Site: [Link]

com/1424-8220/20/11/3129

A1/Comparison Analysis of Machine Learning Techniques for

Photovoltaic Prediction Using Weather Sensor Data:
Dans cette étude, nous visons à mener une analyse complète de diverses techniques d’apprentissage
automatique à jour pour présenter leurs avantages et leurs inconvénients lorsqu’ils viennent à prédire les
problèmes de production d’énergie solaire.

 La motivation pour les grandes centrales d’énergie renouvelable ces dernières années a les défis de la
stabilité.
 l’avenir de l’énergie solaire ne dépend pas seulement de la production instantanée, la stabilité du
système et la puissance de sortie optimale peuvent être obtenu.
 Les données du réseau neuronal sont entrées dans le réseau PV et la sortie est récupérée au système
MPPT afin que le système maintienne sa puissance maximale, même si changements de charge
 La principale caractéristique des énergies renouvelables est fortement dépendante des facteurs
[Link] caractéristique conduit à un niveau de production qui fluctue avec les conditions
météorologiques.
 les compagnies d’électricité doivent garantir un équilibre précis entre la production et la consommation
d’électricité.
 Par conséquent, ils doivent maintenir une stabilité des services à leurs clients, en prévenant les
perturbations imprévues dans la production d’énergie. De plus, les compagnies d’électricité doivent être
prêtes à l’avance à connaître la quantité d’énergie qui sera éventuellement produite dans les prochaines
heures. En général, un horizon temporel de 36 h permet d’alimenter entreprises de prendre des décisions
optimales et de créer un calendrier pour l’énergie produite.
 Les stations météorologiques recueillent des renseignements météorologiques auprès de différents
capteurs météorologiques pour prévoir les minutes, les heures ou les jours à venir.
 Les capteurs météorologiques recueillent des informations telles que la température, l’humidité, la
direction du vent ou irradiance solaire utile pour faire des prévisions pour les énergies renouvelables.
Même si l’énergie solaire semble être un modèle de prévision bivarié (irradiance solaire et température),
elle est soumise à différents facteurs tels que le temps nuageux, la probabilité de précipitations,
l’humidité, la position solaire.
 Après avoir été produit, il est difficile à stocker. Pour cette raison, un modèle prévisionnel proactif est
utile pour une gestion efficace de l’énergie où les compagnies d’électricité peuvent être préparées avec
suffisamment de ressources pour réduire les déchets d’électricité
 Le système d'observation météorologique utilisé par la KMA se compose d'une tour météorologique de
10 m de haut. En haut, les capteurs de direction du vent et de vitesse du vent sont installés
horizontalement sur les côtés gauche et droit. L'humidité et le compteur de température sont installés à
1,5 m au-dessus du sol et un capteur de précipitation est installé de l'autre côté. Un capteur de pression
est installé à environ 50 à 60 cm au-dessus du sol.
  les variables indépendantes divisées en trois catégories: élévation solaire, prévisions météorologiques et
observation météorologique
Les méthodes d'apprentissage automatique :

1-Méthodes de régression unique :

En utilisant le modèle de régression unique, la prédiction finale de sortie PV pour un Le temps particulier est
calculé comme suit:

y = β0 + β1X1 + . . . + βiXi + ε,

De plus, les méthodes de rétrécissement de Huber, Ridge, Lasso et Elastic Net sont impliquées, qui utilisent
les moindres carrés pour s'adapter à un modèle linéaire en utilisant une technique qui régularisé les estimations
de coefficient vers zéro.
2- Méthodes d'ensemble d'ensachage :
es méthodes d'ensemble de l'ensachage tentent de diminuer la variance du modèle et entraînent des
modèles faibles en parallèle. La méthode la plus large de l'ensachage utilisée est la forêt aléatoire
3- Boosting des méthodes d'ensemble :
L'amélioration des algorithmes d'ensemble essaie de diminuer le biais du modèle et ils forment
différents modèles afin d'améliorer chaque modèle précédent généré.
A2/Machine Learning for Solar Power Forecasting:
Cet article vise à développer un système PV en utilisant l'apprentissage automatique pour anticiper l'énergie
solaire avec des conditions météorologiques comme entrées de modèle. Différentes méthodes ont été proposées
pour la prévision de puissance PV Ces méthodes peuvent être classées comme méthodes physiques,
heuristiques, statistiques et d'apprentissage [Link] méthode peut avoir une conception, une
implémentation, une application et une précision conceptuelles différentes.

