Introduction....................................................................................................................................................

4
Résumé...........................................................................................................................................................6
Abstract..........................................................................................................................................................6
Chapitre 1 : Généralité sur station météo et Smartgrid......................................................................................7
I. Introduction.............................................................................................................................................8
II. Les stations météos connectées...............................................................................................................8
1. Définition.............................................................................................................................................8
2. Les types des stations météos..............................................................................................................9
3. Les appareils prédictifs d’une station météo.....................................................................................11
III. Généralités sur les Smartgrid.............................................................................................................12
1. Réseau électrique...............................................................................................................................12
2. Problématique du fonctionnement des réseaux électriques...............................................................12
3. Définition de réseau intelligent.........................................................................................................13
4. Intérêt du réseau intelligent...............................................................................................................14
5. L’architecture des Smartgrid.............................................................................................................14
6. Les principales composantes de smartgrid........................................................................................15
7. Exemple de réseaux intelligent..........................................................................................................16
IV. Conclusion.........................................................................................................................................18
Chapitre 2 : Réalisation d’une station météorologique connectée sans fil.......................................................19
I. Introduction...........................................................................................................................................20
II. Schéma synoptique................................................................................................................................20
III. Choix de lieu de l’installation de notre station météo.......................................................................20
IV. Chaîne de mesure et d’acquisition.....................................................................................................21
1. Capteur de température et d’humidité DHT22..................................................................................21
2. Capteur de vitesse du vent (anémomètre).........................................................................................23
3. Capteur de direction du vent (girouette)............................................................................................23
4. Capteur de pluie (pluviomètre)..........................................................................................................24
5. Le capteur de pression (BMP280).....................................................................................................25
6. Capteur de rayonnement solaire (plaque photovoltaïque 5V)...........................................................25
V. Montage et acquisition des données......................................................................................................25
1. Configuration de la carte en fonction du type de capteur météo utilisé............................................26
2. Assemblage de la platine pour une utilisation sur une carte au format Grove..................................26
VI. Acquisitions et traitements des données :..........................................................................................27
1. L’Arduino UNO................................................................................................................................27
2. NodeMCU ESP32.............................................................................................................................28
VII. Test des différents capteurs avec la carte Arduino............................................................................29
1. Test de la girouette............................................................................................................................29
2. Test de l'anémomètre.........................................................................................................................30
 VIII. Transmission et stockage des données..............................................................................................30
1. Envoi de données par signal radio : Module radio nRF24L01+.......................................................31
2. Schéma bloc du système réalisé........................................................................................................32
3. Support de stockage et d'affichage :..................................................................................................33
IX. Résultats sur la ThingSpeak :............................................................................................................34
X. Conclusion.............................................................................................................................................37
Chapitre 3. Modélisation et identification des paramètres climatique au profit d’un système de prédiction du
climat de la région rabat...................................................................................................................................38
I. Introduction...........................................................................................................................................39
II. Modélisation et Identification du climat...............................................................................................39
III. Identification paramétrique...............................................................................................................40
1. Modèle de BROIDA..........................................................................................................................40
2. Modèle de STREJC...........................................................................................................................40
3. Modèle de CALDWELL...................................................................................................................41
IV. Identification numérique...................................................................................................................42
1. Estimation au sens des moindres carres............................................................................................43
2. Méthodes récursives..........................................................................................................................43
V. Méthode N4SID-VAR pour l'identification de systèmes multivariables à temps linéaire discret........44
VI. Choix des paramètres........................................................................................................................45
VII. Application de N4SID pour l’identification des modèles d’état.....................................................48
VIII. Validation de modèle.........................................................................................................................50
1. Prédiction de la température.............................................................................................................50
2. Prédiction de l’humidité....................................................................................................................51
3. Prédiction de rayonnement................................................................................................................51
4. Prédiction de la vitesse du vent.........................................................................................................51
5. Prédiction de la pression....................................................................................................................52
IX. Supervision en temps réel du climat de la région rabat par station météo........................................52
X. Conclusion :..........................................................................................................................................54
Conclusion générale.....................................................................................................................................55
REFERENCES BIBLIOGRAPHIQUES.....................................................................................................56
ANNEXE.....................................................................................................................................................57
 Introduction
Les énergies renouvelables, notamment l'éolien et le solaire, se développent rapidement et ont une
production qui est immédiatement et instantanément influencée par les conditions météorologiques. Cela
signifie que le secteur de l'électricité est sensible à la variabilité climatique dans toutes ses régions, de la
production à la consommation. La puissance électrique produite par une centrale photovoltaïque peut être
réduite de moitié en quelques secondes par le passage d'un nuage devant le soleil. La rotation des pales d'une
éolienne sera immédiatement affectée par un changement de vitesse ou de direction du vent. De ce fait il est
primordial de prévoir le climat caractéristique du site de production d’énergie de source éolienne ou
photovoltaïque. La prédiction du climat en la zone de rabat vise à offrir une source d’information sure et
précise pour permettre au régulateur de distribution et de conversion d’énergie de mieux gérer la
consommation et la production d’énergie. C’est grâce au système de prévision météorologique il est possible
de dimensionner tous les éléments d’une ligne de distribution d’énergie. L’idée est de prédire pour mieux
Controller les chutes de tension imprévisible due à un mauvais ensoleillement ou à une faible vitesse de
rotation des éoliennes, ou tout simplement due à une forte consommation. Aussi la prédiction des facteurs
climatique permet d’éviter toute perte d’énergie produite sur site en dimensionnant correctement les
batteries de stockage conformément à la puissance produite qu’est naturellement proportionnel aux facteurs
climatiques. En plus les panneaux solaires ne sont plus des panneaux disposés d’un angle fixe. La prédiction
du rayonnement peut servir à donner au régulateur les informations d’en est besoin pour Controller
l’actionneur responsable d’adapter la disposition du panneau à la direction du maximum du rayonnement. Le
système de prévision météorologique est une sorte de maximisation de la production d’énergie et
d’optimisation de son stockage et de sa consommation.

En industrie agricole la qualité et la quantité de la production agricole est un défi réel pour les agriculteurs.
C’est le facteur majeur définissant la compétitivité d’un produit agricole. La croissance optimale d’un
produit agricole est tellement définie par les valeurs des conditions météorologiques. Pour définir une
méthode d’irrigation intelligente il est nécessaire de définir le besoin en eau des plantes ce qui est lié à la
nature d’ensoleillement et d’hygrométrie en air. Compte tenu que la durée de l’évolution d’un produit
agricole est corrélée avec la valeur du rayonnement, les agriculteurs ont un besoin réel de prédire la phase de
récolte pour en préparer le logistique nécessaire et pour en adapter la quantité produite au besoin du marché
pour éviter tout dégradation du produit agricole due à une forte production en une période de l’année.

Le suivi en permanence des paramètres climatiques constitue un challenge international. Le maroc et à

travers La cop 22 a montré son intérêt à une coopération sérieuse aux programmes de lutte contre le
réchauffement climatique. Les équipes de recherche en environnement ont déclaré un besoin réel en matière
d’équipement de suivi et de supervision du climat. Pour pouvoir tracer une stratégie nationale d’amélioration
du climat marocaine assurant le bien être de la population, des animaux et de la couverture verte. La
supervision du climat est tellement une nécessité vitale pour le peuple marocain.

En ce projet nous avons pris le défi de s’investir en la réalisation d’un système de prédiction météorologique
capable de répondre au besoin des agriculteurs, des sites de production d’énergie et des équipes de recherche
en environnement.

Le projet consiste à faire la réalisation d’une station météorologique connectée qui utilise un modèle de
prédiction météorologique comme élément central. Des capteurs surveillant la température, l'humidité, la
pression, la vitesse et la direction du vent ainsi que le rayonnement solaire sont introduit en une station
météorologique installée à la région de rabat. Ainsi l’ensemble de mesures est canalisé vers une plateforme
interactive permettant à l’utilisateur de profiter de son service qui se résume en : la mesure, la prédiction, la
visualisation et l’enregistrement en temps réel des paramètres climatiques de la zone rabat.

Afin de rendre plus visible la substance de notre rapport, nous l'avons structuré selon le titre que nous lui
avons donné en proposant trois chapitres.
Dans le premier chapitre Nous avons souligné la complexité du sujet traité en présentant des généralisations
sur les stations météorologiques et des réseaux connectées. Des détails sur les stations météorologiques, les
réseaux connectés et la relation entre les deux systèmes sont fournis.

Le second chapitre se concentrera sur la sélection des capteurs pour l'acquisition des signaux
météorologiques ainsi de la plateforme de mesure et la mise en forme des signaux D'entrée/sorties
compatibles avec le climat, afin de réaliser une station de mesure météorologique sans fil connecter.

Le dernier chapitre s'est concentré sur l'identification et la validation d'un modèle de prédiction pour mieux
approcher la station en l'état de la prédiction climatique sur la région de Rabat, afin de créer une plateforme
à la fois facile à utiliser et agréable pour les utilisateurs sans aucune connaissance préalable des techniques
ou des outils de modélisation
 Résumé

Ce projet est réalisé dans le cadre du projet de fin d’étude au cycle master à ENSAM de rabat. Dans
ce projet nous avons réalisé une station météorologique installée à la zone de rabat, elle réalise des mesures
en temps réel des paramètres climatiques caractéristique de la météo de la zone de rabat. Les mesures
collectées sont enregistrées sur un Cloud permettant à l’utilisateur de visualiser en temps réel leurs
évolutions. Un prédicteur à base de la méthode N4SID est réalisé pour prévoir l’évolution future des
paramètres climatiques. Une plateforme graphique est développée pour faciliter à l’utilisateur le profit des
fonctionnalités de la station de mesure et de prévision météorologique. Nous avons réussi à réaliser le projet
en globalité avec respect le plus fidèlement possible aux exigences du cahier de charge. La station a prouvé
sa capacité de fonctionner correctement en condition climatiques pénible en offrant une accessibilité totale
via internet. Ainsi la solution technologique que nous avons proposée a été validé suite à une phase de test
en diffèrent modes de fonctionnement et en diffèrent situation météorologique.

Abstract

This project is carried out as part of the end-of-study project at the master's cycle at ensam of rabat.
In this project we have realised a weather station installed in rabat, it performs real-time measurements of
the climatic parameters characteristic of the weather in rabat. The measurements collected are recorded on a
Cloud allowing the user to visualize their evolutions in real time. A predictor based on the N4SID method is
produced to predict the future evolution of climatic parameters. A graphical platform has been developed to
facilitate to the user to take advantage of the functionalities of the weather measurement and forecasting
station. We succeeded in carrying out the project as a whole with respect as closely as possible to the
requirements of the specifications. The station has proven its ability to operate correctly in difficult climatic
conditions by offering total accessibility via the internet. Thus, the technological solution that we have
proposed has been validated following a test phase in different operating modes and in different
meteorological situations.
Chapitre 1 : Généralité sur station météo et
Smartgrid
 1. Introduction

Une parfaite compréhension des variations des phénomènes climatiques de l'environnement de la planète est
nécessaire à de nombreuses activités humaines actuelles, dont la météorologie. Cependant, il n'a jamais été
facile d'anticiper le mauvais temps sans l'utilisation d'outils de mesure. Nous aborderons dans ce chapitre
diverses idées liées à la météo, ainsi que le développement des stations météorologiques. Dans la suite
puisque la relation entre le changement climatique et l'énergie, nous consacrons également ce chapitre à la
présentation des nombreux composants et caractéristiques du réseau électrique. Nous fournirons également
des informations complémentaires sur la qualité de l'énergie électrique et les différentes formes de réseaux
intelligents.

