La prédiction et lanalyse de lénergie solaire photovoltaïque [601199]

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 1

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 2

Dédicace

Je dédie ce travail à :

Mes très chers parents pour leurs sacrifices, et qui n’ont jamais cessé de m’encourager et de me
soutenir durant ma vie que Dieu me les gard e.
Mes frères : Mohamed, Hassan, Ibrahim
Mes sœurs : Fatima, Zahra , Khadija
Mes amis

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 3

Remerciement s
J’aimerais en premier lieu remercier mon dieu Allah qui m’ a donn é la volonté et le courage
d’accomplir c e travail.
Je présente mes sincères remerciements à mon encadrant M. Abde nnaser BOUROUHOU
pour avoir dirigé mes travaux de recherche, pour sa disponibilité ainsi que pour sa confiance qu’il
m’a accordé au long de ce projet .
Je suis très reconnaissant à M . Abdelhakim EL HENDOUZI pour l’intérêt qu’il a porté à
ce projet et pour ses précieuses conseilles et remarques .

J’adresse mes remerciements aux membre s de jury présidé par Mr. A.JILBAB et Mr. J.EL
MHAMDI pour leur pré sence et pour leur volonté d’ accepter de juger ce travail .
Mes remercie ments s’adressent également à :
M. Abdellah El GHARAD le directeur de l’école.
Tous mes professeurs qui m’ont enseignés au long de mes études de master Génie Electrique
Tous le corps professoral, administratif et pédagogique de l’école normale s upérieure de
l’enseignement technique de R abat.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 4

Abstract

In this project we discuss forecasting of PV power to be injected into a grid. The PV power is a
nonlinear and a variable parameter, conditioned by many factors such as weather parameters like
irradiance and ambient temperature. Therefore, we present a forecasting approach based on
artificial neural network s (ANN s). The type of neural network chosen in this study is the NARX
model. We have used two parameters for simulating this neural network. The irradiance and the
ambient temperat ure. All simulation results show that this model is performed for forecasting the
PV power. For analyzing the simulation results we have calculated the RMSE. Further, we have
studied the DATA MINING as a performing tool for analyzing the PV power forecasti ng.

Keywords: photovoltaic energy, prediction, neural network, analysis .

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 5

Résumé
Dans ce projet de fin d’étude nous avons travaillé sur la prédiction et l’analyse de l’énergie solaire
photovoltaïque. Malheureusement , à cause du caractèr e intermittent d’énergie solaire
photovoltaïque , elle n’est injectée que de manière limitée a u sein des réseaux électriques, ce qui
justifie la néces sité de recours à d’autres moyens résolva nt ce principal défaut . Notre étude s’inscrit
dans le cadre d’une prédiction de l’énergie solaire photovoltaïque dont l’ultime objectif est de
quantifier l’énergie disponible afin d’optimiser cette énergie intermittente . Nous avons fait une
modélisation d u module PV pour montrer l’influence des condition s climatique s sur les grandeurs
électriques à savoir la tension le courant et la puissance. Pour la prédiction nous avons fait confiance
à une approche de s réseaux de neurones artificiels basée sur le modèle mathématique performant
non linéaire de régression N ARX . L’application de cet algorithme à une installation photovoltaïque
de test (3KW) nous a permis d’obtenir des résultats sur quatre horizons de temps susceptibles
d’intéresse r un gestionnaire d’une ferme PV : 24 heures , 48h, 168h, 3 mois et un an. L’apprentissage
du réseau de neurone NARX a été fait par le biais de la fonction Marquardt -Levenberg . Toute
analyse sur ce modèle montre une racine minimale de l'erreu r quadratique moyenne (RMSE) . La
dernière partie de ce travail a été consacrée à l’étude d’une méthode d’analyse de la prédiction en
générale et en particulier à l’analyse de la prédiction de l’énergie solaire photovoltaïque. Il s’agit bel
et bien de l’outil DATA MINING. Cette approche a prouvé son fort intérê t à l’analyse des données.

Mots clés : Energie photovoltaïque , prédiction , réseau de neurones, Analyse .

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 6

ملخص

من خالل مشروع نهاية الدراسة هذا نناقش فيه تنبؤ وتحليل توليد الطاقة الكهروضوئية التي يتم ادماجها في الشبكة الكهربائية. غير
أن الطاقة الكهروضوئية هي طاقة غير الخطية وذات عوامل مؤثرة متغيرة، ومشروطة بالعديد من العوامل مثل عوامل الطقس مثل اإلشعاع
الشمسي ودرجة الحرارة المحيطة .ولذلك، فإننا نقدم مقاربة للتنبؤ على أساس الشبكات العصبية ذكية (الشبكات العصبية الصناعية ). بحيث
أن نوع الشبكة العصبية المختار في هذه الدراسة تقوم على النموذج . NARX وقد استخدمناعاملين أساسيين لمحاكاة هذه الشبكة العصبي و
هما اإلشعاع الشمسي ودرجة الحرارة المحيطة .ت ظهر جميع نتائج المحاكاة أن هذا النموذج ذو أداء عالي في تنبؤ توليد الطاقة الكهروضوئية .
ولتحليل نتائج المحاكاة قمنا بحساب نسبة الخطأ المتوسط RMSE .كمعيار العتماد النتائج المحصل عليها وعالوة على ذلك، درسنا استخراج
البيانات عبر DATA MINING كأداة أداء لتحليلتنبؤ توليد الطاقة الكهروضوئية .

الكلمات المفتاح: الطاقة الكهروضوئية، التنبؤ، الشبكة العصبية الذكية، التحليل.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 7
Table des matières
Dédicace ………………………….. ………………………….. ………………………….. ………………………….. ……………………… 2
Remerciements ………………………….. ………………………….. ………………………….. ………………………….. ……………. 3
Abstract ………………………….. ………………………….. ………………………….. ………………………….. ………………………. 4
Résumé ………………………….. ………………………….. ………………………….. ………………………….. ……………………….. 5
ملخص ………………………………………………………. ………………………………………………………. …………………………… 6
Introduction générale ………………………….. ………………………….. ………………………….. ………………………….. ….10
I. Chapitre 1 : L’énergie solaire Photovoltaïque ………………………….. ………………………….. …………………. 13
1.1 Introduction ………………………….. ………………………….. ………………………….. ………………………….. ….13
1.2 Historique ………………………….. ………………………….. ………………………….. ………………………….. ……. 13
1.3 Energie Solaire ………………………….. ………………………….. ………………………….. ………………………….. 13
1.3.1 Le solaire sur le contexte international ………………………….. ………………………….. ……………… 14
1.3.2 Le solaire sur le contexte national ………………………….. ………………………….. …………………….. 14
1.4 L’énergie so laire photovoltaïque ………………………….. ………………………….. ………………………….. ….15
1.4.1 Principe du photovoltaïque ………………………….. ………………………….. ………………………….. ….15
1.4.2 La technologie des capteurs photovoltaïques ………………………….. ………………………….. …….. 15
1.5 Le système photovoltaïque ………………………….. ………………………….. ………………………….. ………… 17
1.6 La description de la ferme photovoltaïque ………………………….. ………………………….. ……………….. 18
6.1 La situation d’étude ………………………….. ………………………….. ………………………….. ……………….. 18
6.2 Les caractéristiques du panneau solaire PV ………………………….. ………………………….. …………… 19
1.7 La prévision et la prédiction ………………………….. ………………………….. ………………………….. ………. 20
1.8 Conclusion ………………………….. ………………………….. ………………………….. ………………………….. ……21
II. Chapitre 2 : Modélisation du Photovoltaïque ………………………….. ………………………….. …………………. 22
2.1 Introduction ………………………….. ………………………….. ………………………….. ………………………….. ….22
2.2 Présentation de modèle ………………………….. ………………………….. ………………………….. …………….. 22
2.3 Modélisation de la cellule photovoltaïque ………………………….. ………………………….. ………………… 22
2.4 Simulation et validation du modèle ………………………….. ………………………….. …………………………. 24
2.4.1 L’influence de l’éclairement solaire ………………………….. ………………………….. ………………….. 25
2.4.2 L’influence de la température ………………………….. ………………………….. ………………………….. 26
2.4.3 L’influence des pertes ………………………….. ………………………….. ………………………….. ………… 26
2.4.4 L’Influence du facteur de qualité de la diode ………………………….. ………………………….. ……… 28
2.4.5 Le rendement de module PV ………………………….. ………………………….. ………………………….. ..28
2.5 Simulation de modèle de la ferme PV ………………………….. ………………………….. ………………………. 29
2.5.1 La ferme photovoltaïque ………………………….. ………………………….. ………………………….. …….. 29
2.5.2 Le rendement de la ferme ………………………….. ………………………….. ………………………….. ……30

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 8
2.6 Conclusion ………………………….. ………………………….. ………………………….. ………………………….. ……31
III. Chapitre 3 : La Prédiction de l’énergie solaire photovoltaïque ………………………….. …………………… 32
3.1 Introduction ………………………….. ………………………….. ………………………….. ………………………….. …….. 32
3.2 La prédic tion de l’énergie solaire ………………………….. ………………………….. ………………………….. ……. 32
3.3 Réseaux de neurones ………………………….. ………………………….. ………………………….. ……………………. 33
3.3.1 Présentation ………………………….. ………………………….. ………………………….. ……………………… 33
3.3.2 L'architecture multicouche ………………………….. ………………………….. ………………………….. …..34
3.3.3 Sélection des Variables d'entrée ………………………….. ………………………….. ………………………. 34
3.3.4 Complexité du Réseau de Neuron es ………………………….. ………………………….. …………………. 34
3.3.5 Apprentissage des Réseaux de Neurones ………………………….. ………………………….. ………….. 35
3.3.6 Généralisation et Performance ………………………….. ………………………….. ………………………… 35
3.3.7 L’interruption prématurée d’apprentissage ………………………….. ………………………….. ……….. 35
3.3.8 Données de Test et Interruption Prématurée ………………………….. ………………………….. …….. 35
3.4 La prédiction avec les réseaux de neurones ………………………….. ………………………….. …………………. 36
3.4.1 Prédiction des Données Futures ………………………….. ………………………….. ………………………. 36
3.4.2 Description de réseaux de ne urones artificiels ………………………….. ………………………….. …..36
3.5 Le modèle NARX ………………………….. ………………………….. ………………………….. ………………………….. .38
3.6 Simulation de modèle de Prédiction ………………………….. ………………………….. ………………………….. ..39
3.6.1 Données d’entrainement de réseau NARX ………………………….. ………………………….. …………. 39
3.6.2 Entrainement du réseau de neurone ………………………….. ………………………….. ………………… 40
3.6.3 Algorithme d’entrainement ………………………….. ………………………….. ………………………….. ….42
3.6.4 Adoption du modèle NARX ………………………….. ………………………….. ………………………….. …..43
3.7 Résultats et discussion ………………………….. ………………………….. ………………………….. ………………….. 43
3.7.1 Les résultats ………………………….. ………………………….. ………………………….. ………………………. 43
3.7.2 Paramètres de performances ………………………….. ………………………….. ………………………….. .46
3.8 Analyse des résultats ………………………….. ………………………….. ………………………….. …………………….. 49
3.9 Conclusion ………………………….. ………………………….. ………………………….. ………………………….. ………. 50
IV. Chapitre 4 : Outils d’analyse de prédiction : le Data Mining ………………………….. ……………………… 51
4.1 Introduction ………………………….. ………………………….. ………………………….. ………………………….. ….51
4.2 Le Data Mining ………………………….. ………………………….. ………………………….. ………………………….. 51
4.3 Découverte de connaissances ………………………….. ………………………….. ………………………….. …….. 53
4.4 Les techniques et outils du data Mining ………………………….. ………………………….. …………………… 54
4.5 Le Data Mining et l’analyse ………………………….. ………………………….. ………………………….. ………… 55
4.6 Préparation de données dispo nibles ………………………….. ………………………….. ………………………… 55
4.7 La normalisation de données ………………………….. ………………………….. ………………………….. ……… 56

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 9
4.8 L’exploitation de l’analyse ………………………….. ………………………….. ………………………….. ………….. 56
4.9 Conclusion ………………………….. ………………………….. ………………………….. ………………………….. ……57
Conclusion Générale ………………………….. ………………………….. ………………………….. ………………………….. ……58
Bilan ………………………….. ………………………….. ………………………….. ………………………….. ………………………….. 58
Perspectives ………………………….. ………………………….. ………………………….. ………………………….. ………………. 60
Références bibliographique ………………………….. ………………………….. ………………………….. ……………………… 61
Annexes ………………………….. ………………………….. ………………………….. ………………………….. …………………….. 62

