Académique Documents
Professionnel Documents
Culture Documents
Université d’Abomey-Calavi
Thèse de Doctorat
Présentée pour l’obtention du grade de
Présentée par :
DIDAVI Kossoko Babatoundé Audace
Master Professionnel en Automatismes Industriels & Master de Recherche en Génie Electrique
Directeur de thèse : M. Bienvenu Macaire AGBOMAHENA Maître de Conférences Université d’Abomey-Calavi (Bénin)
Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
B Présentation des outils logiciels de mise en œuvre des méthodes d’IA . . 269
A mes parents.
The aim of the present research work is to propose a technique for forecasting
the variability of the power output of a photovoltaic and/or wind generator instal-
led at any geographical point within a very large geographical area. The forecasting
technique combines a clustering model (k-means), a feature extraction model (Fast
Fourier Transform), time series forecasting models (Convolutional Neural Network
and Long Short-Term Memory) and mathematical models for photovoltaic and wind
power estimation. The study begins by identifying irradiance, temperature and wind
speed as meteorological parameters influencing PV and wind power output. Once
the study area has been defined, it is gridded and sampled. Data on the influen-
cing parameters are then collected from the NASA database for all samples over the
study period from January 1, 2012 to December 31, 2021. For each influence para-
meter, the samples are then grouped by similarity at 90% with the k-means model.
This leads to the formation of clusters in which irradiances, temperatures and wind
speeds vary at least 90% identically. From these clusters, the study area is split into
sub-areas in which all parameters vary identically. These sub-zones are then charac-
terized by identifying the systems that can be installed (PV, Wind, PV-Wind) and
the periods in which they would produce optimally. Models are then developed to
forecast the power output of the characteristic systems for 24h, 48h and 72h hori-
zons, by forecasting future changes in meteorological parameters and then estimating
the power output using mathematical models. Application of the technique to the
Beninese territory has resulted in 207 sub-zones for which forecasting models have
been developed. Experimental validation and a comparative study of the CNN and
LSTM models showed that the LSTM performed better overall. All these results led
to the development of a tool able to optimally forecast the power output of a suitable
system installed at any geographical point in Benin.
Keywords : Indirect forecasting - PV power - Wind power - Punctual - Regional
- K-means - FFT - CNN - LSTM - Experimental validation
3.43 Situations géographiques des échantillons des sous-zones 15, 68, 88 et 92174
3.44 Période maximale de production optimale eolienne . . . . . . . . . . . 174
3.45 Situations géographiques des échantillons des sous-zones 39, 40 et 42 . 175
3.46 Situations géographiques des échantillons des sous-zones 67, 68 et 70 . 176
3.47 Période maximale de production optimale PV . . . . . . . . . . . . . 176
3.48 Transformations de Fourier Rapide de l’irradiation, de la température
et de la vitesse du vent . . . . . . . . . . . . . . . . . . . . . . . . . . 178
3.49 Capture du dataset d’irradiation . . . . . . . . . . . . . . . . . . . . . 179
3.50 Capture du dataset de température . . . . . . . . . . . . . . . . . . . 179
3.51 Capture du dataset de vitesse du vent . . . . . . . . . . . . . . . . . . 180
3.52 Résultats de Test des performances de prévision de l’irradiation du
modèle TFR-LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
3.53 Résultats de Test des performances de prévision de la température du
modèle TFR-LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
3.54 Résultats de Test des performances de prévision des composantes Wx
et Wy de la vitesse du vent du modèle TFR-LSTM . . . . . . . . . . 187
3.55 Directions du vent prévues et réelles . . . . . . . . . . . . . . . . . . . 188
3.56 Vitesses du vent prévues et réelles . . . . . . . . . . . . . . . . . . . . 189
3.57 Courbe de puissance de l’aérogénérateur NE-200s . . . . . . . . . . . 190
3.58 Puissances éoliennes estimées . . . . . . . . . . . . . . . . . . . . . . 191
3.59 Irradiations prévues sur plans horizontal et incliné . . . . . . . . . . . 192
3.60 Puissances estimées et irradiations prévues sur plan incliné . . . . . . 193
3.61 Puissances estimées et températures prévues . . . . . . . . . . . . . . 193
3.62 Irradiations mesurées et filtrées . . . . . . . . . . . . . . . . . . . . . 194
3.63 Températures mesurées et filtrées . . . . . . . . . . . . . . . . . . . . 194
3.64 Puissances PV mesurées et filtrées . . . . . . . . . . . . . . . . . . . . 195
3.65 Vitesses de vent mesurées et filtrées . . . . . . . . . . . . . . . . . . . 195
3.66 Puissances électriques mesurées et filtrées en sortie du NE-200S . . . 196
3.67 Irradiations prévues et mesurées . . . . . . . . . . . . . . . . . . . . . 196
3.68 Températures prévues et mesurées . . . . . . . . . . . . . . . . . . . . 197
3.69 Puissances prévues et mesurées . . . . . . . . . . . . . . . . . . . . . 197
3.70 Paramètres Wx prévus et réels (Cas 1) . . . . . . . . . . . . . . . . . 198
3.71 Paramètres Wy prévus et réels (Cas 1) . . . . . . . . . . . . . . . . . 199
3.72 Vitesses de vent prévues et réelles (Cas 1) . . . . . . . . . . . . . . . 200
3.73 Puissances prévues et réelles en sortie de l’éolienne (Cas 1) . . . . . . 200
3.74 Paramètres Wx prévus et réels (Cas 2) . . . . . . . . . . . . . . . . . 201
% vivent en zone rurale n’a donc pas accès à l’électricité (statistiques de 2021) [4, 5].
De plus en 2021, la capacité de production nette maximale des centrales électriques
et autres installations qui utilisent des sources d’énergie renouvelables pour produire
de l’électricité en Afrique ne représentait que 2% du total mondial (55 863 MW).
Pourquoi donc ce paradoxe ?
En effet l’intégration de Sources d’Energies Renouvelables (SER) présente certes
de nombreux avantages tels que :
Toutefois, il convient de noter que les sources d’énergie renouvelables ne sont pas
toujours la meilleure solution pour fournir des quantités supplémentaires d’électri-
cité et que leur acheminement vers le réseau électrique présente certaines lacunes et
difficultés :
• elles dépendent du temps et de l’espace : c’est principalement en raison de leurs
caractéristiques naturelles que les sources renouvelables dépendent entièrement
qui successivement observant une suite d’évènements, prédit l’approche d’un phé-
nomène naturel, ne pouvons-nous pas disposer de systèmes intelligents capables, à
l’image d’un humain d’anticiper sur les variations des puissances de sortie de ces
systèmes ? Telles sont autant de questions auxquelles nous tâcherons de répondre
dans cette thèse.
Objectifs et contributions
• leur exploitation efficace passe par la maîtrise des potentialités et des variations
des conditions météorologiques dans les espaces géographiques dans lesquels les
systèmes sont installés ;
Ainsi nous nous sommes donné comme objectif principal de cette thèse de déve-
lopper un outil d’identification des périodes de production optimale et de prévision
de la variabilité de la puissance de sortie d’un système photovoltaïque et/ou éolien
installé à un point géographique quelconque situé à l’intérieur d’une très grande
zone. De façon spécifique, nous visons à :
• suivant les cas d’utilisation, prévoir pour des horizons donnés des valeurs futures
de la puissance de sortie.
• d’identifier les points géographiques pour lesquels un système pourrait avoir des
productions pareilles : ceci pourrait permettre un choix plus adéquat de site et
d’éviter de reprendre entièrement les études pour un nouveau site ;
mais aussi pour toutes les localités du Bénin, l’identification des périodes de produc-
tion optimale des générateurs PV et éolien.
Organisation de la thèse
Le plan de développement suivi dans cette thèse s’articule autour de trois cha-
pitres.
Dans le premier chapitre, nous faisons ressortir en premier lieu l’importance d’une
bonne prévision puis à travers des études bibliographique et bibliométrique, nous dé-
gageons les méthodes et modèles de prévision les plus utilisés parmi lesquels des choix
justifiés sont effectués. A travers l’étude bibliographique, les paramètres d’entrée ainsi
que les méthodes d’évaluation et de comparaison des modèles de prévision des puis-
sances photovoltaïque et éolienne sont aussi identifiées. Un attention particulière est
portée aux modèles de prévision du Deep Learning.
Dans le second chapitre, la technique de prévision développée est présentée. Pour
toutes les étapes de prévision, comportant la définition de la zone d’étude, l’acqui-
sition des données, le traitement des données, la réduction de la zone d’étude, la
caractérisation de la zone d’étude, le développement des modèles de prévision et la
validation expérimentale, les méthodologies ainsi que le matériel utilisés sont présen-
tés.
Le troisième chapitre présente les résultats d’application de la technique de pré-
vision développée au territoire béninois. Au terme de ce chapitre, le progiciel conçu
à partir de ces différents résultats est présenté.
Introduction
Dans cette section est fait un état de l’art des bienfaits d’une bonne prévision des
Sources d’Energies Renouvelables Intermittentes et Stochastiques.
La prévision de la sortie des systèmes électriques utilisant les SERIS est néces-
saire pour un bon fonctionnement du réseau électrique et pour une gestion optimale
des flux d’énergie se produisant dans les systèmes SERIS [27]. Elle est nécessaire
pour l’estimation des réserves, pour la programmation du système électrique, pour
la gestion de la congestion, pour la gestion optimale du stockage et pour les échanges
sur le marché de l’électricité [28, 29].
En raison de la forte augmentation de la production d’électricité à base de SERIS,
la prévision des productions solaires et éoliennes devient de plus en plus importante.
Une petite erreur de prévision induit deux effets négatifs : l’opérateur du réseau
peut recevoir des pénalités élevées parce que la prévision inexacte n’a pas permis
d’atteindre le profil de production prévu et l’utilisation de générateurs de secours
est plus importante pour compenser l’écart entre les productions prévue et réelle
[30, 31]. Une solution consiste à utiliser le stockage local en combinaison avec les
SERIS afin de compenser les écarts entre les prévisions et la production d’électricité
[30, 31] ou à combiner plusieurs SERIS réparties sur une grande zone de manière à
ce que les erreurs de prévision individuelles de chaque SERIS soient indépendantes
et que l’erreur de prévision globale soit réduite (effet d’agrégation) [32].
Le tableau 1.1 montre que les moyens de stockage d’énergie agissent à différents
niveaux temporels et leur gestion nécessite de connaître la puissance ou l’énergie
produite à base des SERIS à différents horizons temporels : de très court à court pour
la catégorie qualité de l’énergie à horaire ou quotidien pour les stockages d’énergie
de masse [35]. Une bonne prévision est alors utile pour la gestion du stockage : elle
permet de diminuer le montant des réserves de flexibilité [31, 36] et d’optimiser la
gestion du stockage d’énergie en anticipant les phases de charge et de décharge.
Figure 1.1 – Échelle de prévision pour la gestion de l’énergie dans un réseau élec-
trique [37, 38].
Figure 1.2 – Relation entre les horizons de prévision, les modèles de prévision et
les activités connexes [38, 41].
Que ce soit donc pour la gestion du stockage ou pour les négociations sur le marché
de l’électricité, la prévision des puissances de sorties des systèmes qui intègrent les
SERIS s’avère indispensable pour d’abord pouvoir les intégrer en grand nombre puis
pour pouvoir gérer de manière efficace le réseau. Dans la sous-section suivante, à
partir toujours de la littérature est présenté comment une bonne prévision peut faire
augmenter les bénéfices de la production à base des SERIS.
différentes, un montant qui dépasse largement leur investissement. Ces deux phrases,
à elles seules, illustrent, en quelques mots, tout l’intérêt de prévoir.
Pour GE Energy [52], l’utilisation des prévisions de production a permis de réduire
les coûts d’exploitation jusqu’à 14%, soit 5 milliards de dollars/an correspondant à
une réduction du coût d’exploitation de 12-20$/MWh de la production à base des
SERIS.
En Écosse, en 2008 [53], une enquête auprès des exploitants de parcs éoliens a
montré que seule la moitié d’entre eux prévoient leur production au jour le jour et
qu’ils perçoivent les bénéfices autour de 4,50£/MWh. La taille minimale pour justifier
les dépenses de prévision était de 100 MW mais pourra descendre rapidement à 10
MW.
Pour une pénétration des SERIS de 35%, l’utilisation d’une prévision de la pro-
duction à un jour près réduit les coûts d’exploitation annuels jusqu’à 5G$ par an, ou
12-17$ par MWh d’énergie renouvelable [47].
L’influence d’une amélioration de la fiabilité des prévisions sur le coût d’intégra-
tion a été étudiée dans de nombreux articles :
• Une amélioration de 1% de l’erreur absolue moyenne (MAE) dans une prévision
de 6 heures à l’avance a eu une influence relativement modeste avec une réduc-
tion de 972k$ sur 6 mois (0,05% du coût total du système) et une diminution
des écrêtements de l’énergie éolienne d’environ 35 GWh [54].
• Une étude similaire, réalisée sur la base du système électrique irlandais avec
une pénétration éolienne de 33% [55], a conclu qu’une amélioration de 8% à 4%
du MAE permettait d’économiser 0,5 à 1,64% des coûts totaux du système et
induisait une réduction des coupures de 9%.
• Une amélioration de 20% de la prévision du vent a doublé les économies par
rapport à une amélioration de 10% [56]. De plus, à de faibles niveaux de pé-
nétration (jusqu’à 15 %), les économies sont modestes et pour des niveaux de
pénétration plus élevés (par exemple, 24 %), les économies ne sont pas linéaires
par rapport à l’amélioration de la prévision, comme cela a également été noté
dans [56].
Pour les systèmes PV, en utilisant les données sur l’énergie solaire du National
Renewable Energy Laboratory (NREL) pour les études d’intégration, une étude si-
milaire a été réalisée en considérant 7 scénarios : (1) Pas d’énergie solaire, (2) pas
de prévision de l’énergie solaire, (3) avec prévision de l’énergie solaire, (4) amélio-
ration de 25%, (5) amélioration de 50%, (6) amélioration de 75% et (7) prévision
Ainsi il peut être retenu qu’une bonne politique de prévision permet aussi de
rentabiliser l’intégration des SERIS.
Les prévisions à long terme quant à elles conviennent pour la production, la trans-
mission et la distribution d’électricité à long terme et le rationnement de l’énergie
solaire, ainsi que pour la prise en compte des tendances saisonnières. Cependant,
ces modèles ont une précision réduite car les fluctuations météorologiques d’un ou
de quelques jours ne peuvent pas être prévues en utilisant des horizons aussi longs.
Les différents horizons temporels ajoutent de la complexité ; ainsi, une alternative
consiste à utiliser des méthodes de prévision à court terme à des horizons étendus,
c’est-à-dire des prévisions à long et moyen terme. Cependant, cela peut gravement
dégrader la précision de la prévision. Pourtant, les chercheurs [75, 76] ont développé
des modèles à moyen terme et à l’horizon d’un an pour la programmation mensuelle
du système électrique, la tarification de l’électricité et la prévision de la charge. Les
problèmes de prévision évoqués ci-dessus ont incité de nombreux chercheurs à déve-
lopper une approche de classification des horizons de prévision spécifiquement pour
les Systèmes de Production à base de Sources d’Energies Renouvelables Intermit-
tentes et Stochastiques : intra-heure, intra-journalier et jour à venir. Ces catégories
recoupent souvent les catégories à court, moyen et long terme décrites précédemment.
De nombreuses études ont porté sur les horizons de prévision, et l’on observe que
si le modèle de prévision et les autres paramètres restent constants, la précision de
la prévision varie avec la modification de l’horizon temporel [77]. Lonij et al. [78]
ont développé un modèle de prévision de la puissance PV avec un horizon temporel
de 15-90 minutes et ont conclu que la précision du modèle variait avec la longueur
de l’horizon, en gardant tous les autres facteurs constants. D’autres ont évalué des
modèles de prévision hybrides multi-échelles disparates pour l’irradiance solaire avec
différents horizons de prévision. Des horizons allant de 5 à 30 min par incréments de
5 min et de 1 à 6 h par incréments horaires ont été étudiés. Il a été constaté que,
quel que soit le type de modèle, les erreurs augmentent avec la durée de l’horizon
de prévision. En outre, il a été déduit que des échelles de temps plus courtes des
données d’apprentissage par rapport à celles des données de test n’ont pas augmenté
la précision de la prévision.
L’interaction de nombreux facteurs interdépendants affecte également la précision
des modèles de prévision. Par exemple, le mouvement des nuages affecte gravement
l’irradiation solaire et donc la prévision de la puissance PV, en particulier à l’échelle
Tableau 1.2 – Abréviations couramment utilisées pour les évaluations des perfor-
mances prévisionnelles
1 N
M AE = (1.1)
X
|yi − ti |
N i=1
s
1 N
2
RM SE = (yi − ti ) (1.2)
X
N i=1
»P
2
i=1 (yi − ti )
N
nRM SE = »P (1.3)
N 2
i=1 yi
1 N
|yi − ti |
Å ã
M AP E = × 100% (1.4)
X
N i=1 yi
1
Ç å
N
|yi − ti |
nM AP E = × 100% (1.5)
X
N 1 PN
i=1 N i=1 yi
2
i=1 (yi − ti )
PN
R =1−
2
PN 2 (1.6)
1 PN
i=1 y i − N i=1 yi
Les entrées des modèles de prévision ont une influence directe sur la précision
des prévisions ; c’est un facteur clé pour déterminer la performance du modèle. En
général, une sélection imprudente des entrées peut entraîner des erreurs de prévision
qui augmentent les délais, les coûts et la complexité de calcul. Ainsi, un faible taux
de précision pourrait apparaître sur des modèles de prévision à haute fonctionnalité
[88].
Dans la prévision directe de la production d’énergie éolienne et solaire, on utilise
les données historiques de production d’énergie recueillies dans un parc éolien ou
solaire spécifique. Près de la moitié des études incluses dans la littérature parcourue
concerne la prévision directe de la puissance. Il est à noter que dans presque 60%
de ces études, en plus des données historiques de puissance, des données météorolo-
giques, telles que la température, l’humidité, les précipitations, la pression atmosphé-
rique et la direction du vent, sont utilisées pour améliorer la précision du modèle.
D’autre part, lorsque les parcs éoliens ou solaires sont nouveaux et que les données
historiques de puissance ne sont pas disponibles, ou dans le cas où les chercheurs
veulent préparer une étude de faisabilité pour un emplacement potentiel de parc
éolien ou solaire, ils prévoient la production d’énergie indirectement en prédisant la
vitesse du vent ou le rayonnement solaire. La puissance est ensuite calculée selon des
formules spécifiques. Cette méthode indirecte est plus flexible. Par exemple, puisque
l’électricité produite dépend des spécifications de l’éolienne, telles que la hauteur du
moyeu et l’angle d’inclinaison de la pale, la prévision de la vitesse du vent peut être
ajustée en conséquence. Il est noté dans [89] que la vitesse du vent est plus facile
à prévoir que la puissance éolienne car cette dernière dépend des caractéristiques
spécifiques de l’éolienne. De plus, avec les méthodes indirectes, d’autres données mé-
Le modèle de persistance est populaire pour les prévisions à très court terme et
à court terme. Il présente un coût de calcul réduit, un faible délai et une précision
raisonnable. Cette technique adopte le concept "today equals tomorrow", en d’autres
termes, les conditions climatiques (c’est-à-dire l’irradiation solaire, la vitesse du vent)
d’un jour à venir devraient rester similaires à celles du jour précédent [98]. L’équation
du modèle de prévision utilisant cette approche est décrite comme suit [98] :
1 n−1
P (t + k|t) = P (t − i∆t) (1.7)
X
T i=0
∆A
= F (A) (1.8)
∆t
où, ∆A est le changement de la valeur de la réponse prévue à un emplacement
spatial particulier ; ∆t est le changement de temps ou d’horizon temporel ; et F (A)
représente les variables qui changent la valeur de A.
