Département Génie Electrique

Elguamouz ABDERRAHMANE

Filière d’Ingénieur d’état

GET : Génie Electrique & Télécommunications

Mémoire de soutenance de diplôme d’Ingénieur d’Etat

Génie Electrique & Télécommunications

Spécialité :
Génie Electrique & Contrôle Industriel

Prévision du rayonnement solaire

Dans le cadre de l’intégration dans les
réseaux électriques
Sujet Prevision du rayonnement solaire

Réalisé au sein de l’entreprise : Green energy park, Benguerir

Présenté par :

ELGUAMOUZ Abderrahmane
Soutenu publiquement le 21 Juillet 2020 devant les membres de jury :

[Link] Hassan ; Président (Faculté des Sciences et Techniques Mohammedia)

[Link] ELALANI; Encadrant (Entreprise GREEN ENERGY PARK)
[Link] EL AAMRI ; Encadrant (Faculté des Sciences et Techniques
Mohammedia)
[Link] Habib; Examinateur (Faculté des Sciences et Techniques
2019-2020

Mohammedia)
Pr. SAYOUTI Yassine ; Examinateur (Faculté des Sciences et Techniques
Mohammedia)
 Dédicace
Toutes les lettres ne sauraient trouver les mots qu’il faut. Tous
les mots ne sauraient exprimer la gratitude, l’amour et le respect
que je vous dois… Aussi, je dédie ce projet de fin d’études …

À mes chers parents

Aucune dédicace ne pourrait exprimer mon respect, ma considération,
ma gratitude, mon dévouement et mon profond respect envers vous.
Je prie le Bon Dieu de les bénir, de veiller sur eux, en espérant qu’ils
seront toujours fiers de moi.

À toute ma famille
Merci d’être à mes côtés, votre soutien et vos encouragements ont était
sources inépuisables et force qui m’a permis d’aller de l’avant.

À tous mes professeurs

Leur générosité et leur soutien m’obligent de leurs témoigner mon
profond respect et ma loyale considération.

À tous mes amis

Je vous remercie pour tous les moments inoubliables que nous avons
passés ensemble.

À tous mes amis de la filière GET

À tous ceux qui m’aiment

I
 Remerciements
Avant de commencer la présentation de ce travail, il m’est particulièrement
agréable d’exprimer ma profonde gratitude et mes sincères remerciements à tous
ceux qui, par leurs enseignements et leurs conseils, m’ont aidé pour la réalisation de
ce projet de fin d’études. Puissent ces lignes être l’expression de notre profonde
reconnaissance.

Tous d’abord je tiens à remercier Dieu et mon encadrant universitaire Monsieur

Faicel EL Aamri, Professeur à la Faculté des Sciences et Techniques de
Mohammedia pour l’encadrement qu’il m’a assuré et ses précieux et judicieux
conseils qu’il n’a cessé de me prodiguer tout au long de ce stage, ses remarques
pertinentes et directives, son soutien sans faille, sans oublier sa qualité humaine. Il
trouve ici ma gratitude et ma reconnaissance profonde.

Je tiens à remercier tout particulièrement Madame Oumaima ELALANI pour

m’avoir accueilli au sein de son équipe, pour sa gentillesse et pour l’encadrement
scientifique dont il m’a fait bénéficier, je lui adresse mes remerciements les plus vifs
pour son accompagnement et sa disponibilité tout au long de la période du stage, et
la pertinence de ses remarques. Je lui suis particulièrement reconnaissante pour la
confiance qu’il a su m’accorder, et pour avoir mis à ma disposition les données et
les documents sur lesquels sont basés ces travaux.

Je présente aussi mes remerciements les plus chaleureux à Monsieur LEBBAR

Hassan, Monsieur AOUFOUSSI Habib et à Monsieur SAYOUTI Yassine,
Professeurs à la Faculté des Sciences et Techniques de Mohammedia de m’avoir
honoré en acceptant de juger notre modeste travail. Veuillez trouver ici le
témoignage de notre respect le plus profond.

Je ne peux pas clore mes remerciements sans adresser mes remerciements

amicaux à mes camarades de stage ELJOUMANI Omar, EL MEKHCHI El mehdi
pour leurs bonnes humeurs quotidiennes et leurs soutiens et pour les bons moments
que nous avons passés ensemble.

J’aimerais encore remercier chaleureusement mes parents et ma sœur qui m’ont

encouragé durant toutes ces années. Je les remercie du fond du cœur pour m’avoir
permis d’aller aussi loin dans mes études.

II
 Résume

En raison de l'intégration croissante de l'énergie solaire dans le

réseau électrique, la prévision du rayonnement solaire devient
essentielle. En effet, cette intégration peut offrir une meilleure qualité
de service si la variation de l'irradiation solaire peut être prévue avec
une grande précision.
Ce document présente une présentation des méthodes actuelles
utilisées pour prévoir le rayonnement solaire afin de faciliter le choix
de la méthode de prévision en fonction des besoins. Notre travail
commence par une présentation des modèles physiques et des
techniques basées sur l'imagerie des nuages, les approches statistiques
sont détaillées. Enfin, nous donnons des résultats de prévisions avec
une application réaliser sous la volonté de l’organisme d’accueil.

III
 Table des matières
Remerciements..................................................................................................................... II
Résume................................................................................................................................ III
Liste des figures .................................................................................................................VII
Introduction ........................................................................................................................... 1
Chapitre I : Présentation de l’entreprise ............................................................................... 2
I.1 Présentation de l’entreprise ......................................................................................... 3
I.2 Mission de l'institut ..................................................................................................... 3
I.3 Les grands projets pilotes d’IRESEN .......................................................................... 3
I.4 Présentation de la plateforme : .................................................................................... 4
I.5 Les grands projets pilotes de la plateforme ................................................................. 5
I.6 Contexte générale du projet de stage ........................................................................... 6
Chapitre II : Le rayonnement & Gisement solaire ............................................................... 7
II.1 Introduction ................................................................................................................ 8
II.2 Le rayonnement solaire .............................................................................................. 8
II.2.2 Extinction atmosphérique du rayonnement solaire ............................................. 9
II.3 Les composantes du rayonnement solaire ................................................................ 10
II.3.1 Rayonnement solaire direct ............................................................................... 10
II.3.2 Rayonnement diffus .......................................................................................... 11
II.3.3 Rayonnement global.......................................................................................... 11
II.3.4 La fraction d’irradiation .................................................................................... 12
II.4 Mesure du rayonnement solaire ............................................................................... 12
II.4.1 Pyranomètre à thermopile ................................................................................. 12
II.4.2 Pyrhéliomètre .................................................................................................... 13
II.4.3 Pyranomètre ombragé ....................................................................................... 13
II.4.4 Site d’étude : IRESEN ...................................................................................... 13
II.5 Le gisement solaire marocain................................................................................... 13
II.5.1 Gisement solaire au Maroc ............................................................................... 14
II.5.2 Le développement de l'énergie solaire au Maroc .............................................. 14
II.6 Conclusion................................................................................................................ 14
Chapitre III : Etat de l’art de prévision du rayonnement solaire ........................................ 15
Introduction ................................................................................................................. 16
III.1 Quesque qu'une prévision ? .................................................................................... 18
III.2 Les méthodes de prévision des énergies renouvelables .......................................... 18
III.2.1 Persistance ....................................................................................................... 18
III.2.2 les modèles non linéaires ................................................................................. 19

IV
 III.2.3 Les modèles de prévision numériques PNT .................................................... 20
III.2.4 Les modèles de séries chronologiques ............................................................. 21
Conclusion ...................................................................................................................... 22
Chapitre IV : Aspect théorique des séries temporelles ....................................................... 23
Introduction ..................................................................................................................... 24
IV.1 Généralité sur les séries temporelles ...................................................................... 24
IV.1.1 Définition de série temporelle ......................................................................... 24
IV.1.2 Objectifs principaux ........................................................................................ 24
IV.1.3 Caractéristiques d’une série temporelle ........................................................... 25
IV.1.4 Les étapes de traitement d’une série chronologique :.......................................... 26
IV.2 Analyse d’une série temporelle .............................................................................. 27
IV.2.1 Les opérateurs linéaires de retard, d'avance et de différenciation ................... 27
IV.2.2 Les effets des opérateurs.................................................................................. 27
IV.2.3 Modélisation des séries temporelle.................................................................. 28
Chapitre V : Méthodes de prévision ................................................................................... 31
Introduction ..................................................................................................................... 32
V.1 Ce qui caractérise un problème de prévision ........................................................... 32
V.2 Méthodes de prévision ............................................................................................. 32
V.3 Critère de validité de la méthode de prévision......................................................... 33
V.4 Régression linéaire ................................................................................................... 33
V.4.1 Principe de la régression linéaire ...................................................................... 33
V.4.2 Significativité de la régression .......................................................................... 34
V.5 Régression non linéaire ............................................................................................ 34
V.5 Construction du modèle de prévision SARIMA ...................................................... 34
V.5.2 Démarche adoptée pour la construction d’un modèle ARMA Saisonnier ........ 35
V.5.3 Identification automatique des ordres ............................................................... 36
Chapitre VI : Application ................................................................................................... 38
Introduction ..................................................................................................................... 39
VI.1 Objectifs principaux ............................................................................................... 39
VI.2 Le langage de programmation Python .................................................................... 40
VI.2.1 Définition du langage ...................................................................................... 40
VI.2.2 Justification du choix du langage .................................................................... 41
VI.2.3 Bibliothèques utilisés ....................................................................................... 41
VI.3 Présentation de l’interface application ................................................................... 42
VI.3.1 L’interface mère : ............................................................................................ 42
VI.3.2 L’interface gestion des utilisateurs .................................................................. 43

V
 VI.3.3 Interface de prévision ...................................................................................... 45
VI.4 Prévision de la future d’une série temporelle ......................................................... 46
VI.4.1 Première étape : test de stationnarité ............................................................... 46
VI.4.2 Deuxième étape : détermination du degré de la moyenne mobile ................... 46
VI.4.3 Troisième étape : détermination du degré de régression ................................. 48
VI.4.5 Dernière étape : Prévision................................................................................ 49
Conclusion générale ............................................................................................................ 50
Bibliographie ...................................................................... Error! Bookmark not defined.
Annex .................................................................................................................................. 52
Code de programme de prevision ................................................................................... 52
Code de l’interface Mère : .............................................. Error! Bookmark not defined.
Code de l’interface de prévision : ................................... Error! Bookmark not defined.
Code de l’interface de gestion des utilisateurs : ............. Error! Bookmark not defined.
Les fonctions de l’interface mère : ................................................................................. 54

VI
 Liste des figures
Figure 1A gauche : liste des fondateurs d’IRESEN et à droite environnement
d’IRESEN................................................................................................................................... 3
Figure 2 Vue en 3D de la plateforme d’IRESEN ................................................................. 4
Figure 3 La répartition spectrale du rayonnement ............................................................... 9
Figure 4 Interaction entre le rayonnement solaire et l’atmosphère terrestre dans
l’atmosphère (les chiffres sont des pourcentages ..................................................................... 10
Figure 5 Les différents types du rayonnement solaire. ...................................................... 10
Figure 6 Eclairement solaire d'un capteur plan horizontal. ............................................... 11
Figure 7 Pyranomètre à thermopile ................................................................................... 12
Figure 8 Pyrhéliomètre ...................................................................................................... 13
Figure 9 Pyranomètre à bille (gauche), Pyranomètre à bande (droite) .............................. 13
Figure 10 La carte mentale des modèles de prévision solaire ........................................... 17
Figure 11 Modèle de persistance appliqué directement au GHI pour une journée ciel
clair. .......................................................................................................................................... 18
Figure 12 ANN multicouche capable de cartographier ..................................................... 19
Figure 13 Méthode k-NN ................................................................................................... 19
Figure 14 Simulation de l'atmosphère terrestre à partir du modèle NWP ......................... 21
Figure 15 Classification du modèle de prévision basée sur la résolution spatiale des
données d'entrée et la résolution temporelle ............................................................................ 22
Figure 16 Algorithme de prevision ..................................................................................... 37
Figure 17 Interface mère de l'application .......................................................................... 39
Figure 18 logo du langage python ...................................................................................... 41
Figure 19 identification des composant de l'interface mère ............................................... 43
Figure 20 interface de gestion des utilisateurs .................................................................... 44
Figure 21 interface pour remplir la fiche d'identité ............................................................ 44
Figure 22 interface de prévisions ........................................................................................ 45
Figure 23 graphe d'autocorrélation ..................................................................................... 47
Figure 24 graphe d'autocorrélation après élimination de la saisonnalité ............................ 48
Figure 25 graphe d'autocorrélation partielle ....................................................................... 48
Figure 26 représentation de la prévisions d'une journée ..................................................... 49

VII
 Introduction
L'intégration d'une grande quantité de centrales photovoltaïques (PV) dans le
réseau électrique pose des défis techniques en raison de la nature variable de la
ressource solaire. En raison du taux de croissance exponentiel enregistré récemment
dans le domaine des énergies renouvelables, il est de plus en plus nécessaire de
modéliser, de prévoir et d'anticiper avec plus de précision l'irradiation solaire. La
prévision de la production photovoltaïque est particulièrement utile pour les
gestionnaires de réseaux afin de mieux prendre en compte la production variable
d'électricité dans leur programmation, leur répartition et leur régulation. Les
horizons de prévision pertinents peuvent aller de 5 minutes à plusieurs jours.
Les mesures solaires les plus courantes enregistrées par les stations
météorologiques correspondent à l'irradiation totale sur une surface horizontale,
appelée irradiation horizontale globale ou GHI. Ce paramètre est nécessaire pour la
conception des applications photovoltaïques.
Selon l'horizon de prévision, différentes données d'entrée et différents modèles
de prévision sont appropriés. Les modèles de séries chronologiques avec des
données d'irradiation ou de puissance mesurées sur site comme entrée sont adéquats
pour l'échelle de temps à très court terme allant de 5 minutes à 6 heures. Les
prévisions basées sur les vecteurs de mouvement des nuages à partir d'images
satellite montrent une bonne performance pour une plage temporelle de 30 min à 6
h. Pour les horizons de prévision à partir de 6 h environ, les prévisions basées sur
les modèles de prévision numérique du temps (PNT) dépassent généralement les
prévisions basées sur les satellites.
Les modèles de prévision pour la GHI sont divisés en deux groupes principaux.
Le premier groupe est basé sur l'analyse des séries chronologiques historiques de
l'irradiation globale. Le second groupe utilise les valeurs prévues à partir d'un
modèle de prévision numérique du temps (PNT) et de l'imagerie des nuages. Les
méthodes hybrides peuvent améliorer certains aspects de toutes ces méthodes. Les
modèles du premier groupe utilisent l'approche statistique pour prévoir l'irradiation
solaire horaire moyenne. Les modèles du second groupe utilisent des variables
explicatives (principalement le mouvement et la direction moyenne horaire des
nuages dérivés de l'atmosphère) pour prédire l'irradiation globale N- pas à l'avance.
Les modèles du second groupe fournissent de bons résultats pour l'estimation de
l'irradiation solaire à plus d'un jour d'avance. Cependant, pour l'horizon à court terme
(allant de 1h à 5h de prévisions), l'influence du mouvement des nuages devient plus
importante, de sorte que l'utilisation des modèles du premier groupe devient
essentielle.
Le document est réparti sur 6 sections. Il est organisé comme suit. La section 2,
détaille les modèles de prévision physique proposés par la revue de la littérature.
Ensuite la section 3 présente et prédéfinit les approches statistiques. Ces derniers
sont détaillés au niveau de la section 4. Ensuite, la section 5 présente l’évaluation
des méthodes de prévisions. Enfin, la section 6 rassemble les livrables du projet. Elle
présente les réalisations et les résultats obtenus au cours de la période de stage.

