub-horaires du GHI. En particulier, une grande amélioration en terme de précision a été observée lorsque l’horizon temporel de prévision augmente