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 10

Introduc tion générale

C’est dans ce mémoire du master que s’inscriv ent les travaux menés dans ce projet de fin
d’étude sur la prédiction et l’analyse de l’énergie solaire photovoltaïque.
Le Maroc est peu doté en ressources énergétiques conventionnelles et import e 96 % de son
énergie. Or, le Royaume doit répondre à une demande croissante (environ 7 % par an) à cause de
son essor économique et de sa croissance démographique. Pour relever ces défis, Le Maroc a mis en
place une politique énergétique nationale favorab le au développement des énergies renouvelables et
qui vise à porter à 42% la contribution de ces énergies dans la production électrique en 2020 [1].
Cette nouvelle stratégie a pour objectifs , la séc urité d'approvisionnement et la disponibilité
de l'énergie , l'accès généralisé à l'énergie à des prix raisonnables , la maitrise de la demande et la
préservation de l'environnement.
L’énergie solaire est parmi les pil iers de cette nouvelle stratégie énergétique visant à répondre
aux besoins du marché en matière de l’énergie électrique , le Maroc a investi dans ce secteur à travers
des centrales thermo -solaires (CSP) et photovolta ïques (PV) reliées au réseau électrique national.
Cette enthousiaste stratégie énergétique marocaine, vise au développement d'une capaci té minimale
de 2000 MW d'ici 2020 à travers des projets solaires d'envergure répartis par -delà le Royaume, sur
les sites présentant les caractéristiques les plus adaptées [1].
L’énergie solaire photovoltaïque , comme toute énergie renouvelable est connu par la difficulté
de pouvoir anticiper sa capacité de production ce qui nécess ite l’innovation des procédés et des
techniques de prédiction . En fai t, pour les gestionnaires des réseaux électriques l’anticipation de la
production d’une centrale photovoltaïque est un atout qui coûte chère . Ce véritable besoin à la
prédiction de la production d’énergie a mené à plusieurs recherches universitaires sur cette nouvelle
thématique. La prédiction de l’énergie solaire photovoltaïque a pour but de quantifier l’éne rgie
disponible et de permettre une gestion optimale de la transition entre énergies intermittentes
et conventionnelles .

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 11
Une centrale solaire photovoltaïque produi t de l'énergie électrique par intermittence qui dépend e
de plusieurs paramètre s météorologiques et climatiques fluctuants (le rayonnement solaire , la
température ambiante , le vent, le passage des nuages ou le cycle du soleil …). La prédiction de
l'énergie disponible pendant différents horizons d e temps , consiste à anticiper la qua ntité de
puissance durant cet horizon de temps , en exploitant les enregistrements et les valeurs instantanées
des conditions climatiques . Grâce à ces outils de prédiction le gestionnaire de réseau surmonte le
défaut des centrales photovoltaïques et au mêm e temps il assure l’énergie indispensable pour couvr ir
la demande des consommateurs.
Dans ce présent projet de fin d’étude on s’intéress e particulièrement à l’énergie solaire
photovoltaïque, l’objectif de ce travail est la contribution aux efforts de reche rche souhaitant la
résolution de la problématique de prédiction de l’énergie solaire photovoltaïque . Notre contribution
comprend la mise en œuvre d ’un algorithme de prédiction basé sur les réseaux de neurones artificiels
NARX et l’appliquer à une installat ion photovoltaïque de 3kw .
En fait, la prédiction de la puissance produit e par un module photovoltaïque dépend de
plusieurs facteurs et paramètres relatifs à l’état du matériel et aux conditions climatiques qu’on peut
enregistrer sous forme d’une base de données . Cette base de données sera par la suite utilisée pour
fournir les informations nécessaires à la mise en œuvre des modèle s de prédiction et à l’analyse de s
résultat s.
Pour analyse r et exploiter l es résultats de prédiction , on peut faire appel aux méthodes
d’analyse statistique des données tout en exploitant les nouveaux outils et techniques de Data Mining
appliqué s à l’analyse de prédiction de l’énergie photovoltaïque . La richesse de cette application
réside dans le pouvoir de découvrir de manière automatique les relations estimées entre la puissance
développée par la station photovoltaïque et les conditions climatiques .
Ce présent rapport est structuré sous la hiérarchie suivante :
Dans le premier chapitre, nous présentons les notions générale s associée s à l’énergie solaire
photovoltaïque à savoir l’importance de ce type d’énergie renouvelable, le fonctionnement des
panneaux solaires PV, ainsi la description de l’insta llation qu’est l’objet d e notre étude .
Dans le second chapitre, nous aborderons la modélisation du module photovoltaïque , qu’est
équivalent à un circuit électrique traduisant le comportement non linéaire du module . Puis nous

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 12
présentons les caractéristiques électriques de la cellule qui montrent l’influence de la température et
le ray onnement solaire sur l es grandeurs électrique s du panneau solaire photovoltaïque .
Le troisième chap itre est destiné à la partie prédiction de la puissance photovoltaïque délivrée
par le module solaire PV. Dans cette partie nous dévoilons les résultats de prédiction issue de
l’approche basée sur le modèle à base des réseaux de neurones NARX.
La partie d’analyse de prédiction est abordé e dans le quatrième chapitre , dans lequel nous
nous somme s limité s à la présentation des technique s de Data M ining et leur intérêt pour l’analyse
des résultats de prédiction de l’énergie PV.
Nous finissons par une conclusi on générale regroupant les commentaires des résult ats
obtenus, les difficultés rencontrées et les perspectives que projetons pour un futur travail de
recherche .

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 13

I. Chapitre 1 : L’énergie solaire Photovoltaïque

1.1 Introduction

Le principal intérêt de ce chapitre est de présenter les généralités et l’état d’art sur l’énergie
solaire photovoltaïque. Le recours à l’énergie solaire photovolta ïque en tant qu’énergie
renouvelable, les technologies des capteurs photovoltaïques, la description de la petite ferme
photovoltaïque sur laquelle port notre étude, et le fonctionnement des modules PV sont les élément
de ce premier chapitre.

1.2 Historique

Découvert en 1839 par Antoine Becquerel, à la fin du XIXème siècle, L’énergie solaire
photovoltaïque est une énergie électrique produite à partir du rayonnement solaire. Cette énergie est
dite renouvelable, car sa source est considérée comme inépuisable à l'échelle de temps humaine. Les
premières applications ont lieu dès les années 60 avec l'équipement de satellites spatiaux. Puis à
partir de 1970, les premières utilisations terrestres ont concerné l'électrification des sites isolés.
Aujourd’hui l’améliora tion des performances du photovoltaïque fait l’objet de recherches soutenus
et en très nette croissance de la part de plusieurs pays [2].

1.3 Energie Solaire
Le monde s’est industrialisé et les besoins en énergie se multiplient de façon
exponenti elle pour soutenir tant l’évolution économique que les besoins en termes de confort et
de consommation des populations. Actuellement, nous arrivons à un moment critique de
l’exploitation en énergie : nous réalisons la fragilité et l’incohérence d e notre fonctionnement.
En effet, les ressources de la planète en sédiment fossile s’épuisent, le pétrole se raréfie et,
outre les conséquences économiques, force est de constater que soit il faut trouver des

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 14
alternatives aux sources énergéti ques actuelles, soit trouver une alternative à notre mode de
civilisation même. Sans énergie, c’est tout notre quotidien qui disparait.

1.3.1 Le solaire sur le contexte international

Actuellement la principale source d’énergie au niveau mondial, provi ent des
combustibles fossiles conventionnels (pétrole, gaz naturel et charbon) qui cumulent deux
aspects négatifs importants : ils sont présents sur terre en quantité limitée, et émettent des
gaz à effet de serre lors de leur com bustion. C’est pourquoi il est nécessaire de trouver des
alternatives à leur exploitation car, comme nous l’avons vu, les besoins en électricité
s’accroissent avec les évolutions technologiques, l’industrialisation et les exigences de qualité e t
de confort de vie . Les sources d’énergies renouvelables présentent l’avantage d’être disponibles
en quantité illimitée et d’être non émettrices de GES excepté lors de la fabrication des
procédés d’exploitation.

Le l’énergie sola ire représentant 0,7 % de l’énergie mondiale, et l’énergie PV fait partie de ce
part d’énergie avec 28,6%. L’énergie solaire PV basée sur l’effet photoélectrique permet de créer
un courant électrique continu à partir d’un rayonnement électromagnét ique. Le soleil émettant
ce type de rayonnement, cette ressource a donc l’avantage d’être inépuisable et utilisable en tout
point d’un territoire [3].

1.3.2 Le solaire sur le contexte national

Le marché de l'énergie photovoltaïque connaît actuellement une très forte croissance ceci est
dû aux politiques visant répondre à la progression de la demande énergétique tout en préservant
l’environnement.
Conscient de l’avenir prometteur des énergies renouvelables, le Maroc en tant que pôle
stratégique dans le monde en bénéficiant d’un gisement solaire considérable d’une capacité de 20
000 MW, avec plus de 3 000 h/an d'ensoleillement. Actuellement le Maroc poursuit une stratégie
énergétique enthousiaste, à l’horizon 2020, 42% du parc énergétique installé est renouvelabl es, dont
14% proviendra du solaire. Ceci prouve l’intérêt donné par le pays aux énergies renouvelables et
particulièrement l’énergie solaire [1].

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 15
1.4 L’énergie solaire photovoltaïque

1.4.1 Principe du photovoltaïque

Une cellule photovoltaïque est un composant éle ctronique permettant de générer l’électricité
lorsqu’elle est exposée à la lumière. Elle peut être utilisée seule (calculatrice, horloge…) mais,
souvent, les cellules sont regroupées en série et en parallèle pour former un photo -générateur ou
module photov oltaïque (panneau solaire). Il existe plusieurs familles de cellules photovoltaïques,
les plus répandues sont les cellules photovoltaïques en silicium cristallin et les cellules en couches
minces. D’autres sont au stade de la recherche et développement [4] .

Actuellement, le silicium est le matériau le plus utilisé pour fabriquer les cellules
photovoltaïques. Il doit être purifié afin d’obtenir un silicium de qualité photovoltaïque. Il se
présente alors sous la forme de barres de section ronde ou carrée app elées lingots. Les lingots sont
ensuite découpés en wafers : fines plaques de quelques centaines de microns d’épaisseur. Ils sont
ensuite enrichis en éléments dopants pour obtenir du silicium semi -conducteur de type P ou N.
Des rubans de métal s ont alors incrustés en surface et raccordés à des contacts pour constituer des
cellules photovoltaïques [4].

Remarque
On estime qu’une cellule photovoltaïque doit fonctionner environ 2 à 3 ans pour produire
l’énergie qui a été nécessaire à sa fabrication [2].

1.4.2 La technologie des capteurs photovoltaïques
a. Les cellules photovoltaïques en silicium cristallin
Ce type de cellule est constitué de fines plaques de silicium, un élément chimique très
abondant et qui s’extrait notamment du sable ou du q uartz. Le silicium est obtenu à partir d’un seul
cristal (cellules monocristallines) ou de plusieurs cristaux (cellules multi cristallines).Les cellules au

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 16
silicium cristallin sont d’un bon rendement (14 à 15 % pour les cellules multi -cristallines et de 16 à
19 % pour les cellules monocristallines) elles représentent un peu moins de 90 % du marché actuel.

Les figures 1 et 2 représentent respectivement des cellules monocristallines et des cellules
poly-cristallines.

b. Les cellules photovoltaïques en couches minces

Les cellules en couches minces sont fabriquées en déposant une ou plusieurs couches semi –
conductrices et photosensibles sur un support de verre, de plastique, d’acier… Cette technologie
permet de diminuer le c oût de fabrication, mais son rendement est inférieur à celui des cellules en
silicium cristallin (5 à 13 %).
Les cellules en couches minces les plus répandues sont en silicium amorphe, composées de
silicium projeté sur un matériel souple.
La technologie des cellules en couches minces connaît actuellement un fort développement,
sa part de marché étant passée de 2 %, il y a quelques années, à plus de 10 % aujourd'hui.

c. Les autres types de cellu le

Les cellules photovoltaïques à concentration 
Fig. 1.1 : Cellules photovoltaïques
monocristallines.