1
Chapitre I : Présentation de l’entreprise

2
Chapitre I : Présentation de l’entreprise
 I.1 Présentation de l’entreprise
L’IRESEN (Institut de Recherche en Energie Solaire et Energies Nouvelles) est
un institut de recherche créé en 2011 par le Ministère de l’Énergie, des Mines, de
l’Eau et de l’Environnement, la SIE, l’ADEREE, MASEN, l’ONEE, l’OCP,
MANAGEM, l’ONHYM, le CNESTEN… (Figure. 1), et la Fédération de l’Énergie
pour accompagner la stratégie énergétique nationale en soutenant la R&D appliquée
dans le domaine de l’énergie solaire et des énergies nouvelles. IRESEN se
positionne au niveau de la recherche appliquée et technologique dans le secteur de
l´énergie solaire et énergies nouvelles pour un transfert de technologie plus rapide
et une transposition des résultats de la recherche en produits innovateurs [4].

Figure 1A gauche : liste des fondateurs d’IRESEN et à droite environnement d’IRESEN

I.2 Mission de l'institut

▪ Soutien à la création d’un environnement favorable à la Recherche ;

▪ Création de synergies entre les universités et les entreprises ;
▪ Acquisition du savoir-faire et développement de l’expertise de l’IRESEN et du
réseau ; de partenaires (Universités et Entreprises) ; ▪ Et Création de valeur.
La structure de l’IRESEN lui permet de mener au mieux ses missions, et ce selon
deux approches différentes et complémentaires :
▪ IRESEN – Agence de Moyens ; ▪ IRESEN – Centre de Recherche.

I.3 Les grands projets pilotes d’IRESEN

Au sein de la plateforme Green Energy Park de Ben Guerir IRESEN a mis en

place un ensemble des projets pilotes [5] :

▪ Centrale (CSP-ORC) : Développement et installation d’une nouvelle génération

centrale thermo-solaire modulaire de petite capacité1MW, cette puissance sera
injectée au réseau de l’OCP ;

3
Chapitre I : Présentation de l’entreprise
▪ Centrale PV : installation d’une centrale pilote photovoltaïque utilise 5
technologies différentes pour la caractérisation des performances et
l’identification de la complémentarité climatique marocaine ;
▪ Projet de dessalement (aquasolar) : couplage de l’énergie solaire à
concentration avec le dessalement de l’eau au Maroc ;
▪ Projet MCP : Etude et développement du stockage thermique solaire par fusion
des MCP et application au chauffage passif de l'habitat au Maroc ;
▪ Projet SFlash : Développement d’un séchage Flash solaire des phosphates
▪ Projet MicroOnduleurPV: Développement d’un système de transfert et
d’optimisation d’énergie solaire PV ;
▪ Projet Digesteur : Valorisation des effluents organiques issus des industries de
papier carton au Maroc par méthanisation : réalisation d'un digesteur pilote couplé
à l'énergie solaire ;
▪ Projet MCS Bitume : Maintien en chauffe d’un stockage de bitume par des
panneaux solaires à haute énergie.

I.4 Présentation de la plateforme :

L’IRESEN et le groupe OCP se sont alliés pour créer une plateforme de

recherche et de formation en énergies renouvelables « Green Energy Park » dans la
ville verte Mohammed VI, à Ben Guérir sur une superficie de huit hectares, en face
de l’Université Mohammed VI polytechnique [5].
Cette première plateforme en Afrique, modèle unique en son genre, permettra
d’une part, la création de synergies et la mutualisation des infrastructures de
plusieurs institutions marocaines de recherche afin de créer une masse critique et
arriver à l’excellence, et d’autre part l’acquisition du savoir et du savoir-faire par les
différentes universités partenaires ainsi que les industriels marocains. Sa superficie
totale est de huit hectares, dont 3100 m² de laboratoires (figure 2).

Figure 2 Vue en 3D de la plateforme d’IRESEN

4
Chapitre I : Présentation de l’entreprise
I.5 Les grands projets pilotes de la plateforme

• Centrale CSP (CHAMS1) : L’objectif du projet CHAMS 1 est le

développement d’un champ solaire thermodynamique nouvelle
génération, basse concentration et utilisant un champ solaire de type
Fresnel innovant [4].

• Centrale PV : Installation d’une centrale pilote photovoltaïque 120 –

200KWc, utilisant 5 technologies différentes pour la caractérisation
des performances et l’identification de la complémentarité des
technologies existantes sous les conditions climatiques marocaines
[4].

• Centrale SUNPOWER C7 : Installation d’une nouvelle génération de

CPV à basse concentration, pour mettre en évidence les preuves de
ce nouveau concept et pour comparer sa performance à celle des
technologies PV conventionnel [4].

• Centrale HCPV : Mise en place d’un système CPV à haute

concentration combiné à un système d’accumulateurs, pour l'étude et
la caractérisation de ses performances [4].

5
Chapitre I : Présentation de l’entreprise
 I.6 Contexte générale du projet de stage

Parmi les buts de Green Energy Parck la construction d’une base de données
précises, sures, complètes, et certifiées de qualité. Ce but se poursuit selon quatre
axes ou sous-tâches dans les domaines de la ressource solaire, la standardisation et
l’intégration des banques de données complémentaires aux différents sets de
données d’irradiance, de la prévision à court et moyen terme, ainsi que
l’amélioration des modèles d’évaluation de la ressource basé sur des données
satellitaires.
Les responsables au sein de Green Energy Parck, se sont rendu compte qu’il
fallait approfondir les connaissances de certains aspects de la ressource solaire,
notamment la variabilité au pas de temps, la « banquabilité » des séries de données
pour répondre aux différents investisseurs, a travers la précision des prévisions de la
ressource à court et moyen terme.

C’est dans ce cadre que s’inscrit mon projet de fin d’étude, Les différents axes
de ce projet se déclinent en sous tâches :
▪ Compréhension de la variabilité de la ressource solaire à court terme pour
faciliter son intégration dans les réseaux électriques.

▪ Etudier l’état de l’arts des méthodes de prévision de l’irradiation solaire.

▪ Réalisation d’une application pour appliquer le modèle de prévision

choisis et afficher les résultats obtenu et mesuré.

6
Chapitre I : Présentation de l’entreprise
`

Chapitre II : Le rayonnement & Gisement

solaire

7
 II.1 Introduction

L'exploitation de l'énergie solaire et l'optimisation de sa collecte par les systèmes

photovoltaïques nécessitent une connaissance exacte de la distribution de
l'irradiation solaire, qui est fonction de plusieurs paramètres géographiques,
météorologiques et astronomiques, sur le lieu d'implantation de ce système.
Ce chapitre est ainsi consacré pour donner des rappels sur l'énergie solaire, les
différents paramètres qui influent sur l'intensité du flux solaire reçu au niveau du
sol. Nous décrivons ensuite les notions essentielles sur le gisement solaire à savoir
les coordonnées terrestres et horaires, les temps de base, le mouvement de la Terre
autour du soleil et les différents types de rayonnements.

II.2 Le rayonnement solaire

La terre capte, dans sa haute atmosphère, une énergie correspondante à son
disque vue du soleil, soit environ 1367 W/m2, relativement indépendante du lieu où
l'on est sur la terre. Ces 1367 W/m2 vont être absorbés partiellement par
l'atmosphère. Cette énergie, pour peu qu'on la capte perpendiculairement au rayon
lumineux, ne dépend pratiquement que de l'épaisseur de l'atmosphère traversée (de
l'ozone, de la vapeur d'eau, du CO2...), et donc essentiellement de l'altitude et du
lieu où l'on est.

- Rayonnement solaire en atmosphère terrestre

Le rayonnement reçu sur l'atmosphère terrestre n'occupe qu'une faible portion du

spectre d’ondes électromagnétiques solaire. Il est caractérisé par une longueur
d'onde comprise entre 0,2 et 2,5 μm, il inclut le domaine du visible (ondes
lumineuses de 0,4 à 0,8μm).
D’après la figure 3. Nous constatons qu’en traversant l'atmosphère terrestre, et
avant d’atteindre le sol, le rayonnement incident est fortement influencé par
l’atmosphère terrestre, à travers des interactions de type absorption et réflexion :

▪ Rayonnement direct : c'est le rayonnement reçu directement du soleil, sans

diffusion par atmosphère ;
▪ Rayonnement diffus : c’est le rayonnement diffusé par les différents gaz
constituant l’atmosphère ;
▪ Albédo : c'est la partie réfléchie par le sol.

8
Chapitre II : Le rayonnement & Gisement solaire
 Figure 3 La répartition spectrale du rayonnement

II.2.2 Extinction atmosphérique du rayonnement

solaire

L’extinction (ou atténuation) atmosphérique résulte de la superposition de deux

processus physiques distincts qui sont l’absorption et la diffusion. Ces processus
s’appliquent aussi bien aux molécules qu’aux aérosols, brumes, brouillards et pluie.
L'absorption du rayonnement par les molécules atmosphériques est intimement
liée à leurs caractéristiques énergétiques. Un photon peut être absorbé lorsque son
énergie correspond à une transition entre le niveau fondamental et un des états
excités des atomes des composants de l’atmosphère, essentiellement les
composantes gazeuses telles que la vapeur d’eau H2O, le gaz carbonique CO2 et
l’oxygène O2 .
La diffusion est une redistribution du rayonnement solaire qui interagit avec les
molécules gazeuses, les gouttelettes et les aérosols dans toutes les directions sans
changement de longueur d’onde .
L’essentiel des interactions entre l’atmosphère et le rayonnement solaire est
principalement influencée par les éléments que l’on vient de présenter, à savoir : les
nuages, les aérosols et les gaz atmosphériques.
Alors une fois interagir avec les constituants de l’atmosphère le rayonnement
solaire peut être réfléchi, absorbé ou diffusé. La contribution de ces différents
phénomènes est illustrée par la Figure 8.

9
Chapitre II : Le rayonnement & Gisement solaire
 Figure 4 Interaction entre le rayonnement solaire et l’atmosphère terrestre dans l’atmosphère (les
chiffres sont des pourcentages

II.3 Les composantes du rayonnement solaire

Le rayonnement solaire au niveau de sol se divise principalement en trois
composantes bien distinctes, la composante solaire directe (BHI) et la composante
diffuse (DHI). La somme de ces deux rayonnements donne naissance au
rayonnement global (GHI) .

La figure 9 présente les différents composants du rayonnement solaire.

Figure 5 Les différents types du rayonnement solaire.

II.3.1 Rayonnement solaire direct

C’est le rayonnement qui provient du disque solaire et c’est celui d’un temps
clair et ensoleillé. La composante directe représente le flux solaire qui atteint
10
Chapitre II : Le rayonnement & Gisement solaire
directement la surface quand celle-ci est exposée au soleil sans avoir subi de
diffusion. Elle dépend de la hauteur du soleil et de l’angle d’inclinaison de la surface
à l’instant considéré.
(2.1)
𝐵𝐻𝐼 = 𝐷𝑁𝐼 ∗ 𝑠𝑖𝑛 (ℎ) 𝐵𝐻𝐼 = 𝐷𝑁𝐼 ∗ 𝑐𝑜𝑠 (𝜃𝑠)

Figure 6 Eclairement solaire d'un capteur plan horizontal.

II.3.2 Rayonnement diffus

Le rayonnement diffus résulte de la diffraction de la lumière par les molécules

atmosphériques, et de sa réfraction par le sol, il est beaucoup plus difficile à analyser
que le rayonnement direct. Tout d’abord, le sol réfléchit en moyenne le tiers de
rayonnement qu’il reçoit et il faut tenir compte également de la diffusion de ce
rayonnement réfléchi. C’est le rayonnement émis par les obstacles (nuage, sol,
bâtiments, etc.) et provient de toutes les directions .

II.3.3 Rayonnement global

Le rayonnement global au sol est fonction de la composition et de l’épaisseur de

l’atmosphère traversée par les rayons lumineux au cours de la journée. Il se
décompose en rayonnement direct et diffus.

▪ Dans le cas d’une surface horizontale, le rayonnement global s’écrit sous la

forme suivante :

𝐺𝐻𝐼 = 𝐷𝑁𝐼. 𝑠𝑖𝑛(ℎ) + 𝐷𝐻𝐼 (2.2)

11
Chapitre II : Le rayonnement & Gisement solaire
 II.3.4 La fraction d’irradiation
GHI (2.3)
- Indice de ciel clair : 𝐾𝑐 = GHIc

GHI
- Indice de clarté : 𝐾𝑡 = GHIatm (2.4)

Avec :
GHIatm: Irradiation solaire globale sur plan horizontal hors atmosphère.
GHIc : Irradiation solaire globale horaire sur plan horizontal hors atmosphère.
GHI : Irradiation solaire globale horaire sur plan horizontal au sol.