2. Les stations météos connectées

3. Définition
Une station météorologique est un ensemble d'instruments de mesure composés de plusieurs capteurs qui
enregistrent et fournissent des données sur les mesures physiques liées aux fluctuations climatiques. Ces
grandeurs physiques peuvent inclure des choses comme la température, la vitesse du vent, les lectures du
pluviomètre, etc.

L'utilisation des stations météorologiques est fascinante. Elles sont employées dans divers secteurs,
notamment la sécurité des transports, la navigation aérienne et la surveillance des meilleurs schémas de
circulation pour garantir la sécurité des passagers et un trafic aérien ininterrompu. Les informations sont
également utilisées dans les systèmes de prédiction et de prévision du climat, ainsi que dans l'estimation des
sources d'énergie renouvelables.

Les stations de mesure météorologique se composent généralement d’une maquette sur lequel des capteurs
sont installés. Ces derniers sont reliés au boitier qui fait l’enregistrement sur une base de données et l’envoie
des mesures, généralement via le réseau mobile. La photo ci-dessous montre un exemple de station de
mesure [

Figure1 : Station météorologique

 4. Les types des stations météos
5. Classique 
Ce sont de petites stations météo, généralement constituées de sondes de température, qui peuvent vous
donner une meilleure idée de ce qui se passe ou est sur le point de se passer. Nous découvrons deux options
dans ce domaine :

1. Les stations météo locales,

2. Les stations météo régionales.
6. Les stations locales
Ils sont employés pour comprendre les conditions météorologiques locales. Elles sont équipées d'un
baromètre mécanique. La fonction première de ces stations est de fournir la température, mais il existe
quelques variantes pour en tirer le meilleur parti. En effet, certains modèles sont proposés avec un
hygromètre pour mesurer l'humidité de l'air.

D'autres fourniront des détails sur les phases de la lune et leur rapport avec les tâches de jardinage. Pendant
les tâches de jardinage. Enfin, les personnes qui souhaitent connaître la température extérieure afin de
détecter les conditions de tempête ou de verglas choisiront une station dotée d'un capteur extérieur contenant
un capteur extérieur.

7. Les stations météo régionales

Elles vous permettent d'obtenir un pronostic précis pour trois ou quatre jours à l'endroit choisi, selon les
circonstances. Les prévisions régionales officielles sont transmises à ces stations météorologiques. Dans
certains cas, elles envoient même des messages d'alerte. Les personnes qui organisent un voyage d'agrément
ou d'affaires vers le lieu choisi devraient utiliser ce type de station.[2]

Figure2 :Station météorologique classique

En général, les stations météorologiques professionnelles fournissent plus d'informations que les stations
météorologiques traditionnelles. Leur réseau de capteurs permet de détecter la pluie, la direction et la vitesse
du vent, le soleil, la température et la pression atmosphérique. Ces stations sont équipées à cet effet non
seulement d'une sonde thermométrique et hydrométrique, mais aussi d'un pluviomètre, d'un anémomètre et
d'un polarimètre.

Grâce à une liaison, filaire ou sans fil, selon la technologie employée, ces stations sont reliées à une console
centralisant toutes les informations mesurées à intervalles réguliers. Un ordinateur équipé d'un logiciel
spécifique peut ensuite traiter les données. Selon le niveau d'expérience de l'utilisateur, il existe différents
modèles de stations météorologiques. Mais généralement, ces stations météo professionnelles sont classées
en trois catégories :

 Les débutants.
 Les intermédiaires.
 Les expérimentés.

Les stations météorologiques les plus simples, les plus faciles à utiliser et les moins chères seront utilisées
par les débutants.

Les intermédiaires choisiront des stations dotées de plus de fonctions, tandis que les experts choisiront des
stations aux fonctions plus complexes.[2]

Figure 3 : Station météorologique classique

8. Les stations météorologiques connectées 

Comme son nom l'indique, les stations météorologiques connectées se distinguent des stations
traditionnelles en connectant leurs capteurs à d'autres stations à l'aide d'une plateforme (consoles, téléphones
portables, logiciels, Internet) qui est généralement utilisée pour afficher et partager les données. Cette
connexion peut se faire par le biais d'un GSM ou d'une radiofréquence conventionnelle, d'un réseau Ethernet
ou Internet, ou de tous ces éléments. Ainsi, les données sont lues à distance plutôt que sur les capteurs eux-
mêmes. En outre, un certain nombre de modèles de ces stations météorologiques reliées Même sans écran,
les stations météorologiques reliées en réseau sont connectées.[3]

Figure 4 : Station météorologique connectée

 9. Les appareils prédictifs d’une station météo 
Afin de maximiser les interventions manuelles dans les champs et sur les cultures, une station météo
professionnelle et intelligente permet également d'évaluer la santé des jardins, les dangers de maladies ou
d'invasions de parasites. Afin d'acquérir des données provenant de lieux géographiques spécifiques, certains
modèles permettent le partage de données avec d'autres stations météorologiques situées à proximité. Les
technologies actuelles, très fiables, facilitent la vie quotidienne des agriculteurs, des jardiniers et des autres
responsables de l'exploitation Smartgrid.[4]

a. Les variables des stations météos à mesurer

La station météo a cinq variables à mesurer :

Température

Considérée comme une quantité physique associée à l'idée de chaud et de froid immédiat. Au niveau
macroscopique, le mouvement des atomes et des molécules se manifeste par la température. Ainsi, une
température élevée indique un niveau élevé d'"agitation" atomique. Le kelvin est la mesure universelle de la
température (K). Le degré Celsius (°C) est encore une autre unité largement utilisée en Europe.

Humidité 

C'est la quantité de vapeur d'eau dans l'air qui ne comprend pas de glace ou d'eau liquide. Il faut faire la
distinction entre l'humidité relative et l'humidité absolue. Le brouillard, la rosée et les nuages sont tous
influencés par l'humidité relative.

Le rapport entre la masse de vapeur d'eau, souvent mesurée en grus, et le volume d'air humide, mesuré en
m3, à la pression et à la température considérées est l'humidité absolue. Elle peut également être expliquée
comme le résultat de la division de l'humidité relative par l'humidité absolue de saturation.

Pression Atmosphérique 

L'hectopascal, un multiple du pascal (1 hPa = 100 Pa), est utilisé par les météorologues depuis que le pascal
a été adopté comme unité standard de pression. Au niveau de la mer, la pression atmosphérique fluctue
autour d'une valeur moyenne de 1013 hPa.

On parle fréquemment de champ de pression dans le contexte de la météorologie (un espace dans lequel les
forces sont orientées indépendamment des masses en présence). Les lignes isobares, qui remplacent les
lignes d'égale pression, le matérialisent réellement sur une carte. Une illustration statique du gradient de
pression se trouve dans l'espace entre deux isobares. Le gradient de pression et la force des vents dans cette
région augmentent au fur et à mesure que les isobares se resserrent.

Les précipitations 

Tous les types de précipitations qui tombent à la surface de la terre, qu'elles soient liquides (bruine, pluie,
averses) ou solides (neige, grésil, grêle), ainsi que les précipitations déposées ou enfouies (rosée, gelée
blanche, givre, ...). Elles résultent d'un changement de pression ou de température. Les précipitations
constituent le seul " apport " aux grands systèmes hydrologiques continentaux que sont les bassins versants.
Le vent 

La vitesse et la direction du vent peuvent être mesurées, et leur compréhension est essentielle pour étudier la
dynamique des masses d'air. La direction du vent peut être déterminée en le regardant. Les points cardinaux
(N, S, E et W) ou les degrés Celsius sont utilisés comme unités. L'air se déplace du sud-ouest vers le nord-
est lorsqu'il est décrit comme un "vent de sud-ouest". La vitesse est mesurée en mètres par seconde (m/s), en
kilomètres par heure (km/h) ou en nœuds (1 nœud équivaut à 1 mille nautique parcouru en 1 heure, soit
1,852 km/h). L'échelle de Beaufort, utilisée en météorologie maritime, divise les vents en 13 classes selon
leur vitesse et les effets qu'ils ont sur l'état de la mer, d'où le nom de "force".

2. Généralités sur les Smartgrid

1. Réseau électrique
L'ensemble des composants nécessaires pour produire, transmettre et distribuer l'énergie électrique d'un
générateur à une charge est appelé réseau électrique (consommateur). Les transformateurs, les lignes de
transmission, les réacteurs, les condensateurs, les outils de mesure et de contrôle et les précautions contre la
foudre font partie de cet ensemble. Ou, pour le dire autrement, un réseau électrique est un ensemble
d'installations qui permettent la distribution de l'énergie électrique depuis les sources de production
(centrales électriques) jusqu'aux consommateurs d’électricité. (Voir figure 5)
 Figure 5 : Structure globale du réseau électrique

Une gestion dynamique de l'ensemble de la production, du transport et de la consommation doit également

être assurée par un réseau électrique, qui doit procéder à des ajustements pour garantir la stabilité du système
dans son ensemble.[5]

2. Problématique du fonctionnement des réseaux électriques

Les réseaux de transport et d'interconnexion (THT) servent de passerelle entre les zones de consommation
primaire et les pôles de fabrication. Ils permettent d'acheminer l'électricité jusqu'au point de consommation.
De plus, le maillage du réseau permet d'assurer la sécurité d'approvisionnement et de faire face aux aléas
locaux ou conjoncturels qui peuvent avoir un impact sur l'exploitation tout en bénéficiant de conditions
économiques favorables (indisponibilité des installations, aléas de consommation, incidents...). En
conséquence, les réseaux THT contribuent de manière significative au maintien de l'équilibre offre-demande
ainsi qu'à la sécurité de l'approvisionnement et à l'économie de fonctionnement.[6]

L'opérateur est également très soucieux de la qualité du service. Concrètement, cette qualité implique de
maintenir les propriétés du produit (tension, fréquence) dans les limites extrêmement étroites des normes.

Comme les groupes électrogènes connectés aux réseaux THT fixent les références de tension qui
conditionneront l'ensemble du plan de tension du réseau, les réseaux THT sont également essentiels au
respect de ces limites :

 Les groupes électrogènes, qui doivent maintenir un fonctionnement synchrone en régime permanent,
contrôlent également la fréquence.
 La configuration des réseaux de transport a un impact important sur la sécurité d'approvisionnement
des principales zones de consommation.