Fig. 1.2 : Panne au solaire de 60
cellules poly cristallines.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 17
Elles sont placées au sein d’un foyer optique qui concentre la lumière. Le rendement de ces
cellules est élevé, de 20 à 30 %, mais elles doivent absolument être placées sur un supp ort mobile
afin d’être constamment positionnées face au soleil.
Les cellules photovoltaïques organiques  
Composées de semi -conducteurs organiques déposés sur un substrat de plastique ou de verre,
ces cellules photovoltaïques sont encore au stade expér imental. Elles offrent un rendement
moyennement élevé (de l’ordre de 5 à 10 %) et présentent des perspectives intéressantes de réduction
de coûts [2].

Une comparaison des trois principales technologies de capteurs photovoltaïques a
base des caractéristiqu es et des performances électrique est proposé dans l’Annexe
p1.

1.5 Le système photovoltaïque

Il est évident que dans un système photovoltaïque représente sur la figure 3 , le module
photovoltaïque à est l’élément fondamental fournissant de l’énergie au sy stème. Les autres éléments
constituant le système servent à accomplir la tache de contrôle de puissance produite par le module
photovoltaïque avant son stockage ou l’insertion au réseau électrique. P our répondre à un besoin
défini, il faut associer étroite ment tous ces éléments au système complet . Un système photovoltaïque
sera donc constitué du générateur précédemment décrit, généralement associé à l'un ou plusieurs des
éléments suivants:
– un système d'orientation ou de suivi ( augmentant le rendement ju squ’à 30% ),
– une gestion électronique ( le contrôle : stockage, mise en forme du courant, transfert de
l'énergie),
– un stockage palliant la nature aléatoire de la source solaire,
– un convertisseur DC/AC

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 18
-une charge en courant continu basse tension ou en courant alternatif standard.

La Figure 1.3, représente symboliquement les différents éléments du système le plus géné ral.
Dans la pratique, les systèmes utilisent les éléments convenables au type de charge et aux conditions
locales.

Remarque
Dans ce présent travail nous limitons seulement au module photovoltaïque avec ses paramètres
d’entrées de sorties, afin de prédire son énergie produite. Nous n’avons pas étudié les autres blocs
et éléments de système.

1.6 La description de la ferme photovoltaïque

6.1 La situation d’étude

Au long des étapes projet d’analyse de prédiction de l’énergie solaire photovoltaïque, nous
avons travaillé sur les données d’une petite ferme photovoltaïque d’une puissance de 3Kw ;
notamment pendant la phase de prédiction et d’analy se de prédiction. Cette ferme PV situé à
Nouasser dans la région de Casablanca au Maroc, contient 12 panneaux PV orienté vers le sud de
même marque et même caractéristiques techniques.

Fig. 1.3 : le schéma synoptique bref d’un système photovoltaïque

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 19
6.2 Les caractéristique s du panneau solaire PV

Dans notre cas d’étude nou s avons choisi pour la modélisation du module photovoltaïque un
modèle qui correspond à un type de panneau photovoltaïque réel (similaire aux panneaux installé à
la ferme PV de Nouassser) de type poly cristalline de 250 Wc chacun contenant 60 cellules PV e n
silicium. Ce panneau de marque ADSTI 60P est commercialisé dans le marché des énergies solaire
photovoltaïque dont les caractéristiques t echniques sont le sujet de l’étape suivante .

Les caractéristiques électriques sous les conditions de test standard (STC) fournies par le fabricant
sont :

Les données des grandeurs électriques précédent sont obtenues sous Les conditions
climatiques/géographiques de référence à savoir l’irradiation, la température ambiant et masse d’air
optique AM :

Type de cellule Poly crystalline 156x156mm
Nombres de cellule 60 (6×10)
Dimensions (AxBxC) 1640x990x35mm
Poids 19Kg
Le verre extérieur 3.2mm
Tab 1.3: Les caractéristiques mécaniques

La puissance crête maximale 250Wc
Courant court -circuit (Isc) 8.71A
Tension de circuit ouvert (Voc) 36.3V
Courant puissance maximale (Impp) 8.17A
Tension puissance maximale (Vmpp) 30.6A
Rendement de module 15.40%
Tolérance de puissance 0~+3%
Tab 1.1: Les caractéristiques électriques fournies par le constructeur.
Irradiation solaire 1000W/m2
Température de module 25°C
Masse d’ air optique AM 1.5
Tab 1.2 Les conditions de test pour les caractéristiques électriques de référence

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 20
1.7 La prévision et la prédiction

La prévision de la production d'énergie photovolta ïque dépend essentiellement du
rayonnement solaire descendant au sol qui est fortement influencé par la couverture nuageuse. Les
modèles opérationnels de prévision de production photovoltaïque sont actuellement fondés sur les
prévisions de rayonnement des modèles météorologiques pour des horizons de prévision allant de
l'infra journalier à 14 jours. Ces prévisions sont alors limitées par les fortes incertitudes des
simulations météorologiques, en particulier à échelle locale. Il existe un besoin de plus en plus
pressant pour l'amélioration de la prévision et l'estimation de son incertitude, en vue de la minimiser .

Le défaut majeur de la prévision qui se réside à l'estimation de son incertitude a pouss é vers
d’autre méthode pour l’anticipation de l’énergie solaire photovoltaïque avec plus de précision (la
figure 1.5 représente l’augmentation d’erreur tant qu’on prévoit sur un horizon très long) . La
prédiction qui est une information presque aussi importante que la prévision elle -même.
Fig. 1. 4: Exemple de d’une prévision hebdomadaire pour la région de Brussels en Belgique [5].

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 21

1.8 Conclusion

Les énergies renouvelables, dans notre cas le solaire, souffre d'un défaut : la difficulté de
pouvoir anticiper leur capacité de production. En effet, comme nous avons défini au -dessus, il
produit de l'énergie par intermittence et dépend d'éléments météorolog iques et climatiques fluctuants
(le rayonnement solaire, la température, le vent, le passage des nuages ou le cycle du soleil …). La
question maintenant est comment prédire l'énergie disponible, indispensable pour couvrir la
demande des consommateurs ?
Dans les chapitres suivants nous allons résoudre cette problématique grâce à la prédiction.
Les outils capables de fournir des prédictions de la production électrique d’un module PV à des
horizons définis peuvent aussi reméd ier l’incertitude des prévisions .

Fig. 1.5 : les erreurs de prévision en fonction des horizons de temps [6].

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 22

II. Chapitre 2 : Modélisation du Photovoltaïque

2.1 Introduction
Ce chapitre s’articule sur la modélisation mathématique de la cellule photovoltaïque et par
la suite d’un groupe de cellule formant le module photovoltaïque. Le but du modèle mathématique
est de représenter le module PV sous forme d’un modèle ayant les paramètres d’entrées/sorties. Les
équations mathématiques développées pour la modélisation de la performance du module PV (dit
aussi générateur PV) sont basées sur la caractéristique courant – tension des modules.
Pour la simulation on considère une plateforme de test de 3kWc. Les résultats du modèle de
simulation ont été comparés aux résultats expérimentaux dans les mêmes conditions de
fonctionnement et d’environnement climatique. (Une base d e données réelle).
2.2 Présentation de modèle
Le modèle à cinq paramètres adopter dans notre cas est un modèle largement utilisé . Ce
modèle traite la cellule PV comme une source de courant Iph, dépendante de l’éclairement,
connectée en parallèle avec une diode et en série avec une résistance série Rs , et une résistance
parallèle Rp représentent les pertes dans la cellule .
Les cinq paramètres apparaissant dans l’équation de la caractéristique I -V sont : le courant
photonique I ph, la rés istance série Rs, la résistance parallèle Rp, et deux caractéristiq ues de la
diode I 0 et n, ces paramètres ne sont pas des quantités mesurables et ne sont pas généralement
inclus dans les données des fabricants . Au contraire, ces paramètres ont été e stimés à partir du
système d’équation I-V pour différents points de fonctionnement ( à partir des caractéristiques
techniques données du constructeur ) [4].
2.3 Modélisation de la cellule photovoltaïque
Pour modéliser la cellule photovoltaïque on pre nd la caractéristique courant -tension (I-V) du
module qui dépend des conditions d’éclairement, de température, de vieillissement.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 23
Dans le cas idéal, la jonction PN soumise à l’éclairement photovoltaïque connectée à une
charge peut être représentée comme un générateur de courant I ph en parallèle avec une diode.

En circuit ouvert, la charge tend vers l’infini et la tension tend vers la tension du circuit
ouvert . Lorsque les résistances de contacts et les pertes ohmiques sont prises en compte
comme dans le cas réel, nous devons associer au schéma équivalent une résistance série Rs
et une résistance parallèle (shunt) Rp, le modèle de la cellule devient :

Fig. 2.1 . Circuit équivalent d’une cellule photovoltaïque [7].

La résista nce série Rs est due à la contribution des résistances de base et du front de la
jonction et des contacts face avant et arrière. La résistance parallèle Rp prend compte des effets, tels
que le courant de fuite par les bords de la cellule, elle est réduite du fait de la pénétration des
impuretés métalliques dans la jonction (surtout si cette pénétration est profonde). Ce circuit peut être
utilisé aussi bien pour une cellule élémentaire, que pour un module ou un panneau constitué de
plusieurs modules.
Dans le cas idéal, nous avons Rs qui tend vers une valeur nulle et Rp qui tend vers l’infini.
Ces résistances (Rs et Rp) représentent dans le cas réel une évaluation des imperfections de
la diode ; en considérant que Rs a une valeur faible tel que Rs<<Rp, les pentes de la
caractéristique I(V) sous illumination, calculées en I=0 (circuit ouvert) et V=0 (court -circuit),
donnent respectivement les valeurs inverses des résistances série et shunt [7].
Sous un éclairement solaire donné le courant de sortie de la cellule ( Icell) est soumis à la
forme de l’équation [9] :
𝐼𝑐𝑒𝑙𝑙=𝐼𝑝ℎ−𝐼𝑠 (exp (𝑞𝑉
𝑛𝑘𝑇)−1)−𝐼𝑝

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 24
Avec :
Iph : Le courant photonique modélisant le flux lumineux (A)
V : la tension de sortie
Is : courant de saturation inverse de la diode ;
q : la charge de l’électron (1.6 10 -19C) ;
k : la constante de Boltzmann (1.38 10 -23J/K) ;
n : le facteur de non déalité de la photopile (1< n <2) ;
T : la température de la jonctio n en K ;
Id : le courant circulant dans la diode ;
I𝑝= 𝑉𝑝𝑣+ 𝐼𝑝𝑣.𝑅𝑠
𝑅𝑝
I𝑝ℎ= 𝐺
𝐺𝑟𝑒𝑓(𝐼𝑝ℎ𝑟𝑒𝑓−µ𝑐𝑐(𝑇𝑐−𝑇𝑐𝑟𝑒𝑓))

G, Gref : ensoleillement réel et à la con dition de référence Gref =1000 W/m2 )
Tc, Tc_ref : la température de cellule, réel et à la condition de référence, Tc_ref =298 (K)
µcc= coefficient de sensibilité de l’intensité à la température (A/K)
Icc_ref : Le courant photonique sous condition référence modélisant le flux lumineux (A) .
2.4 Simulation et validation du modèl e
La modélisation mat hématique vue en haut a été appliquée pour former Le modèle de
simulation de notre panneau solaire PV. La simulation a été procédée sous l’environnement
MATLAB pour simuler le comportement de module photovoltaïque.
Après nous avons exploité ce modèle pour simulé une installation PV composée de 12
panneaux solaires (poly cristalline). Chaque panneau de dimension (1640×990×35 mm) est composé
de 60 cellules (6×10). La puissance crête totale du système est de 3 kWc. La tension optimale de
l’ensemble est de 108.9V, l’intensité de courant optimal est de 32.68A et la surface d e l’installation
est de 24.354 m2.
Remarque
La méthode de modélisation du module ou de la cellule PV la même . Les paramètres sont
les mêmes, mais seulement la tension (de circuit ouvert) qui va changer elle doit être divisé par le
nombre de cellules.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 25
Dans notre cas de modélisation nous avons choisi un type de panneau photovoltaïque
qu’est commercialisé dans le marché des énergies solaire photovoltaïque ce modèle est d’origine
allemand de réfé rence ADSTI 60P.

