Application des réseaux de neurones profonds pour la prédiction de la puissance produite par un micro-réseau, dédié au chargement des véhicules électriques.

Abstract

Des prévisions précises à court-terme de la puissance produite par le photovoltaïque (PV) sont indispensables pour contrôler et concevoir des systèmes intelligents de gestion de l'énergie pour les microréseaux. Dans ce travail, différent types de réseaux de neurones d'apprentissage en profondeur (DLNN) pour la prévision de la puissance PV de sortie à court terme ont été développés et comparés: mémoire à longcourt terme (LSTM), unité récurrente fermée (GRU), et convolutif à une dimension Réseau neuronal (CNN1D). Une base de données de la puissance PV produite par un micro-réseau installé à l'Université de Trieste (Italie) est utilisée pour former et tester comparativement les réseaux de neurones. La performance a été évaluée sur quatre horizons temporels différents (1 min, 5 min, 30 min et 60 min), pour une et plusieurs étapes en avance. Les résultats montrent que les DLNN étudiés offrent une très bonne précision, en particulier dans le cas d'un horizon temporel de 1 min avec une longueur d'avance (le coefficient de corrélation est proche de 1).