Savoir que les réseaux THT créent un couplage dynamique très fort entre les moyens de production, d'une
part, et les charges (consommation), d'autre part, est important si l'on tient compte de l'inertie mécanique
relativement faible de certains composants du système électrique (unités de production et moteurs) et de la
vitesse élevée de propagation des phénomènes. Au-delà de la question de la distribution de l'électricité sur le
plan économique et sur le plan de la sécurité, il est impératif de s'intéresser au fonctionnement de ces
énormes systèmes étroitement couplés et interconnectés. Il s'agira de mettre l'accent sur leur contrôle et leur
stabilité.[7]

3. Définition de réseau intelligent

Un réseau électrique appelé "réseau intelligent" relie et coordonne de manière centralisée la production, la
consommation et le stockage d'électricité. Une gestion harmonisée est rendue possible dans les réseaux
intelligents par une communication rapide et bidirectionnelle entre les différents composants du réseau et les
systèmes de production, de stockage et de consommation. Ces réseaux sont ainsi en mesure de garantir un
fonctionnement du système plus rentable et plus efficace sur le plan énergétique pour les besoins futurs.

L'électricité ne peut être stockée que par des méthodes extrêmement compliquées, car elle ne cesse jamais de
couler. Elle peut toutefois être transformée en un autre type d'énergie, comme l'énergie potentielle, qui peut
ensuite être utilisée pour pomper l'eau d'un réservoir. En outre, l'énergie peut être retransformée en
électricité après avoir été stockée chimiquement dans une batterie. Toutefois, ce procédé entraîne des pertes
et ne permet de conserver que des quantités extrêmement faibles.
 Figure 6 : représentation schématique de Smartgrid

Pour que la quantité d'énergie disponible sur le réseau soit toujours égale à celle consommée, la production
d'électricité est adaptée en permanence à la consommation. Les variations à court terme de l'offre et de la
demande sont couvertes par l'énergie de réglage. En agissant activement sur la charge ou la production ou en
alimentant le système de stockage, un algorithme situé dans un centre de calcul permet de coordonner l'offre
et la demande de manière rapide et totalement automatique dans les réseaux intelligents. Le centre de calcul
peut couvrir un réseau de transmission ou une région de service décentralisée.

4. Intérêt du réseau intelligent 

Les technologies de "réseaux intelligents" tentent de modifier la production et la distribution (l'offre et la
demande) d'énergie en temps réel en hiérarchisant les demandes de consommation en fonction de leur
urgence pour tenir compte du fait que l'énergie ne peut pas être stockée à bon marché, rapidement ou
facilement en grandes quantités.[8] :

 Améliorer l'efficacité des usines

 Améliorer l'efficacité des installations
 Réduire les pertes en ligne
 Améliorer l'introduction (aléatoire) de la production décentralisée, notamment en utilisant des
ressources renouvelables.
 Réduire ou éliminer les problèmes posés par les sources intermittentes (solaire, éolienne,
marémotrice et, dans une moindre mesure, hydraulique).

5. L’architecture des Smartgrid

L’architecture des réseaux intelligents se compose de trois niveaux :

 La première méthode consiste à transporter l'électricité sur un réseau standard d'infrastructures

électriques (lignes, transformateurs, etc.) ;
 Le deuxième niveau est constitué d'une architecture de communication reposant sur diverses
technologies et supports de communication (GPRS, fibre optique, PLC, etc.) qui sont utilisés pour
recueillir les données des compteurs déployés sur les réseaux électriques.
 Le troisième niveau est constitué d'applications et de services, tels que les systèmes de dépannage à
distance ou les programmes automatisés de réponse à la demande d'électricité qui utilisent des
informations en temps réel.
 Figure 7 : L’architectures des réseaux électriques intelligents

6. Les principales composantes de smartgrid 

Le réseau intelligent est un concept utilisé dans le monde entier pour gérer le réseau énergétique et doit
répondre aux besoins de sécurité d'approvisionnement, d'efficacité, d'intégration des énergies renouvelables
et d'accessibilité financière. À l'heure actuelle, il n'existe pas de réseau intelligent permettant le contrôle
autonome de l'électronique grand public et des installations de fabrication, bien que de nombreuses parties
prenantes anticipent son déploiement. Il est donc difficile d'évaluer les progrès réalisés dans ce domaine. La
mise en œuvre d'un réseau intelligent dépendra de l'évolution technique et logique de certains composants.

a. Smart meter
Un compteur intelligent est un composant intelligent qui propose une facturation par tranche horaire,
permettant aux clients de choisir la meilleure offre parmi une variété de fournisseurs tout en jouant sur les
habitudes de consommation pour optimiser l'utilisation du réseau électrique. Un tel système permettrait de
cartographier plus précisément la consommation et de prévoir les besoins avec plus de précision au niveau
local.

Figure 8 : Smart meter

2. WAMS (Wide Area Measurement System) 

Utilisant les satellites GPS, cette technologie surveille un réseau haute tension en temps réel et détecte les
éventuels problèmes d'instabilité. Employant des satellites GPS, elle détecte les problèmes d'instabilité
potentiels en temps réel. Le Massachusetts Institute of Technology (MIT) a désigné la technologie WAMS
comme l'une des dix innovations qui "pourraient transformer le monde."

3. SCADA (Supervisory Control and Data Acquisition Systems)

Ces systèmes permettent de mesurer de nombreux emplacements dans les réseaux électriques nationaux et
régionaux. Le système aide au commerce de l'énergie, localise les défauts, prévient les pannes et simule le
fonctionnement de la charge sur les réseaux. Le plus grand système SCADA du monde, qui se trouve dans
l'État indien du Karnataka, compte 830 sous-stations et fournit de l'énergie à 16 millions de personnes. Il
peut améliorer de 50 % l'efficacité du fonctionnement des réseaux et réduire de 70 % les minutes de
consommation perdues.

4. FACTS (Flexible Alternating Current Transmission Systems)

Les FACTS sont utilisés pour réguler les flux de charge et améliorer la fourniture d'énergie. Dans de rares
circonstances, la capacité de transmission d'un réseau peut potentiellement doubler. Ils contribuent
également à la stabilisation du réseau et à la réduction des temps d'arrêt.

5. Exemple de réseaux intelligent

a. Smart home 
« Ken Sakamura « énonce les critères d'exclusion suivants pour définir une maison intelligente : "Une
maison sera rejetée de la catégorie des maisons intelligentes si :

 Il existe une restriction à la libre circulation de l'information entre l'intérieur de la maison et le

monde extérieur (on parle aussi de maison communicante).
 Si la maison dispose d'ordinateurs intégrés qui sont incapables de communiquer entre eux.
 Si elle est un "patchwork" de "gadgets".
 Si elle possède des fonctionnalités compliquées qu'il est difficile d'utiliser.

En utilisant des logiciels et des interfaces moins basiques que par le passé, les robots mobiles peuvent être
utilisés pour surveiller à distance ce qui se passe.
 Figure 9 : Smart home

2. Smart City 
Une "ville intelligente" est une communauté qui utilise les technologies de l'information et de la
communication (TIC) pour réduire les dépenses ou "améliorer" le niveau des services urbains. Cette
nouvelle idée fait référence à un style de planification urbaine capable de s'adapter aux besoins évolutifs ou
nouveaux des institutions, des entreprises et des citoyens en termes d'économie, de société et
d'environnement.

Lorsque les investissements dans le capital humain et social, les infrastructures énergétiques (électricité,
gaz) et les flux (humains, matériels, d'information) soutiennent un développement économique durable et
une qualité de vie élevée grâce à une gestion prudente des ressources, à une gouvernance participative et à
une utilisation efficace et intégrée des TIC, ces investissements sont qualifiés d'initiatives de "ville
intelligente". Afin d'améliorer la qualité de vie des habitants tout en protégeant l'environnement, une ville
intelligente serait capable de gérer les infrastructures (eau, énergie, information et télécommunications,
transports, services d'urgence, équipements publics, bâtiments, gestion et tri des déchets, etc.) de manière
communicative, adaptable, durable et automatisée

Figure 10 : Smart city

3. Micro grid 
La pénétration de la production distribuée dans le monde n'a pas encore atteint des niveaux appréciables.
Cependant, ces dernières années ont vu une évolution rapide de cette situation. Un large éventail de
technologies, dont les moteurs à combustion interne, les turbines à gaz, les micro-turbines, les panneaux
solaires, les piles à combustible et l'énergie éolienne, font partie de la production décentralisée.

La production distribuée n'est pas encore assez répandue pour être considérée comme importante. Toutefois,
cette position a rapidement évolué ces dernières années. La production distribuée utilise un large éventail de
technologies, telles que les moteurs à combustion interne, les turbines à gaz, les micro-turbines, les
panneaux solaires, les piles à combustible et l'énergie éolienne.
 Figure 11 : Du "Smart Grid" au "Smart Home" en passant par le « Smart City »

4. Conclusion

Nous avons inclus des informations générales sur les stations météorologiques dans ce chapitre, en
commençant par une description des différentes stations météorologiques et des principales quantités et
techniques de mesure. Ensuite on a expliqué dans la deuxième partie La définition des réseaux intelligents,
de leurs composants et de leurs architectures, ainsi que des exemples de réseaux intelligents, sont abordés
dans l'examen du fonctionnement des réseaux d'énergie électrique de ce chapitre, nous en avons vu un peu.
Chapitre 2 : Réalisation d’une station
météorologique connectée sans fil
I. Introduction

Presque tous les systèmes de commande et de contrôle reposent aujourd'hui sur des CPU (Central Processing
Units), qui se présentent sous de nombreuses formes, c'est-à-dire à base de microprocesseurs, de
microcontrôleurs ou de circuits programmables tels que des cartes de type "Arduino". Les cartes
électroniques sont associées à leur faible coût, leur permettant d'être utilisées dans les applications les plus
diverses. Dans ce cadre, nos recherches et réalisations s'appuient sur la carte électronique programmable
"Arduino uno" et " Esp32 ". Le choix de ce dernier est pour donner un aperçu sur les données
météorologiques en temps réel.
Dans ce chapitre, nous expliquerons en détail chacun des blocs qui composent le système : les différents
capteurs choisis, leur montage avec la carte Arduino et la solution pour visualiser les donnes en temps réel.
2. Schéma synoptique

La figure ci-dessous montre l’idée la synoptique dans lequel on a abordé notre réalisation :

Figure 12 : Schéma synoptique du système

3. Choix de lieu de l’installation de notre station météo 

Les choses qu’on a respecté en choisissant l’endroit adéquat pour placer la station :

a. Ne pas placé la station entre deux maisons, cela peut influencer sur l’anémomètre et la plaque solaire
(l’ombre)  la station est installé sur l’école « Groupe scolaire Boustane AL ouloume » plus haut
bâtiment sur notre quartier est elles équipé de wifi
b. Support de fixation bien choisi pour éviter les vibrations  on a acheté un support dédié pour la
station
c. Le capteur de température doit être bien ventilé  on a placé le capteur à l’extérieur de boitier
 Figure 13 : notre station météo connecté dans la région de salé

4. Chaîne de mesure et d’acquisition

De manière De manière générale, toute chaîne de mesure et d'enregistrement de données météorologiques

peut Il est représenté par plusieurs étapes, comme le montre la figure ci-dessous :
 Figure14 : Schéma de la chaîne de mesure et d’enregistrement des données
météorologiques

Cette station météo est divisée en deux modules : La première est une station météo, c'est-à-dire qu'elle traite
les mesures et les Paramètres environnementaux, que nous appelons station météorologique Contient une
carte Arduino et divers capteurs :

 La mesure de l'humidité de l’air.