2.4.1 L’influence de l’éclairement solaire

Les résultats de simulation sous Matlab d’un panneau photovoltaïque sous les conditions de
test standard (STC) (25°C et 1000 W/m2) donnent les courbes I-V pour différentes valeurs de
l’irradiation sol aire avec une valeur de résistance série égale à Rs =0.1 Ω et la résistance parallèle
Rp =3 00 Ω [10]. A chaque augmentation de l’irradiation solaire, l’intensité du courant de module
croit, (Le courant photonique est donc lié au flux éclairement lumineux) cette croissance
permettant au module PV d’augmenter la puissan ce électrique et vice versa (fig ure 2 .2).
La caractéristique P-V du module fait apparaître un point de puissance maximale (MPP)
dont la tension est proche des 30V pour 1000W/m2, ce qui est bien clair sur la représentation de la
puissance en fonction de la tension conformément aux données du fabriquant.

Fig. 2.2. Caractéristiques I=f(V) et P=f(V) de module ADSTI 60P pour différentes
irradiations solaires à 25°C

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 26
2.4.2 L’influence de la tempéra ture
L’évolution de la courbe de courant en fonction de la tension pour différentes valeurs de
température s montre que le courant augmente très rapidement lorsque la température s’élève et
engendre une décroissance moins prononcée de la tension de circuit ouvert [8] (Fig. 2.3).

Fig. 2.3. Caractéristiques I=f(V) et P=f(V) de module ADSTI 60P pour différentes valeurs
températures pour un e irradiation de 1000 W /m2
2.4.3 L’influence des pertes
Les performances d’une cellule /module photovoltaïque sont d’autant plus dégradées que Rs
est grande ou que R p est faible. Dans l a figure 4 la première courbe montre l’ influence de la
résistance shunt sur la caractéristique courant en fonction de la tension et la deuxième courbe montre
l’influence de la résistance sér ie sur la même caractéristique (Figure 2.4) .
Cette influence se traduit par une diminution de la pente de la courbe de courant en fonction
de la tension dans la zone où le module fonctionne comme source de tension, à droite du point de
puissance maximum . La chute de tension correspondante est liée au courant généré par le panneau.
L’effet de la résistance série est très faible et ne se fait remarquer que pour une valeur de la résistance
parallèle proche de Rp =20 Ω

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 27

Fig. 2.4: Influence de la résistance s érie Rs et parallèle Rp sur sur la caractéristique I-V pour
une irradiation solaire 1000 W /m2 et 25 °C
La résistance parallèle est liée directement au processus de fabrication, et son influence ne
se fait sentir que pour de très faibles valeurs du couran t (proche du courant de court -circuit). La
figure 5 montre que cette influence se traduit par une augmentation de la pente de la courbe I-V du
panneau dans la zone correspondante au fonctionnement source de courant . Ceci provient du fait
qu’il faut soustra ire du courant photo nique , outre le courant direct de la diode, un courant
supplémentaire variant linéairement avec la tension développée.

Fig. 2.5. Influence de la résistance série Rs et parallèle Rp sur P=(V) pour une irradiation
solaire 1000 W /m2 et 25 °C

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 28
2.4.4 L’Influence du facteur de qualité de la diode
Les valeurs les plus faible du facteur de qualité affaiblissent le genou de la courbe pour
la caractéristique courant/tension, cependant la puissance c hute tant que le facteur démuni .

Fig. 2.6. Influence du facteur de qualité de la diode sur les caractéristiques P -V et I -V.
2.4.5 Le rendement de module PV
La puissance électrique produite par le panneau est appelée puissance crête en Watt crête
pour ce présent cas elle est égale à 250Wc. Le r endement η (en %) de la conversion
photovoltaïque pour un panneau est calculé par la relation η=Puissance crête
1000 . 𝑆𝑢𝑟𝑓𝑎𝑐𝑒 [4]. Il est de l’ordre

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 29
de 10 à 15% sous les conditions standards de test (25 °C et 1000W/m2). Pour notre panneau choisi
de 250W et d’une surface de 1.640 m2 le rendement vaut η =15.40 %, ce qui veut dire que ce genre
de panneau est rentable et de très bon performance.

2.5 Simulation de modèle de la ferm e PV
2.5.1 La ferme photovoltaïque
Cette ferme photovoltaïque com porte 12 panneaux PV ( deux panneaux en parallèles et six
panneaux en séries) de type poly cristallin de 250 Wc chacun contenant 60 cellules monté en série.
Cette ferme photovoltaïque couvre une surface de 19.48 m2 et d’une puissance to tale de 3 KW c.
Ces panneaux, orientés vers le sud et inclinés de 3 0°, sont connectés à un bloc de contrôle
comportant un système regroupant un régulateur de charge/décharge , une batterie et un onduleur
assurant la conversion continu/alternatif et débitant sur un réseau et les accessoires de liaison (ces
blocs ne son t pas inclus dans cette étude).
L’insta llation est simulée sous l’environnement Matlab en utilisant le modèle adopté et par
la suite les résultats obtenu pour les caractéristiques courant/puissance en fonction de la tension pour
différentes conditions climatiques. La simulation montrent la puissance crête totale de la ferme est
3 kWc . La tension optimale de l’ensemble est de 52V, l’intensité de courant optimal est de 57.7A.

Fig. 2.7. Caractéristique s I-V et P -V de la ferme pour différentes valeurs d’irradiation
solaires avec T= 25 °C Rp= 300 Ω Rs=0.1 Ω

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 30
Les performances techniques de l’installation traduite dans les courbes précédents (figure
2.7) montre que pour un rayonnement variant entre 400W/ m2 à 1000W/ m2 le courant maximum
croit de 28A à 70A et la puissance maximum varie entre 1300W à 3000W.

Fig. 2.8. Caractéristique I-V et P -V de la ferme pour différentes valeurs de la température avec
l’irradiation solaires de 1000W/m2 Rp= 300 Ω Rs=0.1 Ω
Pour l a figure 2.8 montre la dépendance entre la température et la tension ceci et très visible
sur des courbes qui montre l’influence de la température sur la tension (variation de la température
de 10 °C à 60 °C ).
2.5.2 Le rendement de la ferme
La puissance électri que crête produite par l’ensemble de s panneaux de la ferme
photovoltaïque égale à la sommation des puissances de chaque panneau. La ferme regroupe 12
panneaux d’une puissance crête de 250Wc ce qui d onne une puissance totale de 3KW c.
Le rendement η de la conversion photovoltaïque pour la ferme photovoltaïque est établi
par la relation η=Puissance crête
1000 . 𝑆𝑢𝑟𝑓𝑎𝑐𝑒 [4]. Il est aussi de l’ordre de 10 à 15% sous les conditions standards
de test (25°C et 1000w/m2). Pour notre l’insta llation de 3KWc qu’est d’une surface de 19.48m 2 le
rendement vaut η =15.4004 %.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 31

2.6 Conclusion
Au long de ce chapitre , nous avons modélisé le module photovoltaïque par le modèle
(empirique à une diode ) à 5 paramètre s. Cette modélisation a pour but de simuler le fonctionnent
réel du panneau solaire PV et son comportement instantané qui caractérise ses performances dans
différentes conditions climatiques .
D’après les résultats obtenus , les performances du module à savoir le courant et la tension
sont fortement influencées particulièrement par l’irradiation solaire et la température du panneau
PV. Ainsi l’augmentation de la résistance série , le facteur de qualité de la diode, et la décroissance
de la résistance parallèle engendre une dégradatio n de la courbe I (V) au niveau du coude.
Le principal intérêt de ce chapitre est de donner un modèle simpl e et exploitable dans les
chapitres suivant s, pour la prédiction et en suite l’analyse en se basant sur les résultats obtenus et
des enregistreme nts des grandeurs électriques du module solaire photovoltaïque.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 32

III. Chapitre 3 : La Prédiction de l’énergie solaire photovoltaïque

3.1 Introductio n
Dans ce chapitre, nous commençons par expliquer les réseaux de neurones artificiels, en
insistant sur l es notions d’ordre général. En suite nous dégagerons la méthodologie de prédiction
développée en détaillant le modèle utilisé. La méthode de prédiction est basé e sur les réseaux de
neurones artificiels plus précisément le modèle NARX .
3.2 La prédiction de l’énergie solaire
2.1 Exigence s de la prédiction
La prédiction de l’énergie intermittente consiste à anticiper la quantité d’énergie possible
dans un horizon de temps bien défini , à partir des données d’entrées et donc de faciliter la gestion
de l’éne rgie de module PV. La maîtrise de la prédiction pourrait certainement permettre
d’augmenter le seuil de la production. L’intégration des énergies renouvelables (ER) au sein de s
réseaux électriques est une problématique importante. Une partie de la solution pour l’intégration
des ER intermit tentes au sein du réseau électrique réside donc dans la prédic tion des différentes
ressources [11].
Cependant la production de l’énergie électrique par un module photovoltaïque dépend de
nombreux facteurs. L’inclinaison des panneaux, leur technologie et la température influe nçant sur
la production mais le rayonnement solaire reçu reste le facteur majeur de variation de la puissance
(courant et tension) produite. Le besoin de prédire cette énergie apparait da ns les réseaux électriques
locaux basés sur l’énergie renouvelable (ex. villages isolés). Il semble nécessaire pour le
gestionnaire de réseau x électrique s de maîtriser la prévision des ressources en ER et de s’équiper
des moyens de prédiction pour la gestion et le stockage ou l’injection dans le réseau.
2.2 Les méthodes de prédiction
Les modèles prédictifs sont également utilisés pour l'identification du système (ou la
modélisation dynamique), dans lequel on construit des modèles dynamiques de s systèmes

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 33
physiques. Ces modèles dynamiques sont importants pour l'analyse, la simulation, la surveillance et
le con trôle d'une variété de systèmes .
Dans la littérature d’identification des système s non linéaire , plusieurs méthodes ont été
mises au point. Ces méthodes utilisent des modèles paramétrés de classe dynamiques non linéaires
ayant une entrée et une sortie , qui peut servir à la prédiction [12] :
 Modèle NARX (Nonlinear AutoRegressive with eXogenous inputs)
 Modèle NARMAX (Nonlinear AutoRegressive M oving Average with
eXogenous inputs)
 Modèle NOE (Nonlinear Output Error)
 Modèle NFIR (Nonlinear Finite Impulse Response)
 Modèle NBJ (Nonlinear Box -Jenkins)
Pourtant il existe plusieurs modèles de prédiction, aussi la liste ci -dessus ne regro upe qu’une
partie de quelques prédicteurs parmi maints existants . La méthode suivie dans notre étude est celle
de réseaux de n eurones à base du modèle NARX.
3.3 Réseaux de neurones
3.3.1 Présentation
Les Réseaux de Neurones Artificiels
(RNA), fabriqués à partir de structures cellulaires
artificielles, constituent une approche permettant
d'aborde r sous des angles les problèmes de
perception, de mémorisation, d'apprentissage et de
raisonnement, en d'autres termes d'Intelligence
Artificielle. A tra vers diverses applications les
réseaux de neurones sont destinées sur une vaste variété de domaines où sont susceptibles d’apporter
des solutions efficaces et élégantes : reconnaissance de formes, contrôle non destructif, filtrage
d’informations textuelles , bio -ingénierie, formulation de matériaux nouveaux, modélisation de
procédés industriels non linéaire, contrôle de l’en vironnement et la robotique, etc. [16].
Comme nous venons de l’annoncer, un neurone réalise simplement une fonction non linéaire,
param étrée, de ses variables d’entrée (données numériques) d’un procédé industriel. En général, les
Fig. 3.1. Le schéma de principe d’un réseau
de neurone

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 34
réseaux de neurones artificiels ( RNA ) sont co mposé s de trois couches (figure 3. 1), une couche
d'entrée, des couches cachées et une couche de sortie.
3.3.2 L'architec ture multicouche
L'architecture Perceptrons multicouches est
la plus fréquemment utilisée actuellement (figure
3.2). Chaque neurone va calculer une somme
pondérée de ses entrées qu'il va transmettre à une
fonction de transfert f afin de produire ses sorti es.
Pour chaque couche du réseau, il existe également
un terme de biais. Un biais est un neurone dans
lequel la fonction d'activation est en permanence
égale à 1. Comme pour les autres neurones, un biais
se connecte aux neurones de la couche précédente par l'intermédiaire d'un po ids, généralement
appelé seuil [14].
3.3.3 Sélect ion des Variables d'e ntrée
Le nombre de variables d'entrée s et de sortie s dépend de problème étudié. La variable cible
est censée dépendre des entrées donc son choix est clair. Mais en reva nche le choix des entrées pose
d’incertitudes. En fait le bon choix des variable s d’entré es a une importance décisive pour la
modélisation prédictive. Au cas où nous intégrons des entrées qui n'ont pas véritablement de lien
avec la variable objective, nous pouvons par exemple détériorer sans nous en rendre compte la
performance du réseau de neurones. À l'inverse, une variable de données comportant un nombre
insuffisant d'entrées pourra ne jamais être modélisée de façon précise par un réseau de neurones.
Le schéma de réseau de neurones (figure 3 .2) totalement connecté à trois entrées, quatre
unités cachées (neurones), et trois sorties. La couche cachée et la couche de sortie possèdent un
terme de biais. Le biais est un neurone qu i émet un signal d'intensité 1 .
3.3.4 Complexité du Réseau de Neurones
La complexité des réseaux de neurones se mesure par le nombre de neurones dans la couche
cachée. Plus un réseau de neurones comporte de neurones, plus le système sera flexible mais
également complexe. Des réseaux de neuro nes flexibles permettent d'approcher des fonctions de
n'importe quelle complexité entre les variables d'entrée s et les variables cible s.
Fig. 3.2. Les Réseaux de Neurones
Perceptron Multicouches [14].