Cependant, pour la prévision de la puissance de sortie du générateur PV, le modèle
utilise des caractéristiques météorologiques particulières telles que le GHI (Global
Horizontal Irradiance), l’humidité relative, la vitesse et la direction du vent. Ainsi,
Les modèles statistiques sont plus appropriés pour les prévisions à court terme.
Ces méthodes utilisent des données historiques pour prévoir l’irradiance solaire et la
vitesse du vent. La précision de la prévision de ces modèles est inférieure à celle d’un
modèle physique, mais les besoins en calcul sont moindres. Un très haut niveau de
Dans l’analyse de régression, une ligne de tendance est ajustée aux points de
données statistiques, et la ligne est projetée dans le futur. Des équations de tendance
linéaires ou non linéaires peuvent être développées. En évaluant et en analysant
un modèle de tendance, on peut déterminer un modèle historique qui peut ensuite
être projeté dans le futur. Le modèle de régression permet également de séparer le
modèle de tendance de la série de données. Cette méthode est normalement utilisée
avec les techniques de décomposition. Dans les modèles de régression, la relation
mathématique entre deux variables ou plus est évaluée à partir d’un tracé des données
historiques [113]. L’équation du modèle de régression linéaire multivariée est donnée
par l’équation 1.9. Pour la régression à variation unique, seuls les coefficients β0 et
β1 existent. Tous les autres coefficients βn sont nuls.
y = b × mx1 x2
1 × m2 (1.10)
Dans l’équation, la variable dépendante est y et les variables indépendantes sont x1,
x2, etc.
où :
• e(t) est un bruit blanc généré aléatoirement qui n’est pas corrélé avec les pré-
visions d’un modèle.
Les modèles ARMA sont très flexibles et peuvent représenter plusieurs séries tempo-
relles différentes en utilisant différents ordres. De plus, ce modèle peut reconnaître
lorsqu’il existe une structure d’auto-corrélation linéaire sous-jacente. Mora-Lopez et
Sidrach-de-Cardona [122] ont adopté dans leurs recherches des modèles ARMA pour
étudier les caractéristiques stationnaires et séquentielles de la série temporelle d’ir-
radiation globale et prévoir son modèle. De même, Hansen [123] a constaté que le
modèle ARMA convenait à l’analyse des données stationnaires. Cependant, cette
approche nécessite des données de séries temporelles statiques, ce qui constitue un
inconvénient majeur.
court terme. En outre, ce modèle a la capacité d’écrêter les valeurs non stationnaires
des données analysées. Sa structure consiste en une autorégression (AR), une inté-
gration (I) et une moyenne mobile (MA) pour évaluer et prévoir les caractéristiques
des séries temporelles [125]. Hansen [122] a intégré la méthode ARIMA pour prévoir
l’irradiation globale et pour résumer la procédure de couplage entre les modèles AR
et MA ainsi que la façon dont elle traite les séries non stationnaires. Reikard [126]
a utilisé la méthode ARIMA pour prévoir le rayonnement solaire et a comparé les
résultats prévus avec ceux d’un modèle basé sur les réseaux de neurones artificiels
(RNA). Le résultat a indiqué que le modèle ARIMA à 24 heures de temps estimait
avec plus de précision que les autres modèles étudiés. De même, Cadenas, et al.
[127] ont trouvé que le modèle ARIMA avait un taux de précision très proche de
celui des modèles basés sur les RNA. Dans une autre approche, une technique d’en-
semble a été utilisée pour combiner des modèles statistiques avec d’autres modèles
pour générer un hybride et ainsi exploiter les forces de tous les modèles membres.
Ces modèles composés ont généralement de meilleures performances par rapport aux
modèles RNA ou statistiques conventionnels.
1.3.4 Techniques intelligentes
Les techniques intelligentes de prévision sont appropriées lorsque les données des
séries temporelles sont non stationnaires et erratiques. L’avantage de ces méthodes est
leur complexité de calcul réduite par rapport aux modèles statistiques. Ces méthodes
peuvent être classées en deux catégories :
• celles basées sur les réseaux neuronaux ("Neural Networks" - NN),
• celles basées sur des algorithmes évolutionnaires comme l’algorithme génétique
("Genetic Algorithm", GA).
Dans la littérature des algorithmes évolutionnaires comme les arbres de décision, le
random forest ou encore le XGBoost (eXtreme Gradient Boosting) ont été récement
utilisé comme dans [128, 129] pour la prévision de la puissance PV. Les différentes
méthodes basées sur les réseaux neuronaux résolvent le problème en imitant le cer-
veau humain. Le réseau conçu est entraîné avec les données historiques. Le réseau
formé est ensuite validé et testé avec les données connues. Dans les algorithmes évo-
lutionnaires, le problème est résolu en imitant le processus d’évolution biologique.
Certains modèles hybrides combinent les avantages de deux ou plusieurs modèles.
Comme mentionné plus haut, les méthodes physiques ou les modèles de prévision
numérique du temps ("Numerical Weather Prediction" - NWP) sont des modèles ma-
thématiques qui simulent la dynamique de l’atmosphère selon des principes physiques
Il est proposé dans cette section une classification des méthodes de prévision
de l’énergie éolienne et solaire utilisant l’apprentissage profond (voir Figure 1.6).
Cette taxonomie couvre l’horizon de prévision, l’approche, les données utilisées, les
méthodes de prétraitement, les méthodes d’apprentissage profond, les méthodes hy-
brides, les méthodes d’optimisation et les méthodes d’évaluation. L’horizon de pré-
vision, comme déjà mentionné en début de ce chapitre comprend quatre catégories :
ultra-court terme, court terme, moyen terme et long terme. L’approche de prévision
pourrait être déterministe ou probabiliste ciblant le prochain pas de temps ou plu-
sieurs pas de temps. Les données utilisées pour la prévision peuvent être spatiales,
des séries chronologiques ou des images du ciel.
Les modèles de prévision basés sur les CNN dépendent des couches convolution-
nelles pour extraire les caractéristiques des données, tandis que la tâche de régression
est effectuée dans la dernière couche entièrement connectée. Le tableau 1.3 résume
les informations importantes d’études qui proposent des modèles de prévision basés
sur les CNN, notamment les objectifs de prévision, les horizons de prévision, les mé-
thodes de prétraitement, les méthodes d’optimisation, les ensembles de données et
les méthodes d’évaluation et de comparaison. Le CNN est la première option lorsque
les données d’entrée comprennent des images, comme dans [133] où les images du
ciel ont été utilisées pour capturer les informations utiles sur la couverture nuageuse,
ce qui aide les modèles de prévision à atteindre une plus grande précision. Sun et al.
ont mené de nombreuses expériences pour étudier la sensibilité de plusieurs struc-
tures CNN et la résolution des images d’entrée sur la prévision de la sortie PV.
Les modèles développés offrent une grande précision dans des conditions ensoleillées
et une précision moindre dans des conditions partiellement nuageuses et couvertes.
Comme mentionné précédemment, le CNN est généralement utilisé lorsque les don-
nées peuvent être représentées en deux ou trois dimensions, comme dans le cas des
images et des vidéos, mais il est possible de l’utiliser avec des entrées unidimension-
nelles comme dans [134]. Huang et Kuo ont proposé un modèle basé sur un CNN
unidimensionnel pour la prévision de la puissance photovoltaïque à 24 heures. Ils
ont remodelé les données en dimension (90,3) pour représenter les trois variables :
température, rayonnement solaire et puissance de sortie du système PV en 90 enregis-
trements. Ils ont évalué leur modèle par rapport à d’autres modèles d’apprentissage
automatique, notamment la mémoire à long terme (LSTM), et ont constaté que leur
modèle est plus précis en moyenne et que son temps d’apprentissage est plus rapide
que celui du LSTM.
Certains chercheurs prévoient la production d’énergie éolienne dans une zone spé-
cifique en développant des modèles de prévision qui utilisent les caractéristiques spa-
tiales et temporelles des éoliennes de cette zone. Par exemple, Yu et al. [89] ont étudié
l’effet de ces caractéristiques sur la vitesse du vent et la précision de la prévision de
la puissance éolienne. Les données collectées à partir des turbines éoliennes ont été
cartographiées puis ils ont développé un modèle de prévision basé sur le CNN pour
extraire les caractéristiques de ces images. Les résultats montrent que le modèle pro-
posé atteint une meilleure précision que les méthodes existantes et que la vitesse du
vent est plus facile à prévoir que la puissance éolienne car cette dernière dépend des
caractéristiques spécifiques de l’éolienne. Hong et al. [135] ont également utilisé des
données bidimensionnelles qui représentent plusieurs vitesses de vent temporelles sur
plusieurs sites comme entrées pour leur modèle de prévision de la vitesse du vent
pour la journée. La structure et les hyperparamètres de leur modèle CNN ont été
optimisés par la méthode Taguchi, ce qui s’est traduit par une grande précision du
modèle.
Tableau 1.3 – Résumé des méthodes de prévision dans lesquelles les modèles basés
sur CNN sont utilisés
SUN Yuchi et al. C. -J. Huang et P. -H. Kuo Ruiguo Yu et al. Ying-Yi Hong et al.
Ref.
[133] [134] [89] [135]
Cible Puissance PV Puissance PV Vitesse et puissance Vitesse du vent
du vent spatio- spatio-temporelle
temporelles
Horizon de prévi- Très-court Court Court Court
sion
Prétraitement Modification Normalisation des Construction de la Construction
de la réso- données, reformatage grille d’images 2D, ana-
lution de des données d’entrée lyse de corrélation
l’image, sup- croisée
pression des
données erro-
nées
Optimisation ReLU, batch SGD, SELU, ReLU - Taguchi, Adam,
normalization, dropout
Adam, early
stopping
Dataset (Entrées, Vidéo du ciel, Température du mo- Puissance éolienne ; Vitesse du vent ; 1
résolution, pé- puissance PV ; dule, rayonnement so- 10 mn ; 3 Ans ; - ; h ; 1 An ; 8760 ×
riode, échantillons, 1 mn ; 7 Mois ; laire, puissance PV ; 1 USA 7 ; Taiwan, Chine,
localisation) 39 000 ; USA h ; 5 Jours ; - ; Taiwan Corée du Sud,
Philippines
Evaluation et com- Conditions Benchmarking mo- Benchmarking mo- Benchmarking
paraison météorolo- dels dels models
giques
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Tableau 1.4 – Résumé des méthodes de prévision dans lesquelles les modèles basés sur les RNN sont utilisés
[136] Vitesse Court (1h) Normalisation des données, Stacked Vitesse du vent ; 1 h ; 1an ; - ; USA Modèles de ré-
du vent construction de graphes LSTM férence
spatio-
temporelle
DIDAVI Kossoko Babatoundé Audace
[137] Vitesse du Court (5mn) Normalisation des données, analyse Stacked Vitesse du vent à 10 et 2 mètres, direction Modèles de ré-
vent de corrélation LSTM du vent, température, humidité, pression, férence
point de rosée, rayonnement solaire ; 5 mn ;
1 Mois ; 8353 ; USA
[138] Puissance Court (6, 12, Normalisation des données, analyse LSTM Température, vitesse du vent, humidité, Modèles de ré-
PV multi- 24h) de corrélation, regroupement de don- type de ciel, irradiance solaire, puissance férence
pas nées PV ; 1 h ; 3 ans ; - ; USA
[139] Énergie Court Normalisation des données, change- GRU Puissance, vitesse et direction du vent, tem- Modèles de ré-
éolienne ment de résolution pérature, pression atmosphérique et den- férence
multi-pas sité ; 5 mn, 1 an ; 8760×3 ; USA
[140] Puissance Court (7 à 60 Normalisation des données LSTM PV power, PV module temperature ; 7 mn ; Modèles de ré-
PV mn) 4Y ; – ; China férence
[141] Irradiation Court Aucun LSTM, GHI ;1-h ; 10Y ; - ; France Modèles de ré-
solaire GRU férence
[86] Irradiation Court (1h) Normalisation des données LSTM Données météorologiques, puissance PV ;1 Modèles de ré-
solaire h ; 2 mois ; - ; Australie férence
[142] Charge et Court (1h) Normalisation des données DRNN Données météorologiques, puissance PV ;1 Modèles de ré-
puissance + h ; 2 mois ; - ; Australie férence
PV LSTM
[143] Puissance Court (1h) Aucun LSTM Sortie PV ; 1 h ; 1an ; - ; Égypte Modèles de ré-
PV férence
38
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Prétraitement Modèles Dataset Evaluation et
prévision Comparaison
[144] Irradiation Court Modification de la résolution des LSTM Température air-sèche-bulbe ; 2 mn ; Modèles de ré-
solaire données 8Jours ; - ; USA férence
[145] Irradiation Court (1 Jour) Normalisation des données LSTM GHI, température, point de rosée, humidité, Modèles de ré-
solaire visibilité, vitesse du vent, type de temps ; 1 férence
h ; 18 mois, 12 mois ; - ; Cap-Vert
[146] Puissance Court (1, 2, 3 Suppression des valeurs aberrantes LSTM Puissance PV ; 15 mn ; 10 mois ; 3640 ; Chine Modèles de ré-
DIDAVI Kossoko Babatoundé Audace
PV h) bidi- férence
rec-
tionnel
[147] Irradiation Court Suppression des valeurs aberrantes LSTM Irradiance solaire, température ; 1 h, 10 mn ; Modèles de ré-
solaire 10 ans, 3 ans ; 87 672+ 61 404 ; Espagne, férence
Brésil
[148] Puissance Court Normalisation des données LSTM Vitesse et direction du vent, composantes Modèles de ré-
Eolienne zonale et méridionale ; 1 h ; 3 ans ; - ; Europe férence
[149] Puissance Court (10 mn) Normalisation des données LSTM Irradiation, température du module, puis- Modèles de ré-
PV sance ; 10 m ; 1Y ; - ; Pologne férence
39
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Dans les LSTM empilés, la sortie de chaque couche LSTM est l’entrée de la
couche LSTM suivante. Cette architecture profonde permet une représentation plus
complexe des données séquentielles dans le temps. Des modèles basés sur des LSTM
empilés sont proposés dans les références [136] et [137] pour la prévision de la vitesse
du vent. Dans [136], l’information spatio-temporelle est modélisée comme un graphe
dont les nœuds sont des entités génératrices de données et dont les arêtes repré-
sentent l’interaction entre ces nœuds. Le modèle proposé fournit des prévisions de la
vitesse du vent de tous les nœuds du graphe en même temps. Dans [137], les entrées
météorologiques sont utilisées pour entraîner le modèle LSTM empilé, qui se traduit
par des prévisions plus précises qu’un seul LSTM. Dans [138], un modèle LSTM à
deux couches cachées est utilisé pour la prévision de la puissance photovoltaïque. Des
variables météorologiques prévues et historiques, ainsi que des données historiques
sur la puissance photovoltaïque, ont été utilisées pour former et tester le modèle, qui
atteint une plus grande précision que le RNN, le Extreme Learning Machine (ELM)
et le réseau neuronal à régression généralisée.
Le mécanisme d’attention permet aux modèles d’apprentissage profond de se
concentrer sur les caractéristiques les plus importantes d’une séquence d’entrées.
De nouveaux modèles basés sur les LSTM avec le mécanisme d’attention ont été
développés dans [139] et [140]. Niu et al. [139] ont proposé un modèle de séquence
à séquence pour la prévision de l’énergie éolienne à plusieurs étapes. Leur modèle
est basé sur une stratégie à entrées et sorties multiples, qui, contrairement à une
stratégie récursive, fournit des sorties multiples à différents pas de temps en utilisant
un vecteur de valeurs comme entrées dans une simulation. Les performances de leur
modèle sur des étapes à trois temps ont été comparées à quatre autres modèles et les
résultats prouvent sa supériorité en termes de précision. De plus, les caractéristiques
les plus importantes pour prévoir la puissance du vent, telles que sélectionnées par le
mécanisme d’attention, sont la puissance et la vitesse du vent. D’autre part, Zhou et
al. [140] ont proposé un modèle de prévision à court terme de la puissance photovol-
taïque. Leur modèle se compose de deux réseaux LSTM pour les entrées de données
de température et de puissance photovoltaïque. Pour tester le modèle proposé, les
auteurs ont comparé ses performances avec celles de quatre autres modèles en uti-
lisant des jeux de données sur quatre saisons et avec différents horizons temporels.
Les expériences montrent que le modèle proposé et le LSTM traditionnel sont plus
performants que les autres modèles comparés dans un horizon temporel de plus de
15 minutes.
Une comparaison de la performance du LSTM et du GRU sur la prévision de
l’irradiation solaire est faite dans [141]. Les performances de ces modèles profonds à
une et deux couches ont été comparées à celles des modèles RNN et naïfs simples.
Les résultats montrent que les modèles LSTM et GRU fournissent tous deux de bons
résultats, en particulier avec les architectures à deux couches.
Les performances des modèles de prévision basés sur le LSTM ont été compa-
rées à celles de plusieurs modèles d’apprentissage automatique, tels que la régression
par machine à vecteur de support ("Support Vector Machine Regression" - SVR),
les arbres de régression par sac ("Bagged Regression Trees" - BRT), le réseau neu-
ronal à action directe ("Feed Forward Neural Network" - FFNN), la méthode de
régression linéaire des moindres carrés ("Linear Least Squares Regression" - LLSR),
le réseau neuronal à rétropropagation ("Back Propagation Neural Network" - BPNN)
et le réseau de perceptrons multicouches ("Multilayer Perceptron network" - MLP)
pour la prévision du rayonnement solaire et de la puissance photovoltaïque dans les
études [142–145]. Les résultats de toutes ces études confirment la supériorité du mo-
dèle LSTM. De même, une comparaison entre trois méthodes statistiques : ARMA,
ARIMA, SARIMA, et deux modèles basés sur le LSTM est fournie dans [146]. Les ré-
sultats indiquent que le modèle LSTM bidirectionnel utilisant les données historiques
de la puissance PV ne peut réaliser une prévision fiable que pour une heure à l’avance
et pas plus. Dans [111], Zhanga et al. ont utilisé un modèle LSTM pour la prévi-
sion à court terme de la puissance d’une éolienne et ont comparé ses performances
avec celles de plusieurs autres modèles. Les résultats des expériences montrent que
le modèle LSTM a la meilleure performance pour la prévision à un à cinq pas de
temps. En outre, Lima et al. [147] ont comparé les performances du modèle LSTM
avec l’ensemble des algorithmes d’apprentissage automatique pour la prévision de
l’irradiance solaire. Ils ont constaté que, bien que la précision du modèle LSTM soit
compétitive, le modèle d’ensemble obtient une meilleure précision.
Les chercheurs ont essayé d’améliorer les modèles de prévision basés sur les LSTM
en modifiant leur structure. Par exemple, dans [148], Shahid et al. ont utilisé quatre
noyaux d’activation d’ondelettes différents dans les couches LSTM au lieu d’utiliser
la fonction d’activation sigmoïde : Gaussienne, Morelet, Ricker et Shannon. Le mo-
dèle qu’ils proposent pour la prévision de l’énergie éolienne à court terme fournit des
prévisions plus précises que le réseau neuronal profond (DNN), la machine à vecteur
de support (SVM), l’ARIMA et les méthodes d’ensemble basées sur la programma-
tion génétique. En outre, Li et al. [150] ont ajouté une méthode d’estimation des
limites supérieure et inférieure au modèle LSTM pour la prévision par intervalle de
la puissance éolienne. Les résultats prouvent la supériorité du modèle proposé par
Le DBN est un modèle génératif dans lequel les neurones de différentes couches
sont connectés alors qu’il n’existe aucune connexion entre eux dans la même couche.