 Les données récupérées sont ensuite utilisées pour former le modèle en utilisant l'apprentissage
automatique pour développer un modèle de réseau de neurones artificiels (ANN).
 Les données du réseau neuronal sont introduites dans le tableau PV et la sortie est récupérée au système
MPPT afin que le système se maintient à une puissance maximale, même si la charge change. La
prévision des paramètres d'entrée est ensuite effectuée en utilisant la prévision des séries chronologiques
à l'aide de la mémoire à terme long (LSTM). Ainsi, le travail proposé implique le prétraitement des
données, la sélection des fonctionnalités et la formation de l'ensemble de données et l'optimisation des
données de sortie afin qu'une prévision optimale de l'énergie solaire puisse être obtenue.
 La prévision de l'énergie PV peut aller à travers différents horizons temporels. Comme il n'y a pas de
classification standard pour les critères de l'horizon temporel jusqu'à présent, les classifications
générales sont faites à court terme (intra heure: 15 minutes à 2 heures à l'avance), à court terme (heure à
l'avance: 1 à 6 heures à l'avance, jour à l'avance: 1 à 3 jours à l'avance), à moyen terme (semaine à des
mois à l'avance), à long terme (une à plusieurs années) et à des prévisions à vie (jusqu'à ce que le PV
s'attendait à une durée de vie).
 En général, les méthodes de prévision de l'énergie solaire sont largement divisées en deux catégories:
les modèles basés sur la physique - ces modèles prédisent l'énergie solaire à partir de prédictions
météorologiques numériques et de données d'irradiation solaire,.
les modèles statistiques - ces modèles prévoient la puissance solaire directement directement à
partir des données historiques. Dans ce chapitre, l'application et la précision des différentes
méthodes sont évaluées à l'aide de la puissance du module PV mesuré et les données
météorologiques. En effet, le panneau solaire fonctionne différemment pour différentes
conditions météorologiques.
 1-Data Collection & Machine Learning :

L'apprentissage automatique est l'endroit où les ordinateurs ont la capacité d'apprendre des choses sans
être programmée en interne. L'apprentissage automatique (ML) utilise un algorithme informatique qui
s'améliore automatiquement grâce à l'expérience et à l'apprentissage par l'utilisation des données de collecte.
C'est un processus où il est formé sur un ensemble de données important et prédit les futures sorties. Par
exemple, en cas de prévision solaire, la température moyenne, la pression de surface, la vitesse du vent et les
données d'humidité sont collectées et récupérées. Les données récupérées sont utilisées pour former le modèle.
Nous analysons les données avec la sortie requise et optimions le modèle. L'apprentissage automatique est
classé en différentes catégories comme l'apprentissage supervisé, non supervisé et de renforcement.
L'apprentissage supervisé est l'endroit où la machine connaît à la fois les entrées et les sorties. Il est utilisé pour
estimer la fonction inconnue à l'aide de données étiquetées. L'apprentissage non supervisé est l'endroit où les
données d'entrée étiquetées sont connues, mais nous n'avons peut-être pas de données de sortie étiquetées. Il est
utilisé pour former des machines ayant des données non marquées. L'apprentissage du renforcement est utilisé
lorsque des mesures appropriées sont prises afin que nous puissions maximiser la récompense.

Le réseau neuronal artificiel fonctionne généralement basé sur l'apprentissage supervisé où nous devons
estimer la fonction inconnue en fonction des entrées et des sorties. La figure 1 montre le mode de couche de
réseau neuronal qui consiste en des couches de nœud, une couche d'entrée, une ou plusieurs couches cachées et
une couche de sortie. Ces nœuds communiquent entre eux par des valeurs pondérées. Si la sortie d'un nœud
individuel atteint la valeur de seuil spécifiée, ce nœud est activé, envoyant des données à la couche suivante du
réseau. La fonction d'activation est utilisée pour le système ou le modèle afin de décider si un neurone doit être
activé ou non pour atteindre le résultat souhaité.

2- Maximum Power Point Extraction :

Une cellule solaire illuminée peut produire une certaine tension photo à un courant photo donné. La
combinaison du courant photo et de la tension photo à laquelle une cellule solaire peut être utilisée est appelée
point de travail. Les valeurs du courant photo et de la tension photo à court-circuit et les conditions de circuit
ouvert sont appelées courant de courte circuit (Icc) et tension en circuit ouvert (Vco) respectivement .

Les panneaux solaires photovoltaïques produisent une puissance V-I variable pour différentes
irradiances solaires et produisent une puissance maximale à un VMPP de tension particulière. MPPT est un
processus d'assurance puissance maximale du réseau PV solaire en ajustant le cycle de service de l'interrupteur
qui à son tour varie la tension pour atteindre une puissance maximale. Les algorithmes de suivi des points de
puissance maximale les plus couramment utilisés sont la méthode de perturb et d'observation et la méthode de
tension constante. Le concept de MPPT est d'observer en continu la tension et le courant et de mettre à jour le
cycle de service pour atteindre la puissance maximale.
Site: [Link]

A3/Assessment of Different Deep Learning Methods of Power

Generation Forecasting for Solar PV System :
Cet article compare les résultats de prévision PV d'une journée PV de trois modèles associés à trois groupes de
données météorologiques. Étant donné que le nombre, la perte et le problème d'appariement des données
météorologiques influenceront tous les résultats de formation du modèle, un cadre de données de prétraitement
est proposé pour résoudre le problème dans cette étude. Les modèles utilisés sont un réseau neuronal artificiel
basé sur un algorithme en profondeur (ANN), une mémoire à court terme (LSTM) et une unité récurrente
fermée (GRU).
Site : [Link]

Résumé : A Weather-Process and Machine Learning Combined Approach to Improve

Solar Forecast for PV Power Generation :