II.4 Mesure du rayonnement solaire

L’approche traditionnelle de la mesure de la ressource solaire consiste à utiliser
des capteurs solaires au sol. Une variété de capteurs de mesure du rayonnement
global et diffus est disponible chez un certain nombre de fabricants différents,
associés à différentes implications en termes de précision et de coût. Les deux
principales catégories de technologie sont les suivantes :

II.4.1 Pyranomètre à thermopile

C'est le capteur le plus fréquemment utilisé pour mesurer le rayonnement global
ou diffus. Il se compose d'une thermopile composée d'une série de thermocouples
avec alternance des soudures chaudes et soudures froides.
Les pyranomètres ont une réponse spectrale comprise entre 335 et 2200 nm du
spectre solaire qui inclut la bande de longueurs d'onde visibles.
▪ Une surface horizontale : mesure du rayonnement global sur l’horizontale
(GHI)
▪ Un plan incliné : mesure du rayonnement global incliné (GTI).

Figure 7 Pyranomètre à thermopile

12
Chapitre II : Le rayonnement & Gisement solaire
 II.4.2 Pyrhéliomètre
Un pyrhéliomètre est destiné à mesurer l’irradiation solaire directe. Il est
généralement constitué par une thermopile pente en noir (donc très absorbante), fixé
à un suiveur solaire automatique sur 2-axes.

Figure 8 Pyrhéliomètre

II.4.3 Pyranomètre ombragé

Permet la mesure du rayonnement solaire diffus sur plan horizontal (DHI), ou
sur plan incliné (DTI), il est constitué d’une thermopile avec une bande ou bille
d’ombrage.

Figure 9 Pyranomètre à bille (gauche), Pyranomètre à bande (droite)

II.4.4 Site d’étude : IRESEN

L’ensemble des données de rayonnement au sol utilisées dans cette étude a été
acquis sur le site d’IRESEN. Ce site dispose de nombreux capteurs nécessaires à
l’étude de l’atmosphère et plus particulièrement du rayonnement incident au sol.

II.5 Le gisement solaire marocain

La stratégie énergétique nationale a pour ambition de faire du Maroc un pays
leader dans les énergies renouvelables, avec comme objectif une production
électrique nationale assurée à 43% par les énergies renouvelables en 2020 (objectif
initialement fixé à 42%), et à 52% en
2030. Dans ce contexte, le Plan Solaire Marocain prévoit le développement d’une
capacité de 2000 MW d’énergie solaire à l’horizon 2020, ce qui correspond à 14%

13
Chapitre II : Le rayonnement & Gisement solaire
 du mix de production électrique. Le développement d’une filière industrielle et des
programmes de formation et de recherche est aussi prévu.

II.5.1 Gisement solaire au Maroc

Les sources d’énergies renouvelables occupent une place de plus en plus
importante dans le bouquet énergétique mondial. Le Maroc ne fait pas exception à
cette tendance et a l’avantage de jouir d’un potentiel particulièrement riche par
rapport à d’autres pays. L’exploitation optimale du riche potentiel permettra de
réduire la dépendance énergétique et assurer la stabilité du pays.

Le solaire est certainement la source d’énergie renouvelable la plus importante

au Maroc. Avec plus de 3000 h/an d'ensoleillement, soit une irradiation de ~ 5
kWh/m2/jour, le Maroc jouit d'un gisement solaire considérable. Cette source
d’énergie constitue un potentiel particulièrement important surtout dans les régions
mal desservies en capacité de production électrique.

II.5.2 Le développement de l'énergie solaire au Maroc

Le Projet Marocain de l'Energie Solaire est un projet de développement intégré
visant la mise en place en 2020 d'une capacité de production électrique à partir de
l'énergie solaire d'une capacité totale de 2 000 MW sur cinq sites (tableau 1) :
Ouarzazate, Ain Bni Mathar, Foum Al Oued, Boujdour et Sebkhat Tah. Les deux
technologies - Concentrated Solar Power (CSP) et Photovoltaïque sont envisagées
pour ces différentes stations. Ce programme augmentera la part de l’énergie solaire
dans la capacité électrique totale à 14% à l’horizon 2020 et évitera l'émission de 3,7
millions de tonnes de CO2 par an.

Site Production Puissance Superficie (ha) Rayonnement

(GWh/an) (MW) solaire direct
(kWh/m2 /an)
Ouarzazate 1150 500 2500 2635
Ain Beni Mathar 835 400 2000 2290
Foum El Ouad 1150 500 2500 2628
Boujdour 230 100 500 2642
Tarfaya 1040 500 2500 2140
Tableau 1: Projet marocain d’énergie solaire.

II.6 Conclusion
Dans ce chapitre, nous avons présenté des notions importantes sur le gisement
solaire comme les coordonnées terrestres et horaires. Ensuite, nous avons présenté
les différents types de rayonnements (direct, diffus, et global) et les expressions
mathématiques de chaque rayonnement, et nous avons fini par la présentation du
gisement solaire marocain puis les capteurs de rayonnement utilisés ainsi que le site
de mesures.

14
Chapitre II : Le rayonnement & Gisement solaire
Chapitre III : Etat de l’art de prévision du
rayonnement solaire

15
 Introduction
L'utilisation croissante de l'énergie solaire comme source d'électricité a conduit
à un intérêt accru pour la prévision du rayonnement sur de courts horizons de temps.
Les prévisions à court terme sont nécessaires pour la planification opérationnelle, le
changement de sources, la programmation de secours et les achats d'énergie à court
terme, ainsi que pour la planification de l'utilisation des réserves et l'adaptation aux
pics de charge. Les horizons temporels pertinents peuvent aller de 5 minutes à
plusieurs heures.
Dans ce chapitre on va s'intéresser premièrement au modèle de base nommé aussi
modèle du ciel clair ou modèle de persistance calculer à partir des paramètres
comme la distance terre soleil et les paramètres optique des aérosols, juste après on
aura une vue sur les deux types de prévision le premier type a imagerie prise depuis
le sol et imageries satellitaire et du deuxième type qui s'appuie sur les méthodes
statiques comme les modèles de régressions et les modèles non linéaires comme les
réseaux de neurone artificielle.
Finalement on va décortiquer un peu le modèle statique SARIMA pour avoir une
vue sur la stratégie adoptée pour faire la prévision d'après les données déjà mesuré.

16
Chapitre III : Etat de l’art de prévision du rayonnement solaire
 Figure 10 La carte mentale des modèles de prévision solaire

17
Chapitre III : Etat de l’art de prévision du rayonnement solaire
 III.1 Quesque qu'une prévision ?
Prévoir, c'est observer un ensemble de données qui permet d'envisager une
situation future et d'entreprendre des actions pour y parer concrètement autrement
dit c'est porter un jugement sur les évènements ou évolutions possibles à venir en
utilisant comme outils le passe et le présent.
Il en résulte que les prévisions sont toujours entachées d'erreur et qu'il est
possible d'en établir plusieurs pour un même événement à venir (qui constitue l'objet
de la prévision).
Des outils d'analyse doivent donc être développes afin de comparer et de
hiérarchiser les prévisions pour discerner ce qui fait qu'on puisse, ou non, en
qualifier certaines de " bonnes ".

III.2 Les méthodes de prévision des énergies renouvelables

III.2.1 Persistance
Le modèle de persistance, également appelé "prédicteur naïf", peut être utilisé
comme référence pour d'autres méthodes. La précision des prévisions de la
persistance diminue fortement avec la durée des prévisions à mesure que la
nébulosité change par rapport à l'état actuel. En général, la persistance est une
méthode imprécise pour les prévisions à plus d'une heure d'avance et ne doit être
utilisée que comme prévision de référence pour la comparaison avec des techniques
plus avancées.

Figure 11 Modèle de persistance appliqué directement au GHI pour une journée ciel clair.

18
Chapitre III : Etat de l’art de prévision du rayonnement solaire
 III.2.2 les modèles non linéaires
L'intelligence artificielle (IA) est la simulation des processus de l'intelligence
humaine par des machines, en particulier des programmes informatiques. Elle utilise
des ordinateurs pour comprendre l'intelligence humaine. L'IA comporte plusieurs
branches telles que la résolution de problèmes et la planification, les systèmes
experts, le traitement du langage naturel, la vision par ordinateur, les algorithmes
génétiques, les réseaux neuronaux artificiels, etc.
Réseaux neuronaux artificiels (ANN) : Le cerveau et la moelle épinière sont
constitués de nombreuses cellules, dont les cellules des neurones. Les neurones sont
des cellules qui envoient et reçoivent des signaux vers et depuis le cerveau et le
système nerveux. Les ANN sont une simulation du cerveau humain et tentent de
reconnaître le schéma d'entrée et de sortie par le raisonnement et les calculs
numériques, comme le montre la figure 4.

Figure 12 ANN multicouche capable de cartographier

k-Nearest Neighbors (k-NN) : k-NN est un algorithme de classification des

formes. Nous devons définir un petit entier k, dans la figure 5, et ensuite considérer
k données classifiées qui sont les plus proches des données d'entrée puis les données
d'entrée seront assignées à la classe de celui-ci le plus grand nombre de voisins les
plus proches.

Figure 13 Méthode k-NN

19
Chapitre III : Etat de l’art de prévision du rayonnement solaire
 III.2.3 Les modèles de prévision numériques PNT
Les modèles de prévision numérique du temps (PNT) utilisent des algorithmes
mathématiques, qui découlent de la physique pour simuler l'atmosphère terrestre.
Dans le modèle, l'atmosphère est supposée être composée de blocs dans lesquels les
points d'angle sont appelés points de grille, comme le montre la figure 9. Le PNT
utilise les conditions initiales recueillies par les stations locales pour prévoir l'état
futur de l'atmosphère du modèle à tous les points de grille. La PNT peut être classée
en deux catégories principales.
(a) Modèles globaux de PNT : Simuler et prévoir l'état futur de l'atmosphère
terrestre. Les modèles globaux de PNT sont également utilisés pour fournir des
conditions limites pour les modèles régionaux de PNT.
Global Forecast System (GFS) : le modèle GFS est géré par la National Oceanic
and Atmospheric Administration (NOAA) quatre fois par jour sur une grille de 28
km x 28 km pour le domaine mondial. Les pas de temps de sortie du GFS sont de 3
h à 240 h (10 jours), puis passent à des pas de temps de 12 h jusqu'à 384 h (16 jours).
Centre européen pour les prévisions météorologiques à moyen terme
(CEPMMT) : modèle du CEPMMT soutenu par la plupart des nations d'Europe. Le
CEPMMT est mis à jour deux fois par jour et les délais de sortie sont de 3 h à 10
jours à l'avance.
(b) Modèles régionaux de PNT : Simuler et prévoir l'état futur d'un sous-domaine
de l'espace mondial seulement.
North American Mesoscale (NAM) : Le modèle NAM est géré par les National
Centers for Environmental Prediction (NCEP) et est mis à jour quatre fois par jour.
Le NAM produit des prévisions sur une grille horizontale de 12 km x 12 km sur
l'Amérique du Nord. Les pas de temps de sortie du modèle NAM sont de 3 h à 84 h
(3,5 jours).
Recherche et prévisions météorologiques (WRF) : modèle WRF qui a été créé
grâce à un partenariat entre la NOAA et le Centre national pour la recherche
atmosphérique (NCAR). Le logiciel WRF est soutenu par des efforts continus,
notamment des ateliers et de la documentation en ligne. Le WRF est de conception
flexible et destiné à une grande variété d'applications de prévision avec une priorité
sur les résolutions spatiales allant de 1 à 10 km.

20
Chapitre III : Etat de l’art de prévision du rayonnement solaire
 Figure 14 Simulation de l'atmosphère terrestre à partir du modèle NWP

III.2.4 Les modèles de séries chronologiques

Il existe deux catégories de modèles pour rendre compte d'une série temporelle.
Les premiers considèrent que les données sont une fonction du temps (y = f(t)). Cette
catégorie de modèle peut être ajustée par la méthode des moindres carrés, ou d'autres
méthodes itératives.
L'analyse des modèles par transformée de Fourier est une version sophistiquée
de ce type de modèle.
Une seconde catégorie de modèles cherche à déterminer chaque valeur de la série
en fonction des valeurs qui la précède (yt = f(yt-1, yt-2, …)). C'est le cas des modèles
ARIMA ("Auto-Regressive – Integrated – Moving Average"). Cette catégorie de
modèles a été popularisée et formalisée par Box et Jenkins (1976).
A noter que le choix de l'un ou l'autre type de modèle est surtout théorique : est-
il raisonnable de penser que dans un phénomène donné, les points sont
fondamentalement fonction des points précédents et de leurs erreurs, plutôt qu'un
signal, périodique ou non, entaché de bruit. On peut noter cependant que souvent,
on a recours à l'analyse de variance pour traiter les séries temporelles. Or une des
assomptions majeures de l'ANOVA est que les résidus des différentes mesures ne
sont pas auto-corrélés. Ce n'est évidemment pas le cas si la performance à l'essai t
est liée à la performance réalisée à l'essai t-1.
Les processus autorégressifs supposent que chaque point peut être prédit par la
somme pondérée d'un ensemble de points précédents, plus un terme aléatoire
d'erreur.
21
Chapitre III : Etat de l’art de prévision du rayonnement solaire
 Le processus d'intégration suppose que chaque point présente une différence
constante avec le point précédent.
Les processus de moyenne mobile supposent que chaque point est fonction des
erreurs entachant les points précédents, plus sa propre erreur.
Un modèle ARIMA est étiqueté comme modèle ARIMA (p,d,q), dans lequel:
p est le nombre de termes autorégressifs
d est le nombre de différences
q est le nombre de moyennes mobiles.