Dans cette section, deux modèles de prévision basés sur le DBN sont examinés et
leurs détails sont fournis dans le tableau 1.5.
Un modèle basé sur DBN pour la prévision de la puissance photovoltaïque est
proposé dans [151]. D’après les résultats, le nombre optimal de RBM (restricted
Boltzmann machine) dans le modèle DBN est de deux avec 500 nœuds cachés, et
cette structure permet d’obtenir une meilleure précision de prévision que le modèle
ELM. D’autre part, le modèle DBN avec l’algorithme génétique (" Genetic Algorithm
") est utilisé pour la prévision de la vitesse du vent dans [152]. L’algorithme génétique
a été utilisé pour sélectionner les paramètres du DBN. Les résultats démontrent
que le modèle proposé est plus précis que le modèle SARIMA et que le modèle de
régression par machine vectorielle de soutien des moindres carrés ("Least-Squares
Support Vector Machine Regression", LSSVM) avec un algorithme génétique.
Tableau 1.5 – Résumé des méthodes de prévision dans lesquelles les modèles basés
sur le DBN sont utilisés
présente des études pour l’énergie solaire. Le tableau 1.8 présente les études qui
ciblent à la fois l’énergie solaire et l’énergie éolienne. Tous ces tableaux présentent
le numéro de référence, l’objectif de prévision, l’horizon de prévision, les méthodes
de prétraitement, le modèle d’apprentissage profond utilisé, les méthodes d’optimisa-
tion, les informations sur l’ensemble de données (entrées, résolution, période, nombre
d’échantillons, emplacement) et les méthodes d’évaluation ou de comparaison.
Certains chercheurs ont proposé des modèles d’ensemble qui combinaient un mo-
dèle d’apprentissage profond avec de puissants algorithmes d’apprentissage automa-
tique. Par exemple, Chen et al. [153] ont développé un modèle d’ensemble basé sur
des LSTM et des SVR pour la prévision de la vitesse du vent. Tout d’abord, un clus-
ter de six modèles LSTM avec un nombre différent de couches cachées et de neurones
est utilisé pour effectuer la prévision. La raison de l’utilisation de six LSTM au lieu
d’un seul est d’améliorer la capacité de généralisation et la robustesse du modèle.
Ensuite, les résultats de la prévision des LSTM sont utilisés pour entraîner le modèle
SVR. Hu et al. [154] ont également proposé un modèle hybride pour la prévision de la
vitesse du vent. Leur modèle se compose de trois modèles ELM différents et de trois
modèles LSTM différents optimisés. En outre, les prévisions des six modèles sont
combinées par un autre modèle LSTM. D’autres chercheurs ont utilisé des modèles
d’ensemble comme l’apprentissage par transfert. Par exemple, Qureshi et al. [84] ont
proposé un modèle d’ensemble pour la prévision de l’énergie éolienne, qui contient
neuf auto-encodeurs profonds comme régresseurs de base et un DBN comme méta-
régresseur. Kumari et Toshniwal [66] ont développé un modèle d’ensemble composé
d’un eXtreme Gradient Boosting Forest (XGBF) et d’un DNN pour la prévision ho-
raire du GHI. Ils ont testé leur modèle en utilisant des données collectées à partir de
3 endroits qui ont un climat différent et les résultats montrent que le modèle a des
performances supérieures à celles du SVM et du Random Forest (RF).
tat final de la prévision est la combinaison des résultats donnés par tous les modèles
de prévision. De nombreuses méthodes sont utilisées dans la littérature. Toutes les
études de ce paragraphe s’accordent sur l’effet de l’utilisation d’une méthode de
décomposition sur l’augmentation de la précision des modèles de prévision hybrides.
Les méthodes de décomposition basées sur les ondelettes peuvent séparer les si-
gnaux en plusieurs composantes ayant des fréquences différentes et donc des réso-
lutions plus élevées. Une technique basée sur les ondelettes est la transformation
en ondelettes ("Wavelet Transform" - WT), qui est utilisée dans [155–157]. Mishra
et al. [158] ont utilisé le WT discret pour décomposer les données de puissance so-
laire et un modèle LSTM pour la prévision de la puissance PV. De même, WT
est utilisé dans [155–157] pour décomposer les données de vitesse du vent en sous-
séries. Dans [155], un ensemble de quatre modèles LSTM est entraîné pour générer
les résultats de prévision de chaque sous-série, tandis que dans [156], Yu et al. ont
comparé les performances des réseaux RNN, LSTM et GRU, qui sont utilisés pour
l’extraction des caractéristiques des sous-séries de basse fréquence uniquement et la
prévision est effectuée par un SVM. Pour les sous-séries à haute fréquence, les don-
nées ont été introduites directement dans le SVM en sautant l’étape d’extraction des
caractéristiques. Dans [157], avec le WT, le modèle DBN est utilisé pour extraire
les caractéristiques. Cependant, les nouveaux échantillons de données fournis par le
DBN sont utilisés différemment pour la prévision. Le premier modèle prévoit la vi-
tesse du vent en utilisant le Light Gradient Boosting Machine (LGBM) tandis que
le second modèle utilise le Random Forest (RF). Les deux méthodes sont des algo-
rithmes d’apprentissage d’ensemble. Dans [159], Fei Li et al. utilisent le WT discret
pour décomposer les données de vitesse du vent en vitesse moyenne et en intensité
de la turbulence. L’intensité de la turbulence peut être utilisée comme une mesure
de l’incertitude de la vitesse du vent. Ensuite, le LSTM est entraîné et testé avec
deux stratégies d’ensemble pour fusionner le résultat final de la prévision. Les résul-
tats montrent que la fonction d’intensité de la turbulence a amélioré la prévision à
plusieurs étapes, en particulier avec une résolution de données plus élevée. En outre,
une nouvelle méthode de débruitage ("Wavelet Soft Threshold Denoising" ou WSTD)
est proposée dans [160] pour le traitement des données de vitesse du vent, qui est
une technique de traitement du signal capable de filtrer les signaux de bruit sans
déformer l’information. En plus de cette méthode, le modèle GRU est utilisé pour
extraire les caractéristiques et faire la prévision.
La décomposition en paquets d’ondelettes ("Wavelet Packet Decomposition", WPD)
est une version de la WT qui fournit une meilleure décomposition que celle-ci [161].
Liu et al. ont utilisé la WPD dans [162] dans le cadre de modèles hybrides de prévision
de la vitesse du vent. Un modèle CNN avec opérateur de convolution à 1 dimension
est utilisé avec les sous-séries haute fréquence, tandis qu’un autre modèle CNN avec
une couche LSTM est utilisé avec les sous-séries basse fréquence. De même, Dola-
tabadi et al. ont utilisé la méthode WPD discrète dans [163] pour la décomposition
des données de vitesse du vent. Les sous-séries résultantes ont été reconstruites en
utilisant la théorie de la reconstruction dynamique et ont ensuite été introduites dans
le réseau LSTM bidirectionnel pour effectuer la prévision de la vitesse du vent.
La méthode EMD (Empirical Mode Decomposition) peut décomposer les don-
nées en de nombreuses fonctions de mode intrinsèques. Contrairement à la TSF,
cette méthode est adaptative et il n’est donc pas nécessaire de choisir une fonction,
une structure ou un niveau de décomposition pour optimiser ses performances [161].
Dans les deux références [164] et [165], l’EMD est utilisé avec trois modèles : LSTM,
GRU, et DNN pour la prévision de la production d’énergie renouvelable. Les expé-
riences montrent que le modèle hybride avec DNN a les erreurs les plus faibles dans
[164] tandis que le modèle hybride avec GRU atteint la meilleure performance de
prévision dans [165]. Dans [166], un modèle hybride de prévision de la vitesse du
vent est proposé, qui utilise l’EMD pour traiter les données, et le SAE pour extraire
les caractéristiques en plus de l’ELM pour la prévision. Les résultats montrent que le
modèle proposé est le plus performant pour les prévisions à 12 heures. He et al. dans
[167] ont utilisé la décomposition en modes empiriques d’ensemble ("Ensemble Em-
pirical Mode Decomposition" - EEMD) pour analyser les données de vitesse du vent,
puis la SSA pour reconstruire les données. La prévision est générée par un ensemble
de trois modèles, MLP, LSTM et ARIMA. Pour obtenir le poids de chaque modèle,
l’algorithme MOPSO (Multiobjective particle swarm optimization) est utilisé.
La décomposition en modes variationnels ("Variational Mode Decomposition",
VMD) est une méthode de décomposition plus récente que l’EMD, mais ses per-
formances dépendent de la définition de certains paramètres, tels que le nombre de
modes [161]. Zhang et al. [90] ont développé un modèle hybride pour la prévision
de la puissance PV, qui inclut la VMD pour séparer les données en composantes
régulières et irrégulières. La prévision de la composante régulière est traitée par le
modèle ARIMA, tandis que la prévision de la composante irrégulière est effectuée
par le modèle DBN. De même, Wang et Li [168] ont utilisé le VMD pour décomposer
les données de vitesse du vent dans leur modèle hybride tandis qu’un réseau LSTM
est entraîné pour générer la prévision. Wang et al. [169] et Yildiz et al. [170] ont
également utilisé le VMD pour décomposer les données de puissance éolienne avant
de les introduire dans leur modèle hybride proposé pour la prévision de la puissance
éolienne.
Dans certaines études, les chercheurs ont combiné plus d’une méthode de dé-
composition pour obtenir des composantes plus détaillées de la série chronologique
d’origine et donc une prévision plus précise. Par exemple, Zang et al. [171] ont décom-
posé les séries historiques de puissance PV en composantes saisonnières, tendancielles
et aléatoires en utilisant la VMD. Ensuite, l’EWT est utilisé pour décomposer da-
vantage la composante aléatoire en plusieurs composantes stationnaires. Les données
obtenues après décomposition ont été ajoutées aux données météorologiques des deux
dernières semaines pour reconstruire des cartes de caractéristiques bidimensionnelles.
Le type de temps (ensoleillé, partiellement nuageux, couvert/pluvieux) a également
été encodé sous la forme de cartes bidimensionnelles. Les cartes bidimensionnelles
ont été utilisées comme entrées pour entraîner deux modèles CNN : Le réseau neu-
ronal résiduel (ResNet) et le réseau convolutif dense (DenseNet) pour la prévision
de la puissance photovoltaïque à un jour. De plus, Fu et al. [172] ont d’abord uti-
lisé la méthode de décomposition des modes empiriques basée sur un filtre temporel
(TVF-EMD) pour décomposer les données de vitesse du vent en plusieurs fonctions
de mode intrinsèques avec différentes fréquences. Les valeurs obtenues sont soumises
à la méthode SSA pour les diviser en composantes haute fréquence et basse fré-
quence. Ensuite, pour les séries haute fréquence, le KELM (kernel-based extreme
learning machine) est utilisé comme prédicteur. Pour les séries à basse fréquence,
un modèle basé sur les modèles CNN et LSTM a permis de prévoir la vitesse du
vent. En outre, Mi et al. [173], dans leur modèle hybride de prévision de la vitesse
du vent, ont d’abord utilisé le SSA pour réduire le bruit dans les données de vitesse
du vent. Ensuite, ils ont utilisé l’EMD pour décomposer les données en sous-couches
et extraire les caractéristiques. La prévision est effectuée par un modèle qui com-
bine CNN et SVM. Liu et al. [174] ont d’abord utilisé la DMV pour décomposer
les données de vitesse du vent. Ensuite, les informations sur les tendances ont été
extraites à l’aide de SSA. Pour les sous-séries à basse fréquence, un réseau LSTM a
été formé pour effectuer la prévision, tandis que le modèle ELM a été utilisé pour la
prévision des sous-séries à haute fréquence. D’autre part, Xiang et al. dans [175] ont
d’abord utilisé le SSA, puis appliqué le VMD aux sous-séries de vitesse du vent. La
prévision dans leur modèle hybride est effectuée par un ensemble de réseaux GRU
bidirectionnels. Yin et al. [176] ont utilisé l’EMD pour décomposer la série de vitesse
du vent en plusieurs fonctions de mode intrinsèques, puis ont appliqué la VMD pour
décomposer uniquement la première fonction de mode intrinsèque. Dans leur modèle
hybride. Le modèle CNN est utilisé pour l’extraction de caractéristiques tandis que
le LSTM est utilisé pour la prévision. Ma et al. [177] ont d’abord décomposé les
séries temporelles de vitesse du vent, puis ont appliqué VMD pour décomposer les
séries temporelles d’erreur. Les données obtenues sont utilisées pour entraîner un
modèle LSTM et obtenir la prévision. Les résultats des expériences prouvent que
cette stratégie de double décomposition a amélioré la précision du modèle LSTM.
D’autre part, Chen et al. [178] ont d’abord utilisé SSA pour séparer les données en
ensembles d’entraînement et de test. Une combinaison de réseaux CNN et LSTM est
utilisée pour extraire la caractéristique et effectuer la prévision.
d’un réseau MLP pour la prévision. Par ailleurs, Woo et al. [189] ont utilisé quatre
réseaux LSTM convolutifs pour capturer les caractéristiques spatio-temporelles des
champs de vent et prévoir la réponse des éoliennes. Un modèle LSTM convolutif est
également proposé dans [190] pour la prévision de la puissance PV de plusieurs sites
simultanément. De plus, Afrasiabi et al. [191], dans leur cadre de prévision de l’énergie
éolienne et photovoltaïque, ont converti les données de séries temporelles en vecteurs
bidimensionnels, puis ont utilisé le bloc CNN et le bloc GRU pour extraire les carac-
téristiques, suivis d’un bloc dense pour produire les sorties de prévision. Un modèle
hybride de CNN et de GRU est également proposé dans [192] par Liu et al. pour
extraire les caractéristiques spatio-temporelles de la matrice de la grille des éoliennes
qui a été construite en utilisant les données de vitesse du vent et les informations sur
l’emplacement des éoliennes. De plus, Ju et al. [193], dans leur modèle de prévision
de l’énergie éolienne, ont utilisé un CNN pour l’extraction des caractéristiques et
l’algorithme LightGBM pour générer les résultats de la prévision. LightGBM est un
algorithme de boosting qui peut accélérer considérablement la prévision et réduire
l’utilisation de la mémoire. Avant de former le modèle, ils ont combiné les données
des éoliennes adjacentes pour améliorer la précision des prévisions. Cette étape s’est
avérée utile dans les résultats. Par ailleurs, Chen et al. [194] ont d’abord structuré
les données en une matrice tridimensionnelle pour représenter les trois aspects des
corrélations des données de vitesse du vent : entre plusieurs sites, entre plusieurs
facteurs météorologiques et entre sites et facteurs. Ensuite, ils ont utilisé un CNN
pour extraire la relation spatiale entre les facteurs météorologiques d’un site cible et
de son site adjacent et un LSTM pour extraire les caractéristiques temporelles. Hong
et al. [195] ont également proposé un modèle hybride de CNN et de RBFNN pour
la prévision de l’énergie éolienne à un jour. La partie CNN du modèle extrait les
caractéristiques des données d’énergie éolienne tandis que la partie RBFNN génère
la prévision. Le RBFNN avec la fonction gaussienne double (DGF) peut filtrer les
pics dans les données et améliorer la précision.
Dans certaines études, une méthode de sélection des caractéristiques est utili-
sée après avoir utilisé une technique de décomposition. Par exemple, Memarzadeh
et Keynia [155] ont utilisé la méthode d’information mutuelle ("Mutual informa-
tion" - MI) sur les sous-séries décomposées avant l’étape de reconstruction, qui classe
les entrées candidates en fonction de leur valeur d’information pour la prévision de
la vitesse du vent. Une méthode de sélection des caractéristiques peut également
constituer une étape de prétraitement des données avant l’entraînement du modèle
de prévision. Par exemple, Yu et al. [196] ont essayé quatre méthodes de regrou-
pement pour regrouper les données d’éoliennes similaires à l’éolienne cible et filtrer
les caractéristiques de corrélation séquentielle : K-means, le clustering hiérarchique
agglomératif, le clustering réducteur itératif équilibré utilisant des hiérarchies, et le
clustering spectral. Ils ont constaté que cette dernière méthode ainsi que la structure
améliorée du modèle LSTM donnent une meilleure précision et une plus grande vi-
tesse de convergence que le LSTM traditionnel. Une méthode de regroupement fait
également partie du modèle de Wang et al. [197] pour la prévision de l’énergie éo-
lienne. Plus précisément, ils ont utilisé l’algorithme de regroupement k-means pour
analyser les données de la PNT et identifier les plus grands échantillons historiques
qui ont le plus grand impact sur la précision de la prévision. Ils ont ensuite utilisé un
modèle DBN à cinq couches pour la prévision. Zhang et al. [198] ont également utilisé
le clustering k-means pour diviser les échantillons en 3 clusters et ont ensuite formé
un réseau encodeur-décodeur basé sur LSTM avec un mécanisme d’attention pour la
prévision de l’énergie éolienne. Zhen et al. [199] ont utilisé des images du ciel comme
entrées pour leur modèle de prévision de la puissance photovoltaïque. Ils ont donc
utilisé un modèle auto-codeur convolutif pour convertir les images du ciel en vecteurs
de caractéristiques. Ensuite, ils ont appliqué le clustering K-means sur les vecteurs
obtenus. Ils ont constaté que les images sont regroupées de manière optimale en trois
classes. Les données classées sont introduites dans un modèle hybride composé d’un
CNN, d’un LSTM et d’un ANN pour être transposées en valeurs d’irradiance.
outre, Liu et Chen [201] ont développé un modèle hybride de prévision de la vi-
tesse du vent en plusieurs étapes avec correction des erreurs. Ils ont d’abord utilisé
deux méthodes différentes pour transformer la résolution des données : la méthode
de moyennage et l’autoencodage. Ensuite, deux modèles LSTM bidirectionnels (BiL-
STM) sont entraînés : l’un utilisant les données moyennées et l’autre utilisant la
sortie de l’autoencodeur. Les modèles BiLSTM génèrent des prévisions en 10 étapes.
La méthode MOMVO (Multi-Objective Multi-Verse Optimization) est utilisée pour
trouver les poids de combinaison optimaux des deux prévisions. Ensuite, l’erreur ré-
siduelle est calculée, puis analysée par les méthodes EWT et ORELM pour éliminer
les valeurs aberrantes des sous-séries d’erreurs.
Les chercheurs ont également essayé d’utiliser les informations sur le type de
temps pour corriger ou améliorer les résultats des prévisions. Par exemple, dans
[202], Wang et al. ont proposé un modèle de prévision d’ensemble de la puissance
photovoltaïque qui se compose de deux sous-modèles : un modèle LSTM et un modèle
de corrélation temporelle, qui sont intégrés dans le cadre de la prévision partielle du
modèle quotidien. Les entrées du modèle LSTM sont les données de puissance PV des
trois jours précédant le jour de la prévision et la sortie est la puissance PV du jour de
la prévision. Les résultats sont modifiés à l’aide du modèle de corrélation temporelle.
Ensuite, un cadre de prévision de modèle quotidien partiel est appliqué pour prévoir
le modèle quotidien du jour de prévision, qui est utilisé pour optimiser le modèle
de corrélation temporelle. De plus, dans [203], Gao et al. ont développé plusieurs
modèles de prévision de la puissance PV pour des conditions météorologiques idéales
et non idéales. Les données métrologiques ont été utilisées comme entrées pour les
modèles de prévision des conditions météorologiques idéales, qui sont basés sur le
LSTM. D’autre part, seules les données de production d’énergie de jours similaires
et de jours adjacents ont été utilisées pour les modèles de prévision de conditions
météorologiques non idéales, qui sont basés sur le LSTM et le modèle gris discret
("Discrete grey model" - DGM). Le DGM est utilisé pour corriger les données horaires
de puissance PV avant de les introduire dans le LSTM.
