Synthèse de prédicteurs flous de la vitesse du vent 1

Synthèse de prédicteurs flous de la vitesse du vent

K, Elloumi-Zghal1, M, Chtourou 1, M, Djemel1, A, Khamlichi2, M, Bezzazi2

R, Oulad Ben Zarouala2

1
Research Unit of Intelligent Control design and Optimization of complex Systems (ICOS), Department of
Electrical engineering, National School of Engineers at Sfax, Sfax, Tunisia, khouloud.elloumi@yahoo.fr
2
Analysis and Simulation of Systems Laboratory, Department of Physics, Faculty of Sciences at Tetouan,
Tetouan, Morocco, Khamlichi7@yahoo.es

Abstract. Since wind speed is stochastic in nature, its prediction form past time data
recording is essential to perform optimisation of wind turbine control. Various strategies have
been introduced for that. Among them one finds techniques that are based on wind speed
characteristics measured for a given site. Combination of this approach with statistical and
intelligent methods has proven to provide good predictions. In this work, fuzzy modelling
approach for synthesis of wind speed predictors is analysed. This includes non recurrent
predictor of single input single output and multi input multi output models.

Key words: Wind turbine, wind speed, Fuzzy predictor, non recurrent fuzzy predictor

Introduction :

La prédiction de la vitesse du vent est indispensable pour la commande d’une éolienne et pour
la gestion des systèmes d’approvisionnement en électricité qui comprennent des parcs éoliens.
Parmi les démarches qui existent dans ce domaine il y a celle que ne s’appuie que sur
caractéristiques du site éolien en utilisant différentes données telles que la pression, la
température et bien sûr la vitesse et la direction du vent. La combinaison de cette approche
avec des méthodes statistiques et/ou des méthodes intelligentes a permis de réaliser de bonnes
prédictions de la vitesse du vent (Riahy et al., 2008) et (Monfared et al., 2009). Dans ce
travail, on considère la synthèse de prédicteurs flous pour la prédiction de la vitesse du vent.

Systèmes flous de prédiction de la vitesse du vent:

Les systèmes flous peuvent être considérés comme des systèmes qui utilisent des règles
linguistiques pour établir des relations entre leurs variables d’entrée et de sortie. Ayant la
propriété d’approximation universelle, un modèle flou entrée-sortie est capable de reproduire
les dynamiques d’un système non linéaire. Parmi les modèles flous MF on trouve le modèle
flou entrée-sortie avec retour du système : modèle flou non récurrent (MFNR) que nous
utilisons dans cette étude. Dans ce cas, le modèle est conçu pour prédire à chaque instant la

2º Congreso Científico Internacional de Ingeniería, Algeciras 2011.

2 Écrire ici le titre de la communication / papier

sortie future du processus en se basant sur les anciennes entrées sortie du processus. Deux
modèles ont été considérés : le prédicteur flou de type Single Input Single Output SISO pour
lequel la vitesse du vent est la seule entrée du modèle et le prédicteur flou de type Multi Input
Multi Output MISO où la vitesse et la direction du vent sont les entrées du modèle flou.

16 10

9.5
14
9

12
8.5

8
10

7.5
8
7

6 6.5

6
4
5.5

2 5
0 50 100 150 200 250 250 255 260 265 270 275 280 285 290 295 300

Base d’apprentissage Base de validation

Figure 1. Evolution de la vitesse du vent réelle (trait continu) et prédite (trait hachuré) avec un MFR SISO

15 10

9.5

8.5
10
8

7.5

5 6.5

5.5

5
0 250 255 260 265 270 275 280 285 290 295 300
0 50 100 150 200 250

Base d’apprentissage Base de validation

Figure 2. Evolution de la vitesse du vent réelle (trait continu) et prédite (trait hachuré) avec un MFNR MISO

Deux bases de données ont été utilisées. La première représente les moyennes journalières de
la vitesse du vent fournie par l’institut météorologique de la région de Sfax-Tunisie. La
deuxième base représente les mesures horaires de la vitesse et de la direction du vent obtenues
à partir du site web de l’Institut Hollandais de Météorologie: station 370 d’Eindhoven. En
supposant que le domaine de chaque variable d’entrée est partitionné en 3 et que le nombre de
règles floues est égal à 9. Les figures 1 et 2 présentent les résultats de simulation pour les
prédicteurs flous SISO et MISO tous les deux de second ordre. Le prédicteur SISO ne donne
pas de bons résultats (erreur = 25.34). Le prédicteur MISO est meilleur et l’erreur n’est plus
que de 15.17. Ceci montre que les deux informations relatives à la vitesse et à la direction du
vent sont nécessaires pour synthétiser convenablement la prédiction de la vitesse du vent.

Réferences:
Riahy, G., Abedi, M., 2008. Short term wind speed forecasting for wind turbine applications using linear
prediction method. Renewable Energy 33 (1), 35–41.
Monfared, M., Rastegar, H., Kojabadi, H.M., 2009. A new strategy for wind speed forecasting using artificial
intelligent methods. Renewable Energy 34 (7), 845–848.

2º Congreso Científico Internacional de Ingeniería, Algeciras 2011.