Vous êtes sur la page 1sur 113

Rpublique Algrienne Dmocratique et Populaire

Ministre de lEnseignement Suprieur et de la Recherche Scientifique

Universit Mouloud Mammeri de Tizi-Ouzou


Facult du Gnie Electrique et dInformatique
Dpartement dElectronique

MEMOIRE DE MAGISTER
EN ELECTRONIQUE
Option : Tldtection

Thme:

Prdiction de lirradiation solaire globale pour la rgion de


Tizi-Ouzou par les rseaux de neurones artificiels.
Application pour le dimensionnement dune installation
photovoltaque pour lalimentation du laboratoire de
recherche LAMPA.

Prsent par :
Melle TRAHI Fatiha.

Devant le jury dexamen compos de :

AMEUR Soltane

Professeur lUMMTO

Prsident

LAGHROUCHE Mourad

Maitre de confrences A lUMMTO

Rapporteur

BENFDILA Arezki

Professeur lUMMTO

Examinateur

LAHDIR Mourad

Maitre de confrences B lUMMTO

Examinateur

2011

REMERCIEMENTS
Avant tout, je remercie le bon dieu, le tout puissant de mavoir donn la force ncessaire pour mener
terme ce travail.
Ensuite, Je voudrais exprimer ma reconnaissance Monsieur LAGHROUCHE, Maitre de
confrences lUniversit Mouloud Mammeri de Tizi-Ouzou, pour son encadrement efficace, son soutien, et
sa disponibilit. Quil trouve ici lexpression de ma profonde gratitude.
Jexprime ma profonde gratitude Monsieur AMEUR Soltane, Professeur UMMTO, davoir
accept la prsidence du Jury charg dexaminer ce mmoire.

Que Messieurs LAHDIR Mourad, Matre de confrences et BENFDILA Arezki, Professeur,


lUMMTO, trouvent ici, lexpression de ma profonde reconnaissance davoir accept de faire partie du Jury.
Mes remerciements vont galement, lONM dAlger qui nous ont mis disposition les donnes
mtorologiques.
Je tiens remercier vivement les membres de ma famille qui mont toujours encourage et soutenue et
plus particulirement, ma mre et Lynda.
Enfin, je remercie, tous ceux qui ont contribu, de prs ou de loin llaboration de ce mmoire,
de mme que ceux qui ont particip ma formation, quils trouvent ici, lexpression de ma profonde
gratitude.

DEDICACES

A la mmoire de mon pre et de Fares ;


Que dieu vous accueille dans son vaste paradis.
A ma mre ;
Que dieu te garde toujours prs de moi.

Rsum :

Ce travail a t incit par le manque de mesure de l'irradiation solaire globale dans


quelques emplacements, notamment dans la rgion de Tizi-Ouzou, la donne la plus
importante pour ltude et le dimensionnement des systmes solaires photovoltaques.
En effet, plusieurs modles neuronaux prdictifs de lirradiation solaire globale moyenne
mensuelle reue sur un plan horizontal ont t dvelopps en vue de choisir le modle le plus
performant pour son estimation. De ce fait, diffrents paramtres mtorologiques et
astronomiques mesurs par la station mtorologique ou estims par des modles
mathmatiques pour la rgion de Tizi-Ouzou (36.42N, 4.03E) ont t utiliss.
Ensuite, un dimensionnement de linstallation photovoltaque alimentant le laboratoire de
recherche LAMPA de lUniversit de Mouloud Mammeri de Tizi-Ouzou continuellement
durant toute lanne par lnergie solaire photovoltaque, a t ralis. a a exig une tude
prcise du besoin lectrique, une valuation et une optimisation de lirradiation solaire reue
sur le plan des capteurs photovoltaques.
La qualit des rsultats obtenus est trs convaincante, et mne des perspectives plus
prometteuses.
Mots cls : Irradiation solaire, Rseaux de Neurones Artificiels, Prdiction, Systme
photovoltaque, Dimensionnement.

Sommaire

Sommaire
Introduction gnrale ............................................................................................................... 1
Chapitre I : Notions gnrales et systme photovoltaque
I.1. Introduction .......................................................................................................................... 4
I.2. Rayonnement solaire ............................................................................................................ 4
I.2.1. Rayonnement extraterrestre........................................................................................... 4
I.2.2. Rayonnement solaire en atmosphre terrestre ............................................................... 5
I.3. Indice de clart ................................................................................................................. 6
I.4. Irradiation solaire ................................................................................................................. 6
I.5. Dure dinsolation (Insolation) ............................................................................................ 6
I.6. Coordonnes gographiques terrestres................................................................................. 7
I.6.1. Latitude ().................................................................................................................... 7
I.6.2. Longitude (L) ................................................................................................................ 7
I.6.3. Altitude .......................................................................................................................... 7
I.7. Position du soleil .................................................................................................................. 7
I.7.1. Coordonnes horaires .................................................................................................... 7
I.7.1.1. Dclinaison du soleil (, d) ..................................................................................... 7
I.7.1.2. Angle horaire du soleil (, Ah, h) .......................................................................... 8
I.7.2. Coordonnes horizontales ............................................................................................. 9
I.7.2.1. Hauteur du soleil (, H) .......................................................................................... 9
I.7.2.2. Azimut du soleil (, A) ......................................................................................... 10
I.7.2.3. Angle znithal (z) ................................................................................................ 10
I.8. Energie solaire photovoltaque........................................................................................... 11
I.8.1. Effet photovoltaque .................................................................................................... 11
I.8.2. Systme photovoltaque .............................................................................................. 11
I.8.2.1. Cellule photovoltaque .......................................................................................... 12
I.8.2.2. Batteries daccumulateurs..................................................................................... 17
I.8.2.3. Rgulateurs ........................................................................................................... 18
I.8.2.4. Onduleurs .............................................................................................................. 18
I.8.2.5. Charge (utilisateurs).............................................................................................. 18

Sommaire
I.9. Discussion .......................................................................................................................... 18
Chapitre II: Introduction aux rseaux de neurones artificiels
II.1. Introduction ...................................................................................................................... 19
II.2. Neurone biologique .......................................................................................................... 19
II.3. Neurone artificiel (formel)................................................................................................ 20
II.4. Fonctions dactivation ...................................................................................................... 21
II.4.1. Fonction tout/ rien ( seuil) ........................................................................................ 21
II.4.2. Fonction linaire ........................................................................................................ 21
II.4.3. Fonction sigmode ...................................................................................................... 21
II.5. Rseaux de neurones......................................................................................................... 23
II.5.1. Rseaux non boucls .................................................................................................. 24
II.5.2. Rseaux boucls (ou rcurrents) ................................................................................ 24
II.6. Apprentissage des rseaux de neurones ............................................................................ 25
II.6.1. Apprentissage supervis ............................................................................................. 25
II.6.2. Apprentissage non supervis ...................................................................................... 26
II.7. Perceptron multicouche (MLP) ........................................................................................ 26
II.7.1. Equation du rseau MLP ............................................................................................ 27
II.7.2. Algorithme dapprentissage des rseaux de neurones multicouches ......................... 28
II.7.2.1. Algorithme dentrainement ................................................................................. 28
II.7.2.2. Amlioration de la vitesse de convergence de lalgorithme................................ 30
II.7.2.3. Algorithme de Levenberg-Marquardt ................................................................. 30
II.7.2.4. Initialisation du vecteur des paramtres poids synaptiques................................. 32
II.7.2.5. Amlioration de la gnralisation........................................................................ 32
II.8. Discussion ......................................................................................................................... 33
Chapitre III: Application des rseaux de neurones la prdiction
III.1. Problmatique et objectif................................................................................................. 34
III.2. Procdure de construction dun rseau de neurones ....................................................... 34
III.2.1. Collecte dune base de donnes ................................................................................ 35
III.2.2. Sparation des bases de donnes .............................................................................. 35
III.2.3. Choix de larchitecture du rseau ............................................................................. 35
III.2.4 Prtraitement des donnes ......................................................................................... 37
III.2.5. Phase dapprentissage ............................................................................................... 37
III.2.6. Phase de test .............................................................................................................. 38

Sommaire
III.3. Etude des paramtres de construction ............................................................................. 38
III.4. Critres utiliss pour lvaluation des performances des modles .................................. 46
III.5. Rsultats et discussion ..................................................................................................... 47
III.6. Conclusion .............................................................................. Erreur ! Signet non dfini.
Chapitre IV: Dimensionnement d'une installation photovoltaque
IV.1. Introduction ..................................................................................................................... 51
IV.2. Mthodologie suivie pour le dimensionnement .............................................................. 51
IV.2.1. Calcul de lirradiation solaire incidente sur les capteurs .......................................... 51
IV.2.1.1. Calcul de lirradiation horaire globale reue sur un plan horizontal ................. 53
IV.2.1.2. Calcul des irradiations horaires diffuse et directe horizontales ......................... 54
IV.2.1.3. Inclinaison et orientation optimales des capteurs photovoltaques .................... 56
IV.2.2. Mthodes de dimensionnement ................................................................................ 57
IV.2.2.1. Estimation de la consommation ......................................................................... 58
IV.2.2.2. Dimensionnement du gnrateur photovoltaque .............................................. 59
IV.2.2.3. Dimensionnement des batteries ......................................................................... 60
IV.2.2.4. Dimensionnement du rgulateur ........................................................................ 61
IV.2.2.5. Dimensionnement de londuleur........................................................................ 61
IV.3. Calcul de lnergie produite par le champ photovoltaque install ................................. 62
IV.4. Rsultats et discussion .................................................................................................... 63
IV.4.1. Estimation de la moyenne mensuelle du rayonnement diffus horizontal ................. 63
IV.4.2. Choix de linclinaison optimale pour les panneaux ................................................. 65
IV.4.3. Calcul de lirradiation solaire incidente sur les capteurs .......................................... 66
IV.4.4. Dimensionnement de linstallation photovoltaque .................................................. 66
IV.4.5. Calcul de lnergie produite par le champ photovoltaque ....................................... 70
IV.5. Conclusion ...................................................................................................................... 71
Conclusion gnrale ............................................................................................................... 72
Rfrences
Annexes

Liste des tableaux

Liste des tableaux


Tableau (II.1) : Fonctions de transfert f(x).
Tableau (III.1) : Paramtres utiliss.
Tableau (III.2) : Diffrents modles utiliss pour lentrainement du rseau de neurone.
Tableau (III.3) : Variation des erreurs dapprentissage et de test en fonction du nombre
de neurone dans la couche cache.
Tableau (III.4) : Meilleurs rsultats obtenus sur la base de test pour chaque modle.
Tableau (IV.1) : Jour moyen mensuel et numro de jour correspondant de l'anne.
Tableau (IV.2): Relation entre la latitude et linclinaison des panneaux pour une utilisation
annuelle.
Tableau (IV.3): Comparaisons des diffrents modles destimation de lirradiation diffuse.
Tableau (IV.4) : Consommation journalire du laboratoire LAMPA.
Tableau (IV.5) : Consommation journalire totale des appareils fonctionnant en continu.
Tableau (IV.6) : Consommation journalire totale des appareils fonctionnant en alternatif.
Tableau (IV.7) : Rsultats de dimensionnement de linstallation photovoltaque.

Liste des figures

Liste des figures


Figure (I.1) : Rpartition spectrale du rayonnement solaire.
Figure (I.2) : Coordonnes horaires.
Figure (I.3) : Coordonnes horizontales.
Figure (I.4) : Schma synoptique dun systme photovoltaque autonome.
Figure (I.5) : Structure dune cellule photovoltaque.
Figure (I.6) : Caractristique courant-tension dune cellule solaire photovoltaque.
Figure (I.7) : (a) Influence de lclairement sur la caractristique courant-tension
dune cellule photovoltaque.
(b) Influence de la temprature sur la caractristique courant- tension
dune cellule photovoltaque.
Figure (I.8) : Influence de la temprature sur la caractristique puissance-tension
dune cellule photovoltaque.
Figure (I.9) : Influence de lclairement sur la caractristique puissance-tension
dune cellule photovoltaque.
Figure (II.1) : Reprsentation dun neurone biologique.
Figure (II.2) : Modle dun neurone formel n entres.
Figure (II.3) : Structure dun rseau non rcurrent.
Figure (II.4) : Structure dun rseau rcurrent.
Figure (II.5) : Schma bloc de lapprentissage supervis dun rseau de neurone.
Figure (II.6) : Schma bloc de lapprentissage non supervis dun rseau de neurone.
Figure (II.7) : Structure dun perceptron multicouche.
Figure (II.8) : Illustration de larrt prmatur de lapprentissage.
Figure (III.1) : Corrlation entre lirradiation solaire globale et la dure dinsolation.
Figure (III.2) : Corrlation entre lirradiation solaire globale et la dure astronomique du jour.
Figure (III.3) : Corrlation entre lirradiation solaire globale et lirradiation extraterrestre.

Liste des figures

Figure (III.4) : Corrlation entre lirradiation solaire globale et la diffrence de temprature.


Figure (III.5) : Corrlation entre lirradiation solaire globale et la temprature maximale.
Figure (III.6) : Corrlation entre lirradiation solaire globale et la temprature minimale.
Figure (III.7) : Corrlation entre lirradiation solaire globale et la pression atmosphrique.
Figure (III.8) : Corrlation entre lirradiation solaire globale et le taux de prcipitation.
Figure (III.9) : Corrlation entre lirradiation solaire globale et lhumidit relative.
Figure (III.10) : Corrlation entre lirradiation solaire globale et la hauteur angulaire du soleil.
Figure (III.11) : Corrlation entre lirradiation solaire globale et la dclinaison.
Figure (III.12) : Corrlation entre lirradiation solaire globale et la vitesse du vent.
Figure (III.13) : Erreur dapprentissage et de test en fonction du nombre de neurones
dans la couche cache pour le modle M8.
Figure (III.14) : Evolution de lirradiation solaire mesure et celle obtenues par le modleM8
en fonction du mois pour la base dentrainement.
Figure (III.15) : Evolution de lirradiation solaire mesure et celle obtenues par le modle M8
en fonction du mois pour la base de test.
Figure (III.16) : Comparaison entre donnes mesures et celles obtenues par le modle
neuronale M8, base de test.
Figure (III.17) : Comparaison entre donnes mesures et celles obtenues par le modle
neuronale M8, base dentrainement.
Figure (III.18) : Architecture du rseau de neurone retenu.
Figure (IV.1) : Composantes du rayonnement solaire incidentes sur le capteur photovoltaque.
Figure (IV.2) : Dfinition des angles pour un plan inclin: inclinaison , azimut A
et angle dincidence .
Figure (IV.3) : Comparaison entre les rsultats de calcul de lirradiation solaire diffuse
moyenne mensuelle reue sur plan horizontal par les diffrents modles.
Figure (IV.4) : Evolution des irradiations solaires globale et diffuse reues sur un plan
horizontal durant lanne 2005.
Figue (IV.5) : Irradiation solaire globale reue sur des plans de diffrentes inclinaisons.

Liste des figures

Figure (IV.6) : Valeurs mensuelles des irradiations solaires globales reues sur plan inclin
dun angle de 46 par rapport lhorizontal, et sur plan horizontal.
Figure (IV.7) : Comparaison entre lnergie consomme par le laboratoire et lnergie
lectrique produite par le champ photovoltaque total.

Nomenclature

Nomenclature
1. Symboles
Eph : Energie dun photon (J).
h : Constante de planck (J.s).
C : Vitesse de la lumire (m /s).
: Longueur donde (m).
G0 : Rayonnement extraterrestre (MJ.m-2.jour-1 o Wh. m-2.jour-1).
Gsc : Constante solaire (MJ.m-2.mn-1).
KT : Indice de clart.
G : Irradiation solaire reue sur un plan horizontal (Wh. m -2.jour-1).
0: Angle horaire au coucher du soleil ().
0 : Dure du jour (h).
S : Dure dinsolation (h).
: Latitude ().
L : Longitude ().
: Dclinaison ().
: Angle horaire ().
: Hauteur angulaire du soleil ().
max : Hauteur angulaire maximale du soleil ().
: Azimut du soleil ().
z : Angle znithal ().
Eg : Largeur de la bande interdite.
ICC : Courant de court circuit (A).
VCO : Tension de circuit ouvert (V).
Pmpp : Puissance au point de puissance maximale (W).
M : Numro du mois.

Nomenclature

Tmoy : Temprature moyenne (C).


Tmax : Temprature maximale (C).
Tmin : Temprature minimale (C).
Hu : Humidit relative (%).
T : Ecart entre la temprature maximale et minimale (C).
Prec : Precipitation (mm).
R : Coefficient de corrlation.
R : Coefficient de dtermination.
: Irradiation solaire mesure (Wh. m-2.jour-1).
: Irradiation solaire estime par le rseau de neurone (Wh. m-2.jour-1).
: Valeur moyenne de lirradiation solaire mesure (Wh. m -2.jour-1).
: Valeur moyenne de lirradiation solaire estime par le rseau de neurone (Wh. m -2.jour-1).
Npoid : Nombre total de poids du rseau.
NCC : Nombre de neurone dans la couche cache.
NCE : Nombre de nuds (variables) dentre.
NCS : Nombre de neurone dans la couche de sortie.
IW : Matrice des poids reliant la couche cache et les nuds dentres.
LW : Matrice des poids reliant la couche de sortie et la couche cache.
X : Vecteur des paramtres dentres.
b1 : Vecteur des seuils de la couche cache.
b2 : Vecteur des seuils de la couche de sortie.
: Irradiation horaire totale reue sur le plan des capteurs (Wh. m-2.h-1).
: Irradiation horaire globale reue sur un plan horizontal pour la journe moyenne
(Wh. m-2.h-1).
: Irradiation horaire directe reues sur un plan horizontal (Wh. m-2.h-1).
: Irradiation horaire diffuse reue sur un plan horizontal (Wh. m-2.h-1).

Nomenclature

: Irradiation horaire globale reue sur un plan horizontal (Wh. m-2.h-1).


