|
Résumé :
|
Lobjectif de la présente étude est de prédire lirradiation solaire globale reçue sur une surface horizontale (ISGH) en utilisant les réseaux de neurones artificiels(RNA). Ce travail est divisé en deux contributions.Dans la première contribution, une méthodologie pour l'optimisation du réseau de neurones artificiels (RNA) a été réalisée pour modéliser le rayonnement solaire horizontal en utilisant des données satellitaires pendant la période de février 2004 à décembre 2006 pour quatre villes en Algérie, ces villes sont (Adrar, Médéa, Souk-Ahras et Tlemcen) et choisies pour couvrir différents climats. Cette méthodologie est basée sur un axe principal : la sélection de la structure du RNA. Nous nous sommes focalisés surtout sur le choix de : lalgorithme dapprentissage, la technique de normalisation et larchitecture du réseau. Cela nous a permis délaborer un modèle optimal. Les résultats obtenus ont montré un bon accord entre les valeurs prédites et expérimentales, avec un coefficient de régression R dépassant les 90%, à la fin, nous avons développé une interface graphique en langage Matlab® à partir des poids synaptiques et des biais du réseau de neurones optimal élaboré. Cette démarche permet à lutilisateur davoir tous les entrés nécessaires (Jour,Latitude (°), Longitude(°),Température (K),Humidité relative (%), Pression atmosphérique (hpa), Vitesse du vent (m/s), Direction du vent (°)) à lexécution de ce modèle pour calculer la sortie (Irradiation solaire globale (Wh/m2)). La deuxième contribution consiste à développer un modèle de RNA valable pour la prédiction du rayonnement solaire sur la ville de Ghardaïa. La base de données expérimentale a été fournie par l'Unité de Recherche Appliquée pour les Energies Renouvelables (URAER) Ghardaïa Algérie, pendant lannée 2013. Les résultats obtenus sont très satisfaisants et très précis avec un coefficient de corrélation de 99,72%, une erreur quadratique moyenne (PRMSE) en pourcentage de 4.7%, et une erreur moyenne biaisée (MBE) de 0.02 %. La précision de la prédiction pour la validation interne en termes de (Q_Int^2), lerreur quadratique moyenne (PRMSE) et l'erreur moyenne biaisée (MBE) donnent 0,9984, 4,71% et 0,021% pour les trois paramètres respectivement. Tandis que la validation externe (Q_ext^2) donnent 0,9977, 5,60% et 0,42% respectivement. Dans le but de comparer la performance du RNSO, un autre modèle a été développé en se basant sur la méthodologie des régressions linéaires multiples (MLR). Les résultats trouvés montrent que le modèle neuronal est plus approprié et robuste pour la prédiction de lirradiation solaire globale reçue sur une surface horizontale.
|