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Tableau 1.6 – Résumé des méthodes de prévision dans lesquelles des modèles hybrides sont utilisés pour l’énergie éolienne
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[153] Vitesse du Très court Aucun LSTM +SVR Optimisation extrême Vitesse du vent ; 10 mn, 1 h ; 6Jours, Modèles d’évaluation
vent (10mn, 1h) 30Jours ; 738+720 ; Chine. de référence
[154] Vitesse du Très court Aucun LSTM+ ELM Évolution diffé- Vitesse du vent ; 10 mn, 1 h ; - ;720 Modèles d’évaluation
vent (10mn, 1h) rentielle, fonction × 2 ; Chine de référence, tests sta-
DIDAVI Kossoko Babatoundé Audace
hystérétique tistiques
[84] Énergie éo- Court MI AE + DBN Ajout de la sparsité Puissance éolienne, composante zo- Modèles d’évaluation
lienne au modèle AE nale et méridionale, vitesse et direc- de référence
tion du vent ; 12 h ; 3 ans ; - ; Europe
[155] Vitesse du Court MI, WT WT+ Recherche de cor- Vitesse du vent, 10 mn, 1 h ; 80Jour, Modèles d’évaluation
vent FS+LSTM beaux 1an ; 1200 × 2 ; Espagne, Iran de référence
[156] Vitesse du Court (1h) WT WT+ Aucun Vitesse du vent ; 1 h ; 2 mois, 5 mois ; Modèles d’évaluation
vent RNN+SVM, - ; Chine de référence
WT+
LSTM+
SVM, WT+
GRU+ SVM
[157] Vitesse du Très court WT WT+DBN Aucun Vitesse du vent ; - ; - ;1000 × 4 ; Modèles d’évaluation
vent multi-pas +LGBM, Chine de référence
WT+DBN+
RF
[159] Vitesse du Court (10 à DWT DWT +LSTM Dropout Vitesse du vent moyenne et de la tur- Modèles d’évaluation
vent multi-pas 12h) bulence ; 10 mn ; 1 an ; 52 560 ; Chine de référence
[160] Vitesse du Court WSTD WSTD+ GRU Recherche par grille Vitesse du vent ; 1 h ; 42 jours ; 1000 Modèles d’évaluation
vent multi-pas validée par recoupe- × 4 ; USA de référence, compa-
ment, dropout raison des décomposi-
tions
51
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[163] Vitesse du Court (10mn, Discrete WPD DWPD+ BiL- Adam Vitesse du vent ; 10 mn, 1 h ; 2 ans ; Modèles d’évaluation
vent 1h) STM - ; USA, Canada de référence, temps de
calcul
[166] Vitesse du Court (12h, EMD EMD+SAE+ Aucun Vitesse et direction du vent ; 15 mi- Modèles d’évaluation
DIDAVI Kossoko Babatoundé Audace
[167] Vitesse du Court EEMD EEMD+ Adam, RelU, Vitesse du vent ; 10 mn ; - ; 3600 × Modèles d’évaluation
vent MLP+LSTM+ MOPSO 3 ; Chine de référence
ARIMA+
MOPSO
[168] Vitesse du Court VMD, KLD+ VMD+ Aucun Vitesse du vent ;1 h ; - ; 43,824 3 ; Modèles d’évaluation
vent multi-pas EM+SA KLD+EM+LSTM+ Chine de référence
stratégie de
correction des
erreurs
[169] Vitesse du Court (1h, 3h) VMD VMD+ Re- Adam, ReLU Vitesse du vent, puissance éolienne ; Modèles d’évaluation
vent current au- 1 h ; 1 an ; - ; Belgique, Espagne, USA de référence
toencoder
[170] Vitesse du Court (1h, 3h) VMD, norma- VMD+ resi- Leaky ReLU, SGD Puissance, vitesse et direction du Modèles d’évaluation
vent lisation des dual CNN vent ; 1 h ; 1 an ; 8760 ; Turquie de référence
données
[204] Vitesse du Court EWT EWT + SE+ Slime mould algo- Énergie éolienne ; 10 mn ; 22 J ; 1704 ; Modèles d’évaluation
vent KELM+GRU rithm Espagne de référence
[205] Vitesse du Court EWT EWT + Aucun Vitesse du vent ; 10 mn ; - ; 1000 × Modèles d’évaluation
vent multi-pas LSTM+RELM+IEWT 4 ; Chine de référence
[206] Vitesse du Court EWT EWT+LSTM Adam, Mini batch Vitesse du vent ; 15 mn ; 60 jours ; - ; Modèles d’évaluation
vent Chine de référence
52
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[207] Vitesse du Court EWT EWT, LSTM, Aucun Vitesse du vent ; 1 h ; - ; 700 × 4 ; Modèles d’évaluation
vent multi-pas Elman NN Chine de référence
[201] Vitesse du Court EWT SAE+BiLSTM Regularization, cross- Vitesse du vent ; 3 s ; 1 jour ; 30 000 ; Modèles d’évaluation
vent multi-pas + MOMVO + validation, Adam, Chine de référence
ORELM MOMVO
[208] Vitesse du Court (16 mn, CEEMDAN CEEMDAN+ Improved Bat algo- Vitesse du vent ; 15 mn, 1 h ; 20 J, Modèles d’évaluation
DIDAVI Kossoko Babatoundé Audace
[208] Vitesse du Court SSA SSA+CNN+ Adam, grid search, Vitesse du vent ; 15 mn ; 2 mois, 2 Modèles d’évaluation
vent multi-pas GRU+SVR ReLU mois, 1 mois ; 2688 × 3 ; Chine. de référence
[209] Vitesse du Très court (10 SSA SSA+MADANETDropout Vitesse du vent ; 10 mn ; - ; 700 × 4 ; Modèles d’évaluation
vent multi-pas à 30 mn) Chine de référence
[172] Vitesse du Court (10mn, TVF-EMD, TVF- Adam, MHHOGWO Vitesse du vent ; 10 mn, 1 h ; 73 J ; Modèles d’évaluation
vent multi-pas 1h) FE, SSA, PSR EMD+ FE+ 1008, 744 ; Espagne, Australie de référence
+SSA+PSR
KELM+
ConvLSTM
[173] Vitesse du Court SSA +EMD SSA+EMD+ ReLU, Adam, dro- Vitesse du vent ; 10 mn ; - ; 700 × 4 ; Modèles d’évaluation
vent multi-pas CNN+ SVM pout, grid search re- Chine. de référence
gularization,
[174] Vitesse du Court VMD+ SSA VMD+SSA+ Aucun Vitesse du vent ;1 h ; 8 mois ; 700 × Modèles d’évaluation
vent multi-pas LSTM+ELM 4 ; Chine de référence
53
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[177] Vitesse du Court CEEMDAN, Conv- Aucun Vitesse du vent ; 15 m, 1 h ; 30 J, 90 Modèles d’évaluation
vent VMD LSTM+BPNN J ; 2880 × 2 + 2160 × 2 ; USA de référence
[178] Vitesse du Court SSA+ CEEM- CNN et LSTM ReLU, Modified Vitesse du vent ; 15 mn ; - ; 2000 × Modèles d’évaluation
DIDAVI Kossoko Babatoundé Audace
[185] Vitesse du Court (10m-3 MI CNN et LSTM RMSProp, early stop- Vitesse du vent ; 5 mn ; 1 an ; 52 704 ; Modèles d’évaluation
vent spatio- h) ping USA de référence
temporelle
multi-pas
[187] Puissance Ultra-court Modélisation CNN et LSTM SGD, Adam, early Vitesse du vent ; 10 s ; 12 h ; 22 000 Modèles d’évaluation
éolienne et (10s-1 mn) des données stopping de référence
charge par logiciel
[189] Vitesse du Ultra-court Modification LSTM Aucun Champs de vent ; 0,4 s ; 12 h ; 158 Modèles d’évaluation
vent (10s-1 mn) de la réso- 400 de référence
lution des
données
[193] Vitesse du Ultra-court Combinaison CNN+ ReLU, dropout, early État du générateur, température, Modèles d’évaluation
vent des données LightGBM stopping puissance et vitesse du vent, vitesse de référence
des éoliennes du moteur, direction du vent, puis-
adjacentes sance journalière, angle d’inclinai-
son ; 5 mn ; 1 an ; - ; Chine
[194] Vitesse du Court Analyse de CNN+LSTM ReLU, Adam Vitesse et direction du vent, tempé- Modèles d’évaluation
vent corrélation rature, point de rosée, rafales, ca- de référence
lage altimétrique, humidité ; 5 mn ;
6 mois ; 25 918 +25 920 ; USA
54
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[195] Énergie éo- Court (24 h) Normalisation CNN + Dropout, Adam Énergie éolienne ; 1 h ; 1 an ; 8760 ; Modèles d’évaluation
lienne des données RBFNN Taiwan de référence, types de
temps
[211] Vitesse du Court (10 mn- Construction LSTM + Conv ReLU Vitesse et direction du vent ; 5 mn ; Modèles d’évaluation
vent spatio- 3 h) de graphes layers+ Rough 6 ans ; 105 ,120 × 6 ; USA de référence
temporelle layers
multi-pas
DIDAVI Kossoko Babatoundé Audace
[196] Énergie éo- Court (90 mn) 4 méthodes de Regroupement LSTM Vitesse et puissance du vent ; 10 mn ; Modèles d’évaluation
lienne clustering spectral + 3 ans ; - ; USA de référence
LSTM
[197] Énergie éo- Court (1 jour) Classification Classification GD, greedy algorithm Vitesse et direction du vent, puis- Modèles d’évaluation
lienne K-means k-means sance du vent, pression atmosphé- de référence, types de
+DBN rique, humidité, température ; 10 temps
mn, 1 h ; 1an ; - ; Espagne
[198] Énergie éo- Court (1 jour) Réduction de Classification Aucun Vitesse et direction du vent, tempé- Modèles d’évaluation
lienne la dimension, k-means + rature, humidité, pression ; 10 mn, 1 de référence
classification LSTM h ; 1 an ; 50 688 ; Espagne.
K-means
[212] Énergie éo- Court (24 h) PCA PCA+ LSTM Aucun Puissance du vent, densité de l’air, Modèles d’évaluation
lienne pression, température, vitesse et di- de référence
rection du vent ; 5 mn ; 14 mois ; - ;
Royaume-Uni.
[213] Énergie éo- Court Clustering AE+ORELM MODWPT, MO- Vitesse du vent ; 1 mois ; - ; 2000 ; Modèles d’évaluation
lienne FEPSO Chine. de référence
[214] Vitesse et Moyen (1 se- Classification Classification Cross-validation Puissance et vitesse du vent ; 1 h ; - ; Modèles d’évaluation
puissance du maine) K-means K-Means+ - ; Canada de référence
vent WNN+ RKF
55
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[215] Énergie éo- Court (24-72 Aucun SDAE Min-batch SGD, Vitesse du vent, sin et cos de la di- Modèles d’évaluation
lienne h) MLR rection du vent, puissance du vent ; de référence
10 mn ; 1 an ; - ; Chine
DIDAVI Kossoko Babatoundé Audace
Tableau 1.7 – Résumé des méthodes de prévision dans lesquelles des modèles hybrides sont utilisés pour l’énergie solaire
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[66] GHI Court (1h) Analyse corré- XGBF+ DNN Adam, ReLU GHI, température, vitesse et direc- Modèles d’évaluation
lationnelle tion du vent, humidité, pression, in- de référence, condi-
dice de ciel clair ; 1 h ; 10 ans ; - ; Inde tions météorologiques
[158] Puissance PV 1 à 60 Jours DWT DWT+LSTM Dropout Indice nuageux, visibilité, tempéra- Modèles d’évaluation
Multi-pas ture, point de rosée, humidité, vi- de référence
tesse du vent, pression, altimètre,
puissance ; 1 h ; 2 ans ; - ; USA
[216] Puissance PV Court (30 mn) SWT SWT+ Cross-validation Puissance PV, température prévue, Modèles d’évaluation
LSTM+ irradiance, statistiques PV ; 30 mn ; de référence
DNN 2 ans ; 35 089 ; USA
[217] Puissance PV Court (1h) WPD WPD + Aucun Puissance PV, GHI, DHI, vitesse du Modèles d’évaluation
LSTM vent, température, humidité ; 5 mn ; de référence, condi-
2 ans ; - ; Australie tions météorologiques
[90] Puissance PV Court (1J) VMD VMD+ Algorithme adaptatif Puissance PV, irradiance solaire, Modèles d’évaluation
DBN+ de colonies de fourmis température de l’air ; 5 mn ; - ; - ; de référence, condi-
ARIMA Australie tions météorologiques
56
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[218] Irradiation so- Court (1h) CEEMDAN CEEMDAN+ Grid search Irradiance solaire ; 1 h ; 6 ans ; 230 Modèles d’évaluation
laire CNN+LSTM 336 ; USA, Algérie. de référence, condi-
tions météorologiques
[179] Puissance PV Court (1J) Normalisation CNN+ LSTM ReLU, early stopping, Puissance, irradiation, température, Modèles d’évaluation
des données batch normalization vitesse du vent, humidité ; 10 mn, 1 de référence, condi-
h ; 4 ans ; 18 620 ; Corée du Sud. tions météorologiques
DIDAVI Kossoko Babatoundé Audace
[180] Irradiation so- Court (15 mn Analyse corré- CNN+ LSTM Aucun Puissance PV ; 15 mn ; 1 an ; - ; Bel- Modèles d’évaluation
laire à 3h) lationnelle gique de référence, condi-
tions météorologiques
[181] Puissance PV Long (1 an) Analyse corré- CNN+ LSTM ReLU, early stopping, Puissance PV, GHI, DNI, DHI, Modèles d’évaluation
lationnelle batch normalization bulbe humide, point de rosée, tempé- de référence
rature ; 1 h ; 25 ans ; 5271 ; Australie.
[182] Irradiation so- 1J, 1 semaine, Normalisation CNN+LSTM Grid search, Adam, GSI ; 1 mn ; 13 ans ; 60 743 ; Austra- Modèles d’évaluation
laire Multi-pas 2 semaines, 1- des données ReLU, early stopping, lie. de référence
8 mois dropout, regulariza-
tion
[183] GHI spatio- Court (1h) Reconstruction CNN-LSTM Aucun GHI, point de rosée, angle zéni- Modèles d’évaluation
temporel des caracté- thal solaire, vitesse et direction du de référence, condi-
ristiques vent, précipitations, humidité rela- tions météorologiques
spatiales et tive, température ; 1 h ; 7 An ; - ;
temporelles USA
[186] Puissance PV Court (1J) Suppression CNN+LSTM Dropout Moyenne de la phase en cours, puis- Modèles d’évaluation
des valeurs sance active, vitesse du vent, tem- de référence, pas de
aberrantes, pérature, humidité relative, GHR, temps d’entrée
augmentation DHR, sinus et cosinus de la direction
des données du vent ; 5 mn ; 4 ans ; - ; Australie
57
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[188] Puissance Court (30 mn) Aucun CNN+ ReLU, dropout GHI, DHI, GTI, DNI, angle d’alti- Modèles d’évaluation
thermique LSTM+ tude solaire, angle d’azimut solaire, de référence, condi-
MLP pression, humidité, température, vi- tions météorologiques
tesse du vent, puissance ; 30 mn ;
1an ;- ; Chine
[190] Puissance Court (15 à 60 Modification LSTM Grid search Puissance PV ; 15 mn ; 1 an ; 16 060 ; Modèles d’évaluation
PV spatio- mn) de la réso- USA de référence, condi-
DIDAVI Kossoko Babatoundé Audace
[184] L’énergie so- Court (24h à Normalisation AE+ LSTM ReLU, early stopping Données NWP, énergie solaire ; 3 h ; Modèles d’évaluation
laire 48h) des données 990 J ; - ; Allemagne de référence, condi-
tions météorologiques
[219] Puissance PV Court Suppression LSTM + CNN Dropout Puissance active, vitesse du vent, Modèles d’évaluation
des valeurs température, humidité relative, de référence
aberrantes GHI, DHI, direction du vent ; 5 mn ;
6 mois ; 53 280 ; Australie.
[85] Puissance PV Très-court Classification CNN Aucun Images du ciel, irradiance ; 15 mn ; 1 Modèles d’évaluation
K-means +LSTM+ an ; 25 000 ; USA. de référence
ANN
[220] Rayonnement Court (1h, 1 à Suppression Embedding Algorithme d’élimina- Température, vitesse moyenne du Modèles d’évaluation
solaire global 3J) des valeurs clustering + tion à rebours vent, humidité relative moyenne, du- de référence
("Global solar aberrantes functional rée d’ensoleillement, GSR ; 1 J ; 22
radiation", DBN ans ; - ; Chine
GSR)
[221] Puissance PV Court (24h) Grey theory AGO + Aucun Puissance PV ; 1 mn ; 1 an ; 5760 ; Modèles d’évaluation
DBN+ FFNN Taiwan de référence, condi-
tions météorologiques
[202] Puissance PV Court (1J) Regroupement LSTM Aucun Puissance PV ; 15 mn ; 6 ans ; - ; USA Modèles d’évaluation
de données de référence
58
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[203] Puissance PV Court (1J) Modification LSTM+ DGM Algorithme géné- Puissance PV, irradiance solaire, Modèles d’évaluation
de la réso- tique, Adam, dropout température de l’air, humidité rela- de référence, condi-
lution des tive, vitesse du vent, nuages, pres- tions météorologiques
données sion atmosphérique, type de temps ;
15 mn ; 1 an ; - ; Chine.