Albdo du sol.
: Angle dincidence ().
Gh : Irradiation globale quotidienne reue sur un plan horizontal (Wh. m-2.jour-1).
Dh : Irradiation diffuse quotidienne reue sur un plan horizontal (Wh. m -2.jour-1).
rt : Rapport de la valeur horaire sur le total quotidien de lirradiation globale.
rb : Rapport des irradiations directes horaires reues sur le plan des capteurs aux irradiations
directes horaires reues sur le plan horizontal.
: Fraction diffuse.
: Consommation totale dune application (Wh/jour).
: Energie consomme par les charges DC (Wh/jour).
: Energie consomme par les charges AC (Wh/jour).
: Rendement moyen de londuleur.
: nergie produite (Wh).
: nergie consomme (Wh).
: Coefficient correcteur.
: Puissance crte du champ photovoltaque (WP ou WC).
: Irradiation moyenne mensuelle reue par le capteur photovoltaque correspondant au mois
le plus dfavorable (Wh.m-2.jour-1).
: Tension de fonctionnement de linstallation photovoltaque (V).
: Puissance crte du module photovoltaque (WC).
: Tension nominale du module photovoltaque (V).
: Nombre total de modules.
: Nombre de modules connects en srie.
: Nombre de modules connects en parallle.
: Capacit de la batterie (Ah).

Nomenclature

: Tension de la batterie (V).


: Rendement de la batterie.
N : Nombre de jour dautonomie.
: Courant de sortie du rgulateur (A).
: Puissance totale consomme par les rcepteurs (W).
: Irradiation globale reue sur le plan des capteurs (Wh.m -2.jour-1).
: Pertes diverses du champ photovoltaque d la salet ou la neige, et pertes de conditionnement
de lnergie.
Rendement moyen du module.
: Temprature de rfrence (C).
: Rendement du module la temprature de rfrence .
: Coefficient de temprature pour le rendement du module (%/C).
: Temprature des cellules photovoltaque (C).
: Temprature nominale des cellules en opration (C).
Temprature ambiante moyenne du mois (C).
Les autres symboles utiliss sont dfinis dans les chapitres correspondants
2. Abrviation
TSV : Temps solaire vrai (h).
TU : Temps Universel (h).
RMSE : Root mean square error.
MBE : Mean bias error.
MAPE : Mean absolute percentage error.
MLP : Multi layer perceptron (Perceptron multi couche).
: Profondeur de dcharge.

Introduction

gnrale

Introduction gnrale
Lnergie est la base de toute activit humaine. De nos jours, une grande partie de la
demande mondiale en nergie est assure partir de ressources fossiles. Cependant, les
rserves de combustibles fossiles sont limites. Certains pays dvelopps se sont orients vers
lnergie nuclaire, alors que cette dernire nest pas la porte de tous les tats et surtout des
pays en voie de dveloppement et prsente des risques daccidents graves.
En effet, la croissance de la demande nergtique mondiale, lpuisement invitable des
ressources fossiles, plus ou moins long terme, et la dtrioration de lenvironnement cause
par ces types dnergies, a incit au dveloppement de nouvelles sources dnergies,
renouvelables, assurant ainsi une durabilit et une protection de lenvironnement qui est
devenue un point trs important.
Lutilisation de lnergie solaire photovoltaque semble tre une ncessit pour lavenir.
En effet, le rayonnement solaire constitue la ressource nergtique la plus abondante sur terre.
La quantit dnergie libre par le soleil (capte par la plante terre) pendant une heure
pourrait suffire couvrir les besoins nergtiques mondiaux pendant une anne [1].
Afin de mieux exploiter cette nergie et doptimiser sa collecte par les capteurs
photovoltaques, il est ncessaire de connatre la distribution de lirradiation solaire sur le lieu
de limplantation prvu pour linstallation photovoltaque, sous diffrentes orientations et
inclinaisons .
Cependant, lirradiation solaire est l'un des paramtres mtorologiques les plus difficiles
estimer du fait quelle est fonction de plusieurs paramtres gographiques et astronomiques
et est tributaire des conditions mtorologiques et atmosphriques.
a na pas empch quand mme que plusieurs modles destimation sur diffrentes
chelles temporaires (heure, jour, et mois) partir des donnes mtorologiques les plus
aisment disponibles soient dveloppes.
Dun autre cot les rseaux de neurones artificiels ont attir l'attention d'un grand nombre
de chercheurs dans le domaine des nergies renouvelables, et en particulier pour la prdiction
de donnes mtorologiques telles que lirradiation solaire.

En effet, beaucoup de travaux de recherche ont prouv la capacit des rseaux de neurones
prdire les donnes mtorologiques. Ils ont dmontr quils sont plus appropris, et donnent
de meilleurs rsultats compars aux mthodes dapproximation conventionnelles proposes
par dautres chercheurs, pour la prdiction de lirradiation solaire [2,3].
Lavantage de la mthodologie propose (modlisation par les rseaux de neurones
artificiels) est quelle offre la possibilit dexploiter implicitement les informations associes
au problme, sans avoir une connaissance a priori de la relation reliant les diffrentes
variables lirradiation solaire.
Lobjectif de notre travail est dutiliser un outil de modlisation mathmatique pour
prdire lirradiation solaire. A cet effet, nous nous sommes intresss lapplication des
rseaux de neurones artificiels pour trouver le modle le plus performant permettant de
prdire lirradiation solaire globale moyenne mensuelle quotidienne reue sur un plan
horizontal pour la rgion de Tizi-Ouzou, partir des donnes mtorologiques que nous avons
pu rcuprer de lONM dAlger, et des donnes astronomiques calcules partir de relations
mathmatiques dj existantes.
Une fois le meilleur modle est choisit, il sera capable de prdire lirradiation solaire
globale mensuelle horizontale pour la rgion de Tizi-Ouzou pour nimporte quel mois de
nimporte quelle anne en un temps vraiment trs rduit, il suffit seulement de disposer des
donnes correspondantes, utilises comme variables dentres pour le modle.
Comme application notre tude, nous avons pens dimensionner une installation
photovoltaque autonome qui servira lalimentation du laboratoire de recherche LAMPA de
lUniversit Mouloud Mammeri de Tizi-Ouzou.
En effet, pour fournir lnergie continuellement durant toute lanne, un systme
photovoltaque doit tre donc correctement dimensionn. Ce qui exige une tude prcise du
besoin lectrique, une valuation et une optimisation de lirradiation solaire reue sur le plan
des capteurs photovoltaques.

Le travail est prsent en quatre chapitres;


Dans le premier chapitre, on donne des rappels sur lnergie solaire, on tudie les
diffrents paramtres gographiques et astronomiques pouvant influencer lintensit de
lirradiation solaire reue au niveau du sol et on termine par une description sommaire du
systme photovoltaque.
Dans le second chapitre, on dcrit les rseaux de neurones artificiels. Une attention plus
particulire sera adresse au perceptron multicouche et son algorithme dapprentissage.
Lapplication des rseaux de neurones la prdiction de lirradiation solaire globale sera
lobjectif du troisime chapitre.
Le quatrime chapitre sera consacr au dimensionnement de linstallation photovoltaque
qui alimentera le laboratoire de recherche LAMPA, aprs lvaluation et loptimisation de
lirradiation solaire globale incidente sur les capteurs photovoltaques.
Une conclusion sur les rsultats obtenus et les futures perspectives de ce travail terminent
cette tude.

Chapitre I
Notions gnrales et systme
photovoltaque

Chapitre I

Notions gnrales et systme photovoltaque

I.1. Introduction
Lexploitation de lnergie solaire et loptimisation de sa collecte par les systmes
photovoltaques ncessite une connaissance exacte de la distribution de lirradiation solaire,
qui est fonction de plusieurs paramtres gographiques, mtorologiques et astronomiques,
sur le lieu dimplantation de ce systme.
Ainsi, nous avons consacr ce chapitre pour donner des rappels sur lnergie solaire, les
diffrents paramtres qui influent sur lintensit du flux solaire reu au niveau du sol avant
dintroduire la notion deffet photovoltaque, et de la cellule solaire photovoltaque. Enfin
nous citerons les diffrents composants constituant le systme photovoltaque.
I.2. Rayonnement solaire
Le soleil met en permanence, dans toutes les directions de lespace, des rayonnements
lectromagntiques composs de grains de lumire appels photons. Ces rayonnements se
propagent la vitesse de la lumire C ; il lui faut donc, en moyenne, 499 secondes, soit 8
minutes et 19 secondes, pour atteindre notre atmosphre [4].
Lnergie, Eph, de chaque photon est directement lie la longueur donde par la relation

(I.1)

O h est la constante de Planck, h = 6,62.10 - 34 J.s


I.2.1. Rayonnement extraterrestre
Le rayonnement solaire extraterrestre couvre un trs large domaine de longueur dondes.
Il ne dpend daucun paramtre mtorologique, mais il est fonction de quelques paramtres
astronomiques et gographique tel que: la latitude du lieu (), la dclinaison solaire(), et
langle horaire au coucher du soleil (0).
Sur une surface horizontale, et pour le jour n, le rayonnement extraterrestre
G0 (MJ.m-2.jour-1) est obtenu laide de lquation suivante [5]:
0 =

24x60

[1 + 0,034

2
365

][0 . sin . sin + cos . cos . sin 0 ]

(I.2)

Gsc: est la constante solaire gale 0,0082 MJ.m-2.mn-1.


n : est le numro du jour partir du premier Janvier.
La dclinaison solaire et langle horaire au coucher sont donns par les quations (I.5), et
(I.10).
4

Chapitre I

Notions gnrales et systme photovoltaque

I.2.2. Rayonnement solaire en atmosphre terrestre


Le rayonnement reu sur latmosphre terrestre n'occupe qu'une faible portion du spectre
d'ondes lectromagntiques solaire. Il est caractris par des longueurs d'ondes comprises
entre 0,2 et 2,5 m, il inclut le domaine du visible (ondes lumineuses de 0,4 0,8m).
Les capteurs d'nergie solaire, qui correspondent aux cellules solaires devront donc tre
compatibles avec ces longueurs d'ondes pour pouvoir piger les photons et les restituer sous
forme d'lectrons [6].

Figure (I.1) : Rpartition spectrale du rayonnement solaire, daprs [6]


En traversant latmosphre terrestre, le rayonnement solaire est absorb et diffus, on
distingue plusieurs composantes :
Rayonnement direct: Cest le rayonnement reu directement du soleil, sans diffusion
par latmosphre.
Rayonnement diffus : est le rayonnement diffus par les diffrent gaz constituant
latmosphre.
Albdo: Cest la partie rflchie par le sol.

Chapitre I

Notions gnrales et systme photovoltaque

I.3. Indice de clart


Le rapport entre le rayonnement au sol et le rayonnement extraterrestre est appel indice
de clart. Lindice de clart, KT, est dfini par [7] :

(I.3)

O: G est lirradiation solaire reue sur un plan horizontal,


La moyenne mensuelle de lindice de clart K T varie selon les endroits et les saisons et varie
gnralement entre 0,3 (pour des rgions ou des saisons pluvieuses) et 0,8 (pour des saisons
ou des climats secs et ensoleills) [7].
I.4. Irradiation solaire
L'irradiation solaire exprime la quantit d'nergie reue, au niveau du sol, par unit de
surface. Ses units usuelles sont le J/m2, J/cm2, Wh/m2, ou bien kWh/m2.
Elle dpend de nombreux facteurs, dont principalement la couverture nuageuse, la dure
du jour, linstant considr dans la journe, lorientation et linclinaison de la surface, la
latitude du lieu, son degr de pollution et la hauteur angulaire du soleil au-dessus de l'horizon.
La combinaison de tous ces paramtres produit la variabilit dans l'espace et dans le temps
de l'irradiation solaire. Dans les rgions du globe comprises entre 40 nord et sud, lnergie
globale annuelle reue par une surface horizontale est comprise entre 1400 et 2500 KWh/m 2
[8].
I.5. Dure dinsolation (Insolation)
La dure dinsolation correspond la dure pendant laquelle le rayonnement solaire direct
reu sur un plan normal dpasse un seuil fix par convention 120 W.m-2.
En absence permanente de nuages, la dure dinsolation est pratiquement gale la dure
du jour, qui sappelle aussi dure astronomique ou thorique du jour. Elle est dfinit par:

0 =

15 0

(I.4)

Avec :
0: Langle horaire au coucher de soleil ().
0 : Dure du jour (h).
6

Chapitre I

Notions gnrales et systme photovoltaque

I.6. Coordonnes gographiques terrestres


Un point sur la surface de la terre est repr par ces coordonnes :
I.6.1. Latitude ()
Une latitude donne la localisation dun point par rapport lquateur, elle varie entre 0 et
90, positivement vers le ple Nord et ngativement vers le ple Sud.
I.6.2. Longitude (L)
La longitude d'un lieu donn est l'angle form par le mridien de ce lieu avec le mridien
d'origine (mridien de Greenwich), elle est compte de 0 180, positivement vers l'est et
ngativement vers l'ouest.
I.6.3. Altitude
Laltitude est llvation dun lieu par rapport au niveau de la mer, mesure en mtre (m).
I.7. Position du soleil
La position apparente du soleil est repre chaque instant de la journe et de l'anne par
deux systmes de coordonnes:
I.7.1. Coordonnes horaires
Les coordonnes horaires sont lies lheure de lobservation, et nont aucune relation
avec la position de lobservateur sur la terre. Elles ont comme plan de rfrence le plan de
lquateur. Les coordonnes horaires sont au nombre de deux:
I.7.1.1. Dclinaison du soleil (, d)
La dclinaison est l'angle que fait la direction dobservation du soleil avec sa projection
sur le plan quatorial. Elle est exprime en degrs(), minute (') et seconde ('') darc. Elle
traduit linclinaison du plan quatorial par rapport au plan cliptique.
En considrant la dclinaison comme constante sur une journe, lquation de Kopernic
fournit la relation qui relie ces deux grandeurs [7]:

= 23,45

2 284 +
365

(I.5)

n: est le numro du jour de l'anne partir du premier janvier.


La dclinaison solaire varie de -2327 au solstice dhiver +2327 au solstice dt et
elle est nulle aux quinoxes [9], et cette variation entrane des variations de la hauteur du
soleil pour un mme site.
7

Chapitre I

Notions gnrales et systme photovoltaque

En juin, l'hmisphre nord se trouve rapproch du soleil ; le soleil est plus haut
sur l'horizon pour une mme heure et la dure du jour est plus grande. L'irradiation journalire
est ainsi automatiquement augmente par rapport au solstice d'hiver, en dcembre.
I.7.1.2. Angle horaire du soleil (, Ah, h)
Langle horaire tant langle ou larc compt sur lquateur dans le sens rtrograde partir
du plan vertical du lieu passant par le sud jusquau plan mridien passant par le centre du
soleil. Il mesure la course du soleil dans le ciel.
Langle horaire dfinit le temps solaire vrai TSV, il est midi TSV si =0[10]. Exprim en
degrs dangle, sa valeur est nulle midi solaire, elle est ngative le matin, positive en aprsmidi et augmente de 15 par heure (un tour de 360 en 24 heures).
Langle horaire () est donn par la formule suivante [11] :
= 15 (TSV-12)

(I.6)

TSV : est le temps solaire vrai en heure, se calcul par lquation suivante [12] :

= +

+
15

= 9,87 sin 2 7,53 cos 1,5 sin()


=

2 81
365

(I.7)

(I.8)
(I.9)

TU : est le temps universel du mridien de Greenwich (GMT).


Cette formule nest pas valable pour les heures de lever et de coucher du soleil. Il faut
ainsi dterminer langle solaire au coucher, et au lever qui dpendent de la dclinaison et de la
latitude du lieu. [13]
0 = 1 ( tan tan )

(I.10)

Langle solaire au coucher est tout simplement loppos de langle solaire au lev.

Chapitre I

Notions gnrales et systme photovoltaque

Figure (I.2) : Coordonnes horaires.


I.7.2. Coordonnes horizontales
Les coordonnes horizontales dpendent du lieu dobservation. Elles ont comme plan de
rfrence le plan horizontal, perpendiculaire la verticale du lieu. Un objet est repr dans ce
systme de coordonnes par ces composantes:
I.7.2.1. Hauteur du soleil (, H)
La hauteur angulaire du soleil, communment appele hauteur du soleil ou lvation du
soleil, est l'angle compris entre la direction apparente du soleil avec sa projection sur le plan
horizontal du lieu considr. Sa valeur est nulle au lever ou au coucher du soleil et maximale
lorsque le soleil est a son znith.
Elle varie au cours de la journe en fonction de la dclinaison de langle horaire , et de
la latitude . De faon telle que :
sin = cos . cos . cos + sin (). sin ()

(I.11)

Il s'agit de la formule fondamentale, permettant de connatre, quels que soient le jour,


l'heure et le lieu, la hauteur du soleil sur lhorizon.
La hauteur maximale du soleil ( midi solaire) :
=

+
2

(I.12)

Il faut noter que la hauteur du soleil intervient fortement sur la valeur de lclairement solaire.

Chapitre I

Notions gnrales et systme photovoltaque

I.7.2.2. Azimut du soleil (, A)


C'est l'angle compris entre la projection de la direction du soleil sur le plan horizontal et la
direction sud ou nord. Il est mesur commenant par le nord ou par le sud soit vers lest soit
vers louest travers un axe de 360 (lazimut est compris entre -180 180 [9]).
Dans lhmisphre nord, lorigine des azimuts correspond la direction du sud. Langle
dazimut est compt positivement vers louest et ngativement vers lest.
Dans lAtlas Solaire de lAlgrie [11], Capderou a utilis la formule suivante pour calculer
lazimut du soleil:

sin =

cos cos sin sin cos


cos

(I.13)

I.7.2.3. Angle znithal (z)


Cest langle entre le znith local et la ligne joignant lobservateur et le soleil. Il varie de 0
90.
cos = (). (). () + (). ()

(I.14)

Figure (I.3) : Coordonnes horizontales.