Conclusion
Les méthodes de prévision sont nombreuses et dépond de l’horizon de prévision
et la résolution de l’espace. Pour un horizon de prévision de 6 h à 3 jours, le
CEPMMT associé à un post-traitement MOS donne les résultats les plus précis.
Cependant, dans le cas de la Réunion, le modèle WRF semble être plus pertinent.
Pour un horizon de prévision plus petit, de 5 minutes à 4 heures, ARIMA semble
présenter la meilleure précision. Et cela est réuni dans la figure suivante pour faire
la comparaison être les modèles de prévisions.

Figure 15 Classification du modèle de prévision basée sur la résolution spatiale des données d'entrée et
la résolution temporelle

22
Chapitre III : Etat de l’art de prévision du rayonnement solaire
Chapitre IV : Aspect théorique des séries
temporelles

23
 Introduction
Nous abordons dans ce chapitre l'analyse de données statistiques particulière en
ce sens que les observations sont régulièrement échelonnées dans le temps. Ce genre
de données est bien connu en économie et fréquent aussi en gestion. Leur
particularité vient de l'introduction du temps dans l'analyse de ces données : on
étudie une suite de couple de la forme (Yt,t) ou Yt et l'observation de la variable à
l'instant t. Aussi ce chapitre a pour but d'étudier les différentes techniques permettant
d'analyser de modéliser et de prévoir les séries temporelles de type stationnaire ou
non saisonnière ou non.

IV.1 Généralité sur les séries temporelles

IV.1.1 Définition de série temporelle
Définition du processus aléatoire :
Le terme de processus aléatoire est utilisé pour décrire une variable dans le
comportement ne peut pas être exprimé entièrement par une relation déterministe.
Un processus aléatoire est une suite de variables aléatoires indexées
généralement dans le temps. Ainsi, pour chaque instant, la valeur de la quantité
étudiée Yt est appelée variable aléatoire et l'ensemble des valeurs Yt quand t varie est
appelée processus aléatoire.
Définition de série temporelle :
Une série temporelle ou encore chronologique, est une succession d'observations au cours
du temps, chacune d'entre eux étant une réalisation d'une variable aléatoire.
Ceci peut s'exprimer aussi en disant que la série temporelle est une réalisation d'une famille
de variables aléatoires indicées par le temps. Cette famille de variables aléatoires s'appelle
un processus aléatoire, le pas du temps des observations est considéré constant : l'heure, le
jour, le mois, l'année, ...
- Une série temporelle est dite discrète si l'ensemble des instants
d'observations est discret (dénombrable). Exemple :(nombre de voyageurs ONCF
quotidien, température maximale...).
- Une série temporelle est dite continue si l'ensemble des instants
d'observations est continu (non dénombrable). Exemple :(signal radio, résultat d'un
électrocardiogramme...)
-
IV.1.2 Objectifs principaux
L'_étude d'une série chronologique permet d'analyser, de décrire et d'expliquer
un phénomène au cours du temps et d'en tirer des conséquences pour des prises de
décision (marketing...).
Cette étude permet aussi de faire un contrôle, par exemple pour la gestion des
stocks, le contrôle d'un processus chimique...

24
Chapitre IV : Aspect théorique des séries temporelles
 L'un des objectifs principaux de l'étude d'une série chronologique est la prévision
qui consiste à prévoir les valeurs futures Yt+h (h = 1; 2; 3; :::) de la série chronologique
à partir de ses valeurs observées jusqu'au temps T.
Il existe encore bien d'autres objectifs immédiats relatifs à l'étude des séries
chronologiques.
Par exemple, si deux séries (notant Xt et Yt ) sont observées, on peut se demander
quelle influence elles exercent l'une sur l'autre. Ici, deux questions se posent : tout
d'abord, la question de la causalité i.e. quelle variable (Xt) va expliquer l'autre (Yt),
ce qui amène la deuxième question, celle du décalage temporel : si une influence de
(Xt) sur (Yt) existe, avec quel délai et pendant combien de temps la variable
explicative (Xt) influence-t-elle la variable expliquée (Yt).

IV.1.3 Caractéristiques d’une série temporelle

Moyenne et variance :
Soit une série temporelle stationnaire Yt ; t = 1,……..,T. Les expressions de la
moyenne et de la variance sont :
1 (4.1)
Moyen : E(Yt) = 𝑇 ∑𝑇𝑡=1 Yt
1 (4.2)
Variance : Var (Yt) = 𝑇 ∑𝑇𝑡=1(Yt − E(Yt))²

Fonction d'autocovariance :
Soit Yt une série de variance finie, on définit la fonction d'autocovariance de Yt
Pour tout t, par :

𝛾(h) = 𝑐𝑜𝑣(Yt, Yt + 1) = 𝐸 [(Yt − 𝐸(Yt)) (Yt − h − 𝐸(Yt + h))] 𝑎𝑣𝑒𝑐 (𝑡, ℎ) ∈ 𝑍 (4.3)

Cette fonction mesure la covariance entre deux valeurs de Yt séparées par un

certain délai. Elle fournit des informations sur la variabilité de la série et sur les
liaisons temporelles qui existent entre les différentes composantes de la série Yt.
L'autocovariance au décalage k est définie par :
1
1
𝛾(h) = 𝑛 ∑𝑛−𝑘 ̅ ̅
𝑗=1 ((𝑌𝑗+ℎ + 𝑌)(𝑌𝑗 − 𝑌)) Avec 𝑌̅ = ∑𝑛𝑖=1 𝑌𝑖 (4.4)
𝑛
Fonction d’autocorrélation :
La notion d'autocorrélation découle de la notion d'autocovariance comme la
corrélation de la covariance. Par définition l'autocorrélation (ou le coefficient
d'autocorrélation) de la série Yt est :
𝑐𝑜𝑣(𝑌𝑡 ,𝑌𝑡+ℎ )
𝜌(𝑘) = 𝜌𝑘 = ∀𝑘 ∈ 𝑍 (4.5)
√𝑣𝑎𝑟 (𝑌𝑡 )∗𝑣𝑎𝑟(𝑌𝑡−𝑘 )

25
Chapitre IV : Aspect théorique des séries temporelles
 Cette fonction mesure la corrélation des séries avec elle-même décalée de k
période.
La représentation graphique de ρ (h) est appelée corrélogramme
Fonction d’autocorrélation partielle :
L'autocorrélation partielle d'ordre k de la série Yt est égale au coefficient de
corrélation entre :
𝑌𝑡 𝑌𝑡−𝑘
𝑌𝑡 − 𝐸 ( ) 𝐸𝑡 𝑌𝑡−𝑘 − 𝐸 ( ) (4.6)
𝑌𝑡−2 ,…,𝑌𝑡−𝑘+1 𝑌𝑡−1 ,…,𝑌𝑡−𝑘+1

D'autres mesures de dépendance entre variables existent en statistique. Un outil

de diagnostic intéressant est la fonction d'autocorrélation partielle, que l'on note
PACF (Partial ACF).

IV.1.4 Les étapes de traitement d’une série chronologique :

Schématiquement, les principales étapes de traitement d'une série chronologique
sont les suivantes :
Correction des données : Il est souvent nécessaire de traiter, modifier les données brutes
avant de se lancer dans l'étude d'une série chronologique, par exemple : évaluation de
données manquantes, remplacement de données accidentelles….
Observation de la série : Une règle générale en Statistique Descriptive consiste à
commencer par regarder les données avant d'exécuter le moindre calcul. Ainsi, une fois la
série corrigée et prétraitée, on trace son graphique c'est-à-dire la courbe de coordonnées
(t;Yt) L'observation de ce graphique est souvent une aide à la modélisation de la série
chronologique et permet de se faire une idée des différentes composantes de la série
chronologique.

Modélisation : Un modèle est une image simplifiée de la réalité qui vise à traduire les
mécanismes de fonctionnement du phénomène étudié et permet de mieux les comprendre
On distingue principalement deux types de modèles :
- Les modèles déterministes : Les deux modèles de ce type les plus usités sont
les suivants
• Le modèle additif
• Le modèle multiplicatif
- Les modèles stochastiques : La classe des modèles de ce type est la plus
fréquemment utilisée est la classe des modèles ARMA (et de ses sous-modèles ARIMA,
SARIMA...).
Analyse de la série à partir de ses composantes : Une fois l'étape de modélisation effectuée,
on étudie les composantes du modèle les unes après les autres : tendance, facteurs
saisonniers et fluctuations irrégulières.
Diagnostique du modèle - ajustement au modèle : Une fois le modèle construit et ses
paramètres estimés, on vérifie que le modèle proposé est bon c'est-à-dire l'ajustement au
modèle :
- En étudiant les résidus

26
Chapitre IV : Aspect théorique des séries temporelles
 - En faisant des tests
Prédiction (prévision) : Enfin, nous sommes en mesure de faire de la prédiction.

IV.2 Analyse d’une série temporelle

IV.2.1 Les opérateurs linéaires de retard, d'avance et de
différenciation
L'opérateur Retard :
On aura souvent à considérer une variable en fonction de son passé. Il est donc
commode de définir un opérateur qui transforme une variable Xt a sa valeur passée.
C'est l'opérateur retard désigné par la lettre B et tel que :

𝐵(𝑋𝑡 ) = 𝑋𝑡−1 𝐸𝑡 𝐵𝑘 (𝑋𝑡 ) = 𝑋𝑡−𝑘 (4.7)

L'opérateur d'avance :
L'opérateur d'avance est l'inverse de l'opérateur de retard, noté F (Forward) il
transforme une observation en sa valeur futur, il est défini par :

𝐹 (𝑋𝑡 ) = 𝑋𝑡+1 (4.8)

L'opérateur de différence ordinaire :

L'opérateur de différence ordinaire noté ∆ associé au processus Xt t ∈ T tel que :

∆𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−1 = 𝑋𝑡 − (𝐵𝑋𝑡 ) = (1 − 𝐵)𝑋𝑡 𝑡 ∈ [0, 𝑇] (4.9)

Et par construction, nous obtiendrons l'opérateur de la deme différence noté d tel

que :

∆𝑑 𝑋𝑡 = (1 − 𝐵)𝑑 𝑋𝑡 (4.10)

L'opérateur de différence saisonnière ∆s :

L'opérateur ∆s est défini par :

∆𝑠 𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−𝑠 (4.11)

En d'autres termes :

∆𝑠 = 1 − 𝐵𝑠 (4.12)

IV.2.2 Les effets des opérateurs

• L'opérateur ∆ :
- Permet d'éliminer la tendance de la série.
- Peut-être répète plusieurs fois si la tendance n'est pas linéaire.
• L'opérateur ∆s :
- Permet d'éliminer la saisonnalité de période s.
- On peut également l'appliquer plusieurs fois.
27
Chapitre IV : Aspect théorique des séries temporelles
 IV.2.3 Modélisation des séries temporelle
Processus linéaire stationnaire
a- Les processus autorégressif AR(p) :
Ces processus sont construits à partir de l'idée que l'observation au temps t
s'explique linéairement par les observations précédentes.
Définition :
On appelle processus autorégressif d'ordre p, noté AR(p), un processus
stationnaire Yt vérifiant une relation de type :

𝑌𝑡 = ∅1 𝑌𝑡−1 + ⋯ + ∅𝑝 𝑌𝑡−𝑝 + 𝜀𝑡 (4.13)

- Les Փi sont des réels positifs ou négatifs à déterminer.

- ɛt est un bruit blanc de variance σ².
Le modèle autorégressif est stationnaire si et seulement si les racines Z de la
fonction caractéristiques ɸ(B) = 0 sont en module supérieur à 1, c'est-à-dire :
ІІZІІ > 1. Où ɸB est le polynôme de retard de degré p donnée par :
𝑝
∅𝐵 = 1 − ∑ ∅𝑗 𝐵 𝑗 ∅𝑗 ∈ 𝑅 𝐸𝑡 ∅𝑝 ≠ 0 (4.14)
𝑗=1

Un processus (Yt; t ∈ T) satisfaisant une représentation AR(p) est toujours

inversible.
b- Les processus moyenne mobile MA(q) :
Ces processus sont construits à partir de l'idée que l'observation au temps t
s'explique linéairement par les observations d'un bruit blanc.
Définition :
On appelle processus moyenne mobile d'ordre q, noté par MA(q) un processus
Yt stationnaire vérifiant une relation du type :
𝑞
𝑌𝑡 = 𝜀𝑡 − ∑𝑗=1 𝜃𝑗 𝜀𝑡−𝑗 (4.15)

- Les Ꝋi sont des réels positifs ou négatifs à déterminer.

- ɛt est un bruit blanc de variance σ².
Remarque :
- Un processus (Yt; t ∈ T) satisfaisant une représentation MA(q) est toujours
stationnaire.
- Le processus MA(q) est inversible si les racines de polynôme (1 - Ꝋ1Z - Ꝋ
𝑞
2Z²-……. - Ꝋ q𝑍 ) sont en module > 1.
c- Les processus ARMA (p ; q) :
Ces processus constituent une extension naturelle des processus AR et MA. Ce
sont en effet des processus mixtes au sens où ils incorporent simultanément des
28
Chapitre IV : Aspect théorique des séries temporelles
composantes AR et MA ce qui permet d'obtenir une description plus parcimonieuse
des données.
On appelle processus autorégressif moyenne mobile d'ordre (p; q) tout processus
(Yt); t 2 T stationnaire vérifiant une relation du type :

𝑌𝑡 − ∅1 𝑌𝑡−1 − ⋯ − ∅𝑝 𝑌𝑡−𝑝 = 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − ⋯ − 𝜃𝑞 𝜀𝑡−𝑞 (4.16)

Cette équation peut aussi s'écrire :

∅(𝐵)𝑌 = 𝜃(𝐵)𝜀𝑡 (4.17)
où
ɸ(B) : représente le polynôme autorégressif d'ordre p, définie par :

∅(𝐵) = 1 − ∅1 𝐵 − ⋯ − ∅𝑝 𝐵𝑝 (4.18)

Ꝋ(B) : représente le polynôme moyenne mobile d'ordre q, définie par :

𝜃(𝐵 = 1 − 𝜃1 𝐵 − ⋯ − 𝜃𝑞 𝐵𝑞 ) (4.19)

et ɛt est un Bruit Blanc .