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 35
3.3.5 Appren tissage des Réseaux de Neurones
Une fois que nous avons choisi l'architecture du réseau de neurones, nous devons déterminer
les autres par amètres ajustables du modèle qui sont les poids qui permettent de connecter les entrées
aux neurones cachées et les neurones cachés aux neurones de sortie. Le processus d'ajustement de
ces paramètres est connu sous le nom d'appren tissage du réseau de neurones ayant des entrées x et
les cibles y. C'est au cours de ce processus que le réseau de neurones va apprendre à modéli ser les
données de telle sorte à ce que pour toute entrée x, produira une sortie y m aussi proche que possible
de y.
3.3.6 Généralisatio n et Performance
La performance des réseaux de neurones se mesure par la manière dont ils savent prévoir des
données inconnues aux paravents. Ce processus e st connu par la généralisation qui s'exprime par
une tendance au sur ajustement de s données d'apprentissage s'accompagnant d'une difficulté à
prévoir de nouvelles données.
3.3.7 L’interruption prématurée d’apprentissage

Le graphe de l'apprentissage d'un réseau de
neurones avec interruption prématurée (figure 3 .3).
Montre qu’nous poursuivo ns l'apprentissage du
réseau de neurones pendant un certain nombre de
cycles tant que l'erreur de test continue à diminuer.
Dès que l'erreur de test commence à augme nter,
l'apprentissage prend fin [ 16].
Remarque
Le nombre de cycles nécessaires pour l'appr entissage d'un modèle de réseau de neurones avec
des données de test et un arrêt prématuré peut varier. En théorie, nous devons poursuivre
l'apprentissage de réseau pendant autant de cycles que nécessaire, tant que l'erreur de test diminue.
3.3.8 Données de Test et Interruption Prématurée
La plus courante techniques de résoudre l e problème de sur ajustement consiste à utiliser des
données de test. Les données de test sont en fait un échantillon de réserve qui n'est jamais utilisé
pour l'apprentissage. Il est en r evanche utilisé pour valider la manière dont un réseau se comporte
Fig. 3.3: le graphe d’erre ur d'un réseau
de neurones avec le point interruption
prématurée [16].

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 36
pour modéliser la relation entre les entrées et les valeurs cible s à mesur e que l'apprentissage
progresse [17].

3.4 La prédiction avec les réseaux de neurones
Réseaux de neurones artificiels à diverses applications dans la simulation de la modélisa tion
des systèmes non linéaires [16]. L'aspect le plus intéressant pour nous des réseaux de neurones
artificiels est leur application pour la prédiction . En raison de complexité et de non linéarité e ntre
une série d'entrées et une autre de sorties, les réseaux de neurones nous a apporté des vrais solutions.
Dans ce cadre nous avons utilisé les RNA pour la prédiction de l’énergie solaire photovoltaïque à
court terme (horaire), à moyen terme (journalier ) ainsi au long terme.
3.4.1 Prédiction des Données Futures
Nous avons u tilisé un modèle de réseau de neurones que nous avons déjà entraîné ( que nous
avons déjà créé ) pour réaliser des prédictions sur de nouvelles données avec des variables ayant été
générées p ar les mêmes processus et relations sous -jacentes que le jeu de données original qui a été
utilisé pour l'apprentissage du modèle. Le processus qui consiste à utiliser des réseaux de neurones
pour réaliser des prédiction s futures est con nu sous le nom de d éploiement.
Remarque
Lors de déploiement des modèles de réseaux de neurones, Il ne faut pas extrapoler, c'est -à-
dire introduire dans le modèle de réseau de neurones des valeurs d'entrées qui diffèrent de façon
significative de celles qui ont été utilisée s pour l'apprentissage du réseau.
3.4.2 Description de réseaux de neurones artificiels
Sur la figure 3.4 nous avons un exemple de réseau de neurones récurrent numérique. La sortie
du réseau est une fonction non seulement des poids, des biais, et l'entrée du ré seau, mais aussi des
sorties du réseau aux points précédents dans le temps.
Ce réseau est composé d'une couche non linéaire cachée et une couche de sortie linéaire. Les
entrées u (k -1), u (k – 2), …, u (k – nu) Sont multipliés par les poids 𝜔𝑢𝑖𝑗 , sorties y m(K – 1), y m(K –
2), …, y m(K – ny) sont multiplié par les poids 𝜔𝑦𝑖𝑗et additionnés à chaque noeud caché. Puis le signal

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 37
additionné à un nœud active une fonction non linéaire. La fonction d'activation des neurones cachés
est la fonction tangente hyperbolique sigmoïde [12].
La sortie estimée d’un réseau de neurones est exprimé sous forme :
ym(k)=∑ ωivi+bnH
i=0
Avec :
nH : est le nombre de nœuds cachés
ωi : représente le poids qui relie le
nœud i dans la couche cachée et le
nœud de sortie;
bi : représente le poids biaisé pour i –
ème neurone caché et est un poids
biaisé pour le neurone de sortie [12].
vi=𝑒𝑛𝑖−𝑒−𝑛𝑖
𝑒𝑛𝑖+𝑒−𝑛𝑖
ni=∑ u(k−j)𝜔𝑢𝑖𝑗+nu
i=1
∑ 𝑦𝑚(k−j)𝜔𝑦𝑖𝑗+ny
j=1b𝑖

L’erreur est utilisée pour ajuster les coefficients de pondération et les biais du réseau par
l'intermédiaire de la minimisation des éléments suivants la fonction:
𝜀=1
2[𝑦(𝑘)−ym(𝑘)]2
En utilisant le gradient décent, le poids et le biais des règles peuvent être décrite comme suit [12]:
𝜔𝑢𝑖𝑗(𝑘+1)=𝜔𝑢𝑖𝑗(𝑘)−𝜂𝜕𝜀
𝜕𝜔𝑢𝑖𝑗
𝜔𝑦𝑖𝑗(𝑘+1)=𝜔𝑦𝑖𝑗(𝑘)−𝜂𝜕𝜀
𝜕𝜔𝑦𝑖𝑗 Fig. 3.4. L’architecture de réseau de neurones récurrent
numérique [12].

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 38
𝑏𝑖(𝑘+1)=𝑏𝑖(𝑘)−𝜂𝜕𝜀
𝜕𝑏𝑖

La relation déte rministe entre certaines grandeurs d’entrées de module et les grandeurs
électriques que l’on veut prédire, alors on est ramené à un problème de détermination de la fonction
de régression de la propriété envisagée, en fonction des descripteurs choisis.
L’utilité du RNA de faire construire un modèle de prédiction de certaines grandeurs
électriques de module photovoltaïque à partir d’une base de données.
3.5 Le modèle NARX
La technique de réseau de neurone utilisé est basée sur une approche appuyant sur un modèl e
non linéaire. Le modèle autorégressif non linéaire avec des entrées exogènes (NARX) est un réseau
dynamique récurrent, avec des connexions de rétroaction renfermant plusieurs couches du réseau.
[15].
L'équation définissant le modèle NARX (Nonlinear Auto Regre ssive avec des entrées exogènes est :
𝑦(𝑘)=𝑓(𝑦(𝑡−1),𝑦(𝑡−2),…,𝑦(𝑡−𝑛𝑦),𝑢(𝑡−1),𝑢(𝑡−2),…,𝑢(𝑡−𝑛𝑢))
Pour le modèle RNA utilisés dans ce travail,
nous avons deux niveaux (niveau 1 couche d'entrée
et le niveau 2 ou la couche de sortie), les équations
de prédiction générales pour le calcul de la valeur
suivante de la série temporelle y (k + 1) (sortie) en
utilisant le modèle de la figure 3.6, le passé
observation u (k), u (k – 1), …, u (k – j u ) Et du passé
les sorties y (k), y (k – 1), …, y (k – j y ) Comme
entrées, peut être écrit sous la forme [13]:

Fig. 3.5.L’architecture de modèle NARX
avec la ligne d’entrée à retard [13].

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 39
𝑦(𝑘+1)=Φ0{𝑤𝑏0+∑𝑤ℎ0.Φℎ(wℎ0+∑ w𝑖ℎ𝑢(𝑘−𝑖)+∑ 𝑤𝑗ℎ.𝑦(𝑘−𝑗)𝑑𝑦
𝑗=0)𝑑𝑢
𝑖=0𝑁
ℎ=1}
Pour le modèle de la figure 3.7, les équations de prédiction pour calculer la valeur de
sortie y (k + 1) en utilisant le passé observations u1(K), u1(K – 1), …, u1(K – du) pour le premier
séries chronologiques, les dernières observations u2(K), u2(K – 1), …,u2(K – du) Pour la deuxième
série chronologique et le passé les sorties y (k), y (k – 1), …, y (k – jy) Comme entrées. L a valeur de
sortie peut être écrite sous la forme [13] :
𝑦(𝑘+1)=
Φ0{𝑤𝑏0+∑𝑤ℎ0.Φℎ(wℎ0𝑁
ℎ=1
+∑ w𝑖1ℎ𝑢1(𝑘−𝑖1)𝑑𝑢1
𝑖1=0
+∑ w𝑖2ℎ𝑢2(𝑘−𝑖2)𝑑𝑢2
𝑖2=0
+∑ 𝑤𝑗ℎ.𝑦(𝑘−𝑗)𝑑𝑦
𝑗=0)}

L’apprentissage est efficace dans les
réseaux NARX que dans les autres neurones
réseau (la descent e de gradient est meilleure dans
NARX), ces réseaux convergent plus rapidem ent
et généraliser mieux que d' autres réseaux [12].

3.6 Simulation de modèle de Prédiction
3.6.1 Données d’entrainement de réseau NARX
L'ensemble de données que nous avons utilisé pour l’apprentissage de réseau de neurone, est
réparti sur un an (8760heures) d’enregistrements de température ambiants, d’irradiation solaire et
de puissance débité par une installation photovoltaïque d’un site solaire de 3KWc à Nouasser à la
de Casablanca . Selon le type d'acquisition, la présentation des données, l'intervalle de temps entre
Fig. 3.7. NARX avec deux tapota lignes
à retard pour deux séries temporelles
appliquées à l’entrée NARX

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 40
les mesures, il convient de les modifier avant la tâche de vérification et de traitement. C’est pour
cela que nous avons fait la normalisation de ces séries de données (voir le chapitre suivant
préparation de données).
Ainsi les données proviennent d’un type de fichier Excel contenant l’irradiation solaire, la
température et l’éclaire ment avec un pas d’enregistrement d’environ une heure .
Nous avons traité un ensemble de données sur plusieurs horizons de temps : 24 heures,
48heures, 168heures (une semaine), 2160heures (horizon saisonniè re) et 8760heures (un an) .