10

Chapitre I

Notions gnrales et systme photovoltaque

I.8. Energie solaire photovoltaque


Lnergie solaire photovoltaque fait lobjet dun grand intrt ces dernires annes. Elle
est une nergie non polluante et apporte de relles solutions aux divers problmes qui se
posent actuellement concernant le changement climatique, et la crise nergtique.
I.8.1. Effet photovoltaque
Leffet photovoltaque est un phnomne physique propre certains matriaux appels
semi-conducteurs (le plus connu est le silicium). Il permet de convertir directement lnergie
lumineuse des rayons solaires en lectricit par le biais de la production et du transport dans
un matriau semi-conducteur de charges lectriques positives ou ngatives sous leffet de la
lumire. Lnergie lectrique obtenue est appele lnergie photovoltaque.
I.8.2. Systme photovoltaque
Le systme photovoltaque se compose dun champ de modules et dun ensemble de
composantes qui adaptent llectricit produite par les modules aux spcifications des
rcepteurs.
La figure suivante reprsente le schma synoptique dun systme photovoltaque autonome

Figure (I.4) : Schma synoptique dun systme photovoltaque autonome.

11

Chapitre I

Notions gnrales et systme photovoltaque

I.8.2.1. Cellule photovoltaque


Description
La cellule photovoltaque, est une mince couche (deux dixime de millimtres) dun mtal
semi conducteur, traite pour pouvoir convertir la lumire en courant continu.
Elle est constitue de lempilement de deux couches de silicium que lon a exposes au
pralable des faisceaux dions, lune des ions de phosphore(-), lautre des ions de
bore(+). La premire couche prsente un excdant dlectron et lautre un dficit, elles sont
dites respectivement dope N et dope P. Ce procd est appel le dopage et sert crer
un champ lectrique entre les deux zones o se cre une jonction dite PN, et dirig de la zone
(P) vers la zone (N).
La zone (N) est couverte par une grille mtallique qui sert de cathode K tandis quune
plaque mtallique A recouvre lautre face du cristal et joue le rle danode. Un rayon
lumineux qui frappe le dispositif peut pntrer dans le cristal au travers de la grille et
provoquer lapparition dune tension entre la cathode et lanode.

Figure (I.5) : Structure dune cellule photovoltaque.


Fonctionnement
Lorsque les deux couches dopes sont mise en contact, les lectrons en excs dans le
matriau dop N diffusent dans le matriau dop P. La zone initialement dope N devient
charge positivement et la zone initialement dope P charge ngativement. Il se cre donc
entre elles un champ lectrique qui tend repousser les lectrons dans la zone N et les trous
vers la zone P; une jonction dite PN a t forme. En ajoutant des contacts mtalliques sur les
zones N et P, une diode est obtenue.

12

Chapitre I

Notions gnrales et systme photovoltaque

Lorsque cette diode est claire, les photons ayant une nergie (hv) suprieure ou gale
la largeur de la bande interdite Eg, excitent les atomes de silicium et crent des charges
positives et ngatives, ainsi les lectrons et les trous crs respectivement dans les rgions P et
N diffusent et atteignent la zone de charge despace, acclrs par le champ lectrique interne,
ils traversent la zone de transition. La rgion N reoit des lectrons et se charge ngativement,
la rgion P accepte des trous et se charge positivement.
Si une charge est place aux bornes de la cellule, les lectrons de la zone N rejoignent les
trous de la zone P via la connexion extrieure, crant ainsi un courant lectrique.
Caractristique dune cellule photovoltaque
Le fonctionnement dune cellule peut tre reprsent par la courbe I=f (V), qui indique
lvolution du courant gnr par la cellule photovoltaque en fonction de la tension ces
bornes depuis le court-circuit, jusquau circuit ouvert.

Figure (I.6) : Caractristique courant-tension dune cellule solaire photovoltaque.


Daprs la caractristique courant-tension, il est possible de dduire les paramtres lectriques
de la cellule :

le courant de court circuit (ICC) correspondant au courant dbit par la cellule


quand la tension ses bornes est nulle.

la tension du circuit (VCO) correspondant la tension qui apparat aux bornes de la


cellule quand le courant dbit est nul.

Entre ces deux valeurs, il existe un optimum, une tension dite de tension maximale Vm et
un courant maximal Im, donnant la plus grande puissance (Pmpp) ou puissance crte.
13

Chapitre I

Notions gnrales et systme photovoltaque

Influence de la temprature et de lclairement


Lallure de la caractristique courant-tension (Figure (I.7)) varie en fonction des conditions
environnementales (clairement et temprature).
4
25 C

1000 W/m

3.5

Courant (A)

3
700 W/m

2.5
2

500 W/m
1.5
1
200 W/m
0.5
0

10

15

20
25
Tension (V)

30

35

40

45

(a)
4
1000 W /m
3.5
3
60C

Courant (A)

2.5

25C
2
0C
1.5

-10C

1
0.5
0

10

15

20

25
30
Tension (V)

35

40

45

50

(b)
Figure (I.7) : (a) Influence de l clairement sur la caractristique courant-tension
dune cellule photovoltaque.
(b) Influence de la temprature sur la caractristique courant-tension
dune cellule photovoltaque.
Linfluence de la temprature est non ngligeable sur la caractristique courant /tension.
La tension en circuit ouvert diminue avec laugmentation de la temprature, par contre le
courant varie trs peu avec la temprature. Par consquent la puissance maximale (figure
(I.8)) dlivre par la cellule photovoltaque diminue.

14

Chapitre I

Notions gnrales et systme photovoltaque

140
60C, 1000W/m
25C, 1000W/m
0C, 1000W/m
-10C ,1000W/m

120

Puissance (W)

100

80

60

40

20

10

15

20

25
30
Tension (V)

35

40

45

50

Figure (I.8) : Influence de la temprature sur la caractristique puissance-tension dune cellule


photovoltaque.
Contrairement la variation de la temprature, la variation de lclairement influe sur le
courant de court circuit qui diminue quand lclairement diminue. La tension de circuit ouvert
est peu sensible cette variation. Ceci implique que :
La puissance optimale de la cellule est proportionnelle lclairement;
Les points de puissance maximale se situent peu prs la mme tension
(Figure (I.9)).
120
MPP

1000 W/m , 25C


700 W/m , 25C
500 W/m ,25C
200 W/m ,25C

100

Puissance (W)

80

60

40

20

10

15

20
25
Tension (V)

30

35

40

45

Figure (I.9) : Influence de l clairement sur la caractristique puissance-tension dune cellule


photovoltaque.

15

Chapitre I

Notions gnrales et systme photovoltaque

Rendement
En dehors du rendement propre de chaque type de cellule (dpendant des proprits du
matriau utilis), le rendement final dpend de lnergie capte la surface de la cellule.
Celle-ci dpend de lirradiation solaire arrivant sur la surface de la cellule qui, en plus des
facteurs mentionns plus haut (latitude, dclinaison, angle solaire), dpend de langle
dincidence [14].
Le rendement maximal, sur un mme lieu, est obtenu lorsque le rayonnement solaire est
perpendiculaire la surface de captation c'est--dire langle dincidence du rayonnement sur
la cellule est de 90.
Technologie de fabrication des cellules photovoltaque :
Plusieurs technologies sont actuellement dveloppes. Elles sont classes en trois
catgories (gnrations) dont la description dtaille est largement aborde dans la littrature
spcialise [15].

La premire gnration est constitue de cellules au silicium monocristallin et


Poly-cristallin. Les cellules monocristallines prsentent un rendement lgrement
suprieur aux cellules poly -cristallines (15 16%). Nanmoins, elles restent assez
onreuses en raison de leurs exigences de grande puret.
Les cellules poly-cristallines sont moins chres que les prcdentes mais
permettent des rendements moins levs. Le silicium poly-cristallin est la
technologie la plus rpandue sur le march mondial en raison de son bon
rendement (11 14%) pour des cots de fabrication matriss.

La deuxime gnration: la technologie des couches minces permet d'utiliser des


couches trs minces de silicium qui sont appliques sur du verre, du plastique
souple ou du mtal, elle est moins chre que les autres et fonctionne avec un
clairement faible (par temps couvert ou l'intrieur d'un btiment), mais leur
rendement est moins bon que les autres.

Les rendements sont respectivement de 6 %, 11 13 % et 8 9 % pour le silicium amorphe,


le CIS/ CIGS et les CdTe [16].

16

Chapitre I

Notions gnrales et systme photovoltaque

La troisime gnration:
Les concepts troisime gnration sont [16]:
- La photopile avec une ou plusieurs bandes intermdiaires,
- La conversion des photons non utilis directement dans la cellule PV,
- Les cellules puits quantiques,
Les dveloppements autour de la troisime gnration visent des rendements allant
de 30 70% et des rductions de couts considrables.
Association de cellules
Les tensions de fonctionnement des quipements lectriques sont normalises
(12, 24, 48V, ...) et une seule cellule photovoltaque ne permet pas de les alimenter
directement.
Pour produire plus de puissance, des cellules solaires photovoltaques identiques sont
assembles en sries ou en parallles pour former un module solaire.
Les modules peuvent galement tre connects en srie et en parallle afin daugmenter la
tension et lintensit dutilisation; cest le champ de modules photovoltaques.
I.8.2.2. Batteries daccumulateurs
Le fait que lnergie solaire ne soit pas disponible sur lensemble dune priode de
fonctionnement du systme aliment impose lutilisation de batteries dans les installations
autonomes pour stocker lnergie.
Dans les systmes solaires autonomes on utilise principalement:
Les batteries au plomb: Elles constituent lcrasante majorit du march des
accumulateurs. Sa bonne matrise technologique, son bas cot de revient, son bon
rendement nergtique de charge/dcharge. Ses conditions dutilisation non difficiles
satisfaire militent en faveur de sa large utilisation.
Les batteries au Nickel Cadmium : Elles sont les plus chers, mais aussi trs rsistant
aux surcharges et aux dcharges, et rsistent bien aux basses tempratures.

17

Chapitre I

Notions gnrales et systme photovoltaque

I.8.2.3. Rgulateurs
Dans tout systme photovoltaque autonome, on intercale un systme dit de rgulation, qui
sert contrler l'intensit de courant qui passe par les accumulateurs, les protgeant ainsi
contre les surcharges et les dcharges profondes, afin de maximiser sa dure de vie.
Le rgulateur permet aussi deffectuer un transfert optimal dnergie du champ
photovoltaque lutilisation.
I.8.2.4. Onduleurs
Pour alimenter des quipements fonctionnant en courant alternatif, un dispositif
lectronique statique de conversion ou convertisseur DC/AC est utilis pour la transformation
du courant continu en courant alternatif.
I.8.2.5. Charge (utilisateurs)
Il existe deux types dappareils aliments par le systme, celles qui fonctionnent en
courant continu comme des quipements de tlcommunications, le pompage deau, et celles
en courant alternatif dans les cas dusage domestique, ce cas ncessite un onduleur.
Lutilisation de lnergie photovoltaque doit tre pense en termes dconomie de
lnergie. Il est donc plus avantageux de chercher des consommateurs fonctionnant en courant
continu plutt que dajouter un onduleur et un consommateur en 220 Vac.
I.9. Discussion
Lnergie solaire est disponible sur lensemble du globe terrestre diffrente intensit,
elle est entirement renouvelable et inpuisable. Cependant, cette nergie reste tributaire des
conditions mtorologiques qui rendent son exploitation difficile, et son apport est variable,
au gr des jours et des saisons.
Afin de modliser lnergie solaire globale, nous allons prsenter dans ce qui suit loutil
utilis.

18

Chapitre II
Introduction aux rseaux de
neurones artificiels

Chapitre II

Introduction aux rseaux de neurones artificiels

II.1. Introduction
En 1948, deux chercheures Amricains, Mac Culloch et Pitts, ont donn naissance au
premier modle mathmatique de neurone biologique, quils ont appel: neurone formel.
Lide principale des rseaux de neurones est la suivante: On se donne une unit simple,
un neurone, qui est capable de raliser quelques calculs lmentaires. On relie ensuite un
certain nombre de ces units sous forme dun rseau capable de rsoudre un problme plus
complexe. La structure, la taille du rseau et le mcanisme dapprentissage utilis dpendent
du type et de la complexit de lapplication en question.
Dans ce chapitre nous prsenterons les rseaux de neurones dun point de vue gnral
ensuite nous traiterons en dtails le perceptron multicouche quon va utiliser dans notre
application, en rgression non linaire avec lalgorithme dapprentissage de LevenbergMarquardt qui est une variation de lalgorithme de la rtro propagation du gradient de lerreur.
II.2. Neurone biologique
Le neurone considr comme lunit de base du systme nerveux central est constitu
dun corps cellulaire appel soma, qui se ramifie pour former ce que lon nomme les
dendrites.
Les dendrites acheminent linformation de lextrieur, ou dautres neurones, vers le soma.
Aprs traitement de linformation par le corps cellulaire, linformation sera transmise aux
autres neurones travers un prolongement de sortie appel axone.
Entre un axone et une dendrite, il existe un espace vide appel synapse, a travers lequel la
transmission se fait par lintermdiaire de substances chimiques.

Figure (II.1) : Reprsentation dun neurone biologique.


19

Chapitre II

Introduction aux rseaux de neurones artificiels

Le cerveau se compose d'environ 10 12 (mille milliards), de cellules nerveuses appeles


neurones [17]. La sortie de chaque neurone est lie des milliers dautres neurones. Chaque
neurone effectue un traitement local. Il collecte les signaux issus des dendrites et leur fait la
somme. Si lamplitude rsultante dpasse un certain seuil interne, un signal est envoy
travers laxone vers dautres neurones.
II.3. Neurone artificiel (formel)
Le neurone artificiel est un modle de calcul dont la conception est inspire du
fonctionnement de vrais neurones. Ce neurone formel peut tre considr comme un oprateur
recevant un nombre variable d'entres du milieu extrieur ou dautres neurones, chacune de
ces entres est pondre par un poids dit poids synaptique, et fournissant une sortie seulement
quand la somme dpasse un certain seuil interne.
Lvaluation de la sortie se fait typiquement par la somme pondre des entres, et le
passage du rsultat travers une non linarit. Mathmatiquement, ceci peut tre modlis par
les quations suivantes:
S=

=1 .

+ 0 . 0

y = f(S)

(II.1)
(II.2)

: Composantes du vecteur dentre.


: Composantes du vecteur poids synaptique.
S: Somme pondre appele potentiel.
Le terme (0 . 0 = 0 0 = 1) reprsente la valeur du seuil interne qui doit tre
dpasse pour lactivation de la sortie du neurone. La non linarit f(.) est appele fonction
dactivation.
La somme pondre peut se rcrire sous la forme simple suivante:

(II.3)

Conceptuellement le fonctionnement du neurone biologique peut tre reprsent par le modle


de la figure (II. 2).

20

Chapitre II

Introduction aux rseaux de neurones artificiels

Figure (II.2) : Modle dun neurone formel n entres.


II.4. Fonctions dactivation
Plusieurs types de fonction dactivation sont utiliss, servant limiter lamplitude du
signal de sortie du neurone et reproduire leffet de seuil observ sur les neurones biologiques.
Le tableau (II.1) numre ces diffrentes fonctions.
Cependant, certaines fonctions sont les plus utilises, telles que: la fonction seuil, la
fonction linaire, et la fonction sigmodale.
II.4.1. Fonction tout/ rien ( seuil)
La fonction seuil applique un seuil sur son entre. Elle retourne 0 pour une entre ngative
et 1 pour une entre positive ou nulle. Elle est dfinie comme suit:
f x =

0 si x < 0
1 si x 0

(II.4)

II.4.2. Fonction linaire


La fonction linaire est trs simple, elle affecte directement son entre sa sortie.
f(x) =x

(II.5)

II.4.3. Fonction sigmode


Plus connue et plus populaire. Elle est souvent utilise dans les rseaux de neurones. Lun de
ses avantages est sa drivabilit. Cette proprit est trs importante , du fait quelle a permis
de dvelopper des algorithmes dapprentissage base du gradient pour les rseaux
multicouches.

21

Chapitre II

Introduction aux rseaux de neurones artificiels

Deux formes de sigmodes sont utilises:

Sigmode (logistique) : Ayant deux niveaux de saturation (0 et1) est dfinie


comme suit:

f x =

1
1 + ex

(II.6)

Tangente hyperbolique: Peut tre exprime par la tangente-hyperbolique suivante:

1 ex
f x = tanh x =
1 + ex

Nom de la fonction

Relation entre / sortie

Seuil

f(x) =

0 < 0
1 0

Seuil symtrique

f(x) =

1 < 0
1 0

Linaire

f(x) = x

Linaire sature

0 < 0
f(x) = 0 1
1 > 1

Linaire sature
Symtrique

(II.7)

Lallure

1 < 1
f(x)= 1 1
1 > 1

22

Chapitre II

Introduction aux rseaux de neurones artificiels

f(x) =

Linaire positive

0 < 0
0

f x =

Sigmode

1
1 + ex

ex ex
f x = x x
e +e

Tangente hyperbolique

Tableau (II.1) : Fonctions de transfert f(x).


II.5. Rseaux de neurones
Les capacits dun seul neurone sont limites. Limplantation de fonctions complexes
ncessite lintgration de plusieurs neurones, fonctionnant en parallles, sous forme dun
rseau topologie spcifique. Les entres dun neurone sont soit les entres du rseau global,
soit les sorties dautres neurones. Les connexions entre les neurones qui composent le rseau
dcrivent la topologie du modle. Elle peut tre quelconque, mais le plus souvent il est
possible de distinguer une certaine rgularit.
Les paramtres les plus importants de ce modle sont les coefficients synaptiques. Ce sont
eux qui construisent le modle de rsolution en fonction des informations donnes au rseau.
Il faut donc trouver un mcanisme qui permet de les calculer partir des grandeurs que lon
peut acqurir du problme. Cest le principe fondamental de lapprentissage [6].
Une fois que lajustement des poids synaptiques a t effectu, le rseau de neurones
constitue un modle statistique non linaire [18]. Lavantage des rseaux de neurones sur les
mthodes de rgression classique est quils ncessitent, en gnral, un nombre de paramtres
ajustables plus faible pour obtenir un modle non linaire de prcision donne [19].
On peut distinguer deux types de rseaux de neurones: les rseaux non boucls et les
rseaux boucls.
Les rseaux boucls sont le plus souvent utiliss pour des tches telles que le traitement du
signal, la commande ou la rgulation. Les non boucls eux sont utiliss pour la
reconnaissance, la classification ou la prdiction [20].
23

Chapitre II

Introduction aux rseaux de neurones artificiels

II.5.1. Rseaux non boucls


Linformation dans ces rseaux se propage des entres vers les sorties, sans aucune
rtroaction. Chaque neurone dans une couche est reli par des connexions avec tous les
neurones de la couche suivante et de la couche prcdente sans quil ny ait de connexions
entre neurone dune mme couche. Les sorties yk sont exprimes en fonction de ses entres xn
comme tant yk = f(x1, x2,, xn). La figure (II.3) illustre la structure de ce type de rseau.