[222] Classification Court (1J) Augmentation GAN + CNN Adam, ReLU Rayonnement solaire ; 1 mn ; 1 an ; - ; Modèles d’évaluation
météorolo- des données USA de référence, condi-
DIDAVI Kossoko Babatoundé Audace
Tableau 1.8 – Résumé des méthodes de prévision dans lesquelles des modèles hybrides sont utilisés pour les énergies solaire
et éolienne ensemble
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[164] Energies Eo- Court (6h) EMD EMD + Adam, RelU Distribution d’électricité renouve- Modèles d’évaluation
lienne et PV (LSTM, GRU, lable pendant 24 heures ; 1 h ; 1000 de référence
DNN) h ; - ; Corée du Sud
[165] Energies Eo- Moyen (7 EMD EMD + ReLU, dropout 21 J de demande et d’offre passés ; 1 Modèles d’évaluation
lienne et PV Jours) (LSTM, GRU, J ; 5 ans ; - ; Corée du Sud. de référence
DNN)
[191] Vitesse du Court (1 Jour) Aucun CNN+GRU ReLU, Adam, dro- Vitesse du vent, irradiance solaire ; Modèles d’évaluation
vent et rayon- pout 30 mn ; 1 an ; - ; Royaume-Uni de référence
nement solaire
59
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Tableau 1.9 – Résumé des méthodes de prévision dans lesquelles des modèles hybrides sont utilisés pour les prévisions
probabilistes
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[111] Energie Eo- Court Normalisation LSTM+ Adam Vitesse et puissance du vent, don- Modèles d’évaluation
lienne des données Gaussian Mix- nées PNT ; 15 mn ; 3 M ; 3072 ; Chine de référence
ture
DIDAVI Kossoko Babatoundé Audace
[223] Energie Eo- Court Normalisation Deep Gaus- Adam, SGD, batch Vitesse du vent, direction, vecteur, Modèles d’évaluation
lienne des données sian Mixture normalization puissance, ; 1 h ; 4 ans ; 18 757 ; Eu- de référence, temps de
Density Net- rope calcul
work
[224] Vitesse du Court (15 mn Normalisation Gaussian Semi-stochastic alter- Vitesse moyenne et maximale du Modèles d’évaluation
vent multi-pas à 60 mn) des données Process Re- nating GD vent, température, point de rosée, de référence
gression + humidité relative et spécifique, pres-
LSTM sion à la station et au niveau de
la mer, précipitations accumulées ; 1
mn ; 1 mois ; 2880 +2976 ; USA
[150] Energie Eo- Court (10 mn) Aucun LSTM RMSProp, RelU Énergie éolienne ; 10 mn ; 1 an ; - ; Modèles d’évaluation
lienne USA de référence
[230] Energie Eo- Court (15 mn WT WT+CNN SGD Énergie éolienne ; 5 mn, 15 mn ; 2 Modèles d’évaluation
lienne à 8h) ans ; - ; Chine de référence
[175] Vitesse du Court SSA+ VMD, SSA+ VMD+ Optimisation de l’es- Vitesse du vent ; 10 mn ; 2 mois ; Modèles d’évaluation
vent multi-pas FIG, PSR FIG+ PSR+ saim de poulets 8784 × 2 ; Chine de référence
bidirectional
GRU+ CSO
[226] Vitesse du Court (1h à MI DBN SGD, L2 regulariza- Vitesse du vent ; 10 mn ; 3 ans ; 52 Modèles d’évaluation
vent multi-pas 24h) tion 560 × 3 ; USA de référence
62
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[227] Vitesse du Très court (5 Aucun Cumulative Grid search Puissance, vitesse et direction du Modèles d’évaluation
vent multi-pas mn) density func- vent ; 5 mn ; 3 ans, 12 ans ; - ; Aus- de référence
tions+ LSTM tralie, USA
[184] Energie Eo- Court (4h) Normalisation CNN +LSTM ReLU Puissance et vitesse du vent à 70 m, Modèles d’évaluation
lienne des données prévisions météorologiques ; 15 mn ; de référence
1 an ; - ; Chine
DIDAVI Kossoko Babatoundé Audace
[225] Vitesse du Court (15 mn WT WT+ DBN+ SGD Vitesse du vent ; 1 h, 5 mn ; 2 ans ; Modèles d’évaluation
vent à 8h) QR - ; Chine, Australie de référence, condi-
tions météorologiques
[85] Puissance PV Court (15 mn WT WT+ DBN+ SGD Puissance PV ; 15 mn ; 1 an ; - ; Bel- Modèles d’évaluation
à 2h) QR gique de référence, condi-
tions météorologiques
[231] Vitesse du Court WPD WPD+ CNN Blocked cross valida- Vitesse du vent ; 1 mn ; - ; 4500 × 3 ; Modèles d’évaluation
vent tion Chine de référence
[171] Puissance PV Court (1 Jour) VMD+ EWT VMD+ Sigmoid & ReLU Production PV, vitesse du vent, Modèles d’évaluation
EWT+CNN+ température, humidité, GHI, DHI, de référence, fusion de
QR précipitations, type de temps réel et données
prévu ; 1 h ; 10 ans+2 mois ; 89 000 ;
Australie.
[228] Rayonnement Court (30mn à MI Convolutional SGD, ReLU Coordonnées des sites solaires, GHI ; Modèles d’évaluation
solaire spatio- 6h) Graph Au- 30 mn ; 19 ans ; - ; USA de référence
temporel toencoder
[192] Vitesse du Court (3h) Construction 3D CNN+ ReLU, dropout, L2 Vitesse et direction du vent, tempé- Modèles d’évaluation
vent spatio- de grilles GRU regularization, Adam, rature, pression atmosphérique, hu- de référence
temporelle grid search midité relative, point de rosée, pré-
cipitation ; 1 h ; 2 ans ; - ; USA
63
Thèse de doctorat
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Ref. Cible Horizon de Méthode de Modèle Méthode d’optimisa- Dataset Méthode d’évaluation
prévision prétraitement tion ou de comparaison
[229] Rayonnement Court (3h) Construction Convolutional Monte Carlo, Adam, GHI, Angle Zénith, température, Modèles d’évaluation
solaire spatio- de grilles GRU+ Va- ReLU, dropout, batch point de rosée, humidité relative, eau de référence
temporel riational normalization précipitable, vitesse et direction du
Bayesian infe- vent ; 1 h ; 2 ans ; 17 520 ; Chine.
rence
DIDAVI Kossoko Babatoundé Audace
64
Prévision de la production des SERIS : une nécessité pour une meilleure intégration
Une revue des modèles de prévision basés sur l’apprentissage profond pour les
énergies éolienne et solaire a été présentée dans cette section. Les articles inclus dans
cette revue sont classés d’abord selon les méthodes déterministes et probabilistes,
puis, selon l’architecture profonde utilisée, en modèles basés sur le CNN, modèles
basés sur les RNN incluant le LSTM et le GRU, modèles basés sur le DBN et modèles
hybrides. L’analyse des travaux couverts est résumée comme suit :
• Données de prévision : dans certaines des études examinées, la prévision di-
recte est effectuée en utilisant les données historiques de production d’électricité
seules ou avec des données météorologiques, tandis que dans d’autres articles,
la prévision indirecte est effectuée en prédisant la vitesse du vent et le rayonne-
ment solaire en utilisant leurs valeurs historiques ou avec des données météorolo-
giques également. La plupart des chercheurs pensent que l’inclusion de données
météorologiques améliore la précision des prévisions. Cependant, la corrélation
entre ces caractéristiques et les résultats des prévisions diffère d’un endroit à
l’autre. Par conséquent, des études comparatives supplémentaires devraient être
menées pour montrer l’effet de l’inclusion de caractéristiques météorologiques
spécifiques sur les performances des modèles afin de tirer une conclusion à ce
sujet. De plus pour le développement des modèles de prévision régionaux, les
auteurs font usage d’images satellitaires ce qui limite souvent le déploiement
de ces modèles. Il serait intéressant donc de trouver une technique de prévision
basée sur l’utilisation des données météorologiques plus accessibles.
• Horizon de prévision : L’horizon de prévision est un facteur important qui dé-
termine le choix de la résolution des données ainsi que la structure du modèle.
Il peut être ultra-court, court, moyen ou long terme en fonction de l’application
ou du processus décisionnel que la prévision va soutenir. Il n’y a pas d’accord
sur la classification des horizons et les catégories peuvent se chevaucher. Cepen-
dant, une classification commune trouvée dans de nombreux articles considère
les prévisions de quelques secondes à 30 minutes comme très courtes, de 30 mi-
nutes à 6 heures comme courtes, de 6 heures à 1 jour comme moyennes, et tout
ce qui est au-delà comme long terme [161]. Les prévisions à très court terme
et à court terme aident les négociants en énergie et les gestionnaires de réseau
à prendre des décisions concernant la tarification de l’électricité, la répartition
économique de l’électricité et les programmes de maintenance. Par conséquent,
les prévisions à court et moyen terme soutiennent toute tâche liée à la gestion et
à l’exploitation du réseau, tandis que l’horizon à long terme est bénéfique pour
les tâches liées à la planification des systèmes énergétiques [232]. La plupart des
études incluses dans cette revue ont proposé des modèles de prévision pour les
prochaines 24 heures ou moins. Le soutien aux décisions liées à la gestion et à
l’exploitation des réseaux est le principal moteur de cette tendance. En outre,
la baisse de précision qui accompagne les horizons de prévision plus longs en
raison de la nature variable des conditions météorologiques, comme la couver-
ture nuageuse, décourage les chercheurs de les cibler. L’horizon le plus court
dans cette revue est de 10 s [187, 189] et l’horizon le plus long est d’un an [181].
Plus particulièrement pour des applications de gestion du réseau électrique les
horizons vont de quelques heures à quelques jours.
• Classement de la popularité des modèles : Récemment, les modèles hybrides
ont suscité un intérêt accru. Près de la moitié des articles publiés dans SCO-
PUS en 2022 concernent des modèles de prévision hybrides. Cette tendance
s’explique par la supériorité de ces modèles sur les modèles d’apprentissage
profond simples, comme le montrent toutes les expériences comparatives. Sur
ces modèles hybrides rencontrés, la majorité comprend des CNN, des LSTM ou
des GRU. Les RNN et toutes leurs nouvelles versions, telles que LSTM et GRU,
sont les modèles les plus populaires après les modèles hybrides, ce qui est logique
car les données sur les énergies renouvelables sont des séries temporelles, et les
modèles RNN sont connus pour leur capacité à extraire des caractéristiques
temporelles. C’est pourquoi les chercheurs les utilisent seuls ou en combinai-
son avec d’autres méthodes. La figure 1.7 montre le pourcentage d’utilisation
de chaque architecture d’apprentissage profond dans les articles publiés dans
SCOPUS en 2022 (pour la prévision des énergies éolienne et solaire).
Figure 1.7 – Modèles d’apprentissage profond pour la prévision des énergies solaire
et éolienne utilisés dans les publications de 2022 dans SCOPUS.
Le pourcentage est calculé sur la base du total des articles publiés cette année-
là. D’autre part, la figure 1.8 montre le nombre total d’articles publiés dans
SCOPUS de Janvier 2014 à Février 2023 pour chaque architecture de modèle
profond proposée pour la prévision de l’énergie éolienne et solaire.
• Complexité du modèle : Bien que les performances des modèles hybrides soient
supérieures à celles des modèles simples, leur temps de calcul est relativement
élevé. Il faut donc trouver un compromis entre la précision du modèle, son temps
de calcul et sa complexité. L’existence de structures de big data et d’ordinateurs
à haute performance peut également influencer cette décision.
• Cas expérimentaux et évaluation : Pour tenir compte des différentes condi-
tions météorologiques et des saisons, les chercheurs divisent les ensembles de
données et entraînent le modèle plusieurs fois, par exemple pour chaque saison,
ou ils ajoutent le type de temps comme entrée pour entraîner le modèle. En
outre, certaines simulations prévoient de tester le modèle à l’aide d’ensembles
de données collectés à différents endroits afin de montrer la capacité de générali-
sation du modèle. Cependant, les chercheurs envisagent rarement d’utiliser des
ensembles de données collectées dans des climats différents ou de comparer les
performances du modèle avec et sans l’utilisation de données météorologiques
dans le cas d’une prévision directe. Ces deux lacunes devraient être prises en
compte dans les études futures.
• Prévision multipas : plusieurs études publiées en 2022 ont proposé des modèles
de prévision multipas. Il existe deux approches pour la prévision à plusieurs
étapes : l’approche récursive et l’approche directe. Dans l’approche récursive,
la première valeur prévue est utilisée comme entrée de l’étape suivante et ainsi
de suite, ce qui entraîne l’accumulation de l’erreur. D’autre part, l’approche
directe peut être mise en œuvre de deux manières : construire des modèles sé-
parés pour chaque étape de prévision ou construire un modèle qui peut prendre
plusieurs entrées et générer plusieurs sorties de prévision. Cette dernière est ap-
pelée la méthode séquence à séquence, qui nécessite moins de temps de calcul
et constitue la tendance future.
• Modèles généraux : Il n’est pas possible de construire un modèle de prévision
pour chaque lieu. Quelques études ont proposé des modèles de prévision pour
une région entière et d’autres études ont suggéré l’apprentissage par transfert
comme une solution pour gagner du temps où les modèles développés précé-
demment peuvent être rapidement entraînés pour faire une prévision pour de
nouveaux lieux. Il serait donc intéressant de penser à l’avenir développer des
modèles de prévision régionaux capables de prévoir pour différents points sans
avoir besoin d’être entraînés à nouveau.
• Mise en œuvre : L’entraînement de modèles d’apprentissage profond pour trou-
1.5.1 Précision
tique moyenne ("Root Mean Square Error", RMSE), l’erreur absolue moyenne ("Mean
Absolute Error", MAE) et l’erreur absolue moyenne en pourcentage ("Mean Abso-
lute Percentage Error", MAPE). Le coefficient de détermination (R2) et l’écart-type
d’erreur ("Standard Deviation of Error", SDE) sont également fréquemment utilisés.
D’autre part, les résultats des prévisions probabilistes sont généralement rapportés
à l’aide de l’erreur de couverture moyenne ("Average Coverage Error"), ACM), du
score de probabilité du classement continu ("Continuous Ranking Probability Score",
CRPS) et de la netteté de l’intervalle ("interval sharpness", IS).
Dans [90], le SDE est utilisé pour mesurer la stabilité du modèle de prévision
tandis que le MAE, le MAPE et le RMSE sont utilisés pour mesurer la précision.
Dans [171], Zang et al. ont utilisé huit fonctions de perte pour mettre à jour les
paramètres des couches convolutives : l’erreur quadratique moyenne, la MAE, l’er-
reur logarithmique quadratique moyenne, l’erreur absolue moyenne mise à l’échelle,
l’indice négatif d’accord, la statistique U de Theil 1, la statistique U de Theil 2 et
l’erreur moyenne de Huber. Toutes ces mesures ont été utilisées pour rendre compte
des résultats de la prévision déterministe. En revanche, pour la prévision probabiliste,
ils ont utilisé trois métriques : l’ACE, l’IS et la perte de flipper. Dans [227], pour
le modèle de prévision probabiliste proposé, l’écart de proportion moyen est utilisé
pour mesurer la fiabilité du modèle tandis que la largeur moyenne des intervalles de
prévision est utilisée pour mesurer sa précision. Le score de compétence est également
utilisé pour présenter les deux mesures en une seule valeur. Parfois, les chercheurs
utilisent le critère de promotion du pourcentage d’erreur pour comparer les perfor-
mances de deux modèles et montrer le degré d’amélioration, comme le PMAE, le
PMAPE et le PRMSE. De même, la MAE normalisée et la RMSE normalisée sont
utilisées dans [212, 234] et [183]. Dans [184], pour comparer les résultats de la pré-
vision probabiliste, la valeur moyenne des scores de compétence d’intervalle de tous
les intervalles de prévision est utilisée en plus de l’ACE, tandis que dans [200], la
probabilité de couverture de l’intervalle de prévision, la largeur moyenne normalisée
de l’intervalle de prévision et le critère basé sur la largeur de couverture sont utilisés.
plus des réseaux neuronaux peu profonds, tels que MLP et FFNN, ou des méthodes
statistiques, telles que ARMA, ARIMA et SARIMA. Cependant, ils incluent parfois
des modèles physiques dans la comparaison, comme c’est le cas dans [170, 235] et
[171]. Dans [220], le modèle proposé a été comparé à trois modèles empiriques, le
modèle SVR, le modèle GPR, le modèle ANFIS, le modèle DBN et les modèles DBN
fonctionnels. Le modèle proposé obtient les meilleures performances en moyenne pour
tous les lieux et horizons de prévision.
améliorée.
éolienne, le temps de simulation économisé peut être pris en compte dans le cas d’un
parc éolien typique comprenant plus de 100 éoliennes.
Pour aider à trouver un compromis entre la précision du modèle et sa complexité
de calcul, le temps d’exécution du modèle proposé est indiqué et comparé au temps
d’exécution de modèles comparatifs dans de nombreux articles. Cette pratique cou-
rante est suivie dans [139, 146, 238] et [216] pour montrer la faisabilité du modèle
proposé. Dans [156], trois modèles hybrides ont été comparés en termes de temps de
calcul. Dans les trois modèles, la WT est la technique de décomposition et le SVM
est le modèle de régression, mais pour l’extraction de caractéristiques, on utilise soit
le RNN, soit le LSTM, soit le GRU. Par ordre d’importance des modèles en termes
de temps de calcul, le RNN arrive en premier, suivi du GRU, puis du LSTM. Ce-
pendant, ils ont tous pris un temps relativement long pour l’entraînement, allant de
211 à 571 s. Dans [186], un modèle LSTM, un modèle CNN et un modèle hybride
CNN et LSTM ont été comparés en termes de temps d’entraînement. Il s’avère que le
LSTM est le plus rapide alors que le modèle hybride est le plus long. Yu et al. dans
[196] ont comparé la vitesse de convergence de leur modèle LSTM amélioré et du
modèle LSTM traditionnel. Dans [160], il est rapporté que le temps CPU du modèle
hybride de WSTD et GRU est au moins 20 fois plus rapide que celui du modèle
hybride de WSTD, LSTM, et GRU. Dans [211], le temps de formation en ligne du
modèle proposé est montré pour différentes tailles de graphes. On note que le temps
d’apprentissage augmente lorsque l’horizon de prévision est étendu car des horizons
plus longs impliquent des graphes plus grands avec plus de nœuds. Le temps de calcul
du modèle ANN et du modèle RNN a été comparé dans [144]. Les résultats montrent
que le temps de calcul du modèle RNN est significativement plus long que celui du
modèle ANN dans tous les scénarii. Dans [178], le temps d’exécution moyen du mo-
dèle hybride proposé est d’environ 153 s. Dans [93], le temps CPU avant et après
réduction de certaines variables d’entrée est comparé. Le temps d’exécution total en
minutes pour tous les modèles comparatifs est fourni dans [192]. Selon les résultats,
le modèle hybride de CNN et GRU nécessite 83 minutes de temps d’exécution. Dans
[209], le temps d’exécution du modèle hybride proposé avec les quatre ensembles de
données est fourni, il varie de 194 s à 211 s. Dans [239], le temps d’exécution du mo-
dèle hybride proposé est de 155 s tandis que dans [220], il est de 382 s. Dans [189],
le temps de calcul a été calculé pour différentes tailles d’entrée. Avec 15 entrées (pas
de temps), le temps de calcul était inférieur à une demi-seconde, ce qui montre la
faisabilité du modèle pour les applications en temps réel.
Conclusion partielle
Introduction
Après un tour dans la littérature afin de cerner les différents contours du sujet,
dans ce chapitre la technique de modélisation et de prévision proposée est développée
en détaillant étape par étape la méthodologie.
• quels sont les paramètres d’influence des variabilités des puissances de sortie de
ces systèmes (solaire photovoltaïque et éolienne) ?
• à partir des variations de ces paramètres, comment identifier pour une large
superficie et plus particulièrement un site donné les périodes de production et
d’exploitation optimale de ces systèmes ?
• dans ces périodes de productions optimales, comment avoir une idée des évolu-
tions futures des productivités de ces systèmes ?
Comme le montre la figure 2.1, les premières étapes sont celles d’identification
d’une technique de prévision adaptée à notre cas d’étude ainsi que des paramètres qui
rendent les variations des puissances de sortie des systèmes PV et éolienne aléatoires.
L’idée ici est alors de maîtriser les variations de ces paramètres afin de maîtriser celles
des puissances de sortie. Après ces deux premières étapes, la zone d’étude définie
est alors quadrillée puis échantillonnée afin de récupérer un nombre d’échantillons
représentatifs pour lesquels les données des paramètres d’influence sont acquises sur
une certaine période d’étude bien définie. Une fois ces échantillons obtenus, la zone
d’étude est découpée en sous-zones composées d’échantillons (points géographiques)
pour lesquels tous les paramètres d’influence identifiés varient sur la période d’étude
identiquement ou presque.