3.6.2 Entrainement du réseau de neurone
Nous avons fait l’entrainement du réseau de neuro ne sous l’environnement Matlab à base
des données présenté ci -dessus. Nous commençons l ’entrainement du réseau par le lancement de
la fenêtre et le choix de l’ assistant des séries temporelles dynamiques, puis la sélection de données
de l’horizon désiré et ensuit e nous démarr ons l’entrai nement du réseau illustré sur la figure 3.9 (la
démarche d’entrainement est détaillée dans l’Annexe).
Fig. 3.8. Extrait d’une série de données utilisé pour l’entrainement de réseau pendant 24 h eures.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 41

Réseau RNA avec des nombres de neurones était construit et testé par les logiciels Matlab.
Auparavant nous avons importé les données expérimentale s de 8 760 heures d’enregistrement ont
pour les utilisées comme entrée s/sorties du réseau RNA . Parmi ces données, nous avons utilisé pour
tous les expériences 70% des données l’apprentissage, 15% pour la validati on, et 15% pour tester.
Le nombre des couche s caché es a été choisi de 10 couches et un retard de 2. L’algorithme Lev enberg
Marquardt a été appliqué pour les couches cachées, Les paramètres d’entraînement de l’algorithme
sont présentés dans le tableau 3.1.
Époques entre les écrans 1
Numéro Maximum de Époques pour former 1000
temps Maximum pour former en quelques
secondes 0.00
objectif de performance 0.241
les échecs de validation Maximum 6
Facteur à utiliser pour la mémoire / compromis
de vitess e –
erreur de gradient Maximum 1.00e -07
μ initial 1.00e -03
μ facteur de diminution 0.0001
μ facteur d'augmentation –
Maximum μ 1.00e+10
Tab. 3.1. Exemple des valeurs paramètres d’e ntraînement des algorithmes du réseau RNA
168 heures.
Fig. 3.9. L’entrainement du réseau de neurone sous l’environnement Matlab.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 42
Le modèle NARX utilisé pour la prédiction des sort ies (adapter les cible aux entrées ) du
réseau de neurones, est élaboré pour observer sur sa capacité à pré dire de la puissance du module
photovoltaïque , en utilisant différents données d’une base des données. L es enregistrement s du
rayonnement solaire et d e température horaire pendant un an ont été utilisés comme données
d'apprentissage, la validation, et le test . La performance du modèle a été examinée à l'aide de
statistiques de performance standard : coefficient de détermination (R), Er reur quadratique m oyenne
(RMSE), erreur moyenn e de polarisation (MBE) et l’erreur moyenne absolue (MAE).
Lors de l’entrainement le modèle NARX sélection les données objectif en trois types :
L’apprentissage : Ceux -ci sont présentés au réseau lors de la formation, et le ré seau est ajusté en
fonction de son erreur .
La validation : Ceux -ci sont utilisés pour mesurer la généralisation du réseau, et de mettre un terme
à la formation quand la généralisation arrête l'amélioration .
Test : Ceux -ci sont sans effet sur la formation e t ainsi de fournir une mesure indépendante de la
performance du réseau pendant et après la formation .
3.6.3 Algorithme d’entrainement
Nous avons travail avec l’algorithme Levenberg marquardet comme fonction de formation
du réseau (trainlm sous Matlab ) qui met à jour les valeurs de poids et de polarisation. Nous avons
utilisé cet algorithme de rétropropagation qu’est souvent le plus rapide dans la boîte à outils, car il
est fortement recommandé comme un premier choix supervisé [13], bien qu'il ne nécessite plus d e
mémoire que d'autres algorithmes. Comme indiqué par une augmentation de l'erreur quadratique
moyenne des échantillons de validation
Formation arrête automatiquement lorsque la généralisation arrête l'amélioration, comme
indiqué par une augmentation de l' erreur quadratique moyenne des échantillons de validation.
Nous avons aussi abandonné l’ algorithme de Scaled conjugate radient et Bayesian
regulation , puisque il s prenn ent génér alement plus de temps, mais peuvent entraîner une bonne
généralisation des ense mbles de données difficiles, petits ou bruyants.
Le réseau est créé et formé sous forme de boucle ouverte, comme illustré la figure 3.10 .
Boucle ouverte (une seule étape) est plus efficace que l’entrainement en boucle fermée (en plusieurs

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 43
étapes). Boucle ouverte nous permet
de fournir le réseau avec des sorties
passées correctes, nous nous
entraînons pour produire les sorties
courant es correctes.

Après la création , le réseau
peut être converti en forme de
boucle fermée, ou toute autre forme,
que l'applic ation nécessite .

3.6.4 Adoption du modèle NARX
Le réseau neuronal NARX reçoit une série de données de la température, l’irradiation solaire
en tant que entrée et la puissance comme sa sortie. La comparaison des résultats avec d’autres
méthode et modèle montre que le modèle NARX réseau neuronal a une plus grande capacité à
prédire.
Remarque
L’entrainement plusieurs fois va générer des résultats différents en raison des différentes
conditio ns initiales et échantillonnage, généralement nous le fessant plusieurs f ois pour démunir
l'erreur quadratique moyenne .
3.7 Résultats et discussion
3.7.1 Les résultats
A la fin de chaque création d’un modèle de prédiction de puissance PV avec le réseau de
neurone, pour chaque horizon de temps nous obtenons les résultats de modèle préd icteur qui prédit
la sortie cible (la puissance PV) en se basant des enregistrements de température et de l’irradiation
solaire et des sortie estimés précédentes.

Fig. 3.10. L’architecture du réseau en boucle ouvert et en
boucle fermé

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 44
Horizon de temps de 24 heures
Le premier horizon sur lequel nous avons applique notre métho dologie de prédiction de
puissance PV est l’horizon court terme de 24 heures :
Horizon de temps de 48 heures
Le deuxième horizon sur lequel nous avons applique notre méthodologie de prédiction de
puissance PV est l’horizon court terme de 48 heures :

Fig. 3.11. La prédiction de puissance PV sur un horizon court terme de 24 heures.
Figure :

Fig. 3.12. L a prédiction de puissance PV sur un horizon court terme de 48 heures.
Figure :

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 45
Horizon de temps de 168 heures
Le troisième horizon sur lequel nous avons applique notre méthodologie de prédiction de
puissance PV est l’horizon moyen terme de 168 heures (une semaine) :
Horizon de temps de 2160 heures
Le quatrième horizon sur lequel n ous avons applique notre méthodologie de prédiction de
puissance PV est l’horizon long terme de 2160 heures (saisonnières ) :

Fig. 3.14. La prédiction de puissance PV sur un horizon long terme de 2160 heures.
Figure :

Fig. 3.13. La prédiction de puissance PV sur u n horizon moyen terme de 168 heures.
Figure :

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 46
Horizon de temps de 8760 heures
Le dernier horizon sur lequel nous avons applique notre méthodologie de prédiction de
puissanc e PV est l’horizon très long terme de 8760 heures (un an).
3.7.2 Paramètres de performance s

Tous d’abord il convient de présenter les principau x paramètres standards d’erreurs
spécifiques à notre modèle. Ensuite nous exposons leurs valeurs pour chaque horizon de temps dans
le but de validé le modèle adopté pour cet horizon :
Coefficient de détermination (R) est un indicateur qui permet de juger la qualité d’une
régression linéaire, simple ou multiple.
D’une valeur comprise entre 0 et 1, il mesure l’adéqua tion entre le modèle et les données
observées. Dans le cadre d’une régression linéaire simple, c’est le carré d u coefficient de corrélation
Fig. 3.15. La prédiction de puissance PV sur un horizon très long terme de 8760 heures.
Figure :
Apprentiss age Validation test
Horizon 24 heures 9.99919 -1 9.99973 -1 0
Horizon 48 heures 9.99761e -1 9.98898e -1 9.87128e -1
Horizon 168 heures 9.99404e -1 9.98916e -1 9.91276e -1
Horizon 2160 heures 9.96405e -1 9.94973e -1 9.97096e -1
Horizon 8760 heures 9.96443e -1 9.95808e -1 9.96870e -1
Tab. 3.2. La valeur de coefficient de détermination (R) pour différents horizons.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 47
[13]. La régression R a des valeurs mesurent la corrélation entre les sorties et les cibles. Une valeur
de R 1 si gnifie une relation étroite, 0 une relation aléatoire .
L’erreur quadratique moyenne MSE (Mean Square Error) est très utile pour comparer
plusieurs estimateurs, notamment lorsque l'un d'eux est biaisé.
𝑀𝑆𝐸 =𝐸[(𝑥̂−𝑥)2]=𝐸(𝑥̂−𝑥)+𝐸[(𝑥−𝐸(𝑥))2]

Cette valeur de MSE n’est pas très significative pour une interprétation absolue de
l’indicateur [11]. En effet, on pourra utiliser cet indicateur pour hiérarchiser deux prédicteurs su r
un problème donné, mais on ne pourra pas facilement donner un sens à cette erreur de prédiction.
Pour manipuler une erreur basée sur la même échelle que la mesure, on peut utiliser le RMSE (Root
Mean Square Error) défini par :
𝑅𝑀𝑆𝐸 =√𝑀𝑆𝐸
Apprentissage Validation test
Horizon 24 heures 9.29427e -4 3.78625e -5 1.29238 -2
Horizon 48 heures 5.99547e -5 6.13594e -4 4.89032e -3
Horizon 168 heure s 1.13557e -4 4.16764e -4 1.73860e -3
Horizon 2 160 heures 5.11867e -4 6.418385e -4 4.86927e -4
Horizon 8760 heures 5.79207e -4 6.63315e -4 5.50047 e -4
Tab. 3.3. Les valeurs de MSE pour différents horizons.

RMSE
Horizon 24 heures 0.0033
Horizon 48 heures 0.0116
Horizon 168 heures 0.0335
Horizon 2 160 heures 0.0231
Horizon 8760 heures 0.0244
Tab. 3. 4. Les valeurs de RMSE pour différents horizons.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 48
L’ensemble de critères de performance s et paramètres d’erreurs sont exposés dans l’annexe.
MAE : l’erreur moyenne abs olue (Mean Absolute Error ), est une quantité souvent
utilisée pour mesurer l’écart des prédictions et des mesures. Sa formule est donnée par :

𝑀𝐴𝐸 =〈|𝑥−𝑥̂|〉

Fig. 3.17 : L’erreur MAE calculé entre la pu issance PV mesuré et prédite (pour 24h et 48h).

Fig. 3.16. L’évolution de l’ensemble d’erreurs (MSE) lors de l’entrainement de réseau pour
l’horizon 8760 heures.
MAE
Horizon 24 heures 0.0080
Horizon 48 heures 0.0142
Horizon 168 heures 0.0211
Horizon 2160 heures 0.0118
Horizon 8760 heures 0.0119
Tab. 3.5. La valeur de MAE pour différents horizons.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 49
La MAE est moins sensible aux erreurs import antes . Ainsi, diminuer le MAE signifiera
améliorer en moyenne la pré diction,
MBE le biais moyen (Mean Bias Error ), est défini comme étant l’écart algébrique
moyen entre la sim ulation et la mesure, sa formule est :
𝑀𝐵𝐸 =|𝑥−𝑥̂|

3.8 Analyse des résultats

Les données mesurées durant un an de l’installation photovoltaïque 3KWc ont été utilisés
pour l’apprentissage , les tests et validation du réseau de neurones . Les résultat s du modèle NARX
adopté pour la prédiction de la puissance (donc l’énergie) de la petite ferme photovoltaïque, montre
que ce prédicteur a réussi à prédire la puissance PV de deux pas en avant (avec moins d’erreur) ce
qui satisfaite nos objectif.
MBE
Horizon 24 heures 0.0200
Horizon 48 heures 0.0028
Horizon 168 heures 0.0011
Horizon 2160 heures 0.0013
Horizon 8760 heures 0.000544
tab. 3.6 : la valeur de MBE pour différents horizons.

Fig. 3.18 : L’erreur MAE calculé entre la puissance PV mesuré et prédite (pour une semaine).