Figure (II.3) : Structure dun rseau non rcurrent.


II.5.2. Rseaux boucls (ou rcurrents)
Les rseaux boucls (Figure (II.4)) ont des connexions rcurrentes qui ramnent
l'information en arrire par rapport au sens de propagation dfini dans un rseau non boucl.
La sortie dun neurone du rseau peut tre donc fonction delle-mme; cela nest videmment
concevable que si la notion de temps est prise en considration [21].

Figure (II.4) : Structure dun rseau rcurrent.

24

Chapitre II

Introduction aux rseaux de neurones artificiels

II.6. Apprentissage des rseaux de neurones


La proprit la plus importante pour un rseau de neurones, est srement sa capacit
dapprendre de son environnement, damliorer sa performance travers un processus
dapprentissage.
Lapprentissage est une phase du dveloppement dun rseau de neurones durant laquelle
les valeurs des poids synaptiques du rseau sont ajustes pour remplir au mieux la tche
laquelle le rseau est destin.
On peut distinguer trois types dapprentissage

Lapprentissage supervis.

Lapprentissage non supervis.

Lapprentissage par renforcement.

II.6.1. Apprentissage supervis


Dans lapprentissage supervis, des couples de donnes (entre, sortie attendue
correspondante) sont fournis au rseau; les diffrentes rponses possibles du rseau tant donc
connues priori.
Les paramtres du rseau sont ajusts de faon minimiser le signal derreur constitu
par la diffrence entre la sortie obtenue et la valeur dsire correspondante.
Un apprentissage est dit supervis lorsquon force le rseau converger vers un tat final
prcis, en mme temps quon lui prsente un motif. Lapprentissage supervis est illustr
dune manire conceptuelle par la figure (II.5).

Figure (II.5) : Schma bloc de lapprentissage supervis dun rseau de neurone.

25

Chapitre II

Introduction aux rseaux de neurones artificiels

II.6.2. Apprentissage non supervis


Dans un modle non supervis, on na pas de connaissance priori sur linformation que
lon voudrait extraire. Le rseau est laiss libre de converger vers nimporte quel tat final.
Dans ce cas, les exemples prsents l'entre provoquent une auto-adaptation du rseau
(figure (II.6)) afin de produire des valeurs de sortie qui soient proches en rponse
des valeurs dentres similaires [22].

Figure (II.6) : Schma bloc de lapprentissage non supervis dun rseau de neurone.
II.6.3. Apprentissage par renforcement
Lapprentissage par renforcement est utile quand une information de retour sur la qualit
de la performance est fournie. Mais la conduite souhaite du rseau nest pas compltement
spcifie par le professeur.
II.7. Perceptron multicouche (MLP)
Le perceptron multicouche (figure (II.7)) est sans doute le plus simple et le plus connu des
rseaux de neurones; le plus utilis pour des problmes dapproximation, de classification et
de prdiction [23]. Il est constitu de plusieurs couches de neurones totalement connectes. La
fonction d'activation utilise est principalement la fonction sigmode. Ce type de rseau est
dans la famille gnrale des rseaux propagation vers lavant (Feedforward en anglais).

26

Chapitre II

Introduction aux rseaux de neurones artificiels

Figure (II.7) : Structure dun perceptron multicouche.


II.7.1. Equation du rseau MLP
Considrons le rseau de neurones MLP Multi Layer Perceptron L couches, de p
entres et q sorties.
La couche dentre contient les composantes du vecteur dentre (xi) 0 i p.
Les calculs se font couche par couche de lentre vers la sortie.
La sortie du jme neurone de la couche l (0 < l L) est donne par:

=0

ulj

. 1

= f (Sjl)

(II.8)
(II.9)

O:
: est la somme pondre lentre du jme neurone dans la couche (l).
Nl : est le nombre de neurones de la couche (l).
: est la sortie du jme neurone dans la couche (l).
: est le poids qui relie le ime neurone de la couche (l-1) au jme neurone dans la couche (l).
L : nombre de couches dans le rseau. La couche 0 correspond aux nuds dentre.
f (.): est la fonction dactivation, elle peut tre linaire ou non pour les neurones de la couche
de sortie, mais toujours non linaire pour les neurones appartenant une couche cache.

27

Chapitre II

Introduction aux rseaux de neurones artificiels

On note que le premier lment de chaque vecteur ul (l= 0, 1, L-1) est mis un (i.e., u0l=1)
et que le produit (0 01 ) reprsente la valeur du seuil interne du jme neurone dans la
couche l.
II.7.2. Algorithme dapprentissage des rseaux de neurones multicouches
Les rseaux de neurones multicouches constitus de fonctions de transfert diffrentiables,
utilisent un algorithme de rtro-propagation du gradient; dans lequel les poids du rseau sont
ajusts de faon minimiser une fonction de cot, en utilisant seulement les donnes
dentre/sortie. En effet, lerreur la sortie du rseau est le rsultat de fausses valeurs de
plusieurs poids synaptiques. Ainsi la rtro-propagation consiste rtro-propager l'erreur
commise par un neurone ses synapses et aux neurones qui y sont relis.
On commence lentranement par un choix alatoire des vecteurs initiaux du poids. On
prsente le vecteur dentre, une fois on a la sortie du rseau, lerreur correspondante et le
gradient de lerreur par rapport tous les poids sont calculs. Les poids sont alors ajusts.
Ce processus est rpt jusqu ce que les sorties du rseau soient suffisamment proches des
sorties dsires.
II.7.2.1. Algorithme dentrainement
Considrant un rseau de neurones constitu de L couches, ayant des fonctions
dactivation de type sigmode.
Voici un rsum de la dmarche suivre pour entraner un perceptron multicouche (voir
annexe B pour les calculs dtaills) :
1. Initialiser le numro du vecteur dapprentissage: k=1
2. Initialiser tous les poids de connexions de petites valeurs alatoires.
Lindice i reprsente un neurone appartenant une couche en amont et lindice j un
neurone appartenant une couche en aval.
3. Prsentation dun vecteur dentre () aux nuds dentre du rseau et le vecteur de
sortie dsire , () sur les neurones de la couche de sortie afin de calculer lerreur
commise par le rseau.

28

Chapitre II

Introduction aux rseaux de neurones artificiels

4. Calcul des sorties des neurones couches par couche de lentre vers la sortie.
La sortie dun neurone j est donne par :
Pour l = 1

Pour j =1

Nl

(II.10)
5. Calcul des erreurs sur les sorties des neurones, de la sortie vers lentre
Pour j=1

NL
(II.11)

Pour l=L-1
Pour j=1

Nl

(II.12)

6. modification des poids de connexions:


Pour l=L

Pour j=1
Pour i=0
(II.13)

(II.14)
est le pas dapprentissage
7. calcul de lerreur quadratique
(II.15)
8. Si k=K aller ltape 9; sinon k=k+1 et aller ltape 3
K tant le nombre dexemples de la base dapprentissage.
9. Calculer lerreur totale moyenne :

(II.16)

29

Chapitre II

Introduction aux rseaux de neurones artificiels

Si EQM (avec > 0 donn) alors arrter lapprentissage sinon revenir en (1).
II.7.2.2. Amlioration de la vitesse de convergence de lalgorithme
Bien que l'algorithme de la rtro-propagation soit le plus utilis pour l'apprentissage
supervis des MLP, son implantation se heurte plusieurs difficults techniques. A cot du
choix dune architecture approprie pour le rseau et les valeurs initiales satisfaisantes pour
les poids synaptiques, on peut citer le problme de choix du pas dapprentissage qui joue un
rle capital, si sa valeur est trop petite la convergence se fait trs lentement, alors que si on
prend une valeur trop grande, la convergence est acclre mais les poids oscillent et ne se
stabilisent pas.
Une des solutions est de rajouter un terme dinertie appel momentum (moment) dans la
rgle dapprentissage de lalgorithme, dont le rle est de filtrer les oscillations dans la
trajectoire de la descente du gradient et dviter les problmes lis une stabilisation dans un
minimum local [24].
Le changement de poids prend en compte les informations des changements prcdents.
Cest cet effet de mmoire qui permet d'viter les oscillations et acclre l'optimisation du
rseau. Ainsi la rgle dadaptation des poids devient:
(II.17)
Avec un paramtre compris entre 0 et 1
Cependant, pour les problmes complexes, les algorithmes de type rtro-propagation du
gradient, convergent insuffisamment quel que soit le pas ou le momentum, ncessitant lappel
des algorithmes plus puissants [25], dits algorithmes de second ordre, tel que lalgorithme
de Levenberg Marquardt. Ils sont dits du second ordre parce quils prennent en considration
la drive seconde de la fonction de cot.
II.7.2.3. Algorithme de Levenberg-Marquardt
L'algorithme de Levenberg-Marquardt est trs efficace pour lentrainement des rseaux de
petite et moyenne taille. Il est le plus rapide et assure la meilleure convergence vers un
minimum de lerreur quadratique pour les problmes dapproximation de fonctions o le
nombre de poids du rseau est infrieur quelques centaines [26].
La mthode de Levenberg Marquardt utilise lapproximation de la matrice Hessienne
(Drive seconde de la fonction de cot) suivante:
(II.18)
30

Chapitre II

Introduction aux rseaux de neurones artificiels

est la matrice Jacobienne.

A litration n, la modification des paramtres se fait selon lquation suivante:

(II.19)

I : Matrice identit,
: Pas.
E : Vecteur des erreurs du rseau.
La matrice jacobienne contient les drives premires des erreurs du rseau par rapport
tous les poids et biais. Elle peut tre calcule en utilisant la technique de la rtro propagation
de lerreur [27]. Elle est dfinie (si on garde les mme notations utilises prcdemment) par:

(II.20)

Lalgorithme de Levenberg-Marquardt sexcute en ces tapes :


-

Etape 1 : initialisation de tous les poids de connexions de petites valeurs


alatoires, et de

(0,01 est convenable).

Etape 2 : Prsentation de tous les exemples dentres et sorties dsires


correspondantes.

Etape 3 : Calcul des sorties du rseau pour tous les exemples prsents selon
lquation (II.10), le vecteur des erreurs commises sur les sorties du rseau, pour
chaque exemple

, et la somme des erreurs quadratiques,

31

Chapitre II

Introduction aux rseaux de neurones artificiels

, et de la matrice jacobienne (II.20) utilisant lquation (B.14) et pour la couche


de sortie en remplaant (B.17) dans (B.14).
-

quadratiques,
-

selon lquation (II.19) et recalculer la somme des erreurs

Etape 4 : Calcul de
, pour

Etape 5 : Si

le changement de poids effectuer (

).

alors est divis par , conserver le changement de poids et

aller ltape 7.
-

Etape 6 : sinon on multiplie par et on retourne ltape 4;

Etape 7 : Si

(avec >0 donn) alors arrter lapprentissage sinon retourner

ltape 2.
est augment ou diminu chaque tape, si lerreur diminue, alors ce

Le paramtre

paramtre sera divis par un facteur , et les nouveaux poids seront maintenu, il sera
multipli par

dans le cas contraire et itre encore.

II.7.2.4. Initialisation du vecteur des paramtres poids synaptiques


Au dbut de lapprentissage, les valeurs des poids synaptiques doivent tre initialises par
de petites valeurs alatoires diffrentes de zro. Dautre part, lutilisation de valeurs leves
peut provoquer un phnomne de saturation prmature qui contribue diminuer la vitesse de
convergence de lapprentissage [28]. Il faut aussi faire attention ce que les poids initiaux
soient diffrents d'un nud l'autre sinon les units caches feront toutes le mme travail.
Cette tape dinitialisation est trs importante car elle est susceptible de dterminer
en partie le rsultat obtenu en fin dapprentissage, donc les performances du modle ainsi
conu [29].
II.7.2.5. Amlioration de la gnralisation
Lobjectif recherch dans la modlisation par rseaux de neurone est lobtention dun
modle qui peut apprendre les donnes, et qui assure une bonne gnralisation en vitant un
problme de sur-apprentissage. Ce dernier, est caus par un sur-ajustement des paramtres
(poids synaptiques).
Pour pallier ce problme de sur-ajustement, on utilise la technique de larrt prcoce
(early stopping en anglais). Cette mthode repose sur lutilisation de trois jeux de donnes
distincts: un jeu dapprentissage, un jeu de validation, et un jeu de test.

32

Chapitre II

Introduction aux rseaux de neurones artificiels

Son principe consiste mesurer les performances pendant l'apprentissage sur les deux
bases, base dapprentissage et de validation. Aux premires itrations, les fonctions de cot
sur les bases de validation et d'apprentissage diminuent ensemble.
Lorsque le modle commence tre sur-ajust, la fonction de cot sur la base d'apprentissage
continue diminuer, alors que la fonction de cot sur la base de validation augmente. A une
itration prcdant le dbut du sur-apprentissage, lapprentissage doit sarrter.
On vrifie la capacit de gnralisation du rseau de neurones avec le dernier jeu de
donne, le jeu de test. La figure (II.8) illustre cette technique.

Figure (II.8) : Illustration de larrt prmatur de lapprentissage.


II.8. Discussion
Dans ce chapitre nous avons donn un aperu sur la similitude neurone biologique /
neurone artificiel, puis nous nous sommes intresss plus particulirement ltude dune
architecture de type perceptron multicouches, et son algorithme dapprentissage de la rtropropagation du gradient qui prsente plusieurs difficults pour sa mise en uvre.
Afin de tester les performances des rseaux de neurones dans la prdiction
mtorologique nous allons utiliser un perceptron MLP avec lalgorithme de LevenbergMarquardt, qui fera lobjet du prochain chapitre.

33

Chapitre III
Application des rseaux de
neurones la prdiction

Chapitre III

Application des rseaux de neurones la prdiction

III.1. Problmatique et objectif


L'une des plus grandes applications des rseaux de neurones se situe dans le domaine de la
prdiction [30]. Les caractristiques de parcimonie, de gnralisation, dapproximation
(Annexe A), de simplicit dimplantation, et du temps de calcul relativement faible, des
rseaux de neurones les rendent un outil trs commode pour les tches de prdiction par
rapport aux outils conventionnels de calculs.
En effet, plusieurs travaux dans la littrature, ont t fait dans le but de prdire
lirradiation solaire des chelles de temps horaire [31], journalier [32-34] ou mensuel [35,3]
et pour plusieurs localits dans le monde [36-38].
Lobjectif de notre travail consiste dvelopper un modle neuronal de prvision de
lvolution de lirradiation solaire lchelle mensuelle pour la rgion de Tizi-Ouzou
(36,42N, 4,03E).
La procdure de construction du rseau de neurones prdictif de lirradiation solaire, et les
rsultats de lapplication pour la rgion de Tizi-Ouzou seront prsents dans la suite de ce
chapitre.
III.2. Procdure de construction dun rseau de neurones
La procdure de conception dun rseau de neurone peut tre rsume en six tapes :
1. La collecte dune base de donnes.
2. La sparation de la base de donnes en trois sous ensembles (base dapprentissage, base de
validation et base de test).
3. Le choix de larchitecture du rseau de neurones (nombre de couches caches, nombre de
neurones dans ces couches,).
4. Prtraitement des donnes.
5. Entrainement du rseau de neurones sur les bases dapprentissage et de validation.
6. Mesure des performances du rseau de neurone sur la base de test.

34

Chapitre III

Application des rseaux de neurones la prdiction

III.2.1. Collecte dune base de donnes


Lobjectif de cette tape est de rassembler un nombre de donnes suffisant pour construire
une base reprsentative de donnes, qui servira lapprentissage et au test du rseau de
neurones.
Cette base de donnes constitue lentre du rseau de neurones, et par consquent cest
elle qui dtermine la fois la taille du rseau (et donc le temps de simulation), et les
performances du systme (capacit de gnralisation).
Pour notre application, nous avons utilis les donnes mtorologiques mensuelles
fournies par lONM dAlger, et la base de donnes de la NASA [39]. Lirradiation solaire
extraterrestre, la dure thorique de jour, la dclinaison journalire, et la hauteur angulaire
maximale du soleil ont t calcules selon les quations (I.2), (I.5), (I.4) et (I.12)
respectivement, sur une priode de cinq ans (2000 2005). A cet effet nous avons pu
construire une base de donnes composes de 72 exemples.
III.2.2. Sparation des bases de donnes
Aprs avoir construit la base de donnes, il est ncessaire de procder la phase de
sparation en trois ensembles. On construit un ensemble pour effectuer lapprentissage, lautre
pour la validation (technique de la validation croise), qui permet de contrler la phase
dapprentissage, et un autre pour tester le rseau obtenu et dterminer ses performances.
Il ny pas de rgle pour dterminer ce partage dune manire quantitative. Toutefois, les
bases de test et de validation reprsentent 10 25% (tenant compte du nombre de donnes
dont on dispose) de la base de donnes totale et doivent tre reprsentatives et distinctes. Dans
notre application, la base dapprentissage se compose de 52 mois (tous les mois des quatre
premires annes plus quatre mois de la cinquime anne), et pour la base de test on a pris une
anne complte (2005). Ce qui se compose de 52 exemples pour la base dapprentissage, de 8
exemples de validation (deux mois pour chaque saison de lanne 2004) et de 12 pour la base
de test.
III.2.3. Choix de larchitecture du rseau
La dfinition de larchitecture du rseau est primordiale pour obtenir un systme
performant. Cela consiste faire un compromis entre la complexit du rseau en rduisant le
nombre dunits caches ainsi que le nombre de neurones pour chaque couche, et sa
performance.