Ces sous-zones formées, il est alors possible de prendre un échantillon par sous-
zone comme représentant de tous les échantillons de celle-ci : l’étude des variabilités
des paramètres d’influence sur toute la zone d’étude se résume alors à étudier les
variabilités de ces paramètres pour les échantillons retenus par sous-zones. A l’aide
des données de ces échantillons retenus, chaque sous-zone est ensuite caractérisée :
il est recherché à cette étape les comportements probables des différents systèmes
(PV, Éolienne, PV/Éolienne) dans chaque sous-zone puis les périodes de production
optimale. Ces périodes de production optimale correspondent alors aux périodes dont
les données sont utilisées pour développer les modèles de prévision : il est inutile de
développer des modèles de prévision capables de faire des prévisions pour des périodes
où les systèmes ne seraient pas vraiment exploités. Toutes ces étapes conduisent alors
à:
Le choix d’une technique adaptée pour une tâche de prévision est importante
pour l’atteinte des objectifs visés. Deux principales méthodes sont utilisées pour les
prévisions PV et éolienne : la méthode directe et la méthode indirecte.
La figure 2.2 présente le principe de la prévision directe. Pour ce type de prévi-
sion, des observations passées de la puissance sont utilisées pour estimer ses valeurs
futures en se basant sur les données de puissance enregistrées pendant la période
d’exploitation du système. Pour cela, un modèle d’apprentissage automatique est
entraîné avec l’historique des données de puissance puis lorsque l’entraînement est
réussi, est utilisé pour effectuer les prévisions. Cette technique a l’avantage d’être
simple en terme d’architecture et en temps de calcul mais n’est appliquée que pour
des systèmes déjà installés et exploités. De plus le modèle de prévision doit être
reconstruit lorsque le système ou le site d’installation change. Ce type de prévision
peut s’avérer compliqué comme indiqué dans la littérature car prenant en compte
indirectement l’architecture des systèmes concernés.
Les figures 2.3 et 2.4 présentent les deux principes utilisés pour la prévision in-
directe. Ces techniques font un lien indirect entre les paramètres météorologiques
d’influence de la puissance de sortie et celles-ci.
pour des systèmes existants. Donc le modèle doit aussi être reconstruit entièrement
lorsque la configuration du système change.
Une fois une technique de prévision identifiée, la zone d’étude à laquelle elle doit
être appliquée doit être définie. Bien que les espaces géographiques aient rarement des
formes régulières, pour décrire la méthodologie, une zone d’étude régulière de forme
rectangulaire est définie et délimitée par quatre points A, B, C et D de longitudes
respectives LA , LB , LC , LD et de latitudes respectives lA , lB , lC et lD (Figure 2.5).
Une fois la zone d’étude définie, elle est quadrillée puis échantillonnée. Comme le
montre la figure 2.5, sont définis un pas de quadrillage ∆t en longitude comme en
latitude et deux types d’échantillons : ceux en bleu et ceux en rouge. Les échantillons
représentent ici des points géographiques appartenant à la zone d’étude. Ceux en
bleu sont exploités lors de l’étude et ceux en rouge sont utilisés après l’étude pour
vérifier l’applicabilité des résultats sur tous points géographiques de la zone d’étude.
Ainsi un pas d’échantillonnage ∆t sépare deux échantillons ’bleus’ en latitude ou
en longitude ainsi que deux échantillons ’rouges’. Un pas ∆t optimal permet donc
de définir un nombre d’échantillons vraiment représentatif de toute la zone d’étude.
Plus loin dans ce chapitre, il sera présenté la technique d’optimisation du pas ∆t
utilisée.
Une fois les échantillons obtenus, il faut à présent acquérir les données d’étude
(paramètres météorologiques) puis les traiter pour qu’elles soient exploitables. La
technique de prévision retenue (figure 2.4) impose de faire la prévision de paramètres
météorologiques puis d’estimer les puissances en sortie à base de celles-ci. Il faut donc
à priori les identifier.
Une fois les paramètres recensés, une base de données pouvant fournir les données
relatives à ceux-ci pour tous les échantillons est identifiée. Pour nos travaux, la base
de données POWER | Data Access Viewer de la NASA a été identifiée et exploitée
[245]. Les informations relatives aux données qui y sont téléchargées sont présentées
ci-dessous :
• Période : 1er Janvier 2012 au 31 Décembre 2021 ;
• Satellite : MERRA-2 ;
◦ ◦
• Résolution : 12 × 58 latitude/longitude ;
• Longitude : de LA à LB par pas de ∆t 2 ;
• Latitude : de lA à lD par pas de 2 ;
∆t
Pour obtenir des modèles de prévision de bonnes performances, les données d’en-
trée doivent la plupart du temps être pré-traitées. Cette étape est la plus importante
et constitue généralement la plus grande partie d’une tâche de prévision car un mo-
dèle de prévision ne tire les informations que des données qu’on lui présente [246–248].
Dans cette sous-section, sont présentées les différentes méthodes de prétraitement des
données d’entrée pour les prévisions PV et Eolienne puis celles retenues dans notre
méthodologie.
Le prétraitement des données est un processus qui consiste à préparer les données
brutes et à les rendre adaptées à un modèle d’apprentissage automatique. Il s’agit de
la première étape cruciale de la création d’un modèle d’apprentissage automatique
(Figure 2.6).
Lors d’un projet d’apprentissage automatique, il n’est pas toujours possible de
trouver des données propres et formatées. Et lorsqu’on effectue une opération avec
des données, il est obligatoire de les nettoyer et de les mettre en forme. Les étapes
utilisées dans le prétraitement des données sont les suivantes :
1. Profilage des données. Le profilage des données est le processus d’examen,
d’analyse et de révision des données afin de recueillir des statistiques sur leur
qualité. Il commence par une étude des données existantes et de leurs caracté-
ristiques. Les spécialistes des données identifient les ensembles de données qui
sont pertinents pour le problème à résoudre, inventorient leurs attributs impor-
tants et formulent une hypothèse sur les caractéristiques qui pourraient être
pertinentes pour la tâche d’analyse ou d’apprentissage automatique proposée.
Ils établissent également un lien entre les sources de données et les concepts
commerciaux pertinents et examinent quelles bibliothèques de prétraitement
pourraient être utilisées.
2. Nettoyage des données. Le nettoyage des données est particulièrement effectué
dans le cadre du prétraitement des données pour nettoyer les données en rem-
La qualité des données d’entrée est cruciale pour des prévisions précises et fiables.
De nombreux projets de recherche ont utilisé des données historiques de séries tem-
porelles de la production photovoltaïque ainsi que des informations météorologiques
sur des centrales électriques spécifiques et leurs emplacements géographiques à des
fins de modélisation. Cependant, ces ensembles de données comportent souvent des
éléments statiques intermittents ou des pics causés par les variations météorologiques
ou saisonnières, les fluctuations de la demande d’électricité et les défaillances du sys-
tème électrique. Il s’agit de valeurs aberrantes qui ne suivent aucune tendance, sont
influencées par des événements fortuits et affectent considérablement les prévisions.
En outre, les données peuvent parfois être corrompues ou manquantes en raison de
défauts des capteurs ou d’enregistrements erronés. Par conséquent, il est impéra-
tif de prétraiter les données d’entrée déformées en les reconstruisant à l’aide de la
décomposition, de l’interpolation ou des ajustements saisonniers [249] (c’est-à-dire
le nettoyage des données et le changement de structure). Pour ce faire, plusieurs
techniques sont mentionnées dans la littérature existante, telles que la transformée
en ondelettes ("Wavelet Transform" - WT), la décomposition en mode empirique,
la normalisation et l’analyse du spectre singulier [250], chacune ayant ses propres
forces et faiblesses. Reikard [251] a utilisé un outil statistique pour éliminer la ten-
dance saisonnière des données d’irradiation solaire. Son étude a démontré un taux
d’apprentissage modifié avec une précision de prédiction améliorée pour le modèle
développé. De même, Baig, et al. [252] et Kaplanis [253] ont utilisé une technique de
tendance pour l’ensemble des données d’irradiation solaire car il est assez compliqué
de déterminer précisément la tendance du rayonnement solaire quotidien en raison du
comportement météorologique quotidien. Dans [254], Boland a trouvé une faible er-
traitement des données ont été recensées :la décomposition, la sélection des caracté-
ristiques, l’extraction des caractéristiques, le débruitage, la modélisation des erreurs
résiduelles, la détection des aberrations et la correction basée sur les filtres. Elles
sont adoptées dans les modèles de prévision à des fins différentes. En général, la dé-
composition est adoptée pour transformer la série originale en plusieurs sous-séries
relativement stationnaires, de manière à réduire la difficulté de la prévision. La sélec-
tion et l’extraction de caractéristiques sont utilisées pour réduire la dimensionnalité.
Et les quatre autres méthodes sont employées pour corriger les ensembles de données
d’entrée ou les résultats de la prévision.
Ce cadre utilise des méthodes de décomposition pour décomposer les séries tempo-
relles originales non stationnaires en plusieurs sous-séries relativement stationnaires,
puis construit un modèle de prévision sur chaque sous-série pour obtenir plusieurs
résultats de prévision individuels. Le résultat final de la prévision est obtenu en addi-
tionnant tous les résultats individuels de la prévision. En prévoyant indépendamment
chaque sous-série à l’aide du prédicteur, on peut améliorer la précision de la prévi-
sion des séries d’énergie éolienne. L’efficacité de la décomposition peut également
être expliquée sous l’angle de la fréquence. Les sous-séries ont des bandes de fré-
quence plus concentrées, ce qui fait que les prédicteurs n’ont besoin de se concentrer
que sur les composants d’une seule bande de fréquence et réduit la difficulté de la
prévision. Après une analyse exhaustive de la littérature, les principales méthodes
de décomposition utilisées dans la prévision de l’énergie éolienne peuvent être divi-
sées en cinq catégories : décomposition par ondelettes [259], décomposition par EMD
(Empirical Mode Decomposition) [260], décomposition par mode variationnel [261],
décomposition auto-adaptative [262] et décomposition hybride [263].
Tableau 2.1 – Résumé des méthodes de sélection des caractéristiques dans la pré-
vision de l’énergie éolienne
En général, les valeurs aberrantes des séries temporelles sont des points de don-
nées qui ne suivent pas un modèle général de changement ou une tendance historique.
Lorsque les données sont affectées par des valeurs aberrantes, les modèles basés sur les
données peuvent apprendre par erreur les informations anormales des données elles-
mêmes, et il est difficile d’obtenir une grande précision dans la prédiction basée sur
l’ensemble des données. Deux solutions principales sont utilisées pour réduire l’im-
pact négatif des aberrations sur le modèle, notamment les méthodes de détection des
valeurs aberrantes et les modèles de régression robustes [92, 161, 270]. Les méthodes
de détection des valeurs aberrantes servent de méthode de prétraitement pour détec-
ter et corriger les valeurs aberrantes. Les modèles de régression robuste ne détectent
ou ne traitent pas directement les valeurs aberrantes, mais contrôlent l’influence de
l’anomalie par le biais de la fonction de perte ou des distributions d’erreurs. Plus de
détails sur les modèles de régression robuste pour la prévision de la vitesse du vent
peuvent être trouvés dans les références [270–273]. Nous nous concentrons ici sur les
Dans cette sous-section la technique adoptée pour le traitement des données mé-
téorologiques des échantillons acquises est présentée. Elle est présentée par le dia-
gramme de la Figure 2.11 et débute par l’étape de visualisation des données. A cette
étape, les données sont représentées puis observées afin de détecter d’éventuelles
anomalies (absence de données, données aberrantes, tendance anormale...). A cette
étape, il est parfois difficile d’identifier toutes les anomalies juste en observant les
ce qui peut aider à éliminer toute tendance ou saisonnalité dans les données. Prendre
le logarithme népérien des données peut rendre stationnaires certaines séries tempo-
relles non stationnaires.
Il convient de noter que toutes les séries temporelles ne sont pas stationnaires.
De nombreuses séries temporelles du monde réel sont non stationnaires. Il est im-
portant d’être conscient de cette hypothèse dans l’analyse des séries temporelles et
de prendre les mesures appropriées pour tenir compte de la non-stationnarité. En
outre, la non-stationnarité peut être due à de multiples raisons, telles que la ten-
dance, la saisonnalité et l’irrégularité. Par conséquent, pour la rendre stationnaire, il
est important d’identifier le type de non-stationnarité.
′
yt = yt − yt−1 (2.1)
Les modèles de marche aléatoire sont largement utilisés pour les données non station-
naires, en particulier les données de longues périodes de tendances apparentes à la
hausse ou à la baisse ou ayant des changements de direction soudains et imprévisibles.
′′ ′ ′
yt = yt − yt−1 (2.2)
Nous modéliserions alors le "changement dans les changements" des données d’origine.
Dans la pratique, il n’est presque jamais nécessaire d’aller au-delà des différences de
second ordre.
′
yt = yt − yt−m (2.3)
où m est le nombre de saisons. Ces différences sont également appelées " lag-m
differences ", car nous soustrayons l’observation après un décalage de m périodes.
Valeurs manquantes .
Pour gérer les valeurs manquantes, il faut soit les ignorer ou soit les remplacer. Les
ignorer est envisagé lorsque l’ensemble de données est volumineux et que de nom-
breuses valeurs manquantes sont présentes dans un tuple. Dans le cas contraire, il
est possible de les remplacer soit manuellement soit en les prévoyant à l’aide d’une
méthode de régression ou de méthodes numériques telles que la moyenne des attri-
buts.
Données bruitées .
Il s’agit d’éliminer une erreur aléatoire ou une variance dans une variable mesurée.
Cette opération peut être réalisée à l’aide des techniques suivantes :
• Regroupement : Il s’agit d’une technique qui fonctionne sur des valeurs de don-
nées triées afin de lisser tout bruit présent dans celles-ci. Les données sont divi-
sées en bacs de taille égale et chaque bac est traité indépendamment. Toutes les
données d’un segment peuvent être remplacées par leur moyenne, leur médiane
ou leurs valeurs limites.
• Régression : Cette technique d’exploration de données est généralement utilisée
pour la prédiction. Elle permet de lisser le bruit en ajustant tous les points de
données dans une fonction de régression. L’équation de régression linéaire est
utilisée s’il n’y a qu’un seul attribut indépendant ; dans le cas contraire, des
équations polynomiales sont utilisées.
• Classification : Création de groupes/clusters à partir de données ayant des va-
leurs similaires. Les valeurs qui ne se trouvent pas dans un cluster peuvent être
traitées comme des données bruitées et peuvent être supprimées.
L’un des modèles décrivant l’atmosphère terrestre est le modèle ISA [277], Inter-
national Standard Atmosphere, qui utilise l’altitude géopotentielle pour obtenir la
température. Selon ce modèle, la température augmente, diminue ou reste constante
à mesure que l’on s’élève dans l’atmosphère, contrairement à la pression, qui ne di-
minue qu’avec l’altitude et la densité de l’air. Comme il peut être remarqué sur la
figure 2.12, dans la Troposphère (0 à 12 km), la partie la plus basse de l’atmosphère
terrestre, qui est chauffée par la surface de la Terre, la température diminue d’environ
6,5°C par km. Ainsi on a :
T2 = T1 − L × h (2.4)
Gb = G − Gd (2.6)
cos θ
Gb,β = Gb × (2.7)
cos θz
où θ et θz sont respectivement l’angle d’incidence et l’angle zénithal. On déter-
mine ensuite à partir de l’équation 2.8 l’irradiation diffuse réfléchie par le sol
sur un plan incliné d’un angle β (Gr,β .
1
Gr,β = ρ × G × (1 − cos β) (2.8)
2
avec ρ le coefficient de réflexion (albédo du sol) le plus souvent pris égal à 0,2.
• Étape 3 : Pour finir, on estime la composante diffuse sur un plan incliné en
utilisantï le modèle
Å deÅKlucher
ããò ï (Équation Å2.9).
ãò
β 3 β
Gd,β = Gd 0, 5 1 + cos 1 + F sin 1 + F cos2 (θ) sin3 (θz ) (2.9)
2 2
2
où F = 1 − (Gd /G) . L’irradiation totale Gβ , reçue sur un plan incliné à un angle β
pour une heure, s’exprime par :
2.5.3.3.4 Détermination des fréquences les plus importantes des paramètres mé-
téorologiques
.
Comme il s’agit ici de séries temporelles météorologiques, elles ont souvent par
exemple de claires périodicités journalières, annuelles. Pour faciliter la prévision, il
est important de faire comprendre ces notions de fréquence aux modèles. Pour cela la
Transformation de Fourier Rapide (TFR) sous Python 3 est utilisée pour déterminer
dans ces séries les fréquences importantes.
2π
Å Å ãã
xsin = sin t ∗ (2.12)
T
2π
Å Å ãã
xcos = cos t ∗ (2.13)
T
où xsin et xcos sont les nouvelles variables ajoutées, t le temps en seconde et T la
période importante identifiée.
Wx et Wy sont les deux nouvelles variables créées, Ws les vitesses de vent en m/s et
Wd les directions de vent en radian.
Normalisation Min-Max .
La normalisation, souvent simplement appelée mise à l’échelle Min-Max, réduit l’éten-
due des données de manière à ce qu’elle soit fixée entre 0 et 1 (ou entre -1 et 1 s’il y
a des valeurs négatives). Elle est plus efficace dans les cas où la standardisation ne
fonctionne pas aussi bien. Si la distribution n’est pas gaussienne ou si l’écart-type est
x − min (x)
xnorm = (2.16)
max (x) − min (x)
Standardisation .
La standardisation (ou normalisation du score Z) est le processus de remise à l’échelle
des caractéristiques afin qu’elles aient les propriétés d’une distribution gaussienne
avec µ = 0 et σ = 1 où µ est la moyenne et σ l’écart type par rapport à la moyenne ;
les scores standards (également appelés scores z) des échantillons sont calculés comme
suit :
x−µ
xstand = (2.17)
σ
K-fold cross-validation .
La validation croisée k-fold [Mitchell, 1997] utilise une combinaison de plusieurs tests
pour obtenir une estimation stable de l’erreur du modèle. Elle est utile si l’on ne
dispose pas de suffisamment de données pour la validation croisée de retenue.
L’ensemble de données D est divisé en k parties de même taille. Une partie consti-
tue l’ensemble de validation (test) Dv , les autres parties forment l’ensemble d’appren-
tissage Dtr . Ce processus est répété pour chaque partie des données. L’algorithme 2
décrit cette méthode plus en détail. Contrairement à la méthode précédente, il n’y
a pas d’ensemble de test séparé et la proportion des sous-ensembles de formation et
de validation est strictement limitée par le nombre de plis k.
end
Nous rappelons que l’objectif visé est de pouvoir développer un outil d’identi-
fication des périodes de productions optimales et de prévision des variabilités des
puissances de sortie PV et Éolienne dans une très grande zone. Une fois donc que
les données sont acquises et traitées l’idée est de réduire le plus possible la zone
d’étude tout en ne perdant aucune information. Pour ce faire nous partons de l’hy-
pothèse selon laquelle les paramètres météorologiques d’étude identifiés (vitesse du
vent, irradiation, température ambiante) ne varieraient pas différemment pour tous
les échantillons. Ainsi donc il y auraient des points géographiques où ces paramètres
varieraient identiquement ou presque dans sur toute la période d’étude. La première
étape dans cette phase de réduction est donc de regrouper pour chaque paramètre
ces points géographiques sus-mentionnés.
Le clustering est une solution pour classer d’énormes données lorsqu’il n’y a pas
de connaissances préalables sur les classes. Avec l’émergence de nouveaux concepts
tels que l’informatique dématérialisée (cloud computing) et les données volumineuses
(big data) et leurs vastes applications au cours des dernières années, les travaux de re-
cherche se sont multipliés sur des solutions non supervisées telles que les algorithmes
de classification afin d’extraire des connaissances à partir de cette avalanche de don-
nées. Le clustering est une technique d’exploration de données qui consiste à placer
des données similaires dans des groupes apparentés ou homogènes sans connaissance
préalable des définitions des groupes. Plus précisément, les grappes sont formées en
regroupant les objets qui présentent une similitude maximale avec d’autres objets du
groupe et une similitude minimale avec des objets d’autres groupes. Il s’agit d’une
approche utile pour l’analyse exploratoire des données, car elle permet d’identifier
des structures dans un ensemble de données non étiquetées en organisant objecti-
vement les données en groupes similaires. En outre, le clustering est utilisé pour
l’analyse exploratoire des données afin de générer des résumés et en tant qu’étape de
prétraitement pour d’autres tâches d’exploration de données ou en tant que partie
d’un système complexe.