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 50
Les figur e 3.11 -15 montrent une comparaison de s valeurs mesurés et les valeurs
prédites en utilisant le réseau NARX. Cette comparaison est basée cinq horizon de temps (un jour,
deux jour, une semaine, un saison, un an). L'analyse comparative des différents horizons de temps
utilisant des statistiques de performance de base (coefficient de détermination (R ), Erreur
quadratique moyenne ( MSE) , erreur moyenne absolu et erreur moyenne de polarisation (MBE)) a
été calculée e t est montré dans les tableaux 3.2 -6. Le modèle de prédiction a fourni des meilleure s
performance s, à savoir, le MSE le plus bas et le plus élevé R, de période de formation et de
validation.
Les résultats de cinq réseaux de neurone créé avec NARX indiquent que la capacité prédictive
est médiocre pour un horizon de temps plus court par rapport avec d’autre s horizons de temps très
long. En effet, ce dernier défaut est dû à la nature des enregistrements donnés utilisé pour la
formation de réseau de neurone. Comme nous l’avons déjà annoncé précédemment les données de
la température et de l’irradiation solaire ainsi de la puissance sont d’un pas d’une heure entre deux
enregistrements. Ceci ne va en aucun cas dévaloriser notre prédicteur qu’y a montré sa capacité très
bonne résultats pour la prédiction de l’énergie photovoltaïque pour les horizons long terme.

3.9 Conclusion

En conclusion de ce chapitre , nous avons vu que la méthode proposé pour l’ estimation de
l'énergie solaire photovoltaïque est effectué par la prédiction de la puissance de module PV.
L’approche de prédiction est formée de réseaux de neurones à base de modèle NARX.
Les résultats de modèle prédicteur servant de l’ensemble de donn ées des conditions
climatiques et des enregistrements horaire de puissance montr e une bonne la précision de prédi ction .
Ce prédicteur utilisant l’algorithme d’apprentissage , est validé par une analyse une comparative
entre les données estimées et les données mesurées , qu’ont montré que le modè le NARX a une
grande capacité prédire la puis sance horaire du panneau PV avec une faible erreur .
Sur la base de ces résultats satisfaisante , dans le chapitre suivant nous présentons une
étude introductive d’une technique d’analyse en vue de l’utiliser pour l’analyse de prédic tion relative
à la puissance photovoltaïque.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 51

IV. Chapitre 4 : Outils d’analyse de prédiction : le Data Mining

4.1 Introduction
Dans ce dernier chapitre qu’est réservé à l’analyse de prédiction de l’énergie solaire
photovoltaïque, mais nous limitons notre travail à la présentation des techniques de feuille d e
données (Data Mining). Ainsi les opportunités offertes par le Data Mining pour l’intérêt de l’analyse
des résultats de prédiction de l’énergie PV.
Notre objectif majeur de l’étude de cette technique de statistique, est d’envisager la
possibilité de réali ser une application d’ analyser des résultats de prédiction de l’énergie
photovoltaïque. C’est dans ce sens qu’nous fessons appel aux méthodes d’analyse statistique des
données tout en exploitant les nouveaux outils et techniques de Data Mining appliqués. L e Data
Mining a des applications diverses sur le marketing ; mais pour notre travail, nous avons besoin de
lui apporter certaines adaptations pour l’exploiter dans l'analyse du modèle de prédiction
photovoltaïque.
Le choix du Data Mining pour l’analyse est dû à la richesse de cette technique qui réside
dans le pouvoir de découvrir des connaissances et des relations entre les données renforçant l'analyse
prédictive. L’extraction de ces connaissances permet d’en faire des applications aidant à l’estimation
de la puissance développée par le module photovoltaïque en tenant compte des conditions
climatiques donné.
4.2 Le Data Mining
1.2 Définition
La feuille de données (Data Mining) désigne l’ensemble des outils permettant à l’utilisateur
d’accéder aux données volumine uses et à en extraire de manière automatique des connaissances
intéressantes et inconnues, imprévues, a priori. Outils ayant pour objectif de générer des
informations riches à partir des données [20].
On pourrait aussi définir le Data Mining comme une déma rche ayant pour objet de découvrir
des relations et des faits, à la fois nouveaux et significatifs, sur de grands ensembles de données.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 52
Cette technique de Data Mining permet la découverte de connaissances, l'apprentissage et l'analyse
prédictive.

1.3 L’emploi de Data Mining
Nous restreindrons ici le terme de Data Mining aux outils ayant pour objet de générer des
informations riches à partir des données de l’entreprise, notamment des données historiques, de
découvrir des modèles implicites dans les données [20]. Ils peuvent permettre par exemple à un
gestionnaire de réseau électrique de dégager des profils des Peak time de consommation d’énergie
électrique et de prévoir les consommations futures. Il permet d’augmenter la valeur des données
contenues dans le DW (Datawarehouse).
A l’aide des outils de décision, qu’ils soient relationnels ou OLAP (multidimensional online
analytical processing ), laissent l’initiative à l’utilisateur, qui choisit les éléments qu’il veut
observer ou analyser. Au contraire, dans le cas du Data Minin g, le système à l’initiative et découvre
lui-même les associations entre données, sans que l’utilisateur ait à lui dire de rechercher plutôt dans
telle ou telle direction ou à poser des hypothèses. Il est alors possible de prédire l’aveni r, par
exemple le comportement d’une centrale solaire photovoltaïque , et de détecter, dans le passé, les
données inusuelles, exceptionnelles qui influence sur l’énergie de la centrale .
1.4 Pourquoi la data Mining ?
Ces outils ne sont plus destinés aux experts statisticiens seulement, mais doivent pouvoir être
employés par des utilisateurs connaissant leur métier et voulant l’analyser, l’explorer. Seul un
utilisateur connaissant le métier peut déterminer si les modèles, les règles, les tendances trouvées
par l’outil sont pertinents, intéressantes et utiles au phénomène étudié. Ces utilisateurs n’ont donc
pas obligatoirement un bagage statistique important.
Fig. 4.1. Les différentes étapes d’exploitation de données

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 53

4.3 Découverte de connaissances

Le data Mining est le processus central du KDD (Knowledge Discovery in Da ta bases) qui
peut être schématisé par une suite d’opérations de transformation et d’analyse des données [20].
o Nettoyage de données (Data cleaning)
o Intégration de données (Data integration)
o Sélection de données (Data selection)
o Transformation de données (Data transformation)
o Feuille de données (Data Mining)
o Evaluation des formes (Patterns evaluation)
o Présentation de connaissances (Knowledge presentation)
Les opérations de transformation et d’analyse des d onnées en détails :
 Nettoyage de données : phas e d’élimination du bruit et des données inutiles : filtrer, trier,
homogénéiser, nettoyer. Les données peuvent être incomplètes, contradictoires, ou peut
contenir des erreurs humaines ou informatiques. Lors du data cleaning les données sont
comparées, pour tenter de combler automatiquement les lacunes et Corriger les erreurs.
Fig. 4.1.L e schéma de processus Data Mining (KDD) [20].

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 54
 Intégration de données : phase d’association de multiples sources des données sous une
forme unique généralement dans le cadre de l’architecture d’une data warehouse. Cette étape
sert à régler le problème des incompatibilités de données.
 Sélection de données : les données ayant un rapport avec l’analyse demandée sont retrouvées
dans un fichier regroupant les données qui sont intéressantes.
 Transformation de données (Data transformation ) : les données sont regroupées,
normalisées, et transformées dans un format qui les prépare à l’extraction (Mining).
 Feuille de données : un processus essentiel où des méthodes intelligentes sont appliquées
pour extraire des éléments remarquables, des pat terns. Il s’agit de configurations de données
dont la structure est inhabituelle, qui présentent des corrélations imprévues, des écarts
statistiques, ou tout ce qui sort de l’ordinaire.
 Evaluation des formes : On identifie les formes intéressantes, ceux qu i représentent de
l’information. L’intérêt des patterns est évalué par les outils de Data Mining en utilisant des
règles objectives basées sur la structure des patterns et les statistiques qui les sous -tendent,
ainsi que des règles subjectives basées des v aleurs aberrantes (ce savoir est stocké dans une
base de connaissances). Par exemple, une information est intéressante si elle reflet la
dépendance entre une donnée et un autre.
 présentation de connaissances : des techniques de visualisation et de représen tation sont
utilisées pour présenter clairement à l’utilisateur le savoir extrait des données : tables, arbres,
règles, graphiques, courbes, matrices, cubes… etc., (par exemple l’interface graphique de
Rapidminer).
4.4 Les techniques et outils du data Mining
Les outils et les méthodes de data Mining utilisées se diffère en fonction de la nature des données
traité, et des connaissances recherchées [21].
o Découvertes de règles,
o Arbres de décision,
o Pattern recognition,
o Réseaux neuraux,

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 55
o Apprentissage automatique,
o Analyse des liens,
o Algorithmes génétiques
4.5 Le Data Mining et l’analyse
L’analyse des données permet de traiter un nombre très important de données et de dégager
les aspects les plus intéressants de la structure de celles -ci. Le succès de cette discipline dan s les
dernières années est dû, dans une large mesure, aux représentations graphiques fournies. Ces
graphiques peuvent mettre en évidence des relations difficilement saisies par l’analyse directe des
données ; mais surtout, ces représentations ne sont pas l iées à une opinion « a priori » sur les lois
des phénomènes analysés contrairement aux méthodes de la statistique classique.
Certaines méthodes de caractéristiques multidimensionnelles et descriptives, aident à faire
ressortir les relations pouvant existe r entre les différentes données et à en tirer une information
statistique qui permet de décrire de façon plus succincte les principales informations contenues dans
ces données. D'autres techniques permettent de regrouper les données de façon à faire appara ître
clairement ce qui les rend homogènes, et ainsi mieux les connaître.

4.6 Préparation de données disponibles
L'ensemble des données disponibles est réparti sur un an d’enregistrements de température
ambiants, d’irradiation solaire et de puissance débité pa r le module photovoltaïque. Selon le type
d'acquisition, la présentation des données, l'intervalle de temps entre les mesures, il convient de les
modifier avant la tâche de vérification et de traitement.
Ainsi les données proviennent de deux types de fichi ers Excel. Des fichiers contenant la
température et l’éclairement avec un pas d’environ une heure.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 56
Nous avons travaillé un ensemble de données sur plusieurs horizons de temps : 24 heures,
48heures, 168h eures, 2160heures et 8760heures.

4.7 La normalisation de données
Avant d’utilisation de un ensemble de données il faut toujours les normalisé, c’est
exactement ce que nous avons fait pour notre base de données des enregistrements de température,
d’irradiation solaire et de puissance de la ferme photovoltaïque . En fait, la normalisation de données
permet d'ajuster une série de valeurs (représentant typi quement un ensemble de mesures , une
variable stockant de la température, en Celsius) suivant une fonction de transformation pour les
rendre comparables avec que lques points de ré férence spécifiques (dans notre cas, les trois variables
ont des unité s et des échelles différents).
Nous avons normalisé les données avec lesquels la prédiction de l’énergie photovoltaïque est
faite, sous Matlab avec des commandes destin ées à la normalisation. Ultérieurement, il y a une
possibilité de normalisé les données essaiment avec le logiciel Rapidminer.
4.8 L’exploitation de l’analyse
Fig. 4.3. Extrait de la base de données

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 57
Directement après la préparation de données, nous commençons à les exploiter sous des
logiciels spécifiques au Data Mining qu’est le logiciel Rapidminer . Rapid miner propose des
fonctionnalités de "data mining" et de "machine learning " dont le chargement et la transformation
de données, le prétraitement et la visualisation, la modélisation, l’évaluation et le déploiement de
données résume ses fondamentaux services.
Effectivem ent, nous avons entamé cette phase d ’implémentation des algorithmes
d’extraction des connaissances et des règles d’associations pour l’analyse des données et de
prédiction de l’énerg ie solaire photovoltaïque mais le travail n’est pas encore complet pour le publier
dans ce mémoire.
Elle prévu pour cet analyse prochainement qu’elle répond aux exigences des centrales
photovoltaïque et aux gestionnaire de réseaux électrique. Cependant, l a gestion de réseau doit
anticiper à tous les horizons de temps les différentes composantes de son périmètre de responsabilité:
 prévision de consommation .
 prévision des productions « fatales » dont l’éolien et le photovoltaïque .
 programmation des moyens de production « commandables » (nucléaire, hydraulique,
gaz…) et optimisation en fonction de leurs coûts respectif .
 Optimisation de l’énergie produite.

