Résumé:
Le suivi du point de puissance maximale (MPPT) dans les systèmes photovoltaïques est une tâche
importante et représente un défi de taille. Les systèmes de récupération d'énergie de faible puissance ont également
été conçus avec des techniques MPPT plus performantes afin d'améliorer leur rendement. Les méthodes
conventionnelles, telles que la méthode « perturber et observer » et la méthode de conductance incrémentale, sont
couramment utilisées en raison de leur simplicité de mise en œuvre. Cependant, ces méthodes présentent des
limites, notamment l'ambiguïté due à leur sensibilité aux changements rapides des conditions météorologiques et
aux oscillations autour du point de fonctionnement. L'utilisation de l'intelligence artificielle (IA) est cruciale pour
améliorer la production d'énergie des systèmes photovoltaïques dans diverses conditions climatiques. L'objectif
principal de ce travail est d'utiliser des modèles à mémoire à long terme (LSTM) pour améliorer les performances
d'un système photovoltaïque solaire. L'analyse porte sur des indicateurs de performance, notamment l'erreur
quadratique moyenne (RMSE), l'erreur absolue moyenne (MAE) et la corrélation quadratique moyenne (R²). Les
résultats de simulation démontrent la supériorité de la méthode LSTM proposée en termes de suivi des
performances et de réponse dynamique, grâce à une étude comparative des méthodes MPPT conventionnelles et
MPPT basées sur l'IA. La combinaison des techniques P&O, INC et LSTM peut aboutir à un algorithme MPPT
efficace qui exploite leurs avantages pour améliorer les performances du système.