35

Chapitre III

Application des rseaux de neurones la prdiction

Daprs [25, 40] un rseau de neurone deux couches, ayant une fonction dactivation de
type sigmode dans la premire couche (couche cache) et une fonction linaire dans la
couche de sortie permet dapproximer nimporte quelle fonction dintrt avec une prcision
arbitraire, condition de disposer de suffisamment de neurones sur la couche cache.
Comme nous lavons mentionn prcdemment, la structure du rseau dpend troitement
de la base de donnes, constitue de couples entres /sortie(s), choisis. Le nombre de nuds
dentres et de sorties sont gnralement imposs par la fonction approximer. Le premier est
dtermin par le nombre de variables utilises en entre. Dans notre cas, ce nombre est
variable, car on a essay plusieurs architectures avec diffrentes variables en entre (Voir
tableau III.2).
Pour la couche de sortie, le nombre de neurones est dtermin par le nombre de sorties
approximer, c..d. la variable quon veut prdire. Pour notre application, on veut prdire
lirradiation solaire, donc on nutilisera quun seul neurone dans la couche de sortie.
Le cas nest pas si facile pour le nombre de neurones dans les couches caches. Le nombre
de poids ajustables est un des facteurs fondamentaux de la russite d'une application.
En effet, avec un nombre limit de neurones (trop petit), le rseau ne sera pas performant
sur lapprentissage, et avec un nombre de poids trop grand, le rseau risque de possder de
mauvaises proprits de gnralisation (phnomne du sur-apprentissage).
Dans la bibliographie, on a pu trouver certaines relations empiriques, qui lient le nombre
de neurones de la couche cache au nombre de nuds dentre, ou au nombre de neurones de
sortie et le nombre dexemples dans la base dapprentissage [41 ,30], mais la meilleure
mthode est de construire plusieurs modles (c..d: diffrents neurones dans la couche
cache) et de choisir le modle le mieux convenable pour l'application considre [2].
Nous avons adopt une dmarche qui consiste considrer d'abord larchitecture la plus
simple (avec un minimum de neurones dans la couche cache), puis la rendre plus complexe
et retenir celle qui prsente les meilleures performances.
Dans ce cas, nous partons dune architecture 1 neurone dans la couche cache, et on
augmente constamment ce nombre jusqu' 10, puis on retient larchitecture qui donne le
minimum de lerreur sur la base de test, et ce afin dviter le problme de sur-apprentissage.

36

Chapitre III

Application des rseaux de neurones la prdiction

III.2.4 Prtraitement des donnes


De manire gnrale, les bases de donnes subissent un prtraitement, qui consiste
effectuer une normalisation approprie tenant compte de lamplitude des valeurs acceptes par
le rseau [18], avant leur utilisation pour lapprentissage du rseau de neurone. Et ce afin
dassurer une homognisation des valeurs propages dans le rseau.
Les entres et sorties sont normalises linairement entre 0 et 1, par rapport leur valeur
minimale ou maximale, en appliquant lquation de normalisation suivante :

(III.1)
Avec :

et

: les valeurs minimale et maximale respectivement de la

variable normaliser.
Cette normalisation permet dassurer quune entre ne devienne pas prpondrante au
dtriment des autres, du fait des valeurs atteintes.
III.2.5. Phase dapprentissage
Une fois on a choisi larchitecture du rseau de neurone, elle doit subir une phase
dapprentissage. Cette dernire consiste calculer les pondrations optimales des diffrentes
liaisons, en utilisant la base dapprentissage.
Les poids sont initialiss alatoirement avant l'apprentissage, puis modifis itrativement
afin dviter que lapprentissage ne sarrte sur un minimum local de la fonction derreur.
Lensemble des donnes dapprentissage est donc prsent plusieurs fois au rseau avec
diffrentes valeurs dinitialisations des poids synaptiques. Typiquement, nous avons utilis
500 initialisations diffrentes.
Et comme nous disposons des valeurs de sortie (irradiation globale), nous avons choisi
lapprentissage supervis, mettant en jeu lalgorithme de Levenberg-Marquardt qui donne de
meilleurs rsultats en termes de rapidit de convergence et de performance de gnralisation.
Ce dernier cherche minimiser, par des mthodes doptimisation non linaire une fonction de
cot qui constitue une mesure de lcart entre les rponses relles du rseau et ses rponses
dsires [21].
Pour contourner le problme de sur-apprentissage nous avons utilis la technique de
validation croise explique au chapitre II. Nous avons donc veill ce que lerreur sur les
bases dapprentissage et de validation soit aussi faible que possible.
37

Chapitre III

Application des rseaux de neurones la prdiction

III.2.6. Phase de test


Une fois lapprentissage du rseau est termin, il faut toujours procder des tests pour
estimer sa qualit de gnralisation, et ce en lui prsentant une base de donnes diffrente de
celles utilises pour lapprentissage ou la validation croise. Si les performances ne sont pas
satisfaisantes, il faudra soit modifier larchitecture du rseau, soit de modifier la base
dapprentissage.
III.3. Etude des paramtres de construction
Lobjectif de notre tude est la validation du rseau de neurone (MLP), comme outil de
prdiction de lirradiation solaire, par apprentissage supervis. Nous avons rsum les
donnes utilises dans la table suivante :
Catgorie

Mtorologique

Variable

Unit

Temprature

Pression atmosphrique

hPa

Humidit relative

Insolation

prcipitation

mm

Vitesse du vent

m/s

Irradiation solaire extraterrestre

kWh. M-2.jour-1

Type

Numrique

Dclinaison
Astronomique

Hauteur angulaire maximale

Degr ()

Numrique

du soleil

Calendrier

Dure astronomique du jour

Numro du mois

Numrique (0 12)

Tableau (III.1) : Paramtres utilises.


Plusieurs modles ont t tests afin de trouver les combinaisons de variables dentre qui
aboutissent une prdiction efficace. Les entres utiliss pour ces modles ont t choisis en
se basant sur le calcul du coefficient de corrlation entre lirradiation solaire et chacune des
variables cites (

), (figure (III.1) jusqu (III.12)).

38

Chapitre III

Application des rseaux de neurones la prdiction

Nous rapportons sur le tableau suivant les 10 modles que nous avons jug tre les plus
intressant.
Variables dentre

Modles
M

S0

G0

Tmax

Tmin

M1

M2

M3

M4

M5

M6

M7

M8

M9

M10

Prec

max

Hu

x
x

x
x

x
x

Tableau (III.2) : Diffrents modles utilis pour lentrainement du rseau de neurone.


Avec:
M: numro du mois.
S : insolation (h)
S0 : dure thorique du jour (h).
G0 : irradiation solaire extraterrestre (wh.m-2.jour-1).
Tmoy : temprature moyenne (C).
Tmax : temprature maximale (C).
Tmin : temprature minimale (C).
T =Tmax-Tmin.(C).
prec : prcipitation (mm).
Hu : humidit relative (%).
: dclinaison ().
max : hauteur angulaire maximale du soleil ().
39

Chapitre III

Application des rseaux de neurones la prdiction

Les figures suivantes reprsentent les corrlations entre lirradiation solaire et chacune des
variables dentre cites ci-dessus.
Corrlation entre l'irradiation solaire globale et la dure d'insolation pour Tizi-Ouzou (2000-2005)
8

Irradiation solaire globale


reue sur un plan horizontal (kWh.m-2.jour-1)

r =

0.9283

1
3

7
8
dure d'insolation (h)

10

11

12

irradiation solaire globale sur une surface horizontale (kWh.m-2.jour-1)

Figure (III.1) : Corrlation entre lirradiation solaire globale et la dure dinsolation.

Corrlation entre irradiation solaire globale et dure astronomique du jour


pour Tizi-Ouzou (2000-2005)
8
r = 0.9715
7

1
9.5

10

10.5

11
11.5
12
12.5
13
Dure astronomique du jour (h)

13.5

14

14.5

Figure (III.2) : Corrlation entre lirradiation solaire globale et la dure astronomique du jour.

40

irradiation solaire globale sur une surface horizontale (kWh.m-2.jour-1)

Chapitre III

Application des rseaux de neurones la prdiction

Corrlation entre irradiation solaire globale et irradiation solaire extraterrestre


pour Tizi-Ouzou (2000:2005)
8
r = 0.9715
7

1
4
5
6
7
8
9
10
11
12
irradiation solaire extraterrestre reue sur un plan horizontal (kWh.m-2.jour-1)

Figure (III.3) : Corrlation entre lirradiation solaire globale et lirradiation extraterrestre.

Corrlation entre irradiation solaire globale et la diffrence de temprature (Tmax-Tmin)


8

Irradiation solaire globale


reue sur un plan horizontal (kWh.m-2.jour-1)

r = 0.8749
7

1
6

10
11
12
Tmax-Tmin (C)

13

14

15

16

Figure (III.4) : Corrlation entre lirradiation solaire globale et la diffrence de temprature.

41

irradiation solaire globale sur une surface horizontale( kWh.m-2.jour-1)

Chapitre III

Application des rseaux de neurones la prdiction

Corrlation entre irradiation solaire globale et temprature maximale


pour Tizi-Ouzou (2000-20005)
8
r =0.8045
7

1
10

15

20
25
30
Temprature maximale (C)

35

40

irradiation solaire globale sur une surface horizontale( kWh.m-2.jour-1)

Figure (III.5) : Corrlation entre lirradiation solaire globale et la temprature maximale.

Corrlation entre irradiation solaire globale et temprature minimale


pour Tizi-Ouzou (2000-2005)
8
r = 0.7359
7

1
0

10
15
Temprature minimale (C)

20

25

Figure (III.6) : Corrlation entre lirradiation solaire globale et la temprature minimale.

42

Irradiation solaire globale sur une surface horizontale (kWh.m-2.jour-1)

Chapitre III

Application des rseaux de neurones la prdiction

Corrlation entre l'irradiation solaire et la pression atmosphrique


8
r = 0.1258
7

1
0

2000

4000
6000
8000
Pression atmosphrique (hPa)

10000

12000

Figure (III.7) : Corrlation entre lirradiation solaire globale et la pression atmosphrique.

Corrlation entrel'irradiation solaire et les prcipitations


8

Irradiation solaire globale


reue sur un plan horizontal (kWh.m-2.jour-1)

r = - 0.7017
7

1
0

4
5
6
Prcipitation (mm)

10

Figure (III.8) : Corrlation entre lirradiation solaire globale et le taux de prcipitation.

43

Irradiation solaire globale sur une surface horizontale (kWh.m-2.jour-1)

Chapitre III

Application des rseaux de neurones la prdiction


Corrlation entre irradiation solaire globale et l'umidit relative
pour Tizi-Ouzou (2000-2000()

8
r = -0.7750
7

1
40

45

50

55

60
65
70
Humidit relative (%)

75

80

85

Figure (III.9) : Corrlation entre lirradiation solaire globale et lhumidit relative.

Corrlation entre l'irradiation solaire et la hauteur angulaire de soleil


8

Irradiation solaire globale


reue sur un plan horizontal (kWh.m-2.jour-1)

r = 0.9709
7

1
30

35

40

45
50
55
60
65
Hauteur angulaire du solail (degr)

70

75

80

Figure (III.10) : Corrlation entre lirradiation solaire globale et la hauteur angulaire du soleil.

44

Irradiation solaire globale sur une surface horizontale (kWh.m-2.jour-1)

Chapitre III

Application des rseaux de neurones la prdiction


Corrlation entre 'irradiation solaire globale et le dclinaison du soleil
pour Tizi-Ouzou (2000-2005)

8
r = 0.9710
7

1
-25

-20

-15

-10

-5
0
5
dclinaison (degr)

10

15

20

25

Irradiation solaire globale sur une surface horizontale (kWh.m-2.jour-1)

Figure (III.11) : Corrlation entre lirradiation solaire globale et la dclinaison.

corrlation entre l'irradiation solaire et la vitesse de vent


8
r = 0.4709
7

1
0

0.5

1.5
2
Vitesse de vent (m/s)

2.5

3.5

Figure (III.12) : Corrlation entre lirradiation solaire globale et la vitesse du vent.

45

Chapitre III

Application des rseaux de neurones la prdiction

III.4. Critres utiliss pour lvaluation des performances des modles


Plusieurs indicateurs statistiques, ont t utiliss dans la littrature, pour valuer les
performances des modles destimation de lirradiation solaire
Les indicateurs les plus populaires et les plus utiliss sont :

RMSE (root mean square error): racine carre de lerreur quadratique moyenne.

(III.1)
La RMSE, est une mesure de la variation des valeurs prdites autour des valeurs mesure.
Plus sa valeur est petite, plus le modle est meilleur.

MBE (mean bias error): erreur de biais moyen.


(III.2)

La MBE donne une indication sur la dviation moyenne des valeurs prdites par rapport aux
valeurs mesures correspondantes. Une valeur positive indique une surestimation dans
lirradiation globale prdite et une valeur ngative indique une sous-estimation.

MAPE (mean absolute percentage error): Moyenne des erreurs absolues en


pourcentage.
(III.3)

La MAPE est dans lensemble une mesure de la justesse de la prvision. Une valeur de MAPE
infrieure 10% est considre comme acceptable [3].

R : coefficient de corrlation.
(III.4)

Le coefficient de corrlation mesure combien les valeurs prdites se rapprochent- elles des
valeurs relles. Clairement, une valeur du coefficient de corrlation plus proche de l'unit
implique une meilleure prvision.

46

Chapitre III

Application des rseaux de neurones la prdiction

R2: coefficient de dtermination.


(III.5)

Le coefficient de dtermination est une mesure statistique, qui indique comment la droite
de rgression ajuste les donnes relles. Une valeur de R proche de 1 indique que la droite de
rgression ajuste bien les donnes.
Cet indicateur vari entre 0 et 1.Une valeur de 1 indique un parfait accord entre mesure et
modle, alors que la valeur 0 indique un total dsaccord.
Avec:
N: Nombre dexemple utilis dans la base dentrainement ou de test.
: Irradiation solaire mesure.
: Irradiation solaire estime par le rseau de neurone.
: La valeur moyenne de lirradiation solaire mesure.
: La valeur moyenne de lirradiation solaire estime par le rseau de neurone.
Dans notre tude, nous avons utilis tous les indicateurs cits ci-dessus, pour valuer la
performance de nos modles sur les deux bases, dentrainement et de test.
III.5. Rsultats et discussion
Pour chaque modle, on a fait varier le nombre de neurones dans la couche cache
de 1 10, et on a effectu 500 apprentissages avec chaque fois une initialisation diffrente
pour chaque une de ces architectures; puis on a sauvegard la valeur des poids synaptiques qui
donne le minimum de RMSE sur la base dentrainement. Par exemple pour le modle M8, on
a obtenu les rsultats du tableau (III.3)

47

Chapitre III

Application des rseaux de neurones la prdiction


RMSE base dentrainement

RMSE base de test

0,26162

0,23195

0,17769

0,212

0,23511

0,12319

0,17167

0,19675

0,20374

0,26547

0,15833

0,27774

0,11914

0,42795

0,1496

0,43026

0,16126

0,49437

10

0,13816

0,26587

Nombre de neurone dans la


couche cache

Tableau (III.3) : Variation des erreurs dapprentissage et de test en fonction du nombre de


neurone dans la couche cache.
On remarque daprs ce tableau, qu partir de 3 neurones, le phnomne de sur
apprentissage commence apparatre. Lindication de la prsence de ce sur apprentissage est
ici la diminution de la performance en phase de test; lajout successif de neurones dans la
couche cache, amliore lerreur commise sur la base dentrainement, mais dtriore celle de
la base de test.
Dans ce cas, le rseau, avec plus de neurones dans la couche cache, possde beaucoup
plus de paramtres (poids et biais), ce qui introduit une plus grande facilit dapprentissage,
mais une mauvaise capacit de gnralisation.
En effet, le nombre de poids du rseau MLP une couche cache, est :
Npoids =NCC ( NCE +NCS )

(III.6)

Avec:
Npoids: Nombre total de poids du rseau.
NCC : Nombre de neurones dans la couche cache.
NCE: Nombre de nuds (variables) dentre.
NCS : Nombre de neurones dans la couche de sortie.

48

Chapitre III

Application des rseaux de neurones la prdiction

Ce phnomne est illustr par la figure suivante.


Evolution des erreurs d'apprentissage et de test
en fonction du nombre de neurone dans la couche cache
0.5

RMSE sur la base d'entrainementt


Rmse sur la base de test

0.45
0.4

Sous
apprentissage

RMSE

0.35

Sur
apprentissage

0.3
0.25
0.2
0.15
0.1

3
4
5
6
7
8
Nombre de neurone dans la couche cache

10

Figure (III.13) : Erreur dapprentissage et de test en fonction du nombre de neurones


dans la couche cache pour le modle M8.
Afin dviter la production de ce phnomne, nous avons choisis larchitecture ayant le
minimum de lerreur sur la base de test et non sur la base dapprentissage comme architecture
optimale. Pour le modle M8, a correspond larchitecture ayant 3 neurones dans la couche
cache.
La mme procdure t suivi pour dterminer larchitecture optimale pour tous les autres
modles. Pour chaque modle on a report dans le tableau (III.4) les meilleurs rsultats qui
correspondent au minimum de lerreur (RMSE) sur la base de test.

49

Chapitre III

Application des rseaux de neurones la prdiction

III.6. Conclusion
L'tude prsente a t incite par le manque de mesure de l'irradiation solaire globale
dans quelques emplacements, notamment dans la rgion de Tizi-Ouzou. Cette donne est trs
importante pour ltude et le dimensionnement des systmes solaires, plus particulirement
les systmes photovoltaques.
Cette tude confirme la capacit des rseaux de neurone prdire lirradiation solaire avec
prcision, et les donnes prdites peuvent donc tre utilises en absence de mesures. Les
rsultats indiquent que la modlisation par les rseaux de neurones parat prometteuse pour
lvaluation du potentiel de la ressource solaire dans les zones isoles ou dpourvues de
stations de mesure radiomtriques.
Des conclusions semblables ont t atteintes par beaucoup de chercheurs qui s'intressent
plusieurs autres questions mtorologiques [30, 42-44]
Le prochain chapitre sera consacr au dimensionnement du systme photovoltaque qui
alimentera le laboratoire de recherche LAMPA, et ce en utilisant les donnes dirradiation
solaire estimes par le modle neuronal conu.