 La mesure de température de l’air.
 La mesure de pression de l’air.
 La mesure de vitesse du vent.

 La mesure de direction du vent.

 La mesure de rayonnement solaire.

1. Capteur de température et d’humidité DHT22

DHT22 est un capteur à faible coût pour l'acquisition de la température et de l'humidité environnement de
manière numérique. Il utilise un capteur d'humidité capacitif et un Une thermistance mesure la température
et l'humidité de l'air et les transmet d'une manière logique sur le bus série. Les données sont mises à jour
chaque 2 secondes.

Figure 15 : Capteur de température et d’humidité DHT22

a. Caractéristique du capteur :

 L’alimentation : 3.3-6V DC
 Le signal de sortie : Signal numérique via un bus unique
 L’élément sensible : Condensateur polymère
 La plage de fonctionnement : Humidité 0-100%HR ; température -40∼80Celsius
 La précision : Humidité +/-2%RH (Max +-5%RH) ; température <+/-
0.5Celsius
 La résolution : Humidité 0.1%RH ; température 0.1Celsius
  La répétabilité : Humidité +/-1%HR ; température +/-0.2Celsius
 L’hystérésis de l’humidité : +/-0.3%RH
 La stabilité à long terme : +/-0,5%RH/an
 La période de détection : Moyenne :2s
 L’interchangeabilité : Entièrement interchangeable
 Les dimensions : Petite taille 14*18*5.5mm ; grande

Ce capteur est semblable au DHT11 mais plus précise

2. Principe de fonctionnement 
Comme mentionné ci-dessus, le capteur DHT22 a le même microcontrôleur via une seule broche
d'entrée/sortie.

Ce n'est pas un vrai bus de communication 1-Wire. C’est juste un Protocole de communication propriétaire,
utilise un seul fil et nécessite un délai très court Une communication précise avec les capteurs DHTxx
s'effectue en trois étapes :

 Tout d'abord, le microcontrôleur principal (carte Arduino) se réveille détectez le capteur en

réglant la ligne de données LOW pendant au moins 800 µs (DHT11 au moins 18 ms). Pendant ce
temps, le capteur se réveillera et sera prêt pour les mesures de température et d'humidité. Une fois
le temps écoulé, l'hôte libère la ligne de données et passe en mode d'écoute.
 Après avoir relâché la ligne de données, le capteur répond à l'hôte en maintenant la ligne de
données basse pendant 80 µs, après haute (Hight) pour indiquer qu'il est effectivement réveillé de
80 microsecondes.
 Le capteur transmettra alors une série de 40 bits. Les deux premiers octets contiennent la mesure
d'humidité. Les deux octets suivants contiennent la mesure de température et le cinquième octet
contient la somme de contrôle pour vérifier que les données lues sont correctes.

3. Capteur de vitesse du vent (anémomètre) 

Un anémomètre est un capteur électronique utilisé pour mesurer la vitesse du vent et doit être monté au
sommet d'un mât de 5 mètres pour éviter les turbulences de l'air causées par la présence de bâtiments et de
végétation. C'est la hauteur à laquelle les mesures standard sont prises, et c’est pour cela j’ai choisi l’école
privée « Groupe scolaire Boustane Al ouloume » le plus haut bâtiment dans notre quartier pour installer la
station.
 Figure 16 : anémomètre / Capteur de vitesse du vent.

L'anémomètre contient un petit aimant qui passe face le contact ILS, qui le ferme petit à petit lorsque la
coupelle de l'anémomètre tourne (des vitesses de vent d'environ 2,4 km/h produisent une impulsion de
fermeture de contact par seconde). Les informations du capteur sont accessibles via une prise RJ11 déportée
sur un câble de 2,5 m.

Le fonctionnement du capteur est très simple. Tout ce que vous avez à faire est de connecter une résistance
pull-up au + de l'alimentation (3,3 à 5 Vcc) et de connecter la sortie du capteur entre cette résistance du
sortie et la masse. Dès lors, le microcontrôleur n'a plus qu'à détecter une impulsion transitoire (niveau
logique bas) correspondant à un tour d'anémomètre.

4. Capteur de direction du vent (girouette)

Une girouette produit une variation de sa valeur de résistance en fonction de sa direction. Ce changement
n'est pas proportionnel à la direction (les girouettes donnent 8 valeurs de résistance différentes en fonction

de leur position - ces dernières ne peuvent donc donner que la direction du vent en fonction de 8 positions).
Les informations du capteur sont accessibles via une prise RJ11 lié sur un câble de 2,5 m.

Le fonctionnement du capteur est très simple. Tout ce que vous avez à faire est de connecter une résistance
pull-up au + de l'alimentation (3,3 à 5 Vcc) et de connecter la sortie du capteur entre cette résistance sortie et
la masse. La résistance du capteur est donc intégrée dans le pont diviseur de tension. La tension aux bornes
du pont diviseur donnera 8 tensions différentes suite des 8 positions de la lame.

Figure 17 : Girouette / Capteur de

vitesse du vent.

5. Capteur de pluie (pluviomètre)

Après chaque remplissage, le godet est automatiquement vidé pour pouvoir être rempli à nouveau. Les
informations du capteur sont disponibles par une prise RJ11 déportée sur un câble de 2,5 m.
 Figure 18 : pluviomètre / Capteur de pluie.

Le fonctionnement du capteur est facile. Tout ce que vous avez à faire est de connecter une résistance de
sortie de l'alimentation (3,3 à 5 Vcc) et de connecter la sortie du capteur entre cette résistance tirage et la
masse. Dès lors, votre microcontrôleur n'aura plus qu'à détecter les impulsions passantes (niveau logique
bas), ce qui lui indiquera qu'il est tombé vers 0,2794mm d'eau (pour un cycle d’horloge).

6. Le capteur de pression (BMP280)

La meilleure solution économique pour mesurer la pression atmosphérique est le capteur de pression China
BMP280.Technologie de surveillance de la pression atmosphérique à faible coût.

Le capteur BMP 280 est simple à utiliser. Il suffit de relier la broche Vcc à la broche de tension 5V, GND à
la terre, SCL à une broche Analogique 5, et SDA à la broche Analogique 4 si vous utilisez un Arduino
UNO.

Importez la bibliothèque Arduino BME280/BMP280, et ensuite ajoutez un code d'exemple au programme

pour montrer comment calculer la pression.

Figure 18 : BMP280 / Capteur de pression.

7. Capteur de rayonnement solaire (plaque photovoltaïque 5V) 

A cause de manque de matériel on a utilisé la plaque photovoltaïque pour mesurer quantité de rayonnement
solaire. L'unité de mesure du rayonnement solaire est exprimée en W/m2 (Watts par mètre carré).

La position de la plaque a été étudié de façon qu’elle est sur le haute point de quartier afin d’éviter l’ombre
des bâtiments ou des différents capteurs de la station installés à côté.

La tension de sortie la plaque est 5v

pour être compatible avec l’entrée
de la carte d’acquisition Arduino
dans notre cas.
 Figure 19 : plaque photovoltaïque 5V / Capteur de rayonnement solaire

8. Montage et acquisition des données 

La phase montage et les tests unitaires de chaque capteur avant l’assemblage de tous est très important pour
corriger chaque disfonctionnement seul :

1. Configuration de la carte en fonction du type de capteur météo utilisé 

Les câbles de connexion des capteurs anémomètre, girouette et pluviomètre sont de type RJ11, cela nous
somme besoin d’une interface interface Grove-Arduino :

La carte d'interface contient 2 connecteurs RJ11 pour recevoir les fils de divers capteurs météorologiques.
Les résistances tirage sont également utilisées pour générer des signaux numériques pour les capteurs de
pluviomètre et d'anémomètre ou des tensions analogiques pour les capteurs de girouette.

L'interface se met en place rapidement. Pour utiliser cette interface comme shield sur la carte Arduino, il
faut souder 2 connecteurs supplémentaires. Pour utiliser cette interface pour se connecter à une platine
vinyle au format Grove, il vous faudra souder un jeu de connecteurs Grove.

Le câblage est la première opération à réaliser sur la carte :

Positionner 2 straps aux emplacements A et B en fonction du modèle de girouette et anémomètre utilisés.

 2. Assemblage de la platine pour une utilisation sur une carte au format Grove
Dans cette configuration on soude d'abord 3 résistances puis 2 connecteurs RJ11. Soudez ensuite 3
connecteurs Grove 110990030, nous nous référerons à la sérigraphie Marquez l'orientation du connecteur.
Nous devons également utiliser le câble Grove 110990031 Connectez les composants à une carte Grove
standard

Figure 20 : Grove 110990030 et Grove 110990031

Une fois assemblé, il vous suffit de brancher la carte dans la carte Arduino afin que les connecteurs
mâle/femelle 6 points et 8 points de la carte s'alignent avec les connecteurs de l'Arduino (attention à ne pas
déplacer les broches). La carte ne se branche pas directement au-dessus de la carte Arduino comme un shield

standard, mais est décalée vers le bas.

Figure 21 : Assemblage de la platine pour une utilisation sur une carte au format Grove

Les règles du fournisseur à respecter : « Le connecteur RJ11 de gauche permet de recevoir au choix les
capteurs pluviomètres LEXCA001 ou LEXCA009. Le connecteur RJ11 de droite est prévu pour recevoir un
couple de capteurs anémomètre + girouette (LEXCA002+ LEXCA003) ou l'ensemble
LEXCA007. Attention le connecteur RJ11 de droite ne peut pas recevoir un capteur anémomètre seul
ou un capteur girouette seul... mais uniquement un couple de capteurs (anémomètre + girouette : dans
cette configuration le cordon de la girouette devra être raccordé sur l'anémomètre et seul le cordon de
l'anémomètre (qui véhicule les signaux des 2 capteurs) sera à relier sur le connecteur RJ11. La platine
est également compatible avec les capteurs de la station météo SEN-08942 ou LEXCA008 :

a. Le signal du capteur pluviomètre est accessible sur le connecteur Grove de gauche.

 b. Le signal du capteur girouette est accessible sur le connecteur Grove du milieu.
c. Le signal du capteur anémomètre est accessible sur le connecteur Grove de droite

3. Acquisitions et traitements des données :

1. L’Arduino UNO
La chaîne d'acquisition peut remplir une variété de rôles à travers divers dispositifs. Le capteur est à l'avant
de la chaîne d'acquisition et convertit le mesurande en un signal électrique (généralement une tension). Le
circuit de conditionnement optimise les caractéristiques du signal de sortie du capteur (filtrage du bruit,
amplification, suppression de la composante continue, etc.). Une conversion analogique/numérique du signal
est également possible, par ex. Mettre les mesures à la disposition d’unité du traitement.

Figure 22 : Une carte Arduino Uno avec ses connecteurs

Elle dispose d'une interface USB pour la programmation. Il s'agit d'une plate-forme open source basée sur de
simples cartes à microcontrôleur (de la série AVR) et un logiciel, véritable environnement de
développement intégré pour écrire, compiler et transférer des programmes sur des cartes à microcontrôleur.
Arduino peut être utilisé pour développer des applications matérielles industrielles légères ou des objets
interactifs tels que la création artistique, et Différents capteurs peuvent être reçus en entrée. Il peut
également contrôler divers actionneurs (lumières, moteurs ou toute autre sortie matérielle).

