Prévision de l'irradiation solaire globale à l'aide des méthodes d'apprentissage automatique

Abstract

Ce mémoire de fin d'études propose une approche novatrice pour la prévision de l'irradiation solaire en utilisant des méthodes d'apprentissage automatique. L'irradiation solaire joue un rôle essentiel dans de nombreuses applications, telles que la production d'énergie solaire, la planification urbaine et l'agriculture de précision. Cependant, la prédiction précise de l'irradiation solaire est un défi complexe en raison de la variabilité des conditions météorologiques et des caractéristiques géographiques. Dans ce mémoire, nous explorons l'utilisation de techniques d'apprentissage automatique, telles que la régression linéaire, les arbres de décision et les machines à vecteurs de support, pour modéliser et prédire l'irradiation solaire. Nous avons utilisé des données météorologiques exogènes pour la prédiction de l’irradiation solaire globale journalière. Les outils de validation des processus de modélisation ont été mis au point. Leurs études ont révélé qu’une très bonne concordance entre l'irradiation solaire mesurée et estimée pour les trois grandes familles de modèles proposés (LR, AD et MVS), néanmoins il très claire que les méthodes a noyaux (MSV) donne une meilleurs estimation par a port a d'autres modèles proposés. Le choix du type de MSV reste toujours primordial pour la prédiction de l'irradiation solaire (le MSV cubique donne une meilleure estimation rapport au MSV quadratique) avec un coefficient de détermination égale 0.93.