de neurones
•RéseauxDans à fonctions
cette optique, radiales
l'objectif (RBF).
de cette étude est de créer un système d'estimation à court terme la puissance éolienne en utilisant des modèles d'apprentissage automatique et des séries temporelles de configurations météorologiques. Il s'agit principalement d'améliorer la précision des prévisions de la production éolienne afin de mieux gérer l'énergie éolienne dans les réseaux électriques.
Université Mohamed Boudiaf - M’sila
Faculté de Technologie
Département D’électronique
Sujet de fin d’étude Master Electronique
D’ instrumentation (2023/2024)
Présenté par:
Estimation a court terme de la production de Encadré par:
MEZAACHE
YAHIAOUI WARDA l’énergie éolienne avec des modèles d’apprentissage
ABDELKEBIR Hatem
FATMA
automatique en utilisent des séries temporelles ZEMOURI Nahed
météorologiques
Résumé: Dans cette optique, l'objectif de cette étude est de créer un système d'estimation à court terme la puissance
éolienne en utilisant des modèles d'apprentissage automatique et des séries temporelles de configurations
météorologiques. Il s'agit principalement d'améliorer la précision des prévisions de la production éolienne afin de
mieux gérer l'énergie éolienne dans les réseaux électriques.
Introduction Description de la base des données
• Cinq ensembles de données sont utilisés pour prédire la puissance
La protection de notre planète est devenue une nécessitée, cela engage éolienne (Température(T(C°)),Radiation
l`humanité à préserver ses ressources en trouvant des alternatifs pour toutes Solaire(RS(w/m²),Humidité (H(%)),Vitesse du vent(V(m/s)),
sorte de production. En même temps que la diminution des réserves Pression(P(pa)))
pétrochimiques mondiales, la mise en place d'une stratégie de développement • Les données réelles disponibles couvrent une période de 1 ans
durable et une des plus grandes importances accordée à l'utilisation de sources mesurée chaque 30 min.
)
d'énergie renouvelables comme le solaire, l'eau et l'éolien sont perçues comme
2
30
1000
3000
Radiation Solaire (W/m
un potentiel prometteur pour la substitution du pétrole, du gaz et même de 20
Temperature(C°)
500
2500
l'hydroélectricité. Dans cette situation, de nombreuses approches d’estimation
0
10
prédiction 2000
ont été proposées afin d’estimer la production de l’énergie éolienne à différentes 0
Puissance (Kw)
0 200 400 600 0 200 400 600
1500
échelles de temps, telles que les modèles physiques, les modèles statistiques et 15 80
les techniques d'apprentissage automatique .
60 1000
Vitess du vent (m/s)
10
Humidité (%)
40
500
5
20
0
0 0
0 50 100 150 200 250 300 350 400 450 500
0 200 400 600 0 200 400 600
Temps (30 min)
Objectif principal Donnée météo logique d’entrée
Temps (30 min)
donnée de sortie
L’objectif de notre travail est de développer des méthodologies avancées pour
prédire la quantité du production de l’énergie éolienne dans n’importe quel • l'ensemble des données sont subdivises en 3 sous-ensembles qui
site, ceci pour les objectifs suivants: sont:
Ø Sélectionner les meilleurs sites pour installer les centrales de production Validation Test
ØContrôler les systèmes de production en se basant sur la connaissance Apprentissage
(Déterminer (Évaluer l'erreur
préalable de la charge et de la capacité de production . (Construire le
les paramètres de prédiction du
ØRéduire les coûts de fabrication d'électricité par l’intégration des sources modèle)
de contrôle) modèle appris)
renouvelables dans le réseau électrique .
Pour évaluer notre système ont a utilisiez différent critères d’évaluation
que sont :
Importance de la prédiction d’énergie éolienne • Coefficient de détermination (R²):
q Une étape clé pour prédire correctement les performances du système de
conversion d'énergie éolienne .
q Garantit la stabilité et la sécurité du réseau électrique. • Erreur moyenne absolue en pourcentage (MAPE):
q Planification et ordonnancement des réserves et stockages énergétiques.
q Conception des systems de production de l’énergie éolienne .
• Racine de l’erreur quadratique moyenne (RMSE):
Méthode de prédiction
2. Réseaux de neurones à
1. Perceptron multicouches (MLP) fonctions radiales (RBF) • Compétence de prévision (FS):
Les références :
q Nahed, Z., Hatem, M., & Aissa, C. (2023). A Very Short-Term
Photovoltaic Power Forecasting Model Using Linear Discriminant
Analysis Method and Deep Learning Based on Multivariate Weather
3. Réseaux de neurone récurent d’Elman (ENN) Datasets. Engineering Proceedings, 56(1), 1.
q Mezaache, H., & Bouzgou, H. (2018, December). Auto-encoder with
neural networks for wind speed forecasting. In 2018 International
Conference on Communications and Electrical Engineering (ICCEE) (pp.
1-5). IEEE.