2. NodeMCU ESP32
Module basé sur ESP32 cadencé à 240 MHz et exécutant un firmware open source Microcontrôleur de
nœud. La carte est programmée via l'IDE Arduino et est compatible avec les scripts lua. Le microcontrôleur
dispose d'interfaces Wi-Fi et Bluetooth adaptées aux objets liés.

Des connecteurs latéraux mâles et femelles permettent d'insérer des modules Plaque de montage rapide.
L'interface sans fil Wifi permet de créer des points d'accès sans fil, d'héberger Par exemple, les serveurs, les
connexions Internet et le partage de données. Le module est programmé directement à partir de l'IDE
Arduino (les extensions doivent être installées) et nécessite un câble microUSB (non inclus). Sa disposition
le rend compatible avec les cartes à connexion rapide.
Figure 23 : NodeMCU ESP32

Caractéristiques :

 Alimentation :
 5 Vcc via micro-USB
 3,3 Vcc via broches Vin
 Microcontrôleur : ESP32
 Microprocesseur : Tensilica LX6 Dual-Core
 Fréquence : 240 MHz
 Mémoire SRAM : 512 kB
 Mémoire Flash : 4 Mb
 E/S disponibles :
 15 E/S digitales dont 10 compatibles PWM
 2 x sorties analogiques (DAC)
 15 x entrées analogiques (ADC)
 Interfaces : I2C, SPI, 2 x UART
 Interface Wi-Fi 802.11 b/g/n 2,4 GHz
 Bluetooth : Classique / BLE
 Antenne intégrée
 Température de service : -40 à 125 °C
 Dimensions : 48 x 26 x 11,5 mm

3. Test des différents capteurs avec la carte Arduino

1. Test de la girouette 
La première opération consistera à restituer la valeur de la résistance renvoyée par Girouette pour chacune
des 8 positions de sa flèche : N - NE - E - SE - S - SO - O - NO. Par la présence de résistances tirage sur la
carte d'interface (agissant comme un pont diviseur),

On récupère une valeur de tension différente pour chaque position Flèche du capteur. Pour récupérer sa
valeur de tension, on utilise le programme Sur l'Arduino, il affiche la valeur analogique lue sur le port A2 de
la carte Arduino UNO dans le moniteur série de l'éditeur.

Programme :

void setup()

{
 Serial.begin(9600);

void loop()

{ int sensorValue = analogRead(A2);

Serial.println(sensorValue);

delay(100);

Nous avons trouvé les valeurs suivantes :

Ces valeurs peuvent varier selon le type utilisé et selon les tolérances ou valeurs de résistance tirage de

l'interface Grove-Arduino.

2. Test de l'anémomètre
Le programme suivant nous permet de "clignoter" les LED de la carte Arduino (sortie 13) en fonction de la
rotation du capteur pour mettre en évidence son bon fonctionner :

void setup() {

pinMode(13, OUTPUT);

pinMode(A2, INPUT) ;}

void loop() {
 int BP = digitalRead(A2); // Lecture du capteur

if (BP == LOW) {

digitalWrite(13, HIGH); // Allume la Led

else {

digitalWrite(13, LOW); // Eteind la Led

} 

3. Transmission et stockage des données 

La transmission sans fil peut couvrir des zones difficiles voire impossibles à connecter avec un câble. Par
conséquent, l'utilisation de la technologie sans fil devrait jouer un rôle important dans un grand nombre
d'applications telles que la maintenance, le contrôle ou la gestion des stocks, entraînant de nouvelles
économies de coûts, tout en offrant une plus grande flexibilité en permettant une totale liberté de
mouvement. Par conséquent, la transition vers le sans-fil doit apporter d'énormes avantages liés à
l'amélioration des processus existants ou à la création de services supplémentaires. Malgré de fortes
interférences, certaines technologies sans fil sont mieux adaptées à la communication en milieu industriel.

Pour nous, afin de réaliser une communication sans fil entre la station de mesure et la station de mesure Pour
la station centrale, nous utiliserons un module radio qui peut transmettre et recevoir des signaux sans fil. Le
module que nous allons utiliser est basé sur l'antenne et le circuit intégré nRF24L01+, un émetteur-récepteur
2,4 GHz conçu pour les applications sans fil à très faible consommation.

1. Envoi de données par signal radio : Module radio nRF24L01+ 

nRF24L01 est un module radio entièrement intégré du fabricant Nordic semi-conducteur. Il s'agit d'un
module radio qui intègre tout le nécessaire pour transmettre et recevoir des données sur la gamme de
fréquences 2,4 GHz telles que le WiFi ou le Bluetooth, en utilisant le protocole de communication
propriétaire de Nordic "ShockBurst".
Ce protocole de communication permet de traiter le nRF24L01 comme un modem complet avec adressage,
gestion des erreurs de transmission et retransmission automatique en cas de non réponse du récepteur. Le
module nRF24L01 utilise la même gamme de fréquences que le WiFi et le Bluetooth, mais Les deux
protocoles ne sont pas compatibles !

Figure 24 : Le module nRF24L01 + Antenne et chinois avec antenne "trace"

Cette carte permet une communication de 250Kbps sur une distance d'environ 100 mètres.De plus, le
régulateur de tension inclus permet d'alimenter facilement la carte avec une tension d'entrée allant de 3,3 à 7
volts, ce qui rend ce module compatible électriquement avec toute carte Arduino.

Le nRF24L01+ dispose d'un total de six canaux de communication simultanés et de 32 octets de mémoire
d'émission et de réception pour chaque canal de communication. Un paquet ne peut avoir qu'une taille de 32
octets, ce qui est assez peu mais plus que suffisant pour communiquer des mesures, des commandes ou des
données de télémétrie pour un robot, par exemple.

Les 128 canaux distincts qui composent la bande de fréquence de 2400 à 2525MHz sont utilisés par les
modules nRF24L01. Il faut donc éviter d'utiliser des bornes WiFi ou Bluetooth trop puissantes ou trop
proches les unes des autres car des interférences peuvent se produire. En utilisation réelle, il n'y a pas de
problème sauf si le module nRF24L01 est placé au-dessus de sa box Internet.

2. Schéma bloc du système réalisé

Deux nœuds composent ce système ; le nœud capteur, également appelé nœud source, est un nœud standard
composé d'une unité de transmission et d'une unité de traitement des données. nœud typique composé d'une
unité de traitement des données et d'une unité de transmission. Tous les échanges (transmissions et
réceptions) sont traités par le composant de transmission de données. Tous les échanges de données
(transmissions et réceptions) sur un canal de communication sans fil sont traités par la partie transmission de
données (NRF24L01). La mémoire, le microcontrôleur et le système d'exploitation particulier constituent
l'unité de traitement des données fournies par l'unité d'acquisition (comme Arduino IDE). L'unité
d'acquisition dispose généralement d'un ou plusieurs capteurs pour collecter des mesures physiques (mesures
analogiques) et d'un convertisseur analogique/numérique pour convertir les informations recueillies en un
signal numérique que l'unité de traitement.

Figure 25: schéma illustratif du nœud capteurs

Le nœud récepteur est un nœud typique connecté à une deuxième unité de communication par un
convertisseur série dans le deuxième nœud (GPRS, Wi-Fi, WiMax, etc.). La deuxième unité de
communication offre une retransmission transparente des données des nœuds de capteurs vers un utilisateur
ou via d'autres réseaux, y compris l'Internet, pour l'utilisateur ou d'autres utilisateurs.

Figure 26 : schéma illustratif du nœud puits

 3. Support de stockage et d'affichage :
Il existe plusieurs façons d'afficher les résultats de mesure, dans notre Cas Nous avons choisi l'Internet des
Objets (IOT).

L'Internet des objets, connu comme la troisième révolution industrielle, va profondément changer la vie
quotidienne des gens, y compris la domotique, l'énergie et l'agriculture, qui est notre thème. Cela s'explique
par les avancées technologiques et les innovations majeures qui bouleversent le monde des
télécommunications : le cloud computing, les réseaux sociaux, l'internet des objets.

Les objets intelligents ont envahi la planète et sont désormais omniprésents, affectant notre vie personnelle
et professionnelle. Pour que les milliards d'informations qu'ils produisent soient utiles, il faut les traiter et les
analyser. En 2020, il y aura entre 50 et 80 milliards d'appareils connectés utilisés dans le monde, selon les
statistiques de Cisco, comme l'illustre le graphique ci-dessous. Une personne possède actuellement plus de
trois objets connectés en moyenne dans le monde, même s'il ne s'agit que d'une estimation. Depuis 2003,
cette réalité n'a cessé de se former et de croître.

Figure 27 : Nombre des objets connectés à l'horizon 2020.

La dernière étape consiste à sélectionner un site web qui permette de stocker et d'afficher les résultats de
notre station météorologique en temps réel après avoir décidé d'utiliser l'Internet des objets pour ce faire.
Nous avons choisi le site web "ThingSpeak" car il fournissait des résultats instantanément.

Afin de servir les applications IOT, « ioBridge » a initialement introduit ThingSpeak en 2010. Ses
principales fonctions consistent à enregistrer les données des capteurs transmises par des requêtes HTTP et à
permettre un affichage graphique. Ses différents composants de fonctionnement sont les suivants :

 Enregistrer et s’inscrire au canal

 Créez sept "champs" dans le canal
 Obtenir la clé de mise à jour (API Key ; Write KEY).
 4. Résultats sur la ThingSpeak :

Après avoir sélectionné les résultats d'affichage IoT, nous avons sélectionné le site Web "ThingSpeak" pour
afficher les résultats en temps réel. Le site ThingSpeak est une société spécialisée dans différents services
pour la création d'applications IoT.

Figure 28 : Interface de ma chaine privée créer sur ThingSpeak

Les algorithmes de traitement des données sur le serveur ThingSpeak sont présentés dans les figures ci-
dessous. À l'aide des graphiques et de la compatibilité de cette plateforme IoT avec une variété de
microcontrôleurs et d'unités centrales, nous pouvons suivre les valeurs des capteurs.

Figure 29 : Courbe graphique

exprime le changement de la
Vitesse du vent.
 Figure 30 : Courbe graphique exprime le changement de l’humidité

Figure 31 : Courbe graphique

exprime le changement de l’humidité

Figure 32 : Courbe graphique exprime le changement de pression

 Figure 33 : Courbe graphique
exprime le changement de radiation solaire

On peut aussi d’importer les données sous format.CSV depuis l’heure de démarrage de l’installation :

Figure34 : DATA sous format.csv

5. Conclusion 

Nous avons brièvement abordé dans ce chapitre les principes fondamentaux des différentes technologies
employées dans l'exécution de notre projet.

Nous avons éclairé la partie hardware. Les différents capteurs qui sont utilisés dans les stations météo. Avant
de passer à l'Arduino Uno, la manière de la programmer après comment transférer les données par ESP32 et
le module NRF. Enfin, nous avons décrit comment créer la plateforme d'une station météo en utilisant
l'interface ThingSpeak, ce que nous avons voulu faire.