Le processus ARMA (p ; q) est stationnaire si toutes les racines de polynôme
ɸ(B) sont à l'extérieur du cercle unité, et inversible si celles du polynôme Ꝋ(B) sont
aussi à l'extérieur du cercle unité.
d- Les processus SARMA (ARMA saisonniers) :
Les processus SARMA ou ARMA saisonniers représentent les mêmes
caractéristiques qu'un modèle ARMA (p; q) mais il contient l'effet saisonnier, on les
note ARMAs;s’ (p; q) et il s'_écrit :

(1 − ∅1𝑠 𝐵 𝑠 − ⋯ − ∅𝑝𝑠 𝐵𝑝𝑠 )𝑌𝑡 = (1 − 𝜃1𝑠 𝐵 𝑠 − ⋯ − 𝜃𝑞𝑠 𝐵𝑞𝑠 )𝑌𝑡 (4.20)

Avec :
Ꝋs’(Bs’) représente le polynôme moyen mobile saisonnier.
ɸs(Bs) représente le polynôme autorégressif saisonnier.
s et s’ :représente respectivement la période de la saisonnalité.
Les processus linéaires non stationnaire

a- Les processus ARIMA (p,d,q)et sa version saisonnière SARIMA :

Les processus ARIMA (AutoRegressive Integrated Moving Average) sont la
généralisation des modèles ARMA pour des processus non stationnaires,
admettant une tendance.

29
Chapitre IV : Aspect théorique des séries temporelles
 Un modèle ARIMA est d'ordre (p; d; q), p correspondant au nombre de termes
autorégressifs, d au nombre de différenciations, et q au nombre de termes de
moyenne mobile, il vérifie la relation suivante :

ɸ(𝐵)(1 − 𝐵)𝑑 𝑌𝑡 = 𝛩(𝐵)𝜀𝑡 (4.21)

Où : ɸ(𝐵) = 1 − ∅1 (𝐵) − ⋯ − ∅𝑝 𝐵𝑝
Et : 𝛩(𝐵) = 1 − 𝜃1 (𝐵) − ⋯ − 𝜃𝑞 (𝐵)𝑞

Les processus SARIMA est la version saisonnière des processus ARIMA.

30
Chapitre IV : Aspect théorique des séries temporelles
Chapitre V : Méthodes de prévision

31
 Introduction
Nous examinons dans ce chapitre la notion de prévision, la nécessite de prévoir
la production des énergies renouvelables ainsi les différentes approches de
prévisions pour ce type d'énergie.
Ce chapitre traite aussi les notions essentielles de la régression et discute en détail
la méthode des moindres carrés et traite ces propriétés en tant que méthode de
prévision ainsi que le modèle ARIMA.

V.1 Ce qui caractérise un problème de prévision

La première approche de la prévision consiste à en mesurer les spécificités. Pour
envisager une typologie des problèmes de prévision en termes d'horizon, de type de
produit ou de secteur, ou en termes de but opérationnel, il est utile de dégager
quelques traits qui différencient fondamentalement :
• Le secteur d'activité.
• L’utilisation opérationnelle.
• La (ou les) fonction(s) utilisatrice(s) de la prévision.
• L’horizon.
L'approche est très dépendante du secteur d'activité : on ne prévoit pas des
livraisons de ciment par les mêmes méthodes que des ventes de savons. Les
causalités économiques sous-jacentes sont différentes suivant que le secteur est plus
ou moins en amont dans le circuit industriel donc plus ou moins proche de la
demande finale, suivant que le produit est stockable ou non, qu'il donne lieu à un
marché de renouvellement (télévision) ou non (acier), que le produit est standardisé
ou non.

V.2 Méthodes de prévision

• Méthodes extrapolatives
Ces méthodes utilisent le passé de la variable elle-même.
Seul le passé de la variable est utilisé en vue de la prévoir sans apport
d'information extérieure, nous citons à titre d'exemple : lissage par les moyennes
mobiles, modélisation ARMA.
• Méthodes explicatives
Celles-ci utilisent les valeurs passées et présentes d'une ou de plusieurs variables
pour prévoir y. L'ensemble d'information utilisé comporte des facteurs extérieurs qui
peuvent influencer le futur de y en plus du passé de la variable y elle-même. Parmi
ces méthodes on peut citer : la régression linéaire, modèle ARMAX.

32
Chapitre V : Méthodes de prévision
 V.3 Critère de validité de la méthode de prévision
La prévision des valeurs futures d'une variable y peut se faire en utilisant
différentes méthodes. Les prévisions obtenues peuvent être comparées et appréciées
selon plusieurs critères parmi lesquels :
1
1. L'erreur moyenne (mean error) : 𝜀̅ = 𝑛 ∑ 𝜀t
1
2. Le carre moyen des erreurs (mean square error) : MSE = 𝑛 ∑ 𝜀t ²

3. L'erreur quadratique moyenne (Le root mean square error ) : RMSE =√𝑀𝑆𝐸
ɛt étant l'erreur de prévision pour un instant t (la différence entre la valeur
observée et la valeur prévue par une méthode quelconque).
La meilleure méthode est celle qui fournit les valeurs les plus faibles pour ces
critères.

V.4 Régression linéaire

Un modèle de régression linéaire et un modèle de régression d'une variable
expliqué sur une ou plusieurs variables explicatives dans la quel on fait l'hypothèse
que la fonction qui relie les variables explicatives aux variables expliqués est
linéaire.
V.4.1 Principe de la régression linéaire
La régression linéaire décompose une variable aléatoire y en son espérance (ou
moyenne), exprimée linéairement en fonction d'autre variables non aléatoires :1, x2,
x3,...,xk, plus une erreur aléatoire . K est donc le nombre de variables explicatives
(où co-variables), constante comprise. Par exemple, si K = 3 nous avons le
modèle linéaire suivant :
𝑦𝑡 = 𝛽1 + 𝛽2 𝑥2𝑡 + 𝛽3𝑡 + 𝑢𝑡 𝑡 = 1,2, … , 𝑇 (5.1)

Les erreurs ut doivent vérifier un certain nombre de présupposés :

➢ P1 être d'espérance nulle, E(ut) = 0 ;
➢ P2 avoir la même variance pour tout t, var(ut) = 𝜎 2 ;
➢ P3 être non corrélées entre elles, corr(ut; us) = 0, t 6= s ;
➢ P4 être normalement distribuées.
Sous ces hypothèses, l'espérance de yt est β1 + β 2 * x2t + β 3 *x3t. Nous pouvons
aussi écrire matricielle ment le modèle et les présupposés :

 y1  1 x21 x31  u1   1 

   x
 y2  1 22 x32  u    (5.2)
Y= X = U = 2  = 2
       
       
 yT  1 x2T x3T  uT   T 

33
Chapitre V : Méthodes de prévision
 La méthode de MCO (moindre carrés ordinaires) estime β par la valeur qui
minimise
(𝑌 − 𝑋 ∗ 𝛽)`(𝑌 − 𝑋 ∗ 𝛽 (5.3)

Ou X’ est la transposée de X.
Le minimum est atteint pour :

𝛽̂ = (𝑋′𝑋)−1 𝑋′𝑌
(5.4)

Les vecteurs des valeurs ajustées et des résidus son respectivement définis par :

 yˆ1   yˆ1 
 yˆ   yˆ  (5.5)
Yˆ =  2  = X ˆ Uˆ =  2 
   
   
 yˆT   yˆT 

V.4.2 Significativité de la régression

Le modèle de régression linéaire est aussi bien utilisé pour chercher à prédire un
phénomène que pour chercher à l'expliquer.
Après avoir estimé un modèle de régression linéaire, on peut prédire quel serait
le niveau de y pour des valeurs particulières de x.
Il permet également d'estimer l'effet d'une ou plusieurs variables sur une autre en
contrôlant par un ensemble de facteurs. Par exemple, dans le domaine des sciences
de l'éducation, on peut évaluer l'effet de la taille des classes sur les performances
scolaires des enfants en contrôlant par la catégorie socio-professionnelle des parents
ou par l'emplacement géographique de l'établissement. Sous certaines hypothèses
restrictives, cet effet peut être considéré comme un effet causal.
En apprentissage statiques, la méthode de régression linéaire est considérée
comme une méthode d'apprentissage supervisé utilisée pour prédire une variable
quantitative

V.5 Régression non linéaire

La régression non linéaire a pour but d'ajuster un modèle non linéaire pour un
ensemble de valeurs afin de déterminer la courbe qui se rapproche le plus de celle
des données de Y en fonction de x.
Les principaux modèles que nous pourrons linéariser sont :
1) Le modèle logarithmique 𝑌 = 𝑎0 + 𝑎1 ln (𝑋)
2) Le modèle exponentiel 𝑌 = 𝑎0 ∗ 𝑎1 𝑋
3) Le modèle puissance 𝑌 = 𝑎1 ∗ 𝑋 𝑎1

V.5 Construction du modèle de prévision SARIMA

On a vu que dans la pratique, la plupart des séries sont non stationnaires. On a
vu aussi que cette non-stationnarité peut prendre différentes formes. Un de ces
aspects est la stationnarité en différence. Cela concerne les séries non stationnaires
34
Chapitre V : Méthodes de prévision
à partir desquels on obtient des séries stationnaires après différenciation. Les
processus ARIMA et SARIMA (pour la version saisonnière) sont des processus non
stationnaires qui deviennent des processus ARMA (ou SARMA) après une
différenciation simple ou saisonnière.
Un processus yt est un SARIMA(p,d,q)(P,D,Q) s’il obéit à :
Φs(Bs)Φ(B)(1 − B)d(1−Bs)Dyt = c1+ Θ(B)Θs(Bs)zt (5.6)

Les termes (1 − B)d et (1−Bs)D expriment respectivement la différenciation

simple et la différenciation saisonnière. Une série est dite intégrée d’ordre d s’il faut
la différencier d fois pour obtenir une série stationnaire. De même, une série est dite
intégrée saisonnièrement d’ordre D s’il faut la différencier saisonnièrement D fois
pour obtenir une série stationnaire. L’ordre est donc l’ordre de différenciation
simple, et D, l’ordre de différenciation saisonnière. La série différenciée (1 −
B)dyt est appelée la série des accroissements de yt.
V.5.2 Démarche adoptée pour la construction d’un modèle
ARMA Saisonnier
Afin d’aboutir à nos modèles de type SARMA (SARMA, saisonnier dans le cas
de nos chroniques hydroclimatiques). Nous allons suivre la démarche classique de
construction de ce genre de modèle (Aragon, 2011). Nous verrons que selon les
propriétés de nos séries, nous allons adopter telle ou telle décision dans la mise en
œuvre de nos modèles.
Tout d’abord, il faut vérifier la stationnarité des séries. Selon le cas, il faut faire
les manipulations nécessaires pour aboutir à une série stationnaire modélisable par
une démarche de type ARMA. Cela peut être une différenciation, le retrait d’une
tendance ou toutes autres transformations susceptibles de donner une série
stationnaire. Nous avons déjà fait une analyse de la stationnarité de nos chroniques
hydro-climatiques dans les paragraphes précédents.
Une fois la série supposée stationnaire, on peut passer au choix des ordres p, q et
P, Q. L’examen de la fonction d’autocorrélation ACF peut aider à faire le choix de
ces valeurs. C’est l’étape d’identification. L’examen d’une autre fonction est aussi
très utile dans cette étape, la fonction d’autocorrélation partielle PACF, nous allons
en parler plus en avant dans les paragraphes qui suivent. Notons qu’il peut s’ajouter
un autre type d’ordre appelé ordre de différenciation, d. C’est le cas si on est en
présence d’une série stationnaire en différenciation. L’ordre d’identification d est
alors le nombre de différenciation dont la série a besoin pour être stationnaire, donc
modélisable. Donc, au lieu d’avoir les ordres p, q et P, Q pour un SARMA simple,
on aura les ordres, p, d, q et P, D ,Q. d, est l’ordre de différenciation simple et D,
l’ordre de différenciation saisonnier. On parle alors de modèle SARIMA (I , pour
Integrated).
Une fois les ordres choisis, il faut estimer les paramètres ϕ et θet du modèle
correspondant. On vérifie alors la qualité du modèle. Si le modèle n’est pas
satisfaisant, on choisit d’autres ordres et on refait l’étape d’estimation. Dès qu’on
aboutit à un modèle convenable, on peut entamer la phase de prédiction. Les critères
pour évaluer la qualité d’un modèle sont diverses mais la plus importante est la
35
Chapitre V : Méthodes de prévision
blancheur du résidu. Des tests permettent de conclure ou non à cette blancheur,
comme le test du portemanteau (Box et Pierce, 1970). Si le résidu n’est pas blanc,
c’est que « le modèle n’as pas capté tout le dynamique du phénomène » (Aragon,
2011), et il faut en chercher un autre. Quand cette blancheur est confirmée, il faut
aussi tester la significativité des paramètres. On essaie alors d’aboutir à un modèle
le plus simple possible.
V.5.3 Identification automatique des ordres
Il existe des outils qui permettent d’automatiser certaines étapes dans la
construction d’un modèle SARMA. C’est le cas de la
fonction [Link]() disponible avec le package forecast de R (Hyndman et
Khandakar, 2008). L’idée générale de l’automatisation c’est de trouver les ordres
p,d,q et P,D,Q adéquats parmi un panel de modèle proposé. Les ordres de
différenciations, d et D sont recherchés en utilisant une succession de différenciation
et de test de stationnarité (KPSS test pour la différenciation simple et un test adapté
appelé test de Canova_Hansen pour la différenciation saisonnière). C'est-à-dire
qu’on fait d’abord une différenciation d’ordre 1, on fait le test de stationnarité. Si la
stationnarité n’est pas rejetée, l’ordre de différenciation est donc égal à 1. Sinon,
passe à une différenciation d’ordre 2 et ainsi de suite, jusqu’à trouver le bon ordre.
La même chose est faite pour l’ordre de différenciation saisonnière. Une fois les
ordres d et D, trouvées, les ordres p, q , P et Q sont sélectionnés en utilisant un critère
d’information, celui d’Akaike ou AIC( Akaike information criterion) (Akaike,
1974).