Un type particulier de clustering est le clustering de séries temporelles. Une sé-
quence composée d’une série de symboles nominaux issus d’un alphabet particulier
est généralement appelée séquence temporelle, et une séquence d’éléments continus
à valeur réelle est appelée série temporelle. Une série temporelle est essentiellement
classée comme une donnée dynamique parce que les valeurs de ses caractéristiques
changent en fonction du temps, ce qui signifie que la ou les valeurs de chaque point
d’une série temporelle est/sont une ou plusieurs observations qui sont faites chronolo-
giquement. Les données de séries temporelles sont un type de données temporelles qui
sont naturellement de haute dimension et de grande taille. Elles sont intéressantes en
raison de leur omniprésence dans divers domaines tels que la science, l’ingénierie, les
affaires, la finance, l’économie, les soins de santé et l’administration publique. Bien
que chaque série temporelle soit constituée d’un grand nombre de points de données,
elle peut également être considérée comme un objet unique.
Comme le montre la figure 2.13, le clustering peut généralement être classé en six
groupes : Algorithmes de partitionnement, hiérarchiques, basés sur une grille, basés
sur un modèle, de clustering basé sur la densité et de clustering en plusieurs étapes.
A titre illustratif, la figure 2.14 présente le principe de clustering utilisé. Nous par-
tons d’un ensemble d’échantillons (bonhommes de différentes couleurs) pris au sein
d’une certaine population. Si l’objectif ici est d’étudier les couleurs au sein de cette
population de bonhommes, notre technique constitue à grouper les échantillons par
couleurs puis de prendre un échantillon par groupe pour former une sous-population
constituée d’un échantillon par couleur. Ainsi nous partons d’un nombre assez grand
d’échantillons pour aboutir à un nombre d’échantillons égale au nombre de modalités
de la caractéristique étudiée.
Par analogie donc, les paramètres météorologiques étudiés étant des séries tem-
porelles, notre objectif est d’identifier pour chaque paramètre le nombre de profils
différents dans toute la zone d’étude. Nous regroupons donc par exemple pour la tem-
pérature les échantillons (points géographiques) pour lesquels la température varie
identiquement ou presque sur toute la période d’étude puis par groupe nous retenons
un échantillon comme représentatif de tout son groupe. Ainsi finalement nous avons
autant d’échantillons représentatifs que de profils différents dans la zone d’étude. Cet
exercice de clustering est effectué pour chaque paramètre météorologique.
externe. Ils sont souvent utilisés dans les cas où les solutions correctes ne sont
pas connues. La somme des erreurs quadratiques est l’une des méthodes in-
ternes les plus utilisées, dans laquelle la distance par rapport au cluster le plus
proche détermine l’erreur. Ainsi, les clusters dont les séries temporelles sont si-
milaires devraient donner des valeurs d’erreur plus faibles. L’indice de distance
entre deux clusters ("Distance between two clusters"), l’écart-type quadratique
("Root Mean Mean Square Standard Deviation"), l’indice de Silhouette, l’in-
dice R-carré, l’indice Hubert-Levin, l’indice R-carré semi-partiel (SPR), l’in-
dice inter-intra pondéré, l’indice d’homogénéité et l’indice de séparation sont
les indices internes les plus répandus.
Comme nous n’avons aucune idée des nombres de clusters (nombres de profils
différents), nous optons pour une indice interne : le silhouette score. Le coefficient
de silhouette ou score de silhouette est une métrique utilisée pour calculer la qualité
d’une technique de clustering. La classification est mauvaise lorsque l’on obtient un
coefficient négatif. L’élément classé est proche de la frontière de décision ou est seul
dans le cluster lorsque nous obtenons un coefficient égal à zéro. La classification est
bonne lorsque l’on obtient un coefficient positif. Son expression est donnée par la
formule (2.18) :
b (x) − a (x)
Ssil = (2.18)
max [a (x) , b (x)]
Où :
1
a(x) = d (u, x) (2.19)
X
|Ck | − 1 u∈Ck ,u̸=x
1 X
Ç å
b (x) = minl̸=k d (u, x) (2.20)
|Cl | u∈Cl
a(x) représente la distance moyenne de x par rapport à tous les autres points du
cluster Ck auquel il appartient et b(x) la plus petite valeur que a(x) pourrait prendre,
si x était assigné à un autre cluster.
Une fois que pour chaque paramètre météorologique des clusters sont formés, nous
formons des sous-zones constituées d’échantillons pour lesquels tous les paramètres
d’études varient identiquement. Ainsi, dans chaque sous-zone l’irradiation, la tempé-
rature, la vitesse du vent varient identiquement pour tous les échantillons. Autrement
dit, tous les échantillons de chaque sous-zone appartiennent aux mêmes clusters pour
• Nous fixons un score de silhouette minimum de 0,9 : tous les éléments d’un
même cluster doivent se ressembler à 90% ;
• Nous dédoublons le pas d’échantillonnage puis reformons les clusters tant que
les nombres de clusters augmentent : l’augmentation des nombres de clusters
traduit une non-suffisance du nombre d’échantillons pour représenter toute la
zone d’étude ;
Une fois les sous-zones formées, elles sont ensuite caractérisées en identifiant les
types de systèmes qui peuvent y être installés (PV, Éolienne, Hybride PV-Éolienne)
pour une production optimale.
Pour la décision d’installation d’un système photovoltaïque, seuls les aspects qua-
litatifs de la météo sont pris en compte ici (la disponibilité d’espace ainsi que les
aspects d’ombrage sur le terrain ne sont pas pris en compte). Une production opti-
male serait donc obtenue à partir de :
• une irradiation solaire de qualité et un productible annuel élevé,
• une température adéquate pour le fonctionnement optimal des modules : les
panneaux solaires sont testés à une température d’environ 25°C et sont conçus
pour fonctionner de manière optimale entre 15°C et 35°C.
Une fois l’assurance d’exploitation optimale d’un générateur PV obtenue, les pé-
riodes de l’année où cette production optimale peut être obtenue peuvent être déter-
minées en vérifiant les mois dans lesquels ces conditions sont réunies. Ainsi pendant
les mois à retenir pour une production PV optimale :
• le ciel doit être moyennement clair (indice de clarté moyen élevé) pour garantir
une irradiation de qualité,
• la température ambiante doit être comprise entre 15°C et 35°C.
projet d’énergie éolienne. Wais [298] décrit la technique d’évaluation du vent et ex-
plique sa relation avec la production d’énergie. La puissance disponible du flux d’air
libre qui traverse la section transversale AR , à une vitesse constante v, est :
1
Pv = ρAR v 3 (2.21)
2
2
où ρ est la densité de l’air, AR = πD 4 est la section transversale du rotor et D
est le diamètre du rotor de la turbine. L’équation (2.21) montre que les facteurs
qui influencent la puissance disponible dans le flux éolien sont la surface du rotor
éolien, la densité de l’air et la vitesse du vent. L’effet de la vitesse du vent sur la
valeur de la puissance éolienne est plus important en raison de sa relation cubique.
La détermination des conditions de vent sur le site prévu pour l’implantation de
l’éolienne est une tâche importante, car de petites variations de la vitesse du vent
peuvent entraîner une variation significative de la production d’énergie. Comme la
vitesse du vent varie, il est nécessaire de connaître la distribution des fréquences et
de donner des informations sur le nombre d’heures pendant lesquelles la vitesse se
situe dans une fourchette spécifique.
Le calcul statistique de l’énergie éolienne nécessite la connaissance de la distri-
bution des vitesses du vent sur un site donné. Une détermination correcte de la
distribution de probabilité des valeurs de la vitesse du vent est très importante pour
évaluer l’énergie éolienne dans une région. Bien que différents modèles de distribution
de la vitesse du vent soient appliqués pour ajuster la vitesse du vent sur une période
donnée, la fonction de Weibull à deux paramètres est considérée comme la technique
la plus populaire. Elle est largement utilisée par les chercheurs impliqués dans l’ana-
lyse de la vitesse du vent et de l’énergie éolienne depuis de nombreuses années. En
outre, selon les normes internationales [299], la production annuelle d’énergie est esti-
mée en appliquant une distribution de Rayleigh, qui est identique à une distribution
de Weibull avec un facteur de forme de 2. La procédure mentionnée est utilisée pour
mesurer les caractéristiques de puissance d’un seul système de générateur éolien et
fournit une méthodologie uniforme garantissant la cohérence et la précision de la
mesure et de l’analyse de la puissance d’une turbine éolienne.
La fonction de densité de probabilité de Weibull à deux paramètres est exprimée
par : Å ã k−1
k v
e−( A )
v k
p (v) = (2.22)
A A
où v est la vitesse du vent et v > 0, k > 0, A > 0.
Une fois rassuré de l’utilisation d’un aérogénérateur dans une sous-zone, la déter-
mination des mois pendant lesquels on peut en faire usage est conditionnée par :
• une vitesse moyenne mensuelle supérieure à la vitesse de démarrage de l’aéro-
générateur à installer,
• une variance faible de la vitesse de vent.
La technique de caractérisation des sous-zones a été présentée dans cette section.
Les critères de définition des configurations des systèmes et d’identification de leurs
périodes de production optimale ont été présentés.
Cette mémoire à long terme est stockée dans l’état cellulaire. En outre, il existe
également un état caché dans lequel sont stockées les informations à court terme des
étapes de calcul précédentes. L’état caché est la mémoire à court terme du modèle.
À chaque étape du calcul, l’entrée actuelle x(t) est utilisée, de même que l’état
précédent de la mémoire à court terme c(t − 1) et l’état précédent de l’état caché
h(t − 1). L’architecture d’un réseau LSTM est présentée à la figure 2.16. Une unité
LSTM est alors constituée d’une cellule, d’une mémoire dynamique C et de trois
portes : Forget Gate, Input Gate, Output Gate. En effet, la Forget Gate est une
opération qui amène l’unité à oublier ou à diminuer le poids d’une information qui
était utile à l’instant t − 1 mais qui ne l’est plus à l’instant t alors que l’Input
Gate permet le stockage de nouvelle information inexistante ou de très faible poids à
l’instant t − 1. Enfin, l’output Gate pilote l’information qui sera transmise au temps
t + 1 en fonction de la mémoire dynamique C et de la fonction d’activation. La
cellule LSTM, grâce à ce vecteur mémoire C, mémorise les valeurs sur des intervalles
de temps arbitraires et les trois portes régulent le flux d’informations entrant et
sortant de la cellule.
′
ct = ft ∗ ct−1 + it ∗ cf (2.29)
Dans ces équations, Wf , Wi , Wc et Wo sont les matrices de poids pour les diffé-
rentes portes, et bf , bi , bc et bo sont les vecteurs de biais correspondants.
m n
Comme montré par les figures 2.16 et 2.17, les réseaux LSTM et CNN sont consti-
tués de plusieurs couches dont les configurations influent sur leurs performances d’ap-
prentissage. Ainsi pour une tâche de prévision donnée, le paramétrage optimal pour
aboutir à de bonnes performances de prévision avec un temps de calcul réduit doit
être recherché.
En général, l’élaboration d’un modèle d’apprentissage automatique efficace est un
processus complexe et fastidieux qui implique de déterminer l’algorithme approprié et
d’obtenir une architecture de modèle optimale en réglant ses hyperparamètres (HP).
Il existe deux types de paramètres dans les modèles d’apprentissage automatique :
l’un peut être initialisé et mis à jour par le processus d’apprentissage des données,
appelé paramètres du modèle ; l’autre, appelé hyperparamètres, ne peut pas être
estimé directement à partir de l’apprentissage des données et doit être défini avant
l’entraînement d’un modèle d’apprentissage automatique car il définit l’architecture
d’un modèle d’apprentissage automatique. Les hyperparamètres sont les paramètres
utilisés pour configurer un modèle ML ou pour spécifier l’algorithme utilisé pour
minimiser la fonction de perte.
Pour construire un modèle optimal, il faut explorer un éventail de possibilités.
problème (par exemple, l’entropie croisée binaire pour les problèmes de classification
binaire, l’entropie croisée multi-classes pour les problèmes de multi-classification et
la RMSE pour les problèmes de régression). Un autre hyperparamètre important est
le type de fonction d’activation utilisé pour modéliser les fonctions non linéaires, qui
peut être réglé sur "softmax", "rectified linear unit (ReLU)", "sigmoïde", "tanh" ou
"softsign". Enfin, le type d’optimiseur peut être défini comme suit : descente sto-
chastique du gradient ("stochastic gradient descent", SGD), estimation adaptative
des moments ("adaptive moment estimation", Adam), propagation de la moyenne
quadratique ("root mean square propagation", RMSprop), etc.
D’autre part, d’autres hyperparamètres sont liés au processus d’optimisation et
d’apprentissage des modèles du DL ; ils sont donc classés dans la catégorie des hy-
perparamètres d’optimisation. Le taux d’apprentissage est l’un des hyperparamètres
les plus importants dans les modèles du DL. Il détermine la taille du pas à chaque
itération, ce qui permet à la fonction objectif de converger. Un taux d’apprentissage
élevé accélère le processus d’apprentissage, mais le gradient peut osciller autour de la
valeur minimale locale, voire ne pas converger. En revanche, un taux d’apprentissage
faible converge en douceur, mais augmente considérablement la durée d’apprentis-
sage du modèle en exigeant davantage le nombre de sessions d’apprentissage. Un taux
d’apprentissage approprié permet à la fonction objective de converger vers un mini-
mum global en un temps raisonnable. Un autre hyperparamètre courant est le taux
d’abandon. L’abandon est une méthode de régularisation standard pour les modèles
DL, proposée pour réduire l’ajustement excessif. Dans cette méthode, une proportion
de neurones est sélectionnée et supprimée de manière aléatoire, et le pourcentage de
neurones à supprimer doit être ajusté.
La taille du mini-lot et le nombre de cycles sont les deux autres hyperparamètres
des modèles du DL qui représentent respectivement le nombre d’échantillons traités
avant la mise à jour du modèle et le nombre de passages complets sur l’ensemble de
données de formation. La taille du mini-lot est affectée par les besoins en ressources
du processus de formation, la vitesse et le nombre d’itérations. Le nombre de cycles
dépend de la taille de l’ensemble d’apprentissage et doit être ajusté en augmentant
lentement sa valeur jusqu’à ce que la précision de validation commence à diminuer,
ce qui indique un surajustement. D’autre part, les modèles DL convergent souvent
en quelques cycles, et les cycles suivants peuvent entraîner un temps d’exécution
supplémentaire inutile et un surajustement, ce qui peut être évité grâce à la mé-
thode d’arrêt anticipé. L’arrêt anticipé est une forme de régularisation par laquelle
l’apprentissage du modèle s’arrête à l’avance lorsque la précision de la validation
Une fois les paramètres optimaux des modèles déterminés, ils sont ensuite entraî-
nés avec les données des périodes de production optimales identifiées pour chaque
sous-zone. Ceci nous conduira au développement de modèles de prévision efficaces
pour la prévision des puissances de sortie des systèmes caractéristiques de toutes
les sous-zones. Le développement et l’entraînement des modèles sont faits avec Ten-
sorflow sous python. TensorFlow est une plateforme open source de pointe pour
l’apprentissage automatique. Elle dispose d’un écosystème complet et flexible d’ou-
tils, de bibliothèques et de ressources communautaires qui permet aux chercheurs
de faire progresser l’apprentissage automatique et aux développeurs de créer et de
déployer facilement des applications basées sur l’apprentissage automatique [304].
Une fois les modèles développés, pour valider leurs performances, une deuxième
validation cette fois ci expérimentale est prévue. Leurs prévisions (irradiation, tem-
pérature et vitesse du vent prévues) sont comparées à des valeurs mesurées sur site.
Pour cela une station météorologiques à été acquise (Figure 2.18).
Elle est composée d’un capteur de température atmosphérique RK330-01B (Fi-
gure 2.19), un pyranomètre RK200-04 (Figure 2.20), un anémomètre RK100-02 (Fi-
gure 2.21), une girouette RK110-02 (Figure 2.22) et un enregistreur de données
RK600-07B (Figure 2.23).
Une documentation détaillée sur chaque capteur ainsi que sur l’enregistreur de
données utilisé est fournie en ANNEXE A.
Dans cette section la méthodologie de développement des modèles de prévision
des paramètres météorologiques d’influence a été présentée. Ainsi les modèles CNN
et LSTM ont été retenus et la librairie python Keras Tuner a été retenue pour l’op-
timisation de leurs hyperparamètres. La librairie python Tensorflow à été retenue
pour le développement et l’entrainement des modèles. Pour la validation expérimen-
tale des performances de prévision, des capteurs sont prévus pour mesurer sur site
les données météorologiques afin d’être comparées aux prévisions.
Une fois les prévisions des paramètres météorologiques effectuées, il est alors pos-
sible d’estimer les puissances de sorties à l’aide de modèles mathématiques appro-
priés.
La figure 2.24 présente une courbe typique de la puissance éolienne. Elle peut être
divisée en quatre régions en fonction de la vitesse du vent à l’entrée (VI ), de la vitesse
du vent nominale (VR ) et de la vitesse du vent à la sortie (VO ). Lorsque la vitesse du
vent (V ) est inférieure à VI (c’est-à-dire dans l’intervalle [0; VI ] ; Région I), l’éolienne
est à l’arrêt et aucune énergie éolienne n’est produite. Par ailleurs, aucune énergie éo-
lienne n’est produite lorsque la vitesse du vent dépasse VO (région IV), car l’éolienne
est arrêtée pour éviter les défauts et les dommages. Lorsque VR < V < VO , l’éolienne
produit la puissance éolienne nominale. Pour la courbe de puissance théorique, four-
nie par le fabricant de l’éolienne et estimée dans des conditions météorologiques et
topographiques idéales, la puissance éolienne (P ) dans l’intervalle VI ≤ V ≤ VR (ré-
gion II) est exprimée par 12 Cp ρπR2 V 3 , où Cp ; ρ ; R représentent respectivement le
coefficient de puissance de l’éolienne, la densité de l’air et le rayon du rotor éolien.
V − VI
p2 (V ) = PR (2.38)
VR − VI
Cependant, pour plusieurs segments, un modèle plus général semble donner des ré-
sultats plus précis, comme l’exprime l’équation (2.39) [313–315] :
V k − VIk
p2 (V ) = PR (2.39)
VRk − VIk
utilisé le modèle linéaire par morceaux suivant, qui peut être écrit comme un sys-
tème d’équations linéaires, pour décrire la courbe de puissance [316]. L’expression
correspondante peut être exprimée comme suit :
p1 (V ) = b1 V + a1
si c0 < V < c1
p2 (V ) = b2 V + a1 + (b1 − b2 ) c1
si c1 < V < c2
P (V ) = (2.40)
.. .. ..
. . .
pn (V ) = bn V + a1 + n̸=1 (bn−1 − bn ) cn−1 si cn−1 < V < cn
Pn−1
s
p2 (V ) = −m (2.42)
1 + e−a(V −c)
La première version d’une courbe de puissance basée sur une fonction de distri-
bution cumulative gaussienne (FDC) est donnée dans [321].