Chapitre 3. Modélisation et identification des

paramètres climatique au profit d’un système de
prédiction du climat de la région rabat
I. Introduction

En ce chapitre nous posons l’objectif de la conception d’un système intelligent de prédiction de l’évolution
des paramètres climatiques qui caractérisent la région rabat à savoir : la température l’hygromètre le
rayonnement solaire, la vitesse de vent, la pression. L’idée est d’offrir une solution technologique
pluridisciplinaire capable à fonctionner en parallèle avec d’autres systèmes tels que le site de production
d’énergie solaire, les systèmes d’agriculture intelligente ou tout simplement pour la prédiction
météorologique. Pour se faire nous profitions les données réelles collectées par la station de mesure
développée précédemment.

En ce chapitre

1) Nous présentons des modèles discrets sous forme espace d’état permettant de prédire avec précision
l’évolution de tous les paramètres caractérisant la région rabat, en se basant sur la méthode N4SID de
mathworks.
2) Une plateforme évolutive adaptée à être utilisé par des non spécialiste dont la seule information
nécessaire est un simple clic de démarrage du processus de prédiction.
3) Pour maximiser le profit de la solution développée en donnant accès à distance et en temps réel à
toute la fonctionnalité de la plateforme, le système est équipé par plusieurs chaines de mesure
développé sous thingspeak de mathworks.
Conformément à l’objectif posé nous commençons par une présentation des méthodes classiques
d’identification paramétrique. Puis nous discutions l’identification numérique, puis nous traitons le cadre
théorique de la méthode N4SID. Nous terminons ce chapitre par présentations des modèles développés ainsi
que les résultats obtenus et une explication des fonctionnalités de la plateforme de prédiction.

2. Modélisation et Identification du climat

La modélisation du climat consiste à établir un model représentatif des phénomènes physiques qui
caractérisent l’évolution d’un ou plusieurs paramètres climatiques. Nous distinguons les modèles de
comportement et les model boite noire.

Un modèle de comportement est un modèle établi par les physiciens en se basant sur les lois de la physique
pour but de simulation d’un comportement bien défini. Le model obtenu est défini par un nombre de
variables d’entrées/ sorties et des relations mathématiques entre l’ensemble des variables mis en jeu. Un
modèle boite noire comme son nom l’indique il est basé seulement sur des mesures collectées en une
période donnée, aucune connaissance des lois de la physique n’est nécessaire.

Identifier un système consiste à trouver les paramètres du model représentatif du comportement statique et
dynamique du système Object de la modélisation. Ce modèle, issu d’une étude physique exploitant des lois
connus (modèle de connaissance) ou d’une étude expérimentale exploitant la réponse à des instants connus,
sera plus ou moins précis, complet, réaliste, simplifié.

3. Identification paramétrique

On expliquera ici quelques méthodes expérimentales simples à mettre en œuvre :

1. Modèle de BROIDA 
Il s’agit d’un 1er ordre avec du retard pur selon la fonction de transfert :
K 0.e τp

F ( p )=
( 1+Tp )
 Figure 35 : modèle de Broida

Avec t1 : temps mis pour atteindre 28% de la valeur finale.

Et t2 : temps mis pour atteindre 40% de la valeur finale.

On a les relations :

τ =2.8 t 1−1,8 t 2 etT =5,5 ( t 2−t 1 )

Le but est de déterminer un modèle sous la forme d’une fonction de transfert de l’ensemble actionneur-
processus-transmetteur.

2. Modèle de STREJC 
On suppose que le système peut être approché à la fonction de transfert :
K 0. e
τp

F ( p )= n
( 1+Tp )

L’exploitation du relevé de la réponse indicielle se fait de la façon suivante :

On trace la tangente au point d’inflexion : les intersections avec les horizontales passant par la valeur
initiale et la valeur finale donnent le 1er point et le deuxième point.

Figure 36 : modèle de Strejc

On mesure T1 et T2
En fonction de T1/T2 et du tableau 1 on détermine l’ordre n du système
On fonction de n du tableau 2 on détermine T2/T et donc T

n T2/T
2 2,718
3 3,694
4 4,463
5 5,119
6 5,699
7 6,226
 Strejc : tableau 1 Strejc : tableau 2

3. Modèle de CALDWELL 
Si m > 1, le système comporte des pôles réels être assimilé à deux 1ers ordres en cascade :

K0
F ( p )=
( 1+T 1 p ) ( 1+T 2 p )
Il s’agit de déterminer les constantes de temps T1 et T2 :

Figure 37 : modèle de CALDWELL

On exploite la propriété suivante : un tel système atteint 74% de sa valeur finale pour :

t 0=1.32 . ( T 1+T 2 )

On en déduit dans un premier temps la somme T1+T2. (1)

On cherche alors quelle est la valeur de la sortie S(t1) au temps :

S(t1) sera exprimé en % de la valeur finale ∆ S

T2
La courbe ci-dessous donne enfin le rapport x= en fonction de S(t1) (2)
T2

Les relations 1 et 2 donneront T1 et T2 cherchés

4. Identification numérique 

L’identification des paramètres d’un modèle discret sert à établir un modèle de la fonction de transfert
échantillonnée F(z). On peut l’obtenir :
En identifiant le modèle continu F(p), puis on calcule F(z), pour une période d’échantillonnage donnée, en
tenant compte de l’échantillonneur-bloqueur. Voir la partie à chaque X, pour les méthodes d’identification
expérimentale des systèmes continus :

( Z−1 )
t 1=F ( p )=¿ F ( z ) = 0.5 . ( T 1+T 2 )
Z
En calculant directement les coefficients de F(z) à partir du traitement d’un certain nombre d’échantillons
d’entrée et de sortie mesurés. Les coefficients dépendant évidemment de la période d’échantillonnage
choisie. C’est une méthode d’identification paramétrique.

Principe de calcule :

La FT est représentée par une fraction rationnelle de deux polynômes :

m
bm z +…+ b1 z +b 0 S(z)
F ( z )= n
=
z + …+a1 z+ a0 E(z)

On en déduit l’équation de récurrence :

s ( k ) =−an−1 s ( k−1 )−…−a0 s ( k−1 ) +b m e ( k−n+m )+ …+b 0 e ( k−n )

Pour un système physique, le degré du numérateur est inférieur au degré du dénominateur : m<n. il faut
déterminer N=m+n coefficients et donc il faut effectuer m+n mesures que ranger sous forme matricielle.

1. Estimation au sens des moindres carres 

L’identification qui basée sur le nombre minimum de mesures qui permet de trouver les m+n coefficient de
la fonction de transfert. Le résultat est en générale est assez décevant compte tenu de la qualité des mesures
en milieu industriel. Pour améliorer la fiabilité de l’identification ou peut :

1) Filtrer les mesures

2) Calculer les paramètres avec plusieurs jeux de mesures et faire une moyenne.
3) Exploiter un plus nombre de mesures
Si on utilise N > m+n, la F n’est plus carrée est donc n’est plus inversible ! le nombre d’équation est
supérieur au nombre d’inconnus : le problème est dit surdéterminé.

On peut trouver une solution approchée au système d’équation à partir d’un critère de minimisation
quadratique des erreurs. Alors les coefficients sont donnés par :
 −1
θ=( F ∗F ) ∗F ∗S
t t

−1
F Signifie-le transposée de F

2. Méthodes récursives
La méthode exposée plus haut nécessite d’inverser des matrices de grande dimension : elle sera réservée à
l’identification « hors ligne » et tous calcule confiés à un logiciel tournant sur une machine adéquate (Matlab
par exemple).

Des méthodes récursives ont été mises au point qui évitent ces difficultés :

 Exploitation du minimum de mesures (N=m+n)

 Traitement répété en prenant en compte de nouvelles mesures.
 Formulation évitent l’inversion de matrices.
Des méthodes récursives sont souvent exploitées en temps réel sur le même processeur qui assure la
commande et sont bien adaptés à des calculs automatiques de correcteurs.

On établit une équation de récurrence qui permet de calculer l’évolution du vecteur des paramètres au fur et
à mesure de l’accumulation des mesures. Si l’estimation est consistante, elle conduira à une valeur finale
stable.
−1
θ ( k +1 ) =θ ( k ) + A ( k +1 ) . f ( k ) ϵ ( k +1 )

La matrice A est une matrice de pondération qui permet de faire converger l’algorithme d’estimation
récursive.
−1
A (k ). f ( k ). f ( k ). A (k )
A ( k +1 ) =
1+ f ( k ) . A ( k ) . f −1 ( k )

La mise en œuvre de l’algorithme nécessite une initialisation, toujours délicate, du vecteur θ ( 0 ) et de la

matrice de gain A(0). Une stabilisation rapide invite à choisir pour θ ( 0 ) des valeurs pas trop éloignées des
valeurs réelles si possibles et pour A(0) des gains relativement élevés. Attention cependant : des valeurs
excessives pour A(0) peuvent donner une oscillation voire une « explosion » de l’algorithme.
L’identification est un art difficile et nécessite une longue pratique.

3. Méthode N4SID-VAR pour l'identification de systèmes multivariables à

temps linéaire discret

L’identification de systèmes est le processus de recherche d'un modèle mathématique qui peut prédire avec
précision le comportement d'un système dynamique. Les systèmes dynamiques invariants dans le temps font
l'objet de nombreuses recherches et activités en matière d'identification de systèmes. Cependant, il existe
d'innombrables systèmes multivariables dans la nature qui présentent des caractéristiques non linéaires et
variables dans le temps. Les systèmes variables dans le temps peuvent être modélisés par des systèmes
linéaires invariants dans le temps pour résoudre ce dernier problème, en supposant que ces systèmes varient
lentement.

L'identification de systèmes linéaires discrets invariants dans le temps à plusieurs variables est un sujet
difficile depuis deux décennies, et les approches basées sur le sous-espace ont reçu beaucoup d'attention. La
plus appréciée de ces techniques est la N4SID. Cette approche sert de base mathématique à l'algèbre
matricielle linéaire

N4SID est un outil numérique développé par « mat Works », il permet de déterminer un modèle discret
d’entrées/sorties d’un système à modéliser à travers des mesures collectées en une durée bien déterminé.

Le point fort de l’outil N4SID c’est qu’il détermine les paramètres d’un modèle ainsi que son ordre c'est-à-
dire les matrices d’état A, B, C, D et l’ordre n du modèle, ainsi que l’état initiale X0. Il est aussi utilisé pour
le développement d’un observateur d’état qui permet d’estimer l’état futur du système en se basant sur les
états précédents et les mesures instantanées. L’utilisation de la méthode N4SID pour le développement de
l’observateur consiste à modéliser un système ou la sortie est inaccessible ou bien non mesurable, par
exemple le VPD (Vapor Pressure Deficit) c’est un paramètre non mesurable par aucun type de capteur dans
ce cas le développement d’un observateur d’état est nécessaire pour prédire les valeurs futures du VPD.