36
Chapitre V : Méthodes de prévision
 Figure 16 Algorithme de prevision

37
Chapitre V : Méthodes de prévision
Chapitre VI : Application

38
 Introduction
Après la présentation des différentes méthodes de prévision du global horizontal
irradiance ainsi que l'intérêt de cette dernière et vu que cette prévisions doit être à la
portée des différents types d'utilisateurs on a réalisé une interface pour réduire la
complexité au maximum ainsi d'avoir une vue générale des différents paramètres
météorologique en temps réel et pour faire des prévisions avec plusieurs modèles
pour étudier aussi la fiabilité de chacun (c'est-à-dire les erreurs qui génère au cours
de chaque prévision )
Comme on a vu dans le chapitre de l'état de l'art il y a plusieurs types de modèles
et chaque type contient plusieurs modèles qui sont déjà réalisés tester avec des
sociétés et des chercheurs, dans cette application on s'est intéressé que par les
modèles statiques linéaire AR, ARMA, ARIMA, SARIMA qui se réfèrent juste aux
séries de données déjà mesurer pour faire des prévisions du futur
Il y a trois types d'interface qui sont présents dans l'application et qui sont cité
comme suivant :
L’interface gestion des utilisateurs : Une interface qui accorde les permissions à
chaque type d'utilisateur
L’interface mère “main” : elle peut prendre différentes formes qui dépend du
type d'utilisateur et les permissions qu'ils le sont accordés depuis l'administrateur
dans l'interface gestion des utilisateurs
L’interface de prévision : donne aux utilisateurs selon leur type les différents
paramètres à régler avant de faire des prévisions

Figure 17 Interface mère de l'application

VI.1 Objectifs principaux

L’organisme d’accueil avais comme premier but de réaliser une interface qui
affiche les différentes donnes et qui sera lisible et facile à manipuler par les différents
39
Chapitre VI : Application
types d’utilisateurs, et derrière cette interface l’application doit être charger avec des
algorithmes qui gère la prévision du rayonnement solaire précisément pour qu’ils
puissent appliquer des prévisions et tester chacun des points fort et faibles de ces
algorithmes.
La hiérarchie exigée demande en premier temps une bonne gestion des
utilisateurs et aussi une distinction entre les droits permis pour chaque type
d’utilisateur pour cela une autre interface de gestion de ce dernier demeure
nécessaire.
La partie de prévision n’est pas exigée d’être réalisé avec un modèle spécial pour
cela une étude des différentes méthodes de prévision disponibles doit mener a une
conclusion des modèles adopter par l’application.

VI.2 Le langage de programmation Python

VI.2.1 Définition du langage
Le Python est un langage de programmation de haut niveau, crée par Guido van
Rossum, qui permet au programmeur de développer des logiciels de façon
totalement indépendante des mécanismes de bas niveau. Cela était l’un des buts
recherchés, pour que ce langage puisse être facilement appris, même par des 8
néophytes de la programmation. Ce langage fait partie des langages interprétés,
c’est-à-dire qu’il n’y a pas de phase de compilation. En fait les modules non
principaux sont compilés en bytecode, qui est un code intermédiaire. Il est doté d’un
typage dynamique fort, et se sert d’un ramasse-miettes pour la gestion de la
mémoire. Le système de ramasse-miettes est un système utilisé dans de nombreux
langages comme le Java, le Ruby, le Perl, etc. Il consiste en fait à récupérer la
mémoire qui n’est plus utilisée au fur et à mesure de l'exécution du programme.
Le langage Python repose également sur un système de gestion des erreurs très
efficace. En fait la philosophie prônée par Python est qu’il est préférable de gérer
directement l’erreur. Par exemple, si une variable peut être vide et que l’on veut la
manipuler, il est préférable de gérer cette erreur possible plutôt que de faire un test
préalable pour voir si cette variable est bien vide. Le Python est en majorité utilisé
comme un langage de script. Il est apparemment massivement utilisé par la
communauté des administrateurs système lorsqu’ils préfèrent éviter un script bash
(Ruby et Perl sont également évoqués).
Le python est néanmoins un langage multi-paradigme. C’est-à-dire qu’il permet
d'écrire dans de nombreux styles de programmation comme l’impératif, orienté objet
ou même fonctionnel.

40
Chapitre VI : Application
 Figure 18 logo du langage python

VI.2.2 Justification du choix du langage

Le langage Python doit sa popularité à plusieurs avantages qui profitent aussi
bien aux débutants qu’aux experts. Tout d’abord, il est facile à apprendre et à
utiliser. Ses caractéristiques sont peu nombreuses, ce qui permet de créer des
programmes rapidement et avec peu d’efforts. De plus, sa syntaxe est conçue pour
être lisible et directe.
Un autre avantage du Python est sa popularité. Ce langage fonctionne sur tous
les principaux systèmes d’exploitation et plateformes informatiques. De plus,
même s’il ne s’agit clairement pas du langage le plus rapide, il compense sa lenteur
par sa versatilité.
Enfin, même s’il est principalement utilisé pour le scripting et l’automatisation,
ce langage est aussi utilisé pour créer des logiciels de qualité professionnelle.
Qu’il s’agisse d’applications ou de services Web, le Python est utilisé par un grand
nombre de développeurs pour créer des logiciels.
VI.2.3 Bibliothèques utilisés
Parmi les langages les plus recommandée en Science de donne est le langage
python car il contient toute une base de bibliothèques qui facilitent le traitement de
donne.
Dans ce projet on a utilisé des bibliothèques qui sont défini comme suivant :
La bibliothèque PANDAS :
Pandas est un paquet Python open source qui fournit de nombreux outils pour
l'analyse des données. Le paquet est livré avec plusieurs structures de données qui
peuvent être utilisées pour de nombreuses tâches de manipulation de données
différentes. Il dispose également de diverses méthodes qui peuvent être invoquées
pour l'analyse des données, ce qui est pratique lorsque l'on travaille sur des
problèmes de science des données et d'apprentissage machine en Python.
Parmi les méthodes utiliser et celle de la lecture des fichier Excel pour en extraire
les données en format qui peut être traiter après
41
Chapitre VI : Application
La bibliothèque PYQT :
PyQt est l'une des liaisons Python les plus populaires pour le framework C++
multi-plateforme Qt. PyQt a été développé par Riverbank Computing Limited. Qt
lui-même est développé dans le cadre du projet Qt. PyQt fournit des bindings pour
Qt 4 et Qt 5. PyQt est distribué sous un choix de licences : GPL version 3 ou une
licence commerciale.
PyQt est disponible en deux éditions : PyQt4 qui sera construit contre Qt 4.x et
5.x et PyQt5 qui ne sera construit que contre 5.x. Les deux éditions peuvent être
construites pour Python 2 et 3. PyQt contient plus de 620 classes qui couvrent les
interfaces utilisateur graphiques, la gestion XML, la communication réseau, les
bases de données SQL, la navigation sur le web et d'autres technologies disponibles
dans Qt.
La bibliothèque STATSMODELS
statsmodels est un module Python qui fournit des classes et des fonctions pour
l'estimation de nombreux modèles statistiques différents, ainsi que pour la
réalisation de tests statistiques et l'exploration de données statistiques. Une liste
exhaustive de statistiques de résultats est disponible pour chaque estimateur. Les
résultats sont testés par rapport aux progiciels statistiques existants afin de s'assurer
qu'ils sont corrects. Le progiciel est publié sous la licence open source Modified
BSD.

VI.3 Présentation de l’interface application

VI.3.1 L’interface mère :
L'interface ma mère et c'est elle qui a accès à toutes les autres interfaces pour les
afficher elle contient deux parties celle à gauche pour visualiser les différentes
données météorologiques qui sont les composants du rayonnement solaire vu dans
le chapitre précédent, la température et la vitesse du vent. La partie droite
contiennent plusieurs entrées pour interférer avec les utilisateurs afin de faire de bon
filtrage d'après la base de données qui est lié à son tour en temps réel avec des
centrale de mesure

42
Chapitre VI : Application
 Figure 19 identification des composant de l'interface mère

Un utilisateur peut visualiser les données météorologiques différentes en deux

façons soit d'une manière automatique en sélectionnant le bouton 5 « en ligne » ou
bien de manière manuelle en cliquant sur le bouton 4 « one shot » Après avoir
sélectionné les graphes désirés depuis la zone 1 avec une marge de temps choisis
d'après les deux lignes texte dans la zone 2
L’utilisateur peux aussi extraire les données de prévisions ou bien les données
mesurer en sélectionnant le type de données dans la zone 1 et la période de ton qui
l'intéresse et puis il appuie sur le bouton 6 j'ai choisi le répertoire pour recevez le les
données en format Excel
La partie basse droite réservée aux administrateurs et il ne s’affiche pas au
simple utilisateur dans laquelle on peut accéder aux bases de données pour modifier
les ressources de l'application ajouter des données de mesure par exemple par un
appui sur le bouton 8 ou bien supprimer des données avec le bouton 9
« REMOVE »
Un administrateur a aussi le droit de changer l'emplacement des données avec le
bouton 12 « files path »
VI.3.2 L’interface gestion des utilisateurs
Dans l'interface gestion des utilisateurs qui s'affiche après un appuie sur le
bouton « manage » il y a un tableau qui regroupe tous les utilisateurs qu'ils ont accès
à l'application leur date d'inscription leur nom complet leurs fonctionnement et leur
organisme d'accueil

43
Chapitre VI : Application
 Figure 20 interface de gestion des utilisateurs

À travers cette interface l'administrateur peut ajouter un utilisateur ou le retirer

de la liste il peut aussi gérer les permissions accordées à chacun des utilisateurs,
pour ajouter un nouvel utilisateur l'administrateur appuie sur le bouton « Add user »
après cela une interface s'affiche pour remplir la fiche d'identité du nouvel utilisateur
et qui contient les différentes informations nécessaires pour remplir le tableau.

Figure 21 interface pour remplir la fiche d'identité

L’appuie sur le bouton dans après remplissage du formulaire ajoutera un

utilisateur dans le tableau précédent et pour accorder Hey les droits d'administrateur
Et pour retirer un utilisateur déjà enregistré il doit être sélectionné dans le tableau
et après un simple clic sur le bouton des lettres supprimera cet utilisateur après vous
avoir envoyé un message de confirmation

44
Chapitre VI : Application
 VI.3.3 Interface de prévision
Pour un administrateur une simple visualisation de graphes n'est pas son but ni
le but de la réalisation de l'application elle-même car tout l'application tourne autour
de cette partie qui a été l'objectif de l'organisme d'accueil qui est un centre de
recherche dans l'intérêt de faire des études sur les résultats obtenus avec chaque type
de prévision

Figure 22 interface de prévisions

On a déjà noté que dans cette application on va s'intéresser que par la prévision
avec des modèles linéaires que ça soit saisonnière ou non pour les données
saisonnières on va utiliser le modèle SARIMA et pour le type de données qui ne le
sont pas on utilisera le modèle ARIMA.
On aura une vue détaillée des 2 modèles en premier temps et après on va faire
des petites des petits commentaires sur les résultats obtenus avec l’application
Cette interface est divisée en 2 grandes parties la partie gauche qui est dédié a là
visualisation des graphes de prévisions et la partie droite qui contrôle les paramètres
accordés à chaque modèle de prévision Il peut contrôler le nom du modèle et le taux
de donnée qui vont entraîner le modèle et la période de prévision ainsi que des
paramètres plus spéciaux au modèle choisis comme le nombre d’intégrations, le taux
de régressions et celui de la moyenne mobile
Cette interface donne possibilité de tracer deux graphes avec deux modèles
différents pour faire une comparaison entre les deux, et cette comparais peut être
faite de manière plus détailler avec le calcul du racine de l'erreur quadratique
moyenne

45
Chapitre VI : Application
 VI.4 Prévision de la future d’une série temporelle
VI.4.1 Première étape : test de stationnarité
Le test de la stationnarité est obligatoire pour estime le degré de la différentiation
car ces modèles de régression ne sont applicables que pour les séries chronologiques
qui sont stationnaire en termes de valeur moyenne et aussi en variance

Le code dans la figure précédente présente un exemple de tet sur la stationnarité

avec la méthode « dropna() » qui donne un tableaux de quatre paramètres le
quatrième est celui qui représente la référence, c-à-d si le paramètre d’indice zéro
est inferieur a celui d’indice quatre dans le tableau la série est stationnaire et elle ne
l’ai pas dans le cas contraire.
Si la série demeure stationnaire après le test il sera modélisé avec un simple
modèle de régression ARMA, AR ou MA pour réduire le temps d’exécution du
programme, si non la modélisation sera confiée au modèle non stationnaire comme
ARIMA ou SARIMA mais après cela elle subit d’abord des différentiations pour
savoir le degré du terme intégrale (le I présent dans ARIMA)
VI.4.2 Deuxième étape : détermination du degré de la
moyenne mobile
Après avoir déterminer le degré du parti intégral ou bien s’assurer que la série
est stationnaire, il est temps de savoir quelle degré estimer pour la moyenne mobile
est cela sera après la visualisation du graph de l’autocorrélation de la série.