50

Chapitre IV
Dimensionnement dune
installation photovoltaque

Chapitre IV

Dimensionnement dune installation photovoltaque

IV.1. Introduction
Le dimensionnement des systmes solaires exige une analyse prcise du besoin lectrique
et des diffrents facteurs pouvant influencer leurs rendements, donnes mtorologiques, et
environnements dinstallation.
La connaissance du rayonnement solaire et ces composantes sur des surfaces inclines et
orientes est ncessaire, voir indispensable pour tout dimensionnement dinstallations
solaires. Or gnralement, dans les stations mtorologiques le rayonnement solaire global est
mesur sur des surfaces horizontales.
Bien quil soit difficile de connatre la valeur de lirradiation solaire pour un site prcis,
sous une orientation et une inclinaison bien dtermines, il existe quelques modles
approximatifs pour la calculer dans le cas o au moins le rayonnement global horizontal est
mesur ou estim.
Le dimensionnement de linstallation photovoltaque qui servira lalimentation du
laboratoire de recherche LAMPA sera lobjectif de ce chapitre.
IV.2. Mthodologie suivie pour le dimensionnement
Pour dimensionner les systmes photovoltaques, deux paramtres ont beaucoup
dimportance : lirradiation solaire globale incidente sur une surface collectrice et la
dtermination prcise de la consommation.
IV.2.1. Calcul de lirradiation solaire incidente sur les capteurs
Lvaluation de lnergie incidente sur un plan quelconque est effectue par des modles
qui font intervenir les composantes directe, diffuse et rflchie, du rayonnement solaire. Il est
donc ncessaire de disposer dune valuation de chacune de ces fractions du rayonnement
global.
Ce problme n'est pas nouveau et a t trait par plusieurs auteurs et ont donn plusieurs
modles qui sont bass sur la sommation du diffus, du directe, et dalbdo reus sur plan
inclin suivant la formule:
(IV.1)
Avec

les irradiations globale, diffuse, directe et albdo

respectivement reues sur un plan dinclinaison .

51

Chapitre IV

Dimensionnement dune installation photovoltaque

Il faut donc trouver des modles, pour le calcul des irradiations diffuse, directe et dalbdo
reues sous une inclinaison et une orientation, qui permettent une optimisation de la captation
par les cellules photovoltaques.
Plusieurs modles ont t tests dans [45] et [46] pour lestimation de lirradiation solaire
et il a t dmontr que tous ces modles convenaient bien au calcul de lirradiation solaire
globale reue sur un plan inclin pour lAlgrie.
Vu sa simplicit, le modle de Liu et Jordan [47], est utilis dans ce chapitre pour le calcul
de lirradiation solaire globale incline.
Lirradiations solaire dans le plan du champ photovoltaque,

, est obtenue en utilisant le

model de Liu et Jordan suivant:

(IV.2)
Avec:
: Irradiation horaire totale reue sur le plan des capteurs.
Irradiation horaire directe reues sur un plan horizontal.
Irradiation horaire diffuse reue sur un plan horizontal.
: Irradiation horaire globale reue sur un plan horizontal.
Albdo du sol.
Lalbdo a t fix 0,2 si la temprature moyenne mensuelle est suprieure 0 C, et une
valeur de 0,7 si elle est infrieure -5 C [39].
est le rapport des irradiations directes horaires reues sur le plan des capteurs aux
irradiations directes horaires reues sur le plan horizontal.

(IV.3)
est langle dincidence du rayonnement direct reu sur le plan inclin et

est langle

znithal du soleil.

52

Chapitre IV

Dimensionnement dune installation photovoltaque

(IV.4)
Lirradiation globale quotidienne reue sur le plan inclin est alors obtenu par la
sommation des valeurs horaires.
Le seul problme qui se pose est que ce modle utilise les valeurs horaires des irradiations
solaires globale, diffuse et directe pour lestimation de lirradiation globale horaire, alors que
nous ne disposons que des irradiations moyennes mensuelles journalires.
On a utilis lalgorithme dcrit dans [48] comme suit:
Calcul des irradiations horaires globale et diffuse reues sur une surface horizontale
pour le jour moyen mensuel.
Calcul des valeurs horaires de lirradiation globale reue sur une surface incline pour
cette journe.
et enfin, sommation des valeurs horaires calcules sur la surface incline pour obtenir
lirradiation moyenne quotidienne incidente sur les capteurs.
IV.2.1.1. Calcul de lirradiation horaire globale reue sur un plan horizontal
Avant de passer au calcul de lirradiation horaire globale horizontale, il faut dfinir la notion
de jour moyen mensuel.
Le jour moyen mensuel est le jour o la dclinaison est proche de la dclinaison moyenne du
mois considr. A ce jour moyen, lirradiation globale quotidienne est gale la moyenne
mensuelle quotidienne.
Le jour moyen recommand par [48] pour chaque mois et le numro du jour correspondant de
lanne sont donns dans le tableau suivant:
Mois

10

11

12

Date

17

16

16

15

15

11

17

16

15

15

14

10

Numro

17

47

75

105

135

162

198

228

258

288

318

344

du jour

Tableau (IV.1) : Jour moyen mensuel et numro du jour de l'anne correspondant.

53

Chapitre IV

Dimensionnement dune installation photovoltaque

Pour chaque heure de la journe moyenne , lirradiation globale quotidienne moyenne (Gh)
est rpartie en valeurs horaires (I) grce la formule de Collares-Pereira et Rabl [48]:
(IV.5)
Le rapport de la valeur horaire sur le total quotidien de lirradiation global

est exprim par:

(IV.6)

(IV.7)

(IV.8)
: Est langle horaire du soleil son coucher exprim en radians (voir quation (I.10))
et est langle horaire du soleil pour le milieu de lheure pour laquelle le calcul est fait,
exprim aussi en radians (voir quation (I.6)).
IV.2.1.2. Calcul des irradiations horaires diffuse et directe horizontales
Pour calculer le diffus horaire, il faut dabord calculer la moyenne mensuelle de
lirradiation diffuse partir de la moyenne mensuelle de lirradiation globale en utilisant des
modles trouvs dans la littrature.
Ensuite, lirradiation diffuse (Dh) est rpartie en valeurs horaires (Id ) avec la formule de Liu
et Jordan suivante [48]:
(IV.9)
Le rapport de la valeur horaire sur le total quotidien de lirradiation diffuse

se calcul par :
(IV.10)

Une fois les rayonnements horaires global et diffus reus sur un plan horizontal sont calculs,
on pourra calculer le rayonnement direct horaire horizontal par simple soustraction:
(IV.11)

54

Chapitre IV

Dimensionnement dune installation photovoltaque

Estimation de la moyenne mensuelle du rayonnement diffus horizontal


Puisque seul le rayonnement global mensuel horizontal est estim par le modle neuronal
dans le chapitre prcdent, nous avons cherch dans la littrature trouver des modles pour
estimer la fraction ou la composante du global qui est le diffus mensuel horizontal, et on a pu
trouver plusieurs modles.
Modle dIqbal
Iqbal [49] a propos deux corrlations, la premire a une forme linaire et exige la
connaissance de l'irradiation globale mesure sur le plan horizontal et les dures dinsolation.
La seconde corrlation a une forme quadratique et exige seulement la connaissance des dures
dinsolation et du rayonnement extraterrestre. Les deux relations proposes sont donnes par:

(IV.12)

(IV.13)
Modle de Liu et Jordan
Liu et Jordan [50] ont tabli une corrlation entre la moyenne mensuelle de la fraction
diffuse KD (rapport entre lirradiation solaire diffuse et lirradiation solaire extraterrestre) et la
moyenne mensuelle de lindice de clart KT:
(IV.14)
Pour
Modle de Page
Page [51] a utilis des donnes de 10 sites largement tendus entre la latitude 40 Nord
40 Sud, et a propos cette expression gnrale:
(IV.15)

55

Chapitre IV

Dimensionnement dune installation photovoltaque

Modle dErbs
Erbs [52] a utilis les donnes issues de quatre stations des Etats Unis pour dvelopper un
modle polynomial saisonnier donnant la fraction diffuse mensuelle en fonction de l'indice de
clart:
-Pour 0

81,4 et

:
(IV.16)

-Pour 0

81,4 et
(IV.17)

IV.2.1.3. Inclinaison et orientation optimales des capteurs photovoltaques


Lnergie fournie par les capteurs photovoltaques est directement proportionnelle
lensoleillement. Afin doptimiser au mieux linstallation solaire il faut donc tenir compte de
ce facteur, qui dpend son tour du lieu de linstallation, dorientation et dinclinaison de ces
capteurs.
Idalement, Ils doivent tre orients en plein Sud dans lhmisphre Nord et en plein Nord
dans lhmisphre Sud, lcart des zones ombrages, et inclin dun angle qui permet
loptimisation de lnergie rcupre.
Un plan inclin est caractris par son inclinaison (par rapport lhorizontale), et son
orientation ou azimut par rapport au sud.

Figure (IV.2) : Dfinition des angles pour un plan inclin: inclinaison , azimut et langle
dincidence [53]
56

Chapitre IV

Dimensionnement dune installation photovoltaque

Plus les rayons sont proches de la perpendiculaire au plan des panneaux (cos

1), plus la

quantit dnergie disponible est importante.


en moyenne, sur lanne, linclinaison optimale pour maximiser lnergie annuelle
produite est gale la latitude du lieu.
Une inclinaison plus forte que la latitude peut augmenter l'nergie rcupre en hiver,
au dtriment de celle rcupre en t, la trajectoire du soleil est basse dans le ciel.
Linverse est ralis pour une inclinaison plus faible que la latitude.
Ces considrations sont prises en compte lors du dimensionnement d'un systme
photovoltaque.
Pour ce qui est de notre application, qui consomme une nergie constante tout au long de
lanne, on utilisera une inclinaison qui optimisera lnergie rcupre en hiver, la priode
dont lensoleillement est plus faible.
Le tableau suivant donne les valeurs de linclinaison idale des capteurs photovoltaque pour
une utilisation annuelle constante en fonction de la latitude.
Latitude ()

Inclinaison ()

< 10

10

10 < < 30

30 < < 40

+ 10

> 40

+ 15

Tableau (IV.2) : Relation entre la latitude et linclinaison des panneaux pour une utilisation
annuelle [54].
IV.2.2. Mthodes de dimensionnement
Plusieurs tudes ont t labores dans le but de raliser un dimensionnement optimal des
systmes photovoltaques [55,56]. Ces mthodes sont bases sur lquilibre nergtique pour
dterminer la capacit de stockage et la production des panneaux photovoltaques. Des
mthodes plus rcentes [57-59] estiment la performance des systmes photovoltaques en se
basant sur le concept de la probabilit derreur dans la consommation, dfinie comme le ratio
entre le dficit et la demande d'nergie, sur la charge.
Cette dernire mthode consiste en la ralisation des bilans nergtiques chaque jour
durant quelques annes, pour calculer les dimensions des modules et batteries qui garantiront
57

Chapitre IV

Dimensionnement dune installation photovoltaque

une fiabilit donne du point de vue de la consommation. Son avantage est quelle optimise
nergtiquement linstallation et introduit le concept de fiabilit nergtique. Son principal
inconvnient est quil faut connatre les donnes horaires dirradiations sur le site
dinstallation pour un nombre dannes trop grand (10 20 ans) [60] et ces donnes ne sont
pas souvent disponibles.
Dans ce prsent chapitre, on sintresse une mthode dite la mthode du mois le plus
dfavorable vu quon ne dispose que de valeurs mensuelles de lirradiation solaire. Son
principe est de raliser un bilan nergtique sous les conditions les plus dfavorables [61]
pour le systme. C'est--dire, si le systme fonctionne durant ce mois, il fonctionnera les
autres mois, donc il nous garantit un fonctionnement annuel.
IV.2.2.1. Estimation de la consommation
La premire tape suivre lors du dimensionnement dune installation photovoltaque est
lestimation de la consommation d'lectricit, et la connaissance de la priodicit de ses
besoins.
La priodicit est en fait le rythme de la consommation d'lectricit, elle peut tre
continue (tous les jours de lanne), ou priodique (week-end, vacance,..).
Lvaluation prcise des besoins en lectricit consomme est primordiale pour un bon
dimensionnement. Il faut alors se renseigner sur la consommation de chaque appareil utilis et
choisir les appareils dont la consommation est la plus faible possible afin de rduire ses
dpenses en lectricit tout en gardant un bon niveau de confort.
Pour calculer lnergie consomme ncessaire par jour (Wh/jour), on multiplie la
puissance (W) de chaque quipement (lampes, PC,) par le nombre dheures de
fonctionnement respectivement (h/jour), puis on somme les valeurs trouves.
La consommation totale dune application, est calcule en tenant compte du rendement de
londuleur sil y a des charges alternatives

(IV.18)
Avec :
: Consommation totale dune application (Wh/jour).
: Energie consomme par les charges DC (Wh/jour).
58

Chapitre IV

Dimensionnement dune installation photovoltaque

: Energie consomme par les charges AC (Wh/jour).


: Rendement moyen de londuleur : 0,95.
IV.2.2.2. Dimensionnement du gnrateur photovoltaque
Cette tape consiste calculer la quantit de modules photovoltaques que l'on devra possder
pour couvrir ces besoins en lectricit, il faut pour cela :
Estimer la puissance crte du champ photovoltaque
La puissance crte du champ photovoltaque installer dpend de lirradiation du lieu. On la
calcule de faon satisfaire les besoins pendant la priode la plus dfavorable en appliquant la
formule suivante [62]:

(IV.19)
: Puissance crte du champ photovoltaque ( WC).
: Irradiation moyenne mensuelle reue par le capteur photovoltaque correspondant au mois
le plus dfavorable (Wh.m-2.jour-1).
: nergie consomme (Wh).
: Coefficient correcteur, ce coefficient tient compte :
De lincertitude mtorologique.
De linclinaison non corrige des modules suivant la saison.
Du point de fonctionnement des modules.
Du rendement moyen charge/dcharge de la batterie (90%).
Du rendement de rgulateur (95%).
Des pertes dans les cbles et connexions pour les systmes avec batterie.
k est en gnrale compris entre 0,55 et 0,75.La valeur souvent utilise dans les calculs du
systme avec batterie est k=0,65 [63].

59

Chapitre IV

Dimensionnement dune installation photovoltaque

Choisir la tension de fonctionnement du champ photovoltaque


On choisit la tension de fonctionnement en fonction de la puissance crte du champ
photovoltaque en watt. De faon gnrale [62] :
Moins de 500 watts crte : elle est de 12V.
De 501 2000 watts crte : elle est de 24 V.
De 2001 10000 watts crte : elle est de 48 V.
Plus de 10000 watts crte : elle est suprieure 48 V
Dterminer le nombre de modules photovoltaques
Soit une installation fonctionnant sous une tension

, la puissance crte ncessaire est gale

, les modules disponibles sont de puissances crte

et de tension nominale

Le nombre total de modules installer se calcule par :

(IV.20)
- Le nombre de modules connects en srie sera gale :

(IV.21)
- Le nombre de modules connects en parallles sera gale :

(IV.22)
IV.2.2.3. Dimensionnement des batteries
Pour assurer la continuit de lalimentation pendant les jours de mauvais temps, on
prvoit un systme de stockage qui se compose gnralement de batteries .La capacit qui
doit tre install dpend, de la tension (

), du rendement de la batterie (

) et de la

profondeur de dcharge (PDD = 0,8) de la batterie, ainsi que lnergie demande par la
charge (

) et le nombre de jours dautonomie (N ) pendant lesquels les batteries

initialement charges peuvent assurer les besoins en lectricit sans que les modules ne
fonctionnent.

60

Chapitre IV

Dimensionnement dune installation photovoltaque

La capacit de la batterie est donne en (Ah) par :

(IV.23)

IV.2.2.4. Dimensionnement du rgulateur


Le rgulateur sera dimensionn daprs les paramtres suivants : tension, courant dente et
courant de sortie :
Tension nominale: Elle doit tre celle du champ photovoltaque.
Courant dentre : Cest le courant de charge maximal que les modules sont
susceptibles de dbiter. Il doit tre support sans problme par le rgulateur. Pour
estimer ce courant, le plus sr est de prendre 1,5 fois le courant maximal [64].
Courant de sortie (

: Lintensit du courant de sortie du rgulateur doit tre

suprieure la valeur maximale que peuvent tirer les rcepteurs simultanment. Elle
peut tre dtermine par la formule [62] :

(IV.24)
Avec :
P : Puissance totale des rcepteurs lorsquils fonctionnent tous au maximum de leur puissance
de fonctionnement (W), donc la puissance dun appareil fois le nombre dappareils.
IV.2.2.5. Dimensionnement de londuleur
Lorsque l'application contient d'appareils fonctionnant en alternatif (AC), il faut convertir
l'lectricit continue que produisent les capteurs photovoltaques en lectricit alternative
utilisable par ces appareils.
Le dimensionnement dun onduleur se base sur la somme des puissances maximales de
chaque quipement connecter au courant alternatif, et se fait en fonction de plusieurs
critres:
Tension dentre : elle est gale celle de la batterie ou du rgulateur.
Tension de sortie: en Algrie nous utilisons du 220 VAC, 50Hz

61

Chapitre IV

Dimensionnement dune installation photovoltaque

Puissance nominale : Puissance nominale de londuleur (VA), dfinie daprs les besoins
exprims .Elle tient compte du nombre dquipements, et de leurs puissances.
IV.3. Calcul de lnergie produite par le champ photovoltaque install
Lnergie rellement produite par un gnrateur photovoltaque est calcule en
connaissant lirradiation globale incidente sur les capteurs, et la temprature des cellules
photovoltaques, suivant cette formule [65]:
(IV.25)
Surface du champ photovoltaque install (m).
: Irradiation globale reue sur le plan des capteurs (Wh.m -2.jour-1).
Pertes diverses du champ photovoltaque d la salet ou la neige.
: Pertes de conditionnement de lnergie.
: Rendement moyen du champ qui est fonction du rendement nominal mesur la
temprature de rfrence (

25C).Il est donn par [65]:


(IV.26)

O
: Rendement du module la temprature de rfrence
: Coefficient de temprature pour le rendement du module (%/C), dpendent du type de
module photovoltaque utilis.
: Temprature des cellules photovoltaques (C). Elle se calcul par cette formule [65]

(IV.27)
Indice de clart mensuel.
Temprature nominale des cellules en opration, donne par le constructeur (C).
Temprature ambiante moyenne du mois (C).

