Conception et Réalisation d’un
Système Innovant de Solar Tracker
Intégrant l’IA
Rapport de stage
Réalisé par : Encadrant :
AIT KHERI MOHAMED Mr. LAMRANI Youssef
25 février 2025
Table des matières
1 Contexte du Projet 2
2 Intérêt du Projet 2
3 Objectifs du Projet 2
4 Sous-Objectifs du Projet 3
4.1 Extraction et Prétraitement des Données en Temps Réel . . . . . . . . . . . 3
4.2 Stockage et Chargement des Données . . . . . . . . . . . . . . . . . . . . . . 3
4.3 Développement et Entraı̂nement du Modèle IA . . . . . . . . . . . . . . . . . 3
4.4 Validation et Optimisation des Modèles . . . . . . . . . . . . . . . . . . . . . 3
4.5 Déploiement et Automatisation . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.6 Mise en Production et Suivi du Système . . . . . . . . . . . . . . . . . . . . 3
5 Workflow du Projet 4
1
1 Contexte du Projet
Le secteur de l’énergie évolue rapidement, avec une demande croissante pour des sources
d’énergie durable. Selon l’Agence Internationale de l’Énergie (AIE), l’énergie solaire représentait
en 2022 près de 28% des nouvelles capacités d’électricité installées dans le monde.
L’énergie photovoltaı̈que joue un rôle central dans la transition énergétique pour les
raisons suivantes :
— Abondance : La lumière solaire est disponible dans la plupart des régions du monde.
Par exemple, le désert du Sahara reçoit plus de 2 500 kWh/m²/an.
— Accessibilité : Les coûts de production des panneaux photovoltaı̈ques ont chuté de
80% au cours des dix dernières années.
— Décarbonation : L’énergie solaire permet de réduire les émissions de Dioxyde de
carbone en remplaçant les combustibles fossiles.
Cependant, cette technologie reste sensible aux variations climatiques et environne-
mentales, ce qui limite son efficacité. Par conséquent, des systèmes capables de suivre la
trajectoire du soleil et de s’adapter aux changements météo sont nécessaires pour
optimiser la production d’énergie solaire.
2 Intérêt du Projet
Avec la transition énergétique mondiale, l’énergie solaire joue un rôle crucial dans la pro-
duction d’électricité renouvelable. Les systèmes de suivi solaire (solar trackers) permettent
d’optimiser le rendement des panneaux photovoltaı̈ques en ajustant leur orientation en fonc-
tion de la trajectoire du soleil. Cependant, les solutions actuelles souffrent souvent d’un
manque de flexibilité et d’adaptabilité face aux variations climatiques imprévues.
L’intégration de l’Intelligence Artificielle (IA) et l’utilisation de bases de données solaires
en ligne offrent une opportunité unique d’améliorer ces systèmes. En optimisant en temps
réel l’angle d’inclinaison des panneaux solaires, un tracker intelligent pourrait maximiser la
production d’énergie et améliorer significativement l’efficacité énergétique.
3 Objectifs du Projet
Ce projet vise à concevoir et réaliser un solar tracker innovant intégrant des algo-
rithmes d’IA pour une optimisation en temps réel de l’orientation des panneaux solaires.
L’approche adoptée repose sur les éléments suivants :
— Développer un modèle d’IA capable de prédire et optimiser l’angle d’inclinaison
des panneaux en fonction des conditions météorologiques et des données solaires en
temps réel.
— Intégrer et exploiter des bases de données solaires en ligne pour l’apprentissage
et la validation du système.
— Concevoir un prototype fonctionnel utilisant des algorithmes de machine learning
pour s’adapter dynamiquement aux variations environnementales.
— Étudier la faisabilité d’une industrialisation du système, en prenant en compte les
contraintes de production et de rentabilité.
2
4 Sous-Objectifs du Projet
Pour atteindre l’objectif principal d’un système innovant de suivi solaire intégrant
l’IA, nous définissons les sous-objectifs suivants :
4.1 Extraction et Prétraitement des Données en Temps Réel
— Collecte des données solaires et météorologiques en temps réel depuis des sources en
ligne (Solcast, OpenWeatherMap, etc.).
— Automatisation du processus d’extraction avec Apache Airflow.
— Normalisation et structuration des données pour l’entraı̂nement du modèle IA.
4.2 Stockage et Chargement des Données
— Intégration d’une base de données pour stocker les données collectées.
— Optimisation de l’accès aux données pour l’entraı̂nement du modèle.
— Orchestration avec Airflow pour le chargement automatique.
4.3 Développement et Entraı̂nement du Modèle IA
— Sélection et entraı̂nement de modèles de régression et apprentissage profond
(Random Forest, LSTM, MLP, Decision Tree).
— Validation croisée et optimisation des hyperparamètres.
— Comparaison avec l’algorithme SPA (Solar Position Algorithm) pour évaluer la précision.
4.4 Validation et Optimisation des Modèles
— Analyse des performances des modèles sur des données en temps réel.
— Utilisation de métriques comme la production énergétique
— Ajustement du modèle en fonction des résultats.
4.5 Déploiement et Automatisation
— Conteneurisation des modèles avec Docker.
— Intégration avec Airflow pour une mise à jour continue du modèle IA.
— Développement d’une API pour l’accès aux prédictions.
4.6 Mise en Production et Suivi du Système
— Déploiement du système sur un microcontrôleur (Raspberry Pi, Jetson Nano).
— Surveillance et mise à jour automatique du modèle.
— Étude de faisabilité pour une production industrielle.
3
5 Workflow du Projet
L’image ci-dessous illustre le workflow automatisé du projet :
Figure 1 – Pipeline d’Automatisation avec Apache Airflow
Les étapes du workflow sont les suivantes :
— Extract : Récupération des données solaires et météorologiques en temps réel en
utilisant la source en ligne Solcast
— Transform : Traitement des données avec Python.
— Load : Stockage des données dans une base de données.
— Train Model : Entraı̂nement du modèle IA.
— Validation : Évaluation des performances et ajustements.
— Deploy : Déploiement du modèle avec Docker pour une utilisation en production.
Ce pipeline assure une gestion efficace et une mise à jour dynamique du système de suivi
solaire.