La modélisation du climat est un champ très vague ou plusieurs considérations s’imposent :

 Non linéarité
 Non stationnaire
 Fortement dynamique
 Couplé (chaque variable dépend à plusieurs autres variables)
 A caractère aléatoire (en amplitude et en fréquence d’apparition)
Les paramètres climatiques sont naturellement non linéaires. Ils sont représentés par des fonctions non
linéaires en fonction de toutes les autres variables. En fait des représentations non linéaires sont disponibles
en littérature permettant une simulation efficace du comportement climatique d’une zone à modéliser. Mais
leur utilisation est très réduite. Le problème des modèles de comportement réside dans la complexité de
leurs formulations mathématiques. Ainsi le modèle de comportement obtenu dépend des variables qui sont
mal ou peu connus. La réponse d’un modèle représentatif du climat en un instant donnée suite à un vecteur
d’entrée donnée n’est pas la même si le même vecteur est appliqué en instant diffèrent ceci est due à la non
stationnarité du système climatique. La variation des paramètres climatique n’est pas quantifié en fait le
système varie rapidement avec le temps. Le système climatique est tellement couplé, une augmentation en
température implique une diminution en hygrométrie est inversement d’où la complexité de traiter un tel
type de système. Une simple analyse des mesures collectées sur site nous distinguons un caractère aléatoire
des phénomènes objet de la modélisation. A titre d’exemple la vitesse de vent en un instant ne se répète
jamais en même instant d’une autre journée. Le climat est non répétitif, il est géré en globalité par
l’aléatoire. Donc la modélisation du climat est l’art de représenter l’aléatoire par des modèles à paramètres
relativement connus. À noter que malgré la non-linéarité du système à modéliser la N4SID est capable
d’estimer les phénomènes non-linéaires et offre aussi la possibilité de construction d’observateur d’état à
estimer, plus que ça les modèles non-linéaires sont basés sur la physique et nécessitent un fondement
théorique solide.

En réalisation du projet de modélisation du climat de la région Rabat nous avons posé la simplicité des
formulations mathématiques comme objectif majeur, permettant de simplifier et de soulager le calculateur
numérique et par conséquent une rapidité de la station de mesure. « Math Works » offre le modèle N4SID
parfaitement adapté aux exigences que nous avons posées qui se résume en la modélisation précise du climat
en minimum de puissance de calcul.

4. Choix des paramètres 

La modélisation du climat de la région rabat se fait en deux étapes, la première consiste à définir la structure
à adopter ou bien la définition des variables d’entrée à tenir compte en modélisation. La deuxième est
l’application d’un algorithme d’identification qui permet de déterminer les paramètres du modèle prédéfini
précédemment. Après collection des mesures issues de la station pendant une semaine. Une étude statistique
et analyse rigoureuse de la dépendance qui existe entre la globalité du système. Ainsi en consultant des
travaux de recherches similaires nous arrivons à la synthèse suivante.

I. Pourquoi les entrés et les sorties

 Le rayonnement en une journée ne dépond que du rayonnement en les deux journées précédentes, en
entrée du modèle de rayonnement aucune autre variable n’intervienne car le rayonnement est la
source de l’effet de serre qu’est le responsable du réchauffement planétaire et la déshumidification de
l’air.
 La température et l’humidité sont couplées, d’une part la variation de chacun influence l’autre,
d’autre part la variation des deux paramètres déponds de tous les autres paramètres mesurables. En
une journée nous utilisons tous les mesures collectées par la station pour prédire la température et
l’hygrométrie en la journée suivante.
 Le comportement de la vitesse de vent et de la pression est similaire au celui du rayonnement, ils
sont traités de même manière.

II. Schéma block : choix des entres et sorties

A la base de l’étude ci-dessus nous arrivons aux modèles suivants :

Le modèle de rayonnement

L’estimation du rayonnement en une journée ne dépond que du rayonnement en les deux journées
précédentes :

Rayonnement Rayonnement
mesuré en deux Modèle du rayonnement estimé en la
journées journée 3

Le modèle de vitesse de vent 

 L’estimation de la vitesse de vent en une journée ne dépond que de la vitesse de vent en les deux journées
précédentes :

Vitesse de vent
Vitesse de vent
mesurée en deux Modèle de vitesse de vent estimée en la
journées journée 3

Le modèle de la pression 

L’estimation de la pression en une journée ne dépond que de la pression en les deux journées précédentes :

Pression estimée
Pression mesurée en la journée 3
En deux journées Modèle de la pression

Le modèle de la température et l’humidité 

L’estimation de ces deux paramètres dépond de tous les autres paramètres mesurables en deux journées
précédentes.

Tous les Pression estimée

paramètres Modèle de la température et en la journée 3
mesurés l’humidité 
En deux journées Température estimée en
la journée 3

III. Syntaxe :
 La décomposition des donnes en journées séparées

for k=1:1440
TE(k)=Te(k);
HE(k)=He(k);
RG(k)=Rg(k);
VV(k)=Vv(k);
PR(k)=Pr(k);
PV(k)=Pv(k) ;
TEL(k)=Te(k+1440);
HEL(k)=He(k+1440);
TELL(k)=Te(k+2880);
HELL(k)=He(k+2880);
RGLL(k)=Rg(k+2880);
VVLL(k)=Vv(k+2880);
PRL(k)=Pr(k+1440);
RGL(k)=Rg(k+1440);
VVL(k)=Vv(k+1440);
PRLL(k)=Pr(k+2880);

 TE(k)=Te(k) : les donnes de la 1ère journée

  TEL(k)=Te(k+1440) : les donnes de la 2eme journée
 TELL(k)=Te(k+2880) : les donnes de la 3eme journée

 Détermination les entrés et les sorties

Yy=[TELL' HELL'] ;
Uu=[TE' HE' RG' VV' TEL' HEL' RGL' VVL' ];
data = iddata(Yy,Uu,1)

Uu : c’est le vecteur d’entré dont lequel en charge les donnes de la 1ère journée et de la 2eme journée.
Yy : le vecteur de sortie à estimer, c’est les mesures collectées en 3eme journée.

data = iddata(Yy,Uu,1) : instruction de N4SID pour charger data avec les vecteur d’entrée et de sortie, le
1 c’est la période échantillonnage.

 Création du modèle

sys=n4sid(data,'best');
[SYS, X0] = n4sid(data,'best')
[A,B,C,D,] = ssdata(sys);
compare(data,sys)

sys=n4sid(data,best)  :permet d’estimer un modèle d'état à temps discret,

sys d'ordre best (le meilleur ordre proposé par le système d’identification)
X0 : c’est l’état initiale, et c’est vecteur contient trois éléments.

[A,B,C,D,]=ssdata(sys) : extraction des matrice du modèle d’état

Compare (data,sys) : instruction qui permet de comparer ce qui mesurer avec ce qui est estimé.

 Présentation du modèle sous forme d’espace d’état

x(k+1)=Ax(k)+B u(k)
y(k)=cx(k)+D u(k)

x(t)=Ax(t)+Bu(t)

y(t)=Cx(t)+Du(t)

A, B, C, et D sont des matrices d'espace d'état. u(t) est l'entrée, y(t) est la sortie.

Par défaut, chaque entrée dans A, B, C et K est un paramètre estimable

for
k=1:1440 libre. D est fixé à zéro par défaut pour les systèmes dynamiques,
u=[TE(k) HE(k) RG(k)
VV(k) TEL(k) HEL(k) indiquant qu'il n'y a pas de feedthrough. D est un paramètre estimable
RGL(k) VVL(k)]';
x=A*x+B*u; par défaut pour les systèmes statiques.
y=C*x+D*u;
Tiest(k)=y(1,1);  Prédiction et visualisation des résultats estimés :
Hiest(k)=y(2,1);
end
n=1:1440;
figure(1)
plot(n,Tiest(n),n,TELL(n))
figure(2)
plot(n,Hiest(n),n,HELL(n))
 5. Application de N4SID pour l’identification des modèles d’état

L’application de la méthode N4SID nous a permis d’arriver aux paramètres des modèles comme suit :

Pour le rayonnement

A=

B=

C=

D=

Pour la vitesse de vent

A=

B=

C=

D=

Pour la pression

A=

B=

C=
D=

Pour la température et l’humidité

A=

B=

C=

D=

6. Validation de modèle

Pour valider les modèles obtenus nous présentons en ce qui suit la juxtaposition des résultats mesurés ainsi
que celle estimées.
1. Prédiction de la température 

Figure 38 : Résultat de la température estimée avec mesurée

2. Prédiction de l’humidité
Figure 39 : Résultat de l’humidité estimé avec mesuré
3. Prédiction de rayonnement

Figure 40 : Résultat de rayonnement estimé avec mesuré

4. Prédiction de la vitesse du vent

Figure 41 : Résultat de la vitesse du vent estimée avec mesurée

 5. Prédiction de la pression

Figure 42 : Résultat de la pression estimée avec mesurée

Il est clair qu’ils sont parfaitement confondus, d’où la validité des modèles obtenus à représenter le climat de
la région rabat. Pour renforcer notre validation, en plus de la comparaison visuelle en ce qui suit nous
présentant les erreurs de modélisation obtenue, en fait c’est un critère mathématique d’erreur quadratique
entres les mesures et les valeurs estimées.

6. Supervision en temps réel du climat de la région rabat par station météo

Les interfaces graphiques sont des outils développés par des spécialiste en domaine spécifique pour
l’approcher et mettre en main à des utilisateurs non spécialiste ou à connaissances réduit en le domaine objet
de l’interface. Récemment un intérêt remarquable est dédié à la conception des interfaces graphiques, dont le
but est de faciliter l’utilisation des outils logiciels complexes à manipuler par un non spécialiste. Des outils
graphiques en été développé touchant plusieurs disciplines scientifiques à savoir la modélisation, la
commande avancée, le traitement du signal. En cette section nous utilisons l’outil graphique de mathworks
pour la supervision en temps réel du climat caractéristique de la région rabat.

Avant de tracer l’ossature est les grandes lignes de la plateforme nous avons consulté un groupe
d’utilisateurs pour en définir en détail le besoin et les fonctionnalités à introduire en notre système de
supervision. Deux objectifs sont visés par la plateforme ci-dessous :

 A accès totale à des mesures collectées par la station de mesure

  Une prédiction et visualisation en un clic du climat de la région rabat

Figure 43 : simulation de la station météo sur Matlab en temps réel

La plateforme est composée d’une zone sous forme de menu, permettant aux utilisateurs d’élaborer des
commandes en cliquant sur des boutons interactifs, une zone pour visualiser les mesures et les prédictions
demandées, une troisième zone est dédiée à la prévision instantanée pour pouvoir déterminer la prévision
météorologique en précision allant à des secondes.