L’énergie solaire est une source importante d'énergie renouvelable pour le réseau électrique, mais sa production
dépend de l'irradiance solaire qui varie avec les mouvements des nuages. Pour intégrer cette énergie dans le
réseau électrique, il est important d'avoir des prévisions précises de la production d'énergie photovoltaïque pour
différents horizons temporels, allant de quelques minutes à plusieurs jours. Cependant, pour les prévisions de 1
à 8 heures, il n'y a pas de consensus sur l'approche la plus appropriée, car cet horizon temporel est entre les
échelles de temps appropriées pour la prévision immédiate et pour les prévisions météorologiques numériques.
L'équipe de recherche adoptera une approche hybride pour les prévisions intra journalières de la production
d'énergie photovoltaïque en utilisant des données météorologiques de surface, des archives de réanalyse
météorologique, des images de satellites géostationnaires et des simulations du modèle WRF-LES pour dériver
l'algorithme. Ils utiliseront une approche prévisionnelle en deux étapes, où le régime météorologique sera
classé, et des variables exogènes et endogènes seront utilisées pour entraîner un modèle de régression pour
prévoir l'irradiance solaire. Les prévisions seront vérifiées par rapport aux mesures réelles, et les résultats seront
introduits dans un modèle de rendement énergétique PV amélioré pour estimer la production d'électricité.
Planning :

I. Introduction
1) Contexte et justification du choix du sujet : Cette section devrait fournir un contexte général pour le
sujet de la recherche et expliquer pourquoi l'amélioration des prévisions météorologiques est importante
pour les systèmes photovoltaïques.
2) Problématique et objectifs de la recherche : Cette section devrait présenter les questions de recherche
que la thèse vise à résoudre et les objectifs spécifiques de la recherche.
3) Plan de la recherche : Cette section devrait fournir un aperçu du contenu de chaque chapitre et de la
façon dont la thèse est organisée.

II. Revue de littérature

1) Les systèmes photovoltaïques : caractéristiques et fonctionnement : Cette section devrait présenter une
vue d'ensemble des systèmes photovoltaïques, en expliquant comment ils fonctionnent et quelles sont
leurs principales caractéristiques.
2) L'importance de la prévision météorologique pour les systèmes PV : Cette section devrait expliquer
pourquoi la prévision météorologique est importante pour les systèmes photovoltaïques, en expliquant
les effets de la météo sur la production d'énergie.
3) Les méthodes traditionnelles de prévision météorologique : Cette section devrait présenter les méthodes
traditionnelles de prévision météorologique, y compris les modèles de prévision numérique du temps
(NWP) et les modèles statistiques.
4) L'apprentissage en profondeur pour la prévision météorologique : Cette section devrait présenter les
techniques d'apprentissage en profondeur pour la prévision météorologique, en expliquant comment
elles fonctionnent et comment elles se comparent aux méthodes traditionnelles.

III. Méthodologie de la recherche

1) Collecte des données météorologiques et des données de production des systèmes PV : Cette section
devrait décrire comment les données ont été collectées et traitées, y compris les sources de données
et les méthodes de collecte.
2) Prétraitement des données et préparation de l'ensemble de données : Cette section devrait décrire
comment les données ont été prétraitées avant d'être utilisées pour l'apprentissage en profondeur, y
compris la normalisation, le nettoyage des données et la création d'un ensemble de données pour
l'entraînement et la validation.
3) Modélisation avec des techniques d'apprentissage en profondeur : Cette section devrait décrire
comment les modèles ont été construits, y compris les choix d'architecture et d'hyperparamètres.
4) Évaluation des modèles de prévision météorologique : Cette section devrait décrire comment les
modèles ont été évalués et comparés, en utilisant des métriques de performance telles que l'erreur
moyenne absolue et l'erreur moyenne quadratique.

IV. Résultats et discussions

1) Analyse des performances des modèles d'apprentissage en profondeur par rapport aux méthodes
traditionnelles : Cette section devrait présenter les résultats de l'évaluation des modèles, en comparant
les performances des modèles d'apprentissage en profondeur avec les méthodes traditionnelles.
2) Analyse des facteurs qui affectent les performances des modèles d'apprentissage en profondeur : Cette
section devrait analyser les facteurs qui ont affecté les performances des modèles d'apprentissage en
 profondeur, en identifiant les éléments qui ont le plus d'impact sur la précision des prévisions
météorologiques.
3) Discussion des résultats et implications pour l'efficacité des systèmes PV : Cette section devrait discuter
des résultats obtenus et de leur pertinence pour l'amélioration de l'efficacité des systèmes
photovoltaïques, en expliquant comment les prévisions météorologiques améliorées peuvent aider à
optimiser la production d'énergie.
4) Conclusion et recommandations
Résumé des résultats : Cette section devrait présenter un bref résumé des résultats de la
recherche.
Contributions et limites de la recherche : Cette section devrait expliquer les contributions de la
recherche, ainsi que les limites et les faiblesses du travail.
Recommandations pour les futures recherches : Cette section devrait fournir des
recommandations pour les futures recherches sur le sujet, en expliquant les questions qui restent
sans réponse et les domaines qui pourraient être explorés en profondeur.