4.9 Conclusion
Étant donné que l’application d’analyse souhaitée , nécessite un bagage sur le Data Mining
et pas mal de manipulation sous les logiciels spécifiques au trait de données. Ce dernier chapitre
était une phase introductive sur les outils et les techniques de Data Mining permettant de réaliser
une application d’analyse de données volumineux et ultérieure ment l’analyse de prédiction de
l’énergie solaire photovoltaïque.
L’outil la plus convainquant était le Data Mining qu’est un ensemble de technique de
détection de forme et des relations entre des données d’entrées en relation avec les autres de sorties.
En raison, de incomplet de travail nous reportons la diffusion des résultats aux prochains travaux de
recherche.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 58

Conclusion Générale

Nous avons énoncé dans l’introduction de ce mémoire que l'intégration d'énergie solaire
photovoltaïque au réseau électrique est très difficile , le problème se réside dans l’intermittence de
cette source d’énergie. Ce projet de fin d’ étude était donc la recherche d’un modèle de prédict ion
de l’énergie solaire PV dans le but de prévoir l’énergie disponible pour en faciliter son injection
au réseau électrique . Nous avons vu durant les chapitre s précédent s les démarche s suivi pour
atteindre les objectifs fixé pour ce PFE, nous les récapitulons dans le bilan suivant.
Bilan
Dans les deux premiers chapitres , nous avons éclaircit les généralité s traduisant l’importance
de l’énergie solaire photovoltaïque comme énergie renouvelable, nécessitant des solution s de
prédiction pour pallier son vice de discontinuité . Ensuite nous avons commencé par la modélisation
de cellule photovoltaïque avec un modèle empirique à 5 paramètre s, dont le but de simuler le
comportement instantané de la cellule solaire PV. Les résultats obtenus , montre sans aucune doute
que le courant et la tension du module PV sont fortement liées aux conditions climatiques :
l’irradiation solaire et la température ambiantes respectivement. Les caractéristiques I -V et P -V
établi par le modèle construit du panneau solaire PV, se conf orme aux données mesurées et au x
données de constructeur .
Dans le troisi ème chapitre, nous avons remarqué que la puissance PV est forte dépendante
aux conditions climatiques confirmées précédemment , nous avons établi une approche de
prédiction servant d’une base de données des enregistrements de température ambiante et d’intensité
du rayonnement solaire. Nous avons montré que notre méthodologie de prédiction basée sur
l’emploi d’un prétraitement de données et d’une modélisation connexionniste est suffisamment
robuste permettant de prédire des grandeur s électriques sur différentes horizons de temps avec des
erreurs bien satisfaisantes.
L’approche suivie pour construire des prédicteurs ayant le pouvoir de prédire la puissance
PV, était fondé e sur une modélisation connexionniste de réseaux de neurones art ificiel à base d’un
modèle mathématique de régression non linéaire NARX. L’apprentissage du réseau NARX était fait

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 59
par le biais de la fonction Marquardt -Levenberg en vue de profiter de ses performances et de sa
rapidité. Les paramètres des performances du modèle de prédiction créé sont satisfaisants avec une
racine carrée moyenne d’erreur (RMSE) minimale et le coefficient détermination (R) maximal . Sur
la base des résultats qu’ont été trouvé pendant la période d’apprentissage et de validation , le réseau
NARX est le plus convenable pour la prédiction de l’énergie solaire photovoltaïque.
La mise en œuvre du modèle de prédiction de l’énergie PV en employant un ensemble de
donn ées des conditions climatiques, a validé cet te approche par un excellent ajusteme nt entre la
puissance estimée et celle mesurée. N ous avons aussi, développé une analyse comparative entre les
données estimées et les données mesurées, cette analyse a montré que le prédicteur créé a une grande
capacité de reconnaître les liens entre les variables d'entrée s (température, irradiation solaire) et celle
de sortie s (la puissance). Sans oublier l’analyse des valeurs de l 'erreur moyenne absolue (MAE) a
montré une bonne moyenne de prédiction de la puissance PV pour la plus p art des horizons de tem ps.
Nous avons prédit l’énergie solaire PV en servant du modèle de prédiction, sur cinq
horizons de temps différents, susceptibles d’intéresser un gestionnaire d’une centrale solaire
photovoltaïque (24 heures, 48heures, 7jours, 3mois et un an ). Conce rnant la prédiction d e puissance
PV journalier (j+1) les résultats sont moins satisfaisants , du fait que l’augmentation d’erreurs
infecte la précision de prédiction . Par contre , la prédiction sur les horizons long terme a donnée des
résultats plus au moins raisonnables en raison de nombres de données employés dans la phase
d’apprentissage.
A l’issue de toutes ces essais sur différent s horizons , nous avons constaté que suivant
un horizon considéré, les résultats p euvent totalement divergés . C’est pourquoi il est nécessaire
de bien choisir le bon horizon suivant la nature de données et leur pas d’enregistrement. Le pas des
échantillons de données doit être petit le plus possible pour les horizons court et très court terme .
Etant donné qu e, l’objectif de ce projet de fin d’étude est de réalisé une Application
intellige nte de la gestion d’une ferme solaire photovoltaïque dans un Smart Grid . Conscient des
privilèges offert s par le Data Mining, n ous avons entamé une étude de découverte de cet outil en vue
d’analyse r les données de prédiction de l’énergie solaire photovoltaïque.
Les résultats initiaux d’analyse avec le Data Mining, obtenus sous Rapidminer avec la
méthode arbre de décision et méthode règles d’associations n’étaient pas convainc ants en terme de
correspondance au x objectifs désirés . Pour ce tte raison nous avons choisi de ne pas les exposés et
de penser à d’autres outils et logiciels avantageux pour améliorer notre analyse de prédiction .

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 60
Perspectives

Suite aux résultats et a perçus à la fin ce projet de fin d’étude nous pouvons noter de
nombreuses perspectives, à court ou à moyen terme. La principale étant évidemment d’essayer
de faire une étude comparative étendue de modèle de cellule et sur la ferme photovoltaïqu e.
Complét er ce projet de prédiction en utilisant des données de plusieurs conditions
climatiques; et de plusieurs grandeurs électriques
Améliorer relativement la qualité de prédiction avec des modèles plus simples pour chaque
horizon de temps . Ainsi, l’entrainement de réseau x de neurone s avec des série s de données avec des
pas plus petit s de toutes les grandeurs électriques (des enregistrements avec un pas de moins de 5
minutes) sera intéressant .
Etendre cette étude de prédiction et d’analyse de puissance et l’implémenter sur une carte de
commande et de contrôle d’un système photovoltaïque.
La prédiction de la puissance PV peut être soutenue par d’autres méthodes et application s
de prédiction et de prévision : le rayonnement global , la température, le vent, l’humidité et les
précipitations .
De plus, les méthodes de prédictions présentées, pourraient aussi être utilisables sous forme
d’application dans le cas d ’un micro -réseau. Cette application, peut développer un mic ro-réseau
électrique, et prendre charge de contrôle des outils de stockage et d’injection de l’énergie solaire
photovoltaïque au réseau voisin.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 61
Références bibliographique

[1] http://www.masen. ma/ Editeur: la MASEN , The Moroccan Agency for Solar Energy.

[2] http://www.photovoltaique.info , Editeur : L’Association Hespul spécialisée dans le
développement des énergies renouvelables et de l’efficacité énergétique.

[3] REN21 ‘’ RAPPORT MONDIAL 2012 SUR LES ÉNERGIES RENOUVELABLES ’’,
Renewable Energy Policy Network for the 21st Century .

[4] A. McEvoy, T. Markvart, L. Castaner, ‘’Solar Cells’’ materials, Manufactu re and operation,
Second Edition

[5] http://www.elia.be/fr/grid -data/production/Solar -power -generation -data/Graph , Editeur : Elia :
le gestionnaire du réseau de t ransport d'électricité à haute tension en Belgique.

[6] Julien Najac, EDF R&D. ‘’La prévision de production éolienne et photovoltaïque à EDF’’
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012

[7] M.G. Villala, J. R. Gazoli, Ruppert F. ’’MODELING AND CIRCUI T-BASED SIMULATION
OF PHOTOVOLTAIC ARRAYS’’ Brazilian Journal of Power Electronics, 2009 vol. 14, no. 1.

[8] A. Ould Mohamed Yahya, A. Ould Mahmoud, I. Youm ‘’ETUDE ET MODELISAT ION D’UN
GENERATEUR PHOTOVOLT AÏQUE ‘’ Revue des Energies Renouvelables Vol. 1 1 N°3 (2008)
[9] Marcelo Gradella Villalva, Jonas Rafael Gazoli, and Ernesto Ruppert Filho
‘’COMPREHENSIVE APPROA CH TO MODELING AND S IMULATION OF
PHOTOVOLTAIC ARRAYS ’’ IEEE TRANSACTIONS ON POWER ELECTRONICS, VOL. 24,
NO. 5, MAY 2009
[10] R. MERAHI, R. CHE NNI, M. HOUBES. ’’MO DELISATION ET SIMULA TION D’UN
MODULE PV PAR MATLAB ’’ JOURNAL OF SCIENTIFI C RESEARCH N° 0 VOL. 1 (2010)
10 International Meeting on Energetical Physics
[11] CYRIL VOYANT, Prédiction de séries temporelles de rayonnement solaire global et de
production d’énergie photovoltaïque à partir de réseaux de neurones artificiels. Thèse de doctorat.
UNIVERSITE DE CORSE -PASCAL PAOLI ECOLE DOCTORALE ENVIRONNEMENT ET
SOCIETE UMR CNRS 6134 (SPE). 16 Novembre 2011
[12] V. Rankovic, J. Radulovic, N. Grujov ic, D. Divac, ‘’Neural Network Model Predictive Control
of Nonlinear Systems Using Genetic Algorithms ’’ INT J COMPUT COMMUN, ISSN 1841 -9836
Vol.7 (2012), No. 3 (September), pp. 540 -549.

La prédiction et l’analyse de l’énergie solaire photovoltaïque |

MASTER GE 62
[13] EUGEN DIACONESCU, ‘’The use of NARX Neural Networks to predict Ch aotic Time
Series‘’ , WSEAS TRANSACTIONS on COMPUTER RESEARCH ISSN: 1991 -8755, Issue 3,
Volume 3, March 2008.
[14] H. Demuth, M, Beale M, Hagan, ‘’ Neural Network Toolbox™ User’s Guide’’ The
MathWorks ™ 2007.
[15] L. B. Mohammed, M. A. Hamdan, E. A. Abdelhafe z, W. Shaheen. ‘’Hourly Solar Radiation
Prediction Based on Nonlinear Autoregressive Exogenous (Narx) Neural Network’’, 2013 Jordan
Journal of Mechanical and Industrial Engineering. All rights reserved – Volume 7, Number 1 (ISSN
1995 -6665).
[16] André Gab riel Casaca de Rocha Vaz, ‘’Photovoltaic Forecasting with Artificial Neural
Networks’’ UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO
DE ENGENHARIA GEOGRÁFICA, GEOFÍSICA E ENERGIA 2014.
[17] http://www.statsoft.fr/concepts -statistiques/reseaux -de-neurones -automatises , éditeur :
StatSoft, Inc. Le leader dans le domaine de l'édition de logiciels analytiques globaux
[18]Carling, A. Introducing Neural Network s. Wilmslow, UK: Sigma Press. (1992).
[19] Fausett, L. Fundamentals of Neural Networks. New York: Prentice Hall. (1994).
data mining
[20] U. Fayyad, G. Piatetsky -Shapiro, P. Smyth, ‘’Knowledge Discovery and Data Mining: Towards
a Unifying Framework’’ KDD -96 Proceedings. 1996.
[21] U. Fayyad, G. Piatetsky -Shapiro, P. Smyth. ‘’An Overview of Issues in Developing Industrial
Data Mining and Knowledge Discovery Applications’’ KDD -96 Proceedings. 1996.
[22] O. Boussaid, S. Loudcher -Rabaseda. ‘’Intégration des méta -donnèes dans la fouille de
données’’ Labo ratoire ERIC, Université Lyon 2.
[23] Dr. Matthew A. North ‘’Data Mining for the Masses ’’ A Global Text Project Book 2012
[24] Ryad Zemouri, Rafael Gouriveau, Noureddine Zerhouni. Dening and applying predicti on
performance metrics on a recurrent NARX time series model. Laboratoire d'Automatique du
CNAM, FEMTO -ST Institute, UMR CNRS. 2010

Annexes