46
Chapitre VI : Application
 Figure 23 graphe d'autocorrélation

Comme en remarque dans le graph il y a présence d’une forte corrélation dans la

forme se répète avec une certain duré ce qui signifie que la série est saisonnière, ce
qui est logique car le mouvement du soleil se répète d’une période d’une journée
avec de petites variation si on parle bien sûr du ciel clair.
Pour enlever cette saisonnalité on applique une différenciation de période 24 car
les données sont échantillonnées d’une période d’un heur. le graphe suivant contient
le tracé de l’autocorrélation après cette différentiation

47
Chapitre VI : Application
 Figure 24 graphe d'autocorrélation après élimination de la saisonnalité

On remarque que X(t) n’est plus corrélé qu’avec quelque échantillant qui la
précède, donc avec une autre différentiation de période 24 il ne restera que les 5
premier point qui sont corrélé entre eu d’un modèle SARIMA de paramètre de
moyenne mobile égale a 5 sera suffisant
VI.4.3 Troisième étape : détermination du degré de
régression
Comme on a vue dans la détermination du degré de la moyenne mobile le cas de
la régression est similaire mais cette fois c’est l’autocorrélation partielle qui vas nous
aider à l’estimer

Figure 25 graphe d'autocorrélation partielle

48
Chapitre VI : Application
 Cette figure montre que le paramètre de régression peut être égale a 2 si on
néglige l’autocorrélation partielle avec les autres lags que les deux premiers qui
présente une forte corrélation.
VI.4.5 Dernière étape : Prévision
Arrivant a cette étape et après la détermination des différents paramètres du
modèle de prévision, on est alors sûr que les données sont stationnaires est prête à
être entrainer dans le modèle.
Comme on a vue dans la présentation des bibliothèques utilisés le package
STATSMODELS contient des méthodes prédéfinis pour appliquer la prévision,
après que l’utilisateur choisi le modèle désirer l’application effectue des prévisions
depuis le package avec ce modèle en appliquant les paramètres qui sont aussi fixé
par l’utilisateur

Figure 26 représentation de la prévisions d'une journée

Remarque :
Le décalage entre les deux graphs de prévision et la mesure est fait exprès pour remarquer
la différence entre les deux traçais

49
Chapitre VI : Application
 Conclusion générale

La prévision de l'irradiation solaire est importante pour l'intégration des centrales

photovoltaïques dans un réseau électrique. Une bonne prévision de l'irradiation
solaire aide les opérateurs de réseau à optimiser leur production d'électricité et/ou à
réduire les coûts supplémentaires en préparant une stratégie appropriée.
Un certain nombre de méthodes physiques et de techniques statistiques ont été
examinées dans le présent document. À partir de la description des différents
résultats de la prévision de l'irradiation solaire, nous soutenons que le choix des
modèles de prévision appropriés dépend de l'horizon de prévision et des données
disponibles. Pour un horizon de prévision plus petit, de 5 minutes à 6 heures,
ARIMA semble présenter la meilleure précision. L'imagerie des nuages et un
modèle hybride peuvent améliorer les résultats de la prévision lorsque l'irradiation
solaire connaît une forte variabilité comme dans de nombreux territoires insulaires.
Une application est réalisée pour rendre le traitement des données de mesure et
de prévisions facile a utilisé pour tous les types des utilisateurs dans l’organisme
d’accueil. Avec des programmes de prévision de séries temporelle qui sont
préprogramme l’application peut aussi faire une gestion des utilisateurs pour garder
la confidentialité des données et la hiérarchie de l’entreprise.
Ce projet à base de gestion de données, m’a permis de réaliser la présente
application. Cette dernière est mise en œuvre suite à des recherches profondes des
différente types de prédiction (Connu par les savants et les chercheurs dans le
domaine de la Data science), ainsi à l’exécution de nombreuses bibliothèques et
packages du langage de programmation PYTHON.

50
 Bibliographies
Chow, Chi Wai, Bryan Urquhart, Matthew Lave, Anthony Dominguez, Jan
Kleissl, Janet Shields, et Byron Washom. « Intra-Hour Forecasting with a Total Sky
Imager at the UC San Diego Solar Energy Testbed ». Solar Energy 85, no 11
(novembre 2011): 2881-93. [Link]
Dambreville, Romain. « Prévision du rayonnement solaire global par
télédétection pour la gestion de la production d’énergie photovoltaïque », s. d., 149.
Diagne, Hadja Maïmouna, Mathieu David, Philippe Lauret, et John Boland.
« Solar Irradiation Forecasting: State-of-the-Art and Proposition for Future
Developments for Small-Scale Insular Grids », s. d., 8.
Facquet, Maxime, Supachai Suksamosorn, Veenakorn Suphatsatienkul, Vichaya
Layanun, et Jitkomut Songsiri. « 2102531 System Identification », s. d., 24.
Yang, Handa, Ben Kurtz, Dung Nguyen, Bryan Urquhart, Chi Wai Chow,
Mohamed Ghonima, et Jan Kleissl. « Solar Irradiance Forecasting Using a Ground-
Based Sky Imager Developed at UC San Diego ». Solar Energy 103 (mai 2014):
502-24. [Link]
Ghennioui, Pr Hicham, et Mr Abdellatif Ghennioui. « Développement d’un
modèle de prévision du rayonnement au sol par ciel clair », s. d., 80.
Madina, Benmensour, Zouaoui Selma, Cheurfa Fateh, et Berrah Yasmine.
« Pr´evision de la production d’´el´ectricit´e de type Energies Renouvelables Cas :
´eolienne et photovoltaˆıque », s. d., 83.
Mellit, Adel. « Artificial Intelligence Technique for Modelling and Forecasting
of Solar Radiation Data: A Review ». International Journal of Artificial Intelligence
and Soft Computing 1, no 1 (2008): 52.
[Link]
Voyant, Cyril. « Prédiction de séries temporelles de rayonnement solaire global
et de production d’énergie photovoltaïque à partir de réseaux de neurones
artificiels », s. d., 258.
Reikard, Gordon. « Predicting Solar Radiation at High Resolutions: A
Comparison of Time Series Forecasts ». Solar Energy 83, no 3 (mars 2009): 342-49.
[Link]
Traunmüller, Wolfgang, et Gerald Steinmaurer. « Solar Irradiance Forecasting,
Benchmarking of Different Techniques and Applications of Energy Meteorology ».
In Proceedings of the EuroSun 2010 Conference, 1-8. Graz, Austria: International
Solar Energy Society, 2010. [Link]

51
 Annex
Code de programme de prevision
import pandas as pd
import os
import numpy as np
from datetime import datetime
from datetime import timedelta
from time import time
from [Link] import acf, pacf
from [Link] import SARIMAX
import [Link] as plt
from [Link] import plot_acf, plot_pacf
from [Link].ar_model import AR
from [Link] import mean_squared_error
from [Link].arima_model import ARIMA
from [Link] import adfuller
from sklearn.linear_model import LinearRegression
def predict_previous():
src=[Link]("data")
GHI = pd.read_excel("[Link]", sheet_name='sheet1', header=0,
usecols=['time','data'] )
GHI.set_index('time',inplace=True)
stat_ghi=GHI
stat_ghi["data"]=stat_ghi["data"].diff(periods=24)
stat_ghi=stat_ghi[1:]
stat_ghi=stat_ghi.dropna()
X=stat_ghi["data"]
X=[Link]()
result = adfuller(X)
print('ADF statistics : %f' % result[0])
print('p-value : %f' % result[1])
print('critical Values :')
for key,value in result[4].items():
print('\t%s: %.3f' % (key,value))
if result[0] < result[4]["5%"]:
print("stationary")
stat_ghi["data_shifted"] = stat_ghi["data"].shift()
stat_ghi=stat_ghi.dropna()
y = stat_ghi.[Link]
x = stat_ghi.data_shifted.values
train_size = int(len(x)*0.80)
x_train , x_test = x[0:train_size],x[train_size:len(x)]
y_train , y_test = y[0:train_size],y[train_size:len(x)]
x_train = x_train.reshape(-1,1)
x_test = x_test.reshape(-1,1)
lr = LinearRegression()
[Link](x_train,y_train)
y_pred = [Link](x_test)
print( len(ghic2), " ", len(X) )
return y_pred
else :
52
 print("not stationary")

def predict():
src=[Link]("data")
[Link](src)
GHI = pd.read_excel("[Link]", sheet_name='sheet1', header=0,
usecols=['time','data'] )
GHI.set_index('time',inplace=True)
stat_ghi=GHI
stat_ghi=stat_ghi[1:]
stat_ghi=stat_ghi.dropna()
X=stat_ghi["data"]
result = adfuller(X)
print('ADF statistics : %f' % result[0])
print('p-value : %f' % result[1])
print('critical Values :')
for key,value in result[4].items():
print('\t%s: %.3f' % (key,value))
if result[0] < result[4]["5%"]:
print("stationary")
stat_ghi["data_shifted"] = stat_ghi["data"].shift()
stat_ghi=stat_ghi.dropna()
y = stat_ghi.[Link]
x = stat_ghi.data_shifted.values
train_size = int(len(x)*0.80)
x_train , x_test = x[0:train_size],x[train_size:len(x)]
y_train , y_test = y[0:train_size],y[train_size:len(x)]
x_train = x_train.reshape(-1,1)
x_test = x_test.reshape(-1,1)
lr = LinearRegression()
[Link](x_train,y_train)
y_pred = [Link](x_test)

else :
print("not stationary")
stat_ghi["data_shifted"] = stat_ghi["data"].shift()
stat_ghi=stat_ghi.dropna()
y = stat_ghi.[Link]
x = stat_ghi.data_shifted.values
train_size = int(len(x)*0.80)
x_train , x_test = x[0:train_size],x[train_size:len(x)]
y_train , y_test = y[0:train_size],y[train_size:len(x)]
my_order = (6,2,2)
my_seasonal_order = (0,1,1, 24)

model = SARIMAX(y_train, order=my_order,

seasonal_order=my_seasonal_order)
start = time()
model_fit = [Link]()
end = time()
print('Model Fitting Time:', end - start)
y_pred = model_fit.forecast(len(y_test))
53
 y_pred = y_pred[-24:]
y_test = y_test[-24:]

return y_pred,y_test

Les fonctions de l’interface mère :

from pandas import read_csv , read_excel , to_datetime, to_numeric , ExcelFile
import datetime
from [Link] import*
from PyQt5 import QtCore
from [Link] import loadUi
from [Link] import QIcon,QPixmap , QCursor
from PyQt5 import QtWidgets
import time
from [Link].backend_qt5agg import (NavigationToolbar2QT as
NavigationToolbar)
import os
import shutil
from [Link] import expanduser
import forecastRE
import arima_model

class UsermanagerWindow(QMainWindow):
def __init__(self):

QMainWindow.__init__(self)
loadUi("[Link]",self)
[Link](QIcon('GEP_LOGO.ico'))
[Link]("Users manager")
[Link](self.add_user)
self.pushButton_2.[Link]([Link])

54
 def add_user(self):
[Link](get_scr().replace("\\data", ""))
[Link] = ADDUSER()
[Link]()

class MatplotlibWidgetF(QMainWindow):

def __init__(self):

QMainWindow.__init__(self)

loadUi("[Link]",self)
[Link](QIcon('GEP_LOGO.ico'))
[Link]("Forecasting window")
[Link](NavigationToolbar([Link], self))
[Link](self.update_param)
[Link](self.update_param)
#[Link].axes4.set_frame_on(False) [Link]()
[Link]() [Link]([Link])
[Link](self.update_param)
[Link]([Link])
[Link](self.update_param)

locallist=[]
def setlisteparam(self,param):
[Link] = param
def getlisteparam(self,iste=locallist):
print([Link])
return iste

def update_param(self):
55
 maxforcastperiode = 3 ## 3j comme maximum
traincoef = ([Link]()+1) /100
self.label_6.setText(str([Link]())+"%")
fperiodde = (([Link]()+1)/100 ) * maxforcastperiode * 24
jnum = int(fperiodde // 24)
hnum = int(fperiodde%24)
self.label_7.setText("{} day {} hour".format(jnum,hnum))
pparam = [Link]()
dparam = [Link]()
qparam = [Link]()
algoindex = [Link]()
algotxt = [Link]()
PARAMETERS =
[algotxt,algoindex,pparam,dparam,qparam,traincoef,fperiodde,jnum,hnum]
[Link](PARAMETERS)
papapa = [Link]
print(papapa)

def runscript(self):
[Link]()
[Link]()
predictions,tested = arima_model.predict()
[Link](predictions , label="GHI
predicted",color='tab:green')
[Link](tested , label="GHI
tested",color='tab:red')
[Link](loc='upper right')
[Link].set_ylabel('irradiance W/m²')
[Link].set_xlabel('time')
[Link]()

56
class MatplotlibWidget(QMainWindow):

def __init__(self):

QMainWindow.__init__(self)

loadUi("[Link]",self)
[Link](QIcon('GEP_LOGO.ico'))
[Link]("Green energy parck")
[Link](NavigationToolbar([Link], self))
[Link](self.copy_files)
self.oneshoot_plotB.[Link](self.one_shoot)
self.upl_T1.[Link](self.select_t1)
self.upl_T2.[Link](self.select_t2)
[Link](self.slidCal1)
[Link](self.slidCal2)
self.files_path.[Link](self.file_path)
[Link](self.load_files)
[Link]([Link])
[Link]([Link])
[Link](False)
self.calendarWidget_2.setVisible(False)
[Link]()
[Link] = [Link]()
[Link](10000)
[Link](self.on_ligne)
[Link]()
[Link].axes4 = [Link]()
def update_graph(self):
self.info_label.setText('Busy')
[Link]()

57
 [Link]()
[Link]()

if [Link]() == 2 :
t11 = get_scr() + "\\[Link]"
TT1 = read_excel(t11, sheet_name='sheet1', header=0,
usecols=['time','data'])
[Link](TT1["time"], TT1["data"],
label="GHI",color='tab:red')
[Link](loc='upper right')
if [Link]() == 2 :
t22 = get_scr() + "\\[Link]"
TT2 = read_excel(t22, sheet_name='sheet1', header=0,
usecols=['time','data'])
[Link](TT2["time"], TT2["data"],
label="DHI", color='tab:green')
[Link](loc='upper right')
if [Link]() == 2 :
t33 = get_scr() + "\\[Link]"
TT3 = read_excel(t33, sheet_name='sheet1', header=0,
usecols=['time','data'])
[Link](TT3["time"], TT3["data"],
label="DNI", color='tab:cyan')
[Link](loc='upper right')
if [Link]() == 2 :
t44 = get_scr() + "\\[Link]"
TT4 = read_excel(t44, sheet_name='sheet1', header=0,
usecols=['time','data'])
[Link](TT4["time"], TT4["data"],
label="TEMPRATURE",color='tab:red')
[Link](loc='upper left')
if [Link]() == 2 :
t55 = get_scr() + "\\[Link]"
TT5 = read_excel(t55, sheet_name='sheet1', header=0,
usecols=['time','data'])