62

Chapitre IV

Dimensionnement dune installation photovoltaque

IV.4. Rsultats et discussion


IV.4.1. Estimation de la moyenne mensuelle du rayonnement diffus horizontal
Afin de tester les performances des modles cits ci-dessus pour lestimation du
rayonnement diffus mensuel reu sur un plan horizontal, on a visit le site de la NASA [39]
encore une fois pour voir si on peut trouver cette donne que la station de Tizi-Ouzou
malheureusement ne mesure pas, et appliquer chacun de ces modles pour son estimation,
puis faire une comparaison pour enfin dterminer le modle qui donne les meilleurs rsultats.
Malheureusement, mme dans le site de la NASA on na pas pu trouver une base de
donnes trs large. La NASA ne fournie que les valeurs mensuelles du diffus horizontal
moyenn sur une priode de 22 ans.
En appliquant les modles cits ci-dessus lirradiation globale horizontale moyenne sur
cette priode (donne fournie par le site NASA), on obtient la valeur du diffus horizontal
moyen mensuel sur cette priode, puis en la comparant celle donne par la NASA on
dtermine le modle le plus performant. Une fois le meilleur modle est choisit, on lapplique
lirradiation globale, estime par le modle neuronal, de lanne 2005 pour obtenir la
moyenne mensuelle du rayonnement diffus horizontal de cette mme anne.
La figure suivante montre lirradiation solaire diffuse mensuelle reue sur plan horizontal

Irradiation solaire diffuse reue sur plan horizontal (kWh.m-2.jour-1)


calcule par diffrents modles

calcule par les modles cits auparavant.


9
Iqbal1
Iqbal2
Liu & Jordan
NASA
Erbs
Page

8
7
6
5
4
3
2
1
0

jan.

fev. mar. avr.

mai. juin

juil.

aou. sep. oct.

nov. dec.

Figure (IV.3) : Comparaison entre les rsultats de calcul de lirradiation solaire diffuse
moyenne mensuelle reue sur plan horizontal calcule par les diffrents modles.

63

Chapitre IV

Dimensionnement dune installation photovoltaque

Pour plus de clart dans les rsultats, nous avons calcul les erreurs (RMSE, MBE, MAPE) et
les coefficients de corrlation et de dtermination entre les valeurs estime et donne par la
NASA. Nous avons rapport ces rsultats sur le tableau suivant
Modles

Iqbal 1

Iqbal 2

Liu & Jordan

Erbs

Page

RMSE

4,2897

0,1992

0,0822

1,2651

1,2720

-6,0245

0,9848

0,9974

0,3891

0,3824

0,9673

0,9492

0,9979

-0,9174

-0,9148

MAPE

238,4160

11,1053

3,3421

70,4740

70,4514

MBE

3,8890

0,1244

-0,0609

-1,1533

-1,1563

Tableau (IV.3) : Comparaisons des diffrents modles destimation de lirradiation diffuse.


Daprs ces rsultats, on peut dire que le modle de Liu & Jordan prsente les meilleurs
rsultats en termes de coefficients de corrlation et de dtermination ainsi que derreur RMSE
et de MBE. Les autres modles soit surestiment (Iqbal1, Iqbal2) ou sous estiment cette
composante (Erbs, Page).
On peut conclure, que le modle de Liu & Jordan donne les meilleures performances, il
estime lirradiation solaire diffuse de lanne 2005 avec une erreur de prcision de 3,3421 %,
et c'est dans lintervalle d'exactitude acceptable. Cest le modle retenu pour la suite des
calculs.
La figure suivante reprsente lvolution des irradiations solaires globale et diffuse reues sur
plan horizontal calcules par le modle de Liu & Jordan pour lanne 2005.

Irradiation solaire globale et diffuse


reues sur un plan horizontal (kWh.m-2.jour-1)

7
irradiation globale
irradiation diffuse

jan.

fev.

mar.

avr.

mai.

juin

juil.

aou. sep.

oct.

nov.

dec.

Figure (IV.4) : Evolution des irradiations solaire globale et diffuse reues sur un plan
horizontal durant lanne 2005.
64

Chapitre IV

Dimensionnement dune installation photovoltaque

IV.4.2. Choix de linclinaison optimale pour les panneaux


Pour choisir linclinaison idale pour les panneaux photovoltaques, on a trac pour
diffrentes inclinaisons les courbes reprsentatives de lirradiation solaire globale incidente
sur les capteurs.

Irradiation solaire globale


reue sur diffrents plans inclin (kWh.m-2.jour-1)

7
0
26
36
46
51

jan.

fev.

mar.

avr.

mai.

juin

juil.

aou.

sep.

oct.

nov.

dec.

Figure (IV.5) : Irradiation solaire globale reue sur des plans de diffrentes inclinaisons.
En analysons cette figure, on peut conclure que linclinaison de 46 est linclinaison
optimale ; cest cette inclinaison quon obtient les valeurs les plus leves de lirradiation
pour la saison dhiver .
Linclinaison 51 nous donne aussi les mmes valeurs en hiver mais en t on obtient des
valeurs moins leves par rapport celles obtenues avec linclinaison 46.Linclinaison 46
est donc prfrable linclinaison 51.

65

Chapitre IV

Dimensionnement dune installation photovoltaque

IV.4.3. Calcul de lirradiation solaire incidente sur les capteurs


La figure suivante reprsente lvolution de lirradiation solaire globale reue sur le plan
des capteurs inclin dun angle de 46 par rapport lhorizontal.

Irradiation solaire globale


reue sur plan horizontal ou inclin (kWh.m-2.jour-1)

7
plan inclin de 46
plan horizontal

jan.

fev.

mar.

avr.

mai.

juin

juil.

aou. sep. oct.

nov. dec.

Figure (IV.6) : Valeurs mensuelles des irradiations solaires globales reues sur un plan
inclin dun angle de 46 par rapport lhorizontal, et sur un plan horizontal.
Daprs la figure on peut dduire que le mois le plus dfavorable est le mois de fvrier avec
une irradiation gale 3,0076 kWh.m-2. jour-1.
IV.4.4. Dimensionnement de linstallation photovoltaque
La premire rgle lorsque l'on souhaite se convertir aux nergies renouvelables est de
rduire ses dpenses d'lectricit au maximum. Il faut donc penser choisir ces appareils
lectriques avant lachat, et/ou changer les appareils quon possde dj par des appareils
plus conomes en termes dnergie consomme.
On a utilis des lampes basses consommations fonctionnant en 24 VDC et ayants, pour
une mme luminosit, des puissances infrieures compares aux lampes classiques
incandescences.
Le rfrigrateur utilis est de classe A fonctionne aussi en 24 VDC. Ce type de
rfrigrateur est beaucoup plus conome en nergie consomme par rapport au rfrigrateur
AC classique. Le seul inconvnient quont peut signaler est son prix lev lachat.

66

Chapitre IV

Dimensionnement dune installation photovoltaque

Quant limprimante et la photocopieuse on a choisis celles jet dencre, elles


fonctionnent en 220 VAC, et elles contribuent largement la rduction de la consommation
par rapport aux types laser.
Nombre

Puissance

Heures

Appareils

de

nominale

dutilisation

alimenter

charge

(W)

(h)

Energie

(Wh/jour)

Rendement

Energie

de

corrige du

conversion

rendement
(Wh/jour)

Salle

36

10

1800

1800

Salle

14

10

280

280

Couloir

72

72

WC

14

14

Ordinateur

45

400

72 000

0,95

75789,47

Imprimante

10

44

0,5

220

0,95

231,58

photocopieuse

33

0,5

82,5

0,95

86,84

Rfrigrateur (A)

70

En continu

500

500

Lampe

Total

19 655

78 773,89

Tableau (IV.4) : Consommation journalire du laboratoire LAMPA.


A premire vue de lnergie totale consomme, la puissance crte quon devra installer
sera trs lev, suprieure 10 kWC. Pour une telle puissance, linstallation ncessitera une
tension de fonctionnement suprieure 48 V.
Les appareils (Lampes et rfrigrateur) disponible sur le march fonctionnent soit en
alternatif, soit en continu mais avec des tensions prcise ( 24V).
Afin dviter dajouter des convertisseurs qui augmenteront la consommation, et donc les
cots de linstallation, on a pens diviser les consommateurs sur deux, ceux fonctionnant en
continu et ceux fonctionnant en alternatif.
Ensuite, faire un dimensionnement pour chacun des deux systmes qui vont servir
lalimentation des charges alternatives et continues sparment.

67

Chapitre IV

Dimensionnement dune installation photovoltaque

Appareils

Nombre de charge

alimenter

Lampes

Puissance

Heures

Energie

nominale (W)

dutilisation(h)

(Wh/jour)

Salle

36

10

1800

Salle

14

10

280

Couloir

72

WC

14

70

En continu

500

Rfrigrateur (A)
Total

620

2 666

Tableau (IV.5) : Consommation journalire totale des appareils fonctionnant en courant


continu.
Nombre

Puissance

Appareils

de

nominale

alimenter

charge

(W)

(h)

Ordinateur

45

400

Imprimante

10

photocopieuse

Total

Heures

Energie

Rendement

Energie

de

corrige du

(Wh/jour)

conversion

rendement

72 000

0,95

75789,47

44

0,5

220

0,95

231,58

33

0,5

82,5

0,95

86,84

dutilisation consomme

18 605

76 107,9

Tableau (IV.6) : Consommation journalire totale des appareils fonctionnant en courant


alternatif.
Les chercheurs utilisent le laboratoire LAMPA cinq jours sur sept dans la semaine. La
consommation moyenne journalire sera donc gale :
2666 x (5/7) = 1904,28 Wh/jour.
76 107,9 x (5/7) = 54 362,78 Wh/jour.
-

Si on utilise des modules ayants les caractristiques suivantes (voir annexe C):

Pour la premire installation:


Puissance crte PC=170 WC.
Tension nominale Vn =35,5 V.
Le courant maximal Imax= 4,8A.

et des accumulateurs de 219 Ah de 12 V chacun.

68

Chapitre IV

Dimensionnement dune installation photovoltaque

Pour la deuxime installation:


Puissance crte PC=180 WC.
Tension nominale Vn =36,2 V.
Le courant maximal Imax= 5A.

et des accumulateurs de 236 Ah de 12 V chacun.

Les rsultats du dimensionnement pour les deux systmes sont rsums sur le tableau (IV.7)
systme 1

systme 2

Dimensionnement

(DC)

(AC)

Puissance crte install (kWC)

0.97

27,81

Tension de linstallation (V)

24

96

Nombre de

Total

156

modules

En srie

En parallle

52

Capacit Total

330.6

2359.5

80

10

60

465

40

306

Pas donduleur

20

(Ah)
Nombre total
Batteries

Elments en
srie
Elments en
parallle
Courant

Rgulateur

dentre (A)
Courant de
sortie(A)

Puissance de londuleur (kVA)

Tableau(IV.7) : Rsultats de dimensionnement de linstallation photovoltaque.

69

Chapitre IV

Dimensionnement dune installation photovoltaque

IV.4.5. Calcul de lnergie produite par le champ photovoltaque


Afin de valider le dimensionnement fait, nous avons calcul lnergie produite par le champ
photovoltaque et nous lavons compare au besoin valu du laboratoire.
140
Production
Consommation

120

Energie (kWh/ jour)

100

80

60

40

20

jan.

fev. mar. avr.

mai. juin

juil.

aou. sep. oct.

nov. dec.Anne

Figure (IV.7) : Comparaison entre lnergie consomme par le laboratoire et lnergie


lectrique produite par le champ photovoltaque total.
Les rsultats trouvs sont trs satisfaisants. Les systmes photovoltaques proposs sont
capable dalimenter le laboratoire LAMPA sans risque de pnurie, pendant le mois le plus
dfavorable et tous les autre mois par consquent, condition de ne pas dpasser la
consommation fixe au dpart.
Pour les mois o la production du champ est nettement suprieure au besoin du laboratoire,
on peut penser en profiter et utiliser dautres appareils (appareils de ventilation par exemple
en t), tout dpend de sa consommation bien entendu.

70

Chapitre IV

Dimensionnement dune installation photovoltaque

IV.5. Conclusion
Les installations photovoltaques par leur caractre d'autonomie doivent tre
dimensionnes pour qu'elles fournissent de l'nergie dans les conditions les plus dfavorables,
afin daboutir une meilleure optimisation des installations photovoltaques qui demeure
lobjectif principale de tout installateur de systmes photovoltaques.
Dans ce chapitre nous avons utilis la mthode du mois le plus dfavorable pour
dimensionner le systme photovoltaque qui alimentera le laboratoire de recherche LAMPA.
Pour ce faire, nous avions eu besoins de calculer la valeur de lirradiation solaire globale
incidente sur le plan des capteurs, qui elle-mme a ncessit le calcul de lirradiation diffuse
reue sur le plan horizontal par diffrent modles trouvs dans la littrature.
Il est signaler que les rsultats de ce dimensionnement sont conditionns par les
paramtres de base (mtorologiques et profil de consommation). Sil est indispensable de
continuer amliorer les rendements des lments photovoltaques, il ne faut pas seulement
raisonner en puissance produite, mais aussi en puissance consomme.
Pratiquement, on favorisera lutilisation dappareils lectriques consommant faiblement,
et un fonctionnement rationnel dans le temps.

71

Conclusion
gnrale

Conclusion gnrale

Conclusion gnrale

Tizi-Ouzou dispose naturellement dun potentiel solaire non ngligeable. Le nombre


dheures densoleillement dpasse 2500 h/an. Ce constat qualitatif favorise lexploitation
et lpanouissement de cette ressource nergtique.
Cependant, lutilisation de cette nergie exige la connaissance du potentiel de lirradiation
solaire sur des plans horizontaux et inclins. Malheureusement, la station mtorologique de
Tizi-Ouzou ne dispose pas dinstrument de mesure de ce paramtre mtorologique
fondamental dans notre application.
En fait, lobjectif de cette tude est de dvelopper un modle neuronal qui pourra tre
utilis pour prdire la moyenne mensuelle journalire de lirradiation solaire globale reue sur
un plan horizontal. Les donnes prdites peuvent tre utilises pour le dimensionnement dune
installation photovoltaque qui servira lalimentation du laboratoire de recherche LAMPA.
Plusieurs modles utilisant diffrents paramtres ont t tudi en vu de choisir le plus
performant, et ce en comparant lirradiation solaire globale prdite par chacun des modles
dvelopps avec lirradiation solaire mesure. Lvaluation de la performance de ces modles
a t base sur plusieurs indicateurs statistiques.
Les rsultats obtenus indiquent que le huitime modle utilisant comme variables
dentre : mois, insolation, dure du jour, irradiation extraterrestre, tempratures maximale et
minimale, prcipitation, et hauteur angulaire maximale du soleil, est le plus performant parmi
tous les modles tudis. Le rseau de neurone ainsi propos, pourra tre utilis pour
lestimation de lirradiation solaire moyenne mensuelle journalire reue sur une surface
horizontale dans la rgion de Tizi-Ouzou et toutes autres rgions qui ont les mmes conditions
climatiques, en l'absence de mesures relles au sol.
Il est noter que la dure dinsolation joue un rle trs important pour lobtention de
rsultats de haute prcision.
Les rsultats de cette tude et dautres tudes similaires confirment la capacit des rseaux
de neurones artificiels prdire la valeur de lirradiation solaire avec prcision.

72

Conclusion gnrale

Pour pouvoir dimensionner linstallation photovoltaque qui alimentera le laboratoire


LAMPA, nous avions eu recours lutilisation du modle de Liu et Jordan pour estimer
lirradiation solaire globale reue sur un plan inclin.
Cependant, pour pouvoir appliquer ce modle il nous a fallut dabord estimer la valeur de
lirradiation solaire diffuse horizontale, plusieurs modles ont t tudis et compars pour
dterminer le plus convenable et le plus performant pour son estimation.
Les rsultats trouvs en appliquant le modle de Liu et Jordan sont trs proches des
valeurs donnes par la NASA. Cest donc le modle le plus convenable pour lestimation de
lirradiation solaire diffuse pour la rgion de Tizi-Ouzou.
Ensuite, aprs avoir choisis linclinaison optimale pour le champ photovoltaque, nous
avons utilis la mthode de mois le plus dfavorable, pour dimensionner notre installation
photovoltaque.
Et afin de valider le dimensionnement fait, nous avons calcul lnergie produite par le
champ photovoltaque et nous lavons compare au besoin nergtique du laboratoire. Les
rsultats trouvs indiquent que la mthode applique pour le dimensionnement est trs
efficace.
Comme perspective notre tude nous envisageons :

Dutiliser dautres types de rseaux de neurone pour la prdiction de lirradiation


solaire globale, ou des mthodes hybrides par exemple entre les algorithmes
gntiques, les rseaux dondelettes, ou la logique floue avec les rseaux de
neurones.

De prdire lirradiation solaire des chelles temporaires plus rduits (jour, heure,
minute) si une base de donnes approprie sera disponible, et des chelles
spatiales plus larges, par exemple pour tablir des cartes de rayonnement pour
lAlgrie.

Dtendre cette tude la prdiction dautres paramtres mtorologique, par


exemple la dure dinsolation qui est un paramtre trs important comme nous
lavons vu pour la prdiction de lirradiation solaire.

Dlaborer un modle neuronal pour la prdiction des irradiations solaire diffuse


et directe reues sur des plans horizontaux ou inclins pour la rgion de TiziOuzou ou mme pour dautres rgions.
73

Conclusion gnrale

Dutiliser les rseaux de neurones pour le dimensionnement des installations


photovoltaques. Cest intressant de lutiliser afin de faire une comparaison avec
celle quon a utilis dans la prsente tude.