Pour se connecter à la station de mesure météorologique il suffit d’accéder directement à notre donnée
météorologique enregistrée sur la plateforme, par la clé privée du canal (Channel ID). (1)

On peut aussi visualiser nos données en temps réel (2) identique à la plateforme ThingSpeak :

 L’humidité
 La température
 Vitesse du vent
 La direction du vent
 La pression
 La radiation solaire

L’interface graphique a été conçu de façon à être très simple à l’utiliser, elle offre la possibilité de
visualisation des données sous forme de courbes, pour les se faires tout d’abord il faut charger les données
via le Cloud, puis choisir la variable souhaitée et enfin le lancement la prédiction (3).
En (4) il est possible de visualiser la courbe des données mesurés ou estimé selon le choix de l’utilisateur
Figure 44 : visualisation la prédiction et l’historique des variables

7. Conclusion :

Conformément à l’objectif posé pour ce chapitre, nous sommes arrivés à réaliser une plateforme à la fois
simple à manipuler, facile à en profiter par des utilisateurs sans aucune connaissance en techniques et outil
de modélisation. Nous avons réussi à travers la plateforme développée à briser la barrière entre la
modélisation comme étant une théorie mathématique pure et le simple utilisateur. En cet outil graphique
nous avons combiné le fondement théorique solide des systèmes d’identification avec la simplicité énorme
des outils graphiques. En un simple clic par un utilisateur, il peut prévoir en détail l’état future du climat de
la région rabat. Grace au système Cloud d’enregistrement des donnée, la plateforme de prédiction est
totalement connectée, accessible en n’importe quel emplacement dans le monde entier, la seule exigence
pour l’utilisateur est d’avoir un ordinateur connecté. Après réalisation et finalisation de la plateforme nous
avons donné accès à un groupe de personne sans aucune connaissance technologique particulière, puis nous
avons pu conclure que :

 La plateforme a fonctionné correctement sans aucun problème d’accès en même temps par plusieurs
utilisateurs distants.
 En faible débit d’internet et en conditions climatique destructive, le système à était à jours, les
données sont bien transmises et la prédiction a était réalisé.
 Les utilisateurs ont remarqué le caractère motivant de la plateforme, ainsi aucune question n’a été
posée sur sa manipulation.
 Aucune donnée n’a été perdue en toute la durée de mise en test de notre système.
De toutes ces remarques nous pouvons conclure que la plateforme développée est par excellence une
solution industrielle innovante bien validée à remplacer les systèmes actuels, à prix élevé et à manipulation
assez fastidieuse. Ainsi c’est une solution technologique à la fois robuste, simple, et moins chère. Elle peut
intégrer des structures de recherche en météorologie, des industries agricoles ou même l’utilisation
domestiques en des maisons connectée. Elle a prouvé son adaptation à fonctionner en des champs
pluridisciplinaires. Comme perspective de ce travail nous avons la curiosité d’en tester les algorithmes de
réseaux de neurones pour la prédiction du climat de la région rabat.

Conclusion générale
Dans ce projet, nous avons créé une station météorologique spécifique pour les applications impliquant
des sources d'énergie renouvelables. Cette station utilise une variété de capteurs, dont ceux de température,
d'humidité, de pluviomètre réalisé, de rayonnement solaire, de pression, de direction du vent, et de capteur
de vitesse du vent, qui sont tous implémentés sur une carte électronique avec une unité de traitement basée
sur Arduino qui est connectée à la carte ESP par un module NRF de radiofréquence. Nous avons également
faire la conception d’un système intelligent de prédiction de l’évolution des paramètres climatiques qui
caractérisent la région rabat. Nous sommes arrivés aussi à réaliser une plateforme à la fois simple à
manipuler, facile à en profiter par des utilisateurs sans aucune connaissance en techniques et outil de
modélisation.

En ce projet nous avons pu combiner une partie conception électronique, une partie modélisation
mathématique, et une partie traitement informatique des données. Cette combinaison nous a permis à la
réalisation complète du cahier charge proposé. Le choix des capteurs était bien réussi tenant compte qu’ils
ont fonctionné parfaitement en des conditions climatiques destructives. Nous remarquons aussi que le
système électronique d’acquisition et de traitement de donné n’a présenté aucune sensibilité au bruit. Bien
que la station est disposée en un espace domestique présentant un bruit électromagnétique significatif. La
robustesse de la partie matérielle est justifiée par sa canalisation de donnée sans perte d’aucun bit ceci en
conditions climatiques pénibles. En plein ensoleillement, en forte humidité de l’air et en vitesse de vent
importante on a pu mesurer et transmettre les paramètres climatiques de la région rabat avec efficacité,
précision et rapidité de la transmission.

En la partie modélisation, parmi plusieurs stratégies de modélisation qu’on a confronté en littérature. Le

choix était la méthode N4SID, malgré la base théorique solide qu’elle nécessite, le toolbox d’identification
paramétrique de mathworks nous permis d’en sortir de ce problème. Le prédicteur qu’on a construit ainsi
que la structure des modèles choisi a réussi à offrir un prédicteur optimal capable de prédire le climat futur
de la région rabat sur un horizon de 24 heures en utilisant des mesures de 48h. Le système est modélisé
correctement et les erreurs de modélisation étaient très réduites.

Dans la partie homme machine la plateforme météorologique était facile à manipuler. En clic tout le
processus de mesure et de modélisation tourne de manière rapide en une puissance de calcul minimal le
résultat de prévision s’affiche de manière instantanée. Cette rapidité de fonctionnement est atteinte grâce à la
formulation des modèles que nous avons proposés. Dont toute une formulation mathématique a été
transformé en des modèles d’état simple à fonctionner avec l’outil graphique développé. Cet outil graphique
à était renforcée par un système de stockage de donnée sur Cloud donnant à l’utilisateur une large gamme de
fonctionnalité tel que : étude statistique et traitement de donnée. En utilisant thingspeak la plateforme donne
l’accès en n’importe quel emplacement, ou une seule exigence est demandée à l’utilisateur qu’est d’avoir un
ordinateur connecté.

Comme perspective de e travail nous avons la curiosité d’appliquer les méthodes heuristiques de prédiction
pour élargir l’horizon de prédiction de 24h à plusieurs jours. En la partie plateforme la réalisation d’une
version adaptée à Android ou IOS peut énormément aider à sa commercialisation en tant qu’une solution
technologique pluridisciplinaire

REFERENCES BIBLIOGRAPHIQUES

[1] Vincent Luyet « Stations météo », Rapport, Février 2010.

[2] http://www.meteofrance.fr/nous-connaitre/decouvrir-la-meteorologie/notre-histoire (11/02/2019)

[3] F.Nour Elhouda ,R.Nadjlaa « Réalisation d’une station météo connectée», Mémoire de Master,
Université de Aboubakerbelkaid, Telmcen, 2019.

[4] : http://www.espacearchitectesetimmobiliers.com/les-trois-fonctions-dune-station-meteo/ (11/02/2019)

[5] : Z. Huothi, “Resaux inteligent de distribution delectricite smart grid’’, Thèse de MASTER , Université
de telemcen , 2012.

[6] : M.Zellagui « ÉTUDE DES PROTECTIONS DES RÉSEAUX ÉLECTRIQUES MT (30 & 10 kV)
»,mémoire de magister en électrotechnique, Université Mentouri Constantine,2010.

[7] A.Abdelbaki & D.Belkhiri& Y.Lahouassa “Calcul de courant de court-circuit dans les réseaux
électriques’’, Mémoire d’ingéniorat de l’université de M’sila, Département d’Electronique, 2012.

[8] R. Missaoui Badreddine. “Gestion Energétique optimisée pour un bâtiment intelligent multi-sources
multichargés : dierents principes de validations”. Electric power. Universite de Grenoble, 2012. French.
 ANNEXE

Annexe A : le programme du modèle prédictif N4SID

% dans ce 2 -ème prog on adapte l’algorithme au météo
clear all; close
% onall;
utilise data (lundi mardi) pour predire mercredi
load oussamadata
% MODEL DE RG
YG=[RGLL'] ;
% MODELISATIONUG=[
N4SID
RG' RGL'];
% NOUS COMMANCONS
data PAR LA DECOMPOSITION DES DONNEES EN JOURNEE SEPAREE
= iddata(YG,UG,1)
for k=1:1440
TE(k)=Te(k);
HE(k)=He(k);
sys=n4sid(data,'best');
RG(k)=Rg(k);
[SYS, Xg0] = n4sid(data,'best')
VV(k)=Vv(k);
[Ag,Bg,Cg,Dg,] = ssdata(sys);
PR(k)=Pr(k);
compare(data,sys)
PV(k)=Pv(k);
TEL(k)=Te(k+1440);
% maintenant on presente notre model sous forme espace d'etat
HEL(k)=He(k+1440);
% x(k+1)=Ax(k)+B u(k)
TELL(k)=Te(k+2880); u cest tout les entree
% y(k)=cx(k)+D
HELL(k)=He(k+2880); u(k)
x=Xg0;
RGLL(k)=Rg(k+2880);
VVLL(k)=Vv(k+2880);
PRL(k)=Pr(k+1440);
for k=1:1440
RGL(k)=Rg(k+1440);
u=[RG(k) RGL(k)]';
VVL(k)=Vv(k+1440);
x=Ag*x+Bg*u;
PRLL(k)=Pr(k+2880);
y=Cg*x+Dg*u;
End Grest(k)=y(1,1);

% plot(TE) End
% plot(HE)
% plot(RG) n=1:1440;
% plot(VV) figure(3)
Yy=[TELL' HELL'] ;
plot(n,Grest(n),n,RGLL(n))
Uu=[TE' HE' RG' VV' TEL' HEL' RGL' VVL' ];
data = iddata(Yy,Uu,1)
% model de Vv(vitesse de vent)

sys=n4sid(data,'best');
YV=[VVLL'] ;
[SYS, X0] = n4sid(data,'best')
UV=[ VV' VVL'];
[A,B,C,D,] = ssdata(sys);
data = iddata(YV,UV,1)
compare(data,sys)

% maintenant on présente notre model sous forme espace d'état

sys=n4sid(data,'best');
% x(k+1)=Ax(k)+B u(k) u c'est tous les entrées
% y(k)=cx(k)+D[SYS,
u(k) XV0] = n4sid(data,'best')
x=X0; [AV,BV,CV,DV,] = ssdata(sys);
compare(data,sys)
for k=1:1440
x=XV0;RG(k) VV(k) TEL(k) HEL(k) RGL(k) VVL(k)]';
u=[TE(k) HE(k)
x=A*x+B*u;
y=C*x+D*u;for k=1:1440
u=[VV(k) VVL(k)]';
Tiest(k)=y(1,1);
x=AV*x+BV*u;
Hiest(k)=y(2,1);
End y=CV*x+DV*u;
VVest(k)=y(1,1);
n=1:1440;
figure(1) End
plot(n,Tiest(n),n,TELL(n))
figure(2) n=1:1440;
plot(n,Hiest(n),n,HELL(n))
figure(4)
plot(n,VVest(n),n,VVLL(n))
% model de pr ( pression)
YP=[PRLL'] ;
UP=[ PR' PRL'];
data = iddata(YP,UP,1)

sys=n4sid(data,'best');
[SYS, XP0] = n4sid(data,'best')
[AP,BP,CP,DP,] = ssdata(sys);
compare(data,sys)

x=XP0;

for k=1:1440
u=[PR(k) PRL(k)]';
x=AP*x+BP*u;
y=CP*x+DP*u;
PRest(k)=y(1,1);

End

n=1:1440;
figure(5)
plot(n,PRest(n),n,PRLL(n))