58
 [Link](TT5["time"], TT5["data"],
label="WIND", color='tab:blue')
[Link](loc='upper right')
[Link].set_title('Measured irradience')
#[Link].axes3.set_title('Measured Temperature and Wind
speed')
[Link].axes3.set_xlabel('time')
[Link].axes3.set_ylabel('temperature °C')
[Link].axes4.set_ylabel('wind m/s')
[Link].set_ylabel('irradiance W/m²')
[Link].set_xlabel('time')
[Link]()
self.info_label.setText('Ready')

def slidCal1(self):
[Link](True)
for i in range(192) :
[Link](281,i)
[Link]([Link])

def slidCal2(self):
self.calendarWidget_2.setVisible(True)
for i in range(192) :
self.calendarWidget_2.resize(281,i)
self.calendarWidget_2.[Link](self.printDateInfo2)

def printDateInfo(self, qDate):

date_frame = '{0}-{1}-{2}'.format([Link]() , [Link](),
[Link]())
[Link](date_frame)
[Link](False)

59
 def printDateInfo2(self, qDate):
date_frame = '{0}-{1}-{2}'.format([Link]() , [Link](),
[Link]())
[Link](date_frame)
self.calendarWidget_2.setVisible(False)

def one_shoot(self):

try:
self.update_graph()
except:
error_dialog = [Link](self)
error_dialog.setWindowTitle("warning!")
error_dialog.showMessage('The tables have a bad form, or maybe does
not exist. Please reload all files and try again! ')

def on_ligne(self):
if self.enligne_plotB.checkState() == 2:
try:
self.update_graph()
except:
error_dialog = [Link](self)
error_dialog.setWindowTitle("warning!")
error_dialog.showMessage('The tables have a bad form, or maybe
does not exist. Please reload all files and try again! ')

def copy_files(self):
self.info_label.setText('Busy')
cheked = []
if [Link]() == 2 : cheked += ["[Link]"]
if [Link]() == 2 : cheked += ["[Link]"]

60
 if [Link]() == 2 : cheked += ["[Link]"]
if [Link]() == 2 : cheked += ["[Link]"]
if [Link]() == 2 : cheked += ["[Link]"]
text4 = str([Link](self, "Select
Directory",expanduser("~")))
try:

if text4 != '':
[Link](text4)
#src_files = [Link](src)
for file_name in cheked:
full_file_name = [Link](src, file_name)
if [Link](full_file_name):
[Link](full_file_name,text4)
except :
error_dialog = [Link](self)
error_dialog.setWindowTitle("Error!")
error_dialog.showMessage('Directory path is not existent')

self.info_label.setText('Ready')

def select_t1(self):

t1_path, ext = [Link](self,"select new

an xlsx file",expanduser("~"),"xlsx(*.xlsx)")
if t1_path :
liii = t1_path.split("/")
loo = ""
for ii in range(len(liii)-1):
loo += liii[ii]+"/"
loo = loo[ :len(loo)-1 ]
[Link](loo)
61
 if [Link](t1_path):
T1_path=t1_path.split(".")
if T1_path[1] == "xlsx" :
[Link](t1_path,get_scr())
tto = T1_path[0]
tito = [Link]("_")
if len(tito)>=2 :
tto = tito[-1]
[Link](get_scr().replace("\\data", ""))
f = open("[Link]", "a")
[Link]("\n" + tto)
[Link]()
else :
Messsage = [Link](self)
[Link]('Error')
[Link]("File chosen is not an excel file. Please
verify the file has an 'xlsx' format")

def select_t2(self):
[Link](get_scr())
items = [Link](get_scr())
item, okPressed = [Link](self, "Select item","Items :",
items, 0, False)
if item!='' and okPressed :
if [Link](item):
buttonReply = [Link](self, 'Confirmation', "Would
you like to delete: '{}'".format(item), [Link] | [Link],
[Link])
if buttonReply == [Link]:
[Link](item)
error_dialog = [Link](self)
error_dialog.setWindowTitle("Info")
62
 error_dialog.showMessage('Item deleted successfully')

def file_path(self):
text = str([Link](self, "Select Directory" ,
expanduser("~")))
if text != '':
right_path=text

try :
[Link](right_path)
change_scr(right_path)

tabFilestonewderectoy=
["[Link]","[Link]","[Link]","[Link]","[Link]"]
text2, okPressed2 = [Link](self, "Change
directory","To copy all files to the new direction, write YES or NO",
[Link], "")
if okPressed2 and text2 == 'YES' or text2=='yes':
for fileName in tabFilestonewderectoy:
fullpath = [Link](src, fileName)
if [Link](fullpath):
[Link](fullpath, right_path)
except:
error_dialog = [Link](self)
error_dialog.setWindowTitle("Error!")
error_dialog.showMessage('Directory path is not existent')

def load_files(self):
self.info_label.setText('Loading files ... This may take a few minutes.')
items = ("10min","1h","day")
item, okPressed = [Link](self, "select period","period:",
items, 0, False)
if okPressed and item:
sheetName = item
63
 F = [Link]()
T = [Link]()
if F == '' or T=='' :
Messsage = [Link](self)
[Link]('Error ! ')
[Link]('No time period found. Please enter periode
you want')
return
try :
f = to_datetime(F)
t = to_datetime(T)
except :
Messsage = [Link](self)
[Link]('Error ! ')
[Link]('Bade date format. Please verify and reload !')
return
[Link](get_scr().replace("\\data", ""))
years_file = open("[Link]","r")
years_cont = years_file.readlines()
print(years_cont)
print([Link])
years_file.close()
strYear = str([Link]) + "\n"
if str([Link]) in years_cont or strYear in years_cont:
[Link](QCursor([Link]))
t1 = get_scr() + "\\[Link]"
t2 = get_scr() + "\\[Link]"
t3 = get_scr() + "\\[Link]"
t4 = get_scr() + "\\[Link]"
t5 = get_scr() + "\\[Link]"

try :

64
 if [Link]() != 2 and [Link]() != 2 and
[Link]() != 2 and [Link]() != 2 and
[Link]() != 2 :
error_dialog = [Link](self)
error_dialog.setWindowTitle("Info")
error_dialog.showMessage('Nothing selected !')

if [Link]() == 2 :
GHI =
readExel("{}_{}.xlsx".format([Link],sheetName),'sheet1',[ 'Date','GHI'])
[Link] = ['time', 'data']
GHI = GHI[2:]
GHI = [Link][(GHI['time'] > f) & (GHI['time'] <= t)]
[Link]=to_numeric([Link],errors='coerce')
GHI.to_excel (r"{}".format(t1), index = False, header=True ,
sheet_name='sheet1')
if [Link]() == 2 :
DHI =
readExel("{}_{}.xlsx".format([Link],sheetName),'sheet1',[ 'Date','DHI'])
[Link] = ['time', 'data']
DHI = DHI[2:]
DHI = [Link] [(DHI['time'] > f) & (DHI['time'] <= t)]
[Link]=to_numeric([Link],errors='coerce')
DHI.to_excel (r"{}".format(t2), index = False, header=True ,
sheet_name='sheet1')
if [Link]() == 2 :
DNI =
readExel("{}_{}.xlsx".format([Link],sheetName),'sheet1',[ 'Date','DNI'])
[Link] = ['time', 'data']
DNI = DNI[2:]
DNI = [Link] [(DNI['time'] > f) & (DNI['time'] <= t)]
[Link]=to_numeric([Link],errors='coerce')
DNI.to_excel (r"{}".format(t3), index = False, header=True ,
sheet_name='sheet1')
65
 if [Link]() == 2 :
temp =
readExel("{}_{}.xlsx".format([Link],sheetName),'sheet1',[ 'Date','Tamb'])
[Link] = ['time', 'data']
temp = temp[2:]
temp = [Link] [(temp['time'] > f) & (temp['time'] <= t)]
[Link]=to_numeric([Link],errors='coerce')
temp.to_excel (r"{}".format(t4), index = False, header=True ,
sheet_name='sheet1')

if [Link]() == 2 :
win = readExel("{}_{}.xlsx".format([Link],sheetName),'sheet1',[
'Date','WS'])
[Link] = ['time', 'data']
win = win[2:]
win = [Link] [(win['time'] > f) & (win['time'] <= t)]
[Link]=to_numeric([Link],errors='coerce')
win.to_excel (r"{}".format(t5), index = False, header=True ,
sheet_name='sheet1')
except :
error_dialog = [Link](self)
error_dialog.setWindowTitle("Error!")
error_dialog.showMessage('Load file error !')

else :
error_dialog = [Link](self)
error_dialog.setWindowTitle("Error")
error_dialog.showMessage('Sory no data for selected year !')
[Link]()
self.info_label.setText('Ready ')

def forcastAdmin(self) :
[Link](get_scr().replace("\\data", ""))
66
 [Link] = MatplotlibWidgetF()
[Link]()

def Usersmanage(self):
[Link](get_scr().replace("\\data", ""))
[Link] = UsermanagerWindow()
[Link]()

"""
class Login([Link]):
def __init__(self, parent=None):
super(Login, self).__init__(parent)
labell = [Link](self)
pixmap = QPixmap('GEP_LOGO.ico')
[Link](pixmap)
#[Link](30,40)
[Link]("Login")
[Link](QIcon('GEP_LOGO.ico'))
[Link] = [Link](self)
[Link] = [Link](self)
[Link]([Link])
[Link] = [Link]('Login', self)
[Link]([Link])
[Link]("Enter Username Here")
[Link]("Enter Password Here")
layout = [Link](self)
[Link](labell)
[Link]([Link],0)
[Link]([Link],1)

67
 [Link]([Link])
def handleLogin(self):
if ([Link]() == 'admin' and
[Link]() == 'admin'):
[Link]()
else:
[Link](
self, 'Error', 'Bad user or password')

"""
class Login([Link]):
def __init__(self, parent=None):
super(Login, self).__init__(parent)
loadUi("[Link]",self)
[Link](QIcon('GEP_LOGO.ico'))
[Link]("Login")
[Link]([Link])

def handleLogin(self):
if ([Link]() == 'admin' and
[Link]() == 'admin'):
[Link]()
else:
[Link](
self, 'Error', 'Bad user or password')

class ADDUSER([Link]):
def __init__(self, parent=None):
super(ADDUSER, self).__init__(parent)
loadUi("FicheID_UI.ui",self)
[Link](QIcon('GEP_LOGO.ico'))

68
 [Link]([Link])
self.pushButton_2.[Link]([Link])
def readExel(path,SN,CN):
[Link](get_scr())
[Link]()
return read_excel(path, sheet_name=SN, header=18, usecols=CN)
def dispatchSheets(pat) :
xl = ExcelFile(pat)
sh_names = xl.sheet_names
print(xl.sheet_names)

C1=[Link](sh_names[0])
C2=[Link](sh_names[1])
C3=[Link](sh_names[2])
C4=[Link](sh_names[3])
pp1 = get_scr() + "\\2017_10min.xlsx"
pp2 = get_scr() + "\\2017_1h.xlsx"
pp3 = get_scr() + "\\2017_day.xlsx"
pp4 = get_scr() + "\\2017_month.xlsx"
#df.to_excel(r'Path where you want to store the exported excel file\File
[Link]', sheet_name='Your sheet name', index = False)
C1.to_excel (r"{}".format(pp1), index = False, header=True ,
sheet_name='sheet1')
C2.to_excel (r"{}".format(pp2), index = False, header=True ,
sheet_name='sheet1')
C3.to_excel (r"{}".format(pp3), index = False, header=True ,
sheet_name='sheet1')
C4.to_excel (r"{}".format(pp4), index = False, header=True ,
sheet_name='sheet1')
def PlotFile(pf):
[Link](get_scr())
[Link]()

return read_csv(pf, sep=";",parse_dates=[0],date_parser=parser )

69
def change_scr(new_scr):
scr=new_scr
#def prepareFiles():
def get_scr():
return src
def parser(x) :
return [Link](str(x),"%Y\\%m\\%d %H:%M")

locallist = []
src=[Link]("data")
'''
app = QApplication([])
window = MatplotlibWidget()
[Link]()
app.exec_()

'''

if __name__ == '__main__':

import sys
app = QApplication([Link])
login = Login()

if login.exec_()== [Link]:
window = MatplotlibWidget()
[Link]()
[Link](app.exec_())

else:

70
window = MatplotlibWidget()
window.upl_T1.setVisible(False)
window.upl_T2.setVisible(False)
[Link](False)
[Link](False)
#window.label_5.setVisible(False)
window.files_path.setVisible(False)
window.frame_4.setVisible(False)
[Link](160,10)
"""
window.oneshoot_plotB.move(640,50)
window.enligne_plotB.move(660,100)
window.label_2.move(600,30)
[Link](490,40)
[Link](490,60)
[Link](490,80)
[Link](490,100)
[Link](490,120)
[Link](240,50)
[Link](90,40)
[Link](90,60)
[Link](90,80)
[Link](90,100)
[Link](90,120)
[Link](180,30)
"""
[Link]()
[Link](app.exec_())

71
 Année Universitaire : 2019 -2020

Photo auteur

Projet de Fin d'Etudes en

Génie Electrique & Télécommunications
Auteur: ELGUAMOUZ Abderrahmane Promotion: 2020

Titre : Prévision du rayonnement solaire

Soutenance :

Structure d’accueil: IRESEN

Logo
Résumé :
En raison de l'intégration croissante de l'énergie solaire dans le réseau électrique, la
prévision du rayonnement solaire devient essentielle. En effet, cette intégration peut
offrir une meilleure qualité de service si la variation de l'irradiation solaire peut être
prévue avec une grande précision.
Ce document présente une présentation des méthodes actuelles utilisées pour prévoir
le rayonnement solaire afin de faciliter le choix de la méthode de prévision en fonction
des besoins. Notre travail commence par une présentation des modèles physiques et
des techniques basées sur l'imagerie des nuages, les approches statistiques sont
détaillées. Enfin, nous donnons des résultats de prévisions avec une application
réaliser sous la volonté de l’organisme d’accueil.

Mots clés :

Summary :
Due to the increasing integration of solar energy into the power grid, forecasting solar
radiation is becoming essential. Indeed, this integration can offer a better quality of
service if the variation in solar irradiation can be predicted with a high degree of
accuracy.
This document presents a presentation of current methods used to predict solar
irradiance in order to facilitate the choice of the forecast method according to the
needs. Our work begins with a presentation of physical models and techniques based
on cloud imagery; statistical approaches are detailed. Finally, we give forecast results
with an application carried out under the will of the host organization.

Key words :