74

Rfrences

Bibliographie

Rfrences

[1] B. Flche, D. Delagnes, Production dnergie lectrique: nergie solaire photovoltaque,


STI ELT, juin 07.
[2] F.S. Tymvios,C.P. Jacovides, S.C. Michaelides, C. Scouteli, Comparative study of
Angstrms and artificial neural networks methodologies in estimating global solar
radiation, Solar Energy 78 ,752762, 2005.
[3] Yingni Jiang, Computation of monthly mean daily global solar radiation in China using
artificial neural networks and comparison with other empirical models , Energy 34,
12761283, 2009.
[4] P. Bessemoulin, J. Oliviri, Le rayonnement solaire et sa composante ultraviolette , La
Mtorologie 8e srie, n 3, Septembre 2000.
[5] N. Varado, Contribution au dveloppement dune modlisation hydrologique distribue.
Application au bassin versant de la Donga, au Benin , thse de Doctorat en
Mcanique des Milieux Gophysiques et Environnement, lINPG, soutenue le 28
septembre 2004.
[6] S. M. Ait cheikh, Etude, Investigation et conception dalgorithmes de commande
appliqus aux systmes photovoltaques , thse de Doctorat dEtat en lectronique,
Ecole Nationale Polytechnique, soutenue en Dcembre 2007.
[7] Document, RETScreen International Centre daide la dcision sur les nergies propres,
Analyse de projets dinstallation photovoltaque , Ministre de Ressources
Naturelles, Canada 2001-2004.
[8] J.R.Vaillant, Des recours immdiats lnergie solaire contre la pnurie dnergie et la
hausse des prix , Ed. Eyrolles, France, 1980.
[9] J.M. Chasseriau, Conversion Thermique du Rayonnement Solaire , Ed. Dunod,
France, 1984.
[10] R. Bernard, G. Menguy et M. Schwartz, Le Rayonnement Solaire, Conversion
Thermique et applications , Technique & Documentation, Ed. Lavoisier, France,
1983.

Bibliographie

[11] M. Capderou, Atlas Solaire de lAlgrie, modles thoriques et exprimentaux, Vol.


1, T1, Office des Publications Universitaires, Algrie, 1987.
[12] K. MAHDI, Conception et ralisation dun concentrateur sphrique , mmoire de
Magister en physique, Universit Mentouri Constantine, soutenue le 08 mars 2008.
[13] K. Danel, L. Gautret, Gnration du disque solaire des communes de lOuest , ARER,
Mars - Aot 2008.
[14] A. Catana, L. de Schoulepnikoff, Quelle source dnergie pour les vingt prochaines
annes ? Le solaire une solution . Gymnase Auguste Piccard, Novembre 2009.
[15] Centrale photovoltaque, guide pour le dimensionnement et la ralisation de projets .
A lusage des bureaux dingnieurs. PACER, 1996.
[16] H. Bayem, apport des mthodes probabilistes aux tudes dinsertion des nergies
renouvelables dans les systmes lectriques , thse de Doctorat en physique,
Universit Paris-sud 11, soutenue le 23 Novembre 2009.
[17] F. Junod, M. Bornoz, A la dcouverte des rseaux de neurones , Yverdon, le 7 juin
2002.
[18] F. Elie, Conception et ralisation dun systme utilisant des rseaux de neurones pour
lidentification et la caractrisation, bord de satellites, de signaux transitoires de type
sifflement , thse de Doctorat en lectronique, Universit dOrlans soutenue le 23
Septembre 1997.
[19] G. Dreyfus, les rseaux de neurones , mcanique Industrielle et Matriaux, n51,
Septembre 1998.
[20] F. Vincent, Panorama des outils de prdiction en vue de leur application aux nergies
renouvelables , rapport de stage de la 1ere anne Master, Physique & Ingnierie
Conversion des Energies, 3 Mai 1er Juin 2007.
[21] G. Dreyfus, M. Martinez, M. Samueldies, M.B. Gordon, F. Badron, S. Thiria,
L. Hrault, rseaux de neurones mthodologie et application , Ed Eyrolles, 2002.

[22] O. Benzaim, Techniques multi-port pour la conception et la ralisation de systmes


micro-ondes ddies a lvaluation non destructive de matriaux , thse de Doctorat en
micro et nano technologies, acoustique et tlcommunications, Universit Lille 1
sciences & technologies, soutenue le 7 Juillet 2009.

Bibliographie

[23] M. Parrizeau, Rseaux de neurones , presse de luniversit de Laval, Automne 2004.


[24] M.T. Hagan, H.B. Demuth, M. Beale, Neural network design, PWS Publishing,
Boston, 1996.
[25] G. Foggia, Pilotage optimal de systme multi-sources pour le btiment , thse de
Doctorat en Gnie Electrique, Institut polytechnique de Grenoble, soutenue le 17
Juillet 2009.
[26] M.T. Hagan, H.B. Demuth, M. Beale, Neural Network Toolbox 6, Users Guide,
Copyright, The MathWorks, Inc, 19922009.
[27] A. Mellit, sizing of a stand-alone photovoltaic system based on neural networks and
genetic algorithms: application for remote areas, journal of electrical & electronics
engineering, 2007.
[28] Y Lee, S.H Oh, M W Kim, The Effect of Initial Weights on Premature Saturation in
Back-Propagation Learning , International Joint Conference on Neural Networks, 1,
765-770, 1991
[29] Y. OUSSAR, Rseaux dondelettes et rseaux de neurones pour la modlisation
statique et dynamique de processus , thse de Doctorat en robotique, Universit Paris
VI, soutenue le 06 Juillet 1998.
[30] V. Andronova, Utilisation de donnes mto et des rseaux de neurones pour la
prdiction de vitesses de vent , Projet de fin dtude Master 2nd anne, Universit
technique de Sofia, Pasquale Paoli, Corse, soutenu le 18 juillet 2006.
[31] A. Mellit , A. M. Pavan, A 24-h forecast of solar irradiance using artificial neural
network: Application for performance prediction of a grid-connected PV plant at
Trieste, Italy , Solar Energy 84, 807821, 2010.
[32] S. Seme, G. tumberger, J. Pihler, Predicting daily distribution of solar irradiation by
neural networks , International Conference on Renewable Energies and Power
Quality , Valencia (Spain), 15th to 17th April, 2009.
[33] P.L. Zervas, H. Sarimveis, J.A. Palyvos, N.C.G. Markatos, Prediction of daily global
solar irradiance on horizontal surfaces based on neural-network techniques ,
Renewable Energy 33, 17961803, 2008.

Bibliographie

[34] M. Benghanem, A. Mellit, S. N. Alamri, ANN-based modelling and estimation of daily


global solar radiation data: A case study , Energy Conversion and Management 50,
16441655, 2009.
[35] J. Mubiru and E.J.K.B. Banda, Estimation of monthly average daily global solar
irradiation using artificial neural networks , Solar Energy, 82, 181187, 2008.
[36] J.C. Lam, K. K.W. Wan, L. Yang Solar radiation modelling using ANNs for different
climates in China , Energy Conversion and Management 49, 10801090, 2008.
[37] J.L. Bosch, G. Lopez, F.J. Batlles, Daily solar irradiation estimation over a
mountainous area using artificial neural networks , Renewable Energy 33, 1622
1628, 2008.
[38] A. Szen , E.Arcaklioglu, M.zalp, Estimation of solar potential in Turkey by artificial
neural networks using meteorological and geographical data , Energy Conversion and
Management 45, 30333052, 2004.
[39] Site de la NASA: http://eosweb.larc.nasa.gov/sse/
[40] K. Hornik, Approximation capabilities of multilayer feedforward networks , neural
networks, 4, 251-257, 1991.
[41] Y. Jiang, Prediction of monthly mean daily diffuse solar radiation using artificial neural
networks and comparison with other empirical models, Energy Policy 36, 3833
3837, 2008.
[42] W. Wanga, W. Lub, X. Wangc, A.Y.T. Leung, Prediction of maximum daily ozone
level using combined neural network and statistical characteristics , Environment
International 29, 555 562, 2003.
[43] B. Li, R. W. M. Clendon, Spatial interpolation of weather variables using artificial
neural networks , thse de master en science, Universit de Athnes, soutenue en
2002.
[44] . A. Dombayc, . ivril, Estimation of hourly mean ambient temperatures with
artificial neural networks , Mathematical and Computational Applications, 11, 215224, 2006.
[45] A. Mefti, M.Y. Bouroubi, A. Adane, Generation of hourly solar radiation for inclined
surfaces using monthly mean sunshine duration in Algeria , Energy Conversion and
Management 44, 31253141, 2003.

Bibliographie

[46] S. Benkaciali, K. Gairaa, Modles destimations du rayonnement global incident sur


un plan inclin , International Renewable Energy Congress, Sousse Tunisie, 5-7
Novembre 2009.
[47] B.Y.H. Liu, R.C, Jordan, Daily insolation on surfaces titled toward equator ,
ASHRAEJ 3, 53-59, 1961.
[48] J.A. Duffie, W.A. Beckman, Solar Engineering of Thermal Processes, 2nd edition,
John Wiley & Sons, 1991.
[49] M. Iqbal, Correlation of average diffuse and beam radiation with hours bright
sunshine, Solar Energy 23, 169173, 1979.
[50] B.Y.H. Liu and R.C. Jordan, The interrelationship and characteristic distribution of
direct, diffuse and total solar radiation, Solar Energy 4, 119, 1960.
[51] JK. Page, The estimation of monthly mean values of daily total short wave radiation on
vertical and inclined surfaces from Sunshine records for latitudes 40N40S, In:
Proceeding UN conference of new source of energy, 4, 37890, 1961.
[52] D.G. Erbs, S.A. Klein and J.A. Duffie, Estimation of the diffuse radiation fraction for
hourly, daily and monthly-average global radiation, Solar Energy, 28, 293302,
1982.
[53] R. Rezoug, A. Zaatri, Optimisation du rendement dun systme photovoltaque par
poursuite du soleil , Revue des Energies Renouvelables 12, 299 306, 2009.
[54] S. Brigand, Les principes de lnergie solaire photovoltaque , complment technique,
Techniques de construction, Mars-Avril 2008.
[55] D.L.Evans, Simplified method for predicting array output, Solar Energy, 27, 555-560,
1981.
[56] D.R Clark, S.A. Klein and W.A.Backman, A method for estimating the performance of
photovoltaic system , Solar Energy, 433, 551555, 1984.
[57] S.A. Klein and W.A.Bckman, Loss of load probabilities for stand-alone PV. Solar
Energy, 39, 499-505, 1987.
[58] L.L.Jr. Bucciarelli, Estimating loss of load probabilities of standalone photovoltaic,
solar energy system , Solar Energy, 32, 205-211, 1984.

Bibliographie

[59] A.H. Arab, B.A. driss, R.Amimour and E.Lorenzo, Photovoltaic systems for Algeria,
Solar Energy 54, 99-104, 1995.
[60] M. Cheikh, Etude analytique conceptuelle des systmes photovoltaques de puissance
adapts aux sites isols de lAlgrie , thse de Magister en nergies renouvelables,
Centre de Dveloppement des Energies Renouvelables (CDER), soutenue en
Dcembre 1994.
[61] F. Sick, T. Erge, Photovoltaics in buildings, a design handbook for architects and
engineers, International Energy Agency, XYZ Publishing Company, Paris, France.
[62] A. Labouret, M. Villoz, Energie solaire photovoltaique ,3e dition, Edition Dunod.
[63] A. Ricaud, Modules et systmes photovoltaques , Septembre 2008.
[64] M. J. T. Nkouimi, Outil d'aide au dimensionnement des systmes photovoltaques
domestiques , Mmoire de fin d'tude pour l'obtention du diplme d'ingnieur de
conception, Ecole Nationale Suprieure Polytechnique de Yaound, Memoire
Online 2000-2010.
[65] D. Thevenard, G. Leng, S. Martel, The RETScreen model for assessing potential PV
projects, PV Horizon: Workshop on photovoltaic hybrid systems, Montreal, 10
Septembre 2001.
[66] L.T.Grujic, Rseaux de neurones et systmes flous. Notes de cours, Belfort.1995
[67] K. Hornik, M. Stinchcombe, H. White, P. Auer, Degree of approximation
results for feed forward networks approximating unknown mappings and their
derivatives, Neural Computation, 6, 1262-1275, 1994.

Annexes

Annexes

ANNEXE A

Proprits fondamentales des rseaux de neurones formels :


Les principales proprits des rseaux de neurones artificiels sont :
Le paralllisme : Ce concept qui est li la conception mme des rseaux de
neurones permet daccroitre la rapidit de calcul. [66]
La capacit dadaptation : A partir dune srie dexemples, un rseau de neurones
devra apprendre retrouver ou deviner les comportements permettant de rsoudre un
problme donn. [66]
La capacit de gnralisation : Celle-ci se traduit par la capacit dapprentissage du
rseau. Ceci permet aux rseaux de neurones de tenir compte de nouvelles contraintes
de donnes en provenance du monde extrieur. [66]
Approximation universelle : Les rseaux de neurones formels possdent une
proprit remarquable qui est l'origine de leur intrt pratique dans des domaines trs
divers. Cette proprit peut snoncer comme suit [21]:
<< Toute fonction borne suffisamment rgulire peut tre approche uniformment, avec
une prcision arbitraire, dans un domaine fini de lespace de ses variables, par un rseau
de neurones comportant une couche de neurones cachs en nombre fini, possdant tous la
mme fonction dactivation, et un neurone de sortie linaire.>>.
Cette proprit justifie l'utilisation de l'architecture prsente dans le chapitre III
La parcimonie : La spcificit des rseaux de neurones rside dans le caractre
parcimonieux de l'approximation, Par rapport dautres outils de modlisation nonlinaire, les rseaux de neurones atteints lefficacit la plus grande, avec le minimum
de coefficients ajustables.
Dans cette optique, [67] ont montr que :
<<Si le rsultat de lapproximation (cest--dire la sortie du rseau de neurones) est une
fonction non linaire des paramtres ajustables, elle est plus parcimonieuse que si elle est une
fonction linaire de ces paramtres. De plus, pour des rseaux de neurones fonction
dactivation sigmodale, lerreur commise dans lapproximation varie comme linverse du
nombre de neurones cachs, et elle est indpendante du nombre de variables de la fonction
approcher. Par consquent, pour une prcision donne, donc pour un nombre de neurones

Annexes

cachs donn, le nombre de paramtres du rseau est proportionnel au nombre de variables


de la fonction approcher>>.
Ce rsultat s'applique aux rseaux de neurones fonction d'activation sigmodale puisque la
sortie de ces neurones n'est pas linaire par rapport aux poids synaptiques.

Annexes

ANNEXE B

B.1. Algorithme dapprentissage de la rtro-propagation du gradient de lerreur:


Lalgorithme de rtro-propagation repose sur la minimisation de lerreur quadratique entre
les sorties calcules et celles dsires. Le critre de performance minimiser peut tre alors
exprim par :

(B.1)
: Valeur du critre derreur.
: Valeur du jme sortie du rseau.
Valeur dsire correspondante

Ladaptation des poids se fait par la mthode du gradient base sur la formule itrative
suivante :
(B.2)

(B.3)
O est le taux dapprentissage.
Pour un poids arbitraire dans la couche l, le gradient

Peut tre calcul par la rgle de

chanage :

(B.4)
Le deuxime terme de lexpression (B.4) peut tre exprim par :

(B.5)

Annexes

Le premier terme dans (B.5) correspond la drive de la fonction dactivation. Si on


utilise la fonction sigmode donne par

lexpression (II.6), sa fonction drive est

exprime par :
(B.6)
-

Le deuxime terme dans (B.5) peut tre facilement calcul, si on utilise lexpression
(II.8)

(B.7)
Lexpression (B.5) sera :

(B.8)
Calcul du premier terme de (B.4) :
Pour la couche de sortie on a :

(B.9)
est lerreur sur la sortie du jme neurone dans la couche de sortie L.

Pour les couches caches :

(B.10)

Le terme

peut scrire comme suit :

(B.11)

Annexes

En substituant (B.11) dans (B.10), on crit :

(B.12)
Cette expression nous permet de calculer les erreurs, de la sortie vers lentre, couche par
couche. Do lappellation algorithme de la rtro-propagation du gradient.
En remplaant (B.8) et (B.12) dans (B.4), et en posant

(B.13)
On obtient la valeur du gradient

correspondant chaque poids synaptique

(B.14)
En remplaant (B.14) dans (B.3)
(B.15)
Les poids seront adapts suivant lexpression :
(B.16)
B.2. Calcul de la matrice Jacobienne :
Pour les rseaux de neurones MLP, les lments de la matrice Jacobienne peuvent tre
calculs par une simple modification de l'algorithme de la rtro-propagation du gradient de
lerreur.
Pour crer la matrice jacobienne, on a besoin de calculer les drives premires des erreurs au
lieu des erreurs quadratiques comme cest le cas pour la rtro-propagation.
Il faut noter que, pour chaque entre applique au rseau il yaura NL erreurs la sortie; un
pour chaque neurone de sortie du rseau, et chaque erreur correspondra une ligne dans la
matrice jacobienne.

Annexes

Le processus de la rtro-propagation permet de calculer les erreurs, de la sortie vers lentre,


couche par couche selon une relation de rcurrence, on peut utiliser le mme concept pour
calculer les lments de la matrice jacobienne.
La seule diffrence est dans le calcul du gradient

pour la couche de sortie.

Dans ce cas lquation (B.9) sera gale :

(B.17)
On utilise simplement lquation (B.14) pour le calcul des lments de la matrice jacobienne.

Annexes

ANNEXE C
Les poids et les seuils retenus pour les diffrents modles sont donns ci-dessus :
Modle M1 :
IW=

LW=
b1=

;
; b2=
Modle M2:

IW=

LW=
b1=

;
; b2=
Modle M3:

IW=

LW=

b1=

; b2=

Modle M4:

IW=

LW=

Annexes

b1=

; b2=

Modle M5 :
IW=

LW=
b1=

; b2=
Modle M6 :

IW=

LW=
b1=

;
b2=

Modle 7 :
IW=
LW=
b1=

; b2= Modle M8:

IW=

LW=

b1 =

; b2=

Annexes

Modle M9 :
IW=

LW=

b1=

; b2=

Modle M10:
IW=
LW=
b1=

;
;
; b2= -1,6025;

Annexes

ANNEXE D