2
1 (x − c) 1 1
ñ ô
V −c
Z V Å ã
p2 (V ) = √ exp − dx = + erf √ (2.43)
−∞ 2πa 2a2 2 2 2a
2 Zz
erf (z) = √ exp −u2 du (2.44)
π 0
2
1 (x − c)
ñ ô
V −c
Z V s s Å ã
p2 (V ) = −m+s √ exp − dx = − m + erf √ (2.45)
−∞ 2πa 2a2 2 2 2a
V + IRs V + IRs
ï Å ã ò
I = IL − ID − Ish = IL − Io exp −1 − (2.46)
nVt Rsh
Dans la pratique, la résistance shunt présente une valeur élevée, certains auteurs
la considèrent donc comme infinie et la négligent. Cette simplification conduit à la
deuxième version du circuit équivalent à une diode illustré à la figure 2.26(b) et à sa
caractéristique (Équation 2.47), où seuls quatre paramètres doivent être déterminés.
V + IRs
ï Å ã ò
I = IL − ID − Ish = IL − Io exp −1 (2.47)
nVt
Afin d’utiliser les modèles de circuits électriques, les paramètres de l’équation carac-
téristique (IL , Io , Rs , Rsh et n), qui sont différents pour chaque type de module photo-
voltaïque, doivent être déterminés. Il s’agit d’une tâche non triviale car les équations
simultanées sont généralement non linéaires et comprennent des termes exponentiels.
Plusieurs méthodes d’extraction des paramètres ont été proposées ces dernières an-
nées ; ces méthodes peuvent être classées en trois catégories, à savoir les méthodes
analytiques, itératives et évolutionnaires. Les méthodes analytiques [323, 326, 327]
introduisent une série de simplifications et d’approximations qui permettent un cal-
cul rapide. Néanmoins, leur précision dans des conditions de fonctionnement non
standard s’avère médiocre. Les méthodes itératives [324, 328, 329] utilisent des mé-
thodes numériques pour résoudre les équations non linéaires associées au modèle PV.
Les méthodes numériques sont largement utilisées car elles offrent un compromis rai-
sonnable entre la simplicité, la précision et la vitesse de calcul. D’un autre côté, ces
méthodes dépendent largement des conditions initiales, ce qui affecte leur précision
′ PM P P ′ η ′ G ′
p = ∗ ; η = ∗ ; G = ∗ ; T = Tc − Tc∗ (2.49)
PM P P η G
Le modèle MPP le plus simple consiste à supposer une relation linéaire entre la
puissance et l’irradiation. C’est l’équation (2.50) :
′ ′ ′
p = G ou η = C ste (2.50)
formule est bien établie [333, 334] et est encore largement utilisée.
Au lieu d’utiliser un coefficient forfaitaire pour la puissance, un modèle similaire
peut être écrit à partir des coefficients de température pour le courant de court-
circuit, la tension en circuit ouvert et le facteur de remplissage, α, β (toujours trouvé
dans les fiches techniques) et ξ, respectivement. On déduit de l’équation 2.51 l’équa-
tion 2.52 qui suit :
′ ′ ′ ′
Ä äÄ äÄ ä
η = 1 + αT 1 + βT 1 + ξT (2.52)
γ =α+β+ξ (2.53)
′ ′ ′ ′
Ä äÄ ä
η = 1 + γT a1 + a2 G + a3 ln G (2.54)
ils peuvent être déterminés à partir de deux valeurs de la relation entre l’efficacité
et l’irradiation. Les fiches techniques ne donnent souvent que la valeur pour 200
′
W/m2 , η (0, 2). Il convient de noter que l’efficacité augmente avec la diminution
′
de l’irradiation, en raison de la résistance en série, représentée par le terme a2 G ,
donnant a2 ≤ 0, tandis que l’efficacité diminue avec la diminution de l’irradiation,
′
en raison de la résistance en dérivation, représentée par le terme a3 ln G , donnant
a3 ≥ 0. Par conséquent, une approximation prudente uniquement basée sur cette
Le tableau 2.5 contient une liste chronologique d’une variété de modèles MPP pro-
posés depuis le milieu des années quatre-vingt-dix - Équations 2.57 à 2.68. Notons
que les modèles diffèrent en ce qui concerne le nombre de paramètres empiriques
impliqués, allant de seulement deux (Équations 2.57 et 2.59) - jusqu’à six - Equa-
tions 2.62 et 2.67. Les propositions sont souvent justifiées par l’amélioration de la
précision, principalement pour les couches minces et les faibles irradiations, ainsi que
par le traitement du logarithme dans le cas où G = 0. Cependant, il est étonnam-
ment troublant de constater que les comparaisons avec les propositions de modèles
précédentes sont pratiquement absentes des publications décrivant la plupart de ces
modèles (de nombreux modèles n’ont été présentés qu’à des conférences, mais pas
dans des revues évaluées par des pairs). Il est intéressant de noter que des essais
circulaires de différentes méthodes de prédiction de l’énergie basées sur certains de
ces modèles dans le cadre des projets européens "PV-Catapult" et "Performance", qui
portent sur l’établissement de normes pour l’industrie photovoltaïque, ont conclu que
"toutes les méthodes étaient capables de prédire très bien la production d’énergie de
modules connus dans différents environnements" [341] et que "toutes les méthodes
de prédiction de l’énergie ont donné des résultats similaires, ce qui ne permet pas
d’effectuer une sélection préférentielle" [342].
Référence Formulation
Evans [336]
′
Ä ′ ′ä ′ ′
η G , T = 1 + a1 T + a2 log10 G (2.57)
Taylor [343]
′
Ä ′ ′ä ′ ′
η G , T = A + BG + CT (2.58)
Randall [337]
′
Ä ′ä ′
η G = 1 + a ln G (2.59)
Référence Formulation
Willians [59]
′
Ä ′ä ′ ′
η G = a1 + a2 G + a3 ln G (2.60)
Willians [338]
′
Ä ′ ′ä Ä ′
äÄ ′
Ä ′ä ′
ä
η G , T = 1 + αT 1 + c0 ln G + c1 ln2 G + βT (2.61)
Rosell [344]
PDC (Gef f , Tc ) = D1 Gef f + D2 Tc + D3 (ln Gef f )D5 + D4 Tc (ln Gef f )D5 (2.62)
Durisch [242]
Ä ′ ä î ′ Ä ′ äó Å Tc
ã
η G , Tc = a bG + G 1+d +e (2.63)
25
Heydenreich ï Å ã ò
G+e
[345] η (G) = aG + b ln (G + 1) + c ln2 −1 (2.64)
G+1
Montgareuil
′
Ä ′ä Ä ′ ä ′
Ä ′ ä2 Ä ′ä
[346] η G = 1 + a G − 1 + b ln G + c G − 1 + d ln2 G (2.65)
Reich [340]
′
Ä ′ä ′
Ä ′ ä
η G = a1 + a2 G + a3 ln G + a4 (2.66)
Huld [347]
Ä ′ ′ä ′
Ä ′ ′
ä ′ ′ ′ ′ ′
Ä ′ ä2
∗
PM P P G , T = G PM P P + k1 ln G + k2 ln G + k3 T + k4 T ln G + k5 T ln G + k6 T (2.67)
Silva [348]
′ 1 äÄ 1
Ä ä
η (G) = 1 + b ln G∗ − c (G∗ ) 2 1 + b ln G − cG 2 (2.68)
′
Ä ′ä Ä ′ä
Les formulations pour seulement η G et η G supposent implicitement que
la dépendance de l’efficacité par rapport à la température est donnée par un facteur
′
Ä ä
supplémentaire 1 + γT . Toutes les lettres autres que G, T et P représentent des
paramètres non dimensionnels ajustés empiriquement. Une idée immédiate qui se
dégage de ces comparaisons est que seuls trois paramètres indépendants, un pour la
température et deux pour l’irradiation, suffisent à décrire avec précision les perfor-
mances photovoltaïques des modules photovoltaïques en termes relatifs au STC.
Pour nos travaux, nous retenons le modèle d’Evans pour sa simplicité d’applica-
tion et sa prise en compte de l’irradiation et de la température pour l’estimation de
la puissance PV.
Plus de détails sont donnés sur les différents systèmes ainsi que leurs constituants
en ANNEXE A.
Dans cette section les choix des modèles les modèles d’estimation des puissances
éolienne et PV ont été présentés ainsi que les bancs d’essai pour la validation des
puissances prévues. Ces bancs sont constitués essentiellement d’un panneaux PV,
d’un aérogénérateur et des dispositifs d’acquisition de données. Le modèle d’Evans a
été retenu pour l’estimation de la puissance PV et le modèle segmenté linéarisé pour
l’approximation des courbes de puissance d’éoliennes.
Une fois les modèles optimaux développés et validés, le progiciel, livrable de cette
thèse peut être développé. Les différentes fonctionnalités de ce progiciel sont listées
ci-dessous :
• L’application communique à distance avec un système d’acquisition installé sur
le système de production et affiche en temps réel les mesures ;
Enfin dans cette dernière section, les étapes de conception du progiciel sont pré-
sentées ainsi que ses différentes fonctionnalités.
Conclusion partielle
Dans ce chapitre, le diagramme de recherche suivi dans ces travaux a été présenté.
Partant de l’acquisition des données, leur traitement en passant par la subdivision de
la zone d’étude, la caractérisation des sous-zones, le développement des modèles de
prévision et d’estimation de puissances pour finir par les validations expérimentales,
toutes les étapes de la méthodologie suivie ont été présentées en détail. Dans le
chapitre suivant les résultats d’application de cette démarche seront présentés.
Introduction
Une fois la zone d’étude délimitée, elle est quadrillée et échantillonnée. Conformé-
ment à la technique de quadrillage et d’échantillonnage présentée à la figure 2.5, deux
échantillons (d’étude et de validation) sont définis et le pas de quadrillage optimisé à
l’aide d’un algorithme dont le logigramme a été présenté à la Figure 2.15. La figure 3.6
présente l’évolution des nombres de clusters en fonction du pas de quadrillage ∆t.
Comme nous pouvons le constater, les nombres de clusters n’évoluent plus à partir
d’un pas de quadrillage de 0,15°. Ainsi, un pas de quadrillage de 0,15° en latitude et
en longitude est utilisé pour échantillonner toute la zone d’étude comme le montre
la figure 3.7. Ce pas de quadrillage nous conduit alors à un nombre d’échantillons
de 1081 pour l’étude et 1081 (Figure 3.8) pour la validation conformément à la
technique d’échantillonnage présentée au chapitre 2. Cette technique de quadrillage
et d’échantillonage a été publiée dans [351, 352]
Une fois les coordonnées des échantillons (points géographiques) connues, les don-
nées sur les paramètres météorologiques retenus (irradiation, température, vitesse
et direction du vent) sont téléchargées pour tous les échantillons sur toute la pé-
riode d’étude. Elles sont contenues dans des fichiers CSV (Comma Separated Values)
comme le montrent les figures 3.9 et 3.10.
Figure 3.9 – Présentation des fichiers téléchargés pour les 1081 échantillons
Afin de s’assurer d’éventuels erreurs, sauts ou données aberrantes les calculs des
maxima, minima, moyennes et écart-type sont faits. Les figures 3.11, 3.12 et 3.13
Ces différentes statistiques nous indiquent qu’il n’y a pas d’apparentes anomalies :
• Pour l’irradiation, les moyennes sur 24h se retrouvent entre 185 W/m2 et 242
W/m2 , les maxima entre 945 W/m2 et 1078 W/m2 et les minima à 0 W/m2 .
Les écart-types entre 254 W/m2 et 319 W/m2 se justifient par une dispersion de
l’irradiation entre 0 et 1078 W/m2 autour des moyennes. Ces différentes valeurs
montrent globalement qu’un champ PV peut être exploité sur toute l’étendue
du territoire béninois ;
• Les températures moyennes sont entre 25 °C et 28 °C avec des maxima entre
30 °C et 45 °C. Ces plages de températures sont conformes aux climats du
Bénin ;
• Les moyennes de vitesse à 50 m du sol sont entre 3,35 m/s et 5,26 m/s avec
des maxima pouvant atteindre les 15 m/s. Les écarts-types varient entre 1,2
et 2,2 m/s. Comme le montre la figure 3.14, la différence entre les moyennes
de vitesse et les écarts-types varie entre 2,17 m/s et 3,68 m/s pour l’ensemble
des échantillons. Ceci nous conforte dans la prise de tout le territoire béninois
comme zone d’étude. En général, il faut au moins 2 m/s pour faire tourner la
plupart des petites éoliennes, et 3 m/s est la vitesse d’enclenchement typique,
lorsqu’une petite éolienne commence à produire de l’électricité [354, 355].
Plus de détails sont donnés sur les statistiques des données à la référence [356].
Une fois la vérification d’absence d’anomalies dans les données effectuée, il faut
les ramener à une même échelle. Pour cela, nous utilisons la normalisation MinMax
présentée à l’équation 2.16. Les figures 3.15, 3.16 et 3.17 nous montrent respecti-
vement les statistiques des données normalisées d’irradiation, de température et de
vitesse du vent. Nous pouvons remarquer que toutes les données ont à présent pour
maxima 1 et minima 0.
Une fois les données normalisées, l’identification des nombres de profils différents
pour chaque paramètre météorologique est faite grâce aux échantillons d’étude. Le
nombre maximum de profil est obtenu lorsque les nombres d’échantillons augmentent
mais que les nombres de clusters n’augmentent plus (figure 3.6) conformément au logi-
gramme d’optimisation présenté à la figure 2.15. Ainsi comme le montre la figure 3.6,
48 clusters d’irradiation, 90 clusters de température et 90 clusters de vitesse du vent
sont obtenus. Autrement dit, sur le territoire béninois, 48 profils différents d’irradia-
tion, 90 profils différents de température et 90 profils différents de vitesse du vent
existent et permettent d’y décrire les comportements de l’irradiation, la température
ambiante ainsi que de la vitesse du vent.
Les figures 3.18, 3.19 et 3.20 montrent les silhouettes scores des clusters formés
pour l’irradiation, la température et la vitesse de vent respectivement. Nous pouvons
remarquer que les silhouettes scores sont très proches de 1 hormis pour les clusters
N°90 de température et N°90 de vitesse du vent pour lesquels les silhouettes scores
sont de 0. Ces scores de zéro traduisent le fait que ces clusters soient constitués d’un
seul échantillon.
Figure 3.23 – Situations géographiques des échantillons des clusters 30, 79, 14 et
62 de température
La figure 3.24 présente à titre indicatif les situations géographiques des échan-
tillons constitutifs des clusters 17, 8, 45 et 65 de vitesse du vent à 50m. Il peut
être remarqué que le cluster 17 regroupe en partie les communes de Savè, Ouèssè et
Glazoué, le cluster 8 les communes de Dassa-Zoumè, Glazoué et Savè. Le cluster 45
regroupe en partie les communes de Bantè et Bassila et le cluster 65 les communes
de Bantè et Savalou.
Les figures 3.25 et 3.26 montrent respectivement les allures pour le mois de Janvier
2020 de l’irradiation pour les échantillons des clusters 2 et 12.
Les figures 3.27, 3.28, 3.29 et 3.30 montrent respectivement les allures pour le
mois de Janvier 2020 de la température pour les échantillons des clusters 30, 79, 14
et 62.
Les figures 3.31, 3.32, 3.33 et 3.34 montrent respectivement les allures pour le mois
d’Août 2020 de la vitesse du vent à 50 m du sol pour les échantillons des clusters 17,
8, 45 et 65.
Nous pouvons remarquer une parfaite ou quasi superposition des courbes au sein
de tous les clusters, ce qui confirme la qualité du clustering réalisé. Les figures illus-
trant les évolutions au sein des autres clusters sont accessibles à la référence [357].
Ainsi donc un point géographique peut être pris par cluster pour représenter toutes
les localités concernées. Il suffit de 48 points géographiques pour étudier les variations
Figure 3.35 – Silhouette Score des 1081 échantillons de test pour l’intégration dans
les clusters d’irradiation
Figure 3.36 – Silhouette Score des 1081 échantillons de test pour l’intégration dans
les clusters de température
Figure 3.37 – Silhouette Score des 1081 échantillons de test pour l’intégration dans
les clusters de vitesse du vent
Il peut être remarqué que tous les silhouettes scores sont compris entre 0,96 et
0,99, ce qui veut dire que tous les 1081 échantillons de test s’intègrent parfaitement
dans tous les clusters au moins à 96%. Ceci nous permet de confirmer la prise des 1081
échantillons d’étude comme représentatifs de toute la zone d’étude. La technique de
clustering et ces différents résultats ont été valorisés dans [351, 352, 358].
Nous rappelons que l’objectif visé c’est de pouvoir dire pour tout site géogra-
phique choisi à l’intérieur de la zone d’étude, quel système serait adapté (PV, Eolien,
PV-Eolien) pour une production optimale d’électricité ainsi que comment pourrait
évoluer sa puissance de sortie. Une fois donc les clusters formés, les échantillons ayant
les mêmes clusters d’irradiation, de température et de vitesse du vent sont regroupés
pour former ce que nous appelons sous-zones. Ainsi cette fois ci, il suffit de prendre
un seul site géographique pour étudier tous les paramètres météorologiques au sein
de chaque sous-zone.
Dans [359] sont présentés les échantillons constitutifs de chaque sous-zone ainsi
que les clusters d’irradiation, de température et de vitesse du vent pris en compte
par celles-ci. Au total 207 sous-zones ont été formées. La technique de formation des
sous-zones a été valorisée dans [351, 352].
Une fois les sous-zones formées, les configurations (PV, Eolienne, PV-Eolienne)
des systèmes de production qui peuvent y être exploités dans un contexte d’exploi-
tation optimale sont déterminées. Compte tenue du nombre de sous-zones formées,
seuls les rérultats de caractérisation de la sous-zone 13 incluant le site de validation
expérimentale sont présentés. Les résultats de caractérisation des autres sous-zones
sont accessibles à la référence [360].
La figure 3.38 présente les échantillons constitutifs de la sous-zone 13. Les fi-
gures 3.39a et 3.39b présentent respectivement les rose de vent et distribution de
Weibull relatives à la sous-zone 13 qui permettent de déterminer les directions pré-
dominantes du vent pour l’orientation des pâles des éoliennes ainsi que les vitesses
de vent les plus fréquentes pour la détermination des périodes de production op-
timale. Il peut être remarqué que l’orientation des pâles d’un aérogénérateur devra
être vers le Nord-Est, le vent soufflant majoritairement vers le Sud-Ouest. Dans cette
sous-zone, la vitesse de vent la plus fréquente est de 4,4 m/s, ce qui est acceptable
pour l’installation d’un aérogénérateur. Ainsi en minimisant les différences entre les
moyennes de vent et les écart-types à 2,5 m/s (vitesse minimale de démarrage de la
plupart des éoliennes) les périodes de production optimale sont obtenues.
Il peut être remarqué sur la figure 3.40 que la période de production optimale
pour un aérogénérateur dans cette sous-zone est de Février à Octobre. Cette période
peut toute fois être réajustée suivant la vitesse de démarrage de l’aérogénérateur à
installer.
Les roses de vent et distributions de weibull des autres sous-zones sont accessibles
respectivement aux références [361] et [362].
En ce qui concerne l’utilisation d’un générateur PV dans la sous-zone 13, les
périodes de production optimale sont déterminées pour un ensoleillement acceptable
(> 400 W/m2 ), un ciel clair (indice de clarté > 0, 42) et une température optimale
pour un bon fonctionnement des panneaux (entre 15 ◦ C et 35 ◦ C). Sur la figure 3.41
représentant les moyennes mensuelles d’irradiation et d’indice de clarté, la période
de production optimale dans la sous-zone 13 va d’Octobre à Mai et s’étend au mois
d’Août sur la figure 3.42 représentant les moyennes mensuelles d’irradiation et de
température. Il sera donc retenue comme période de production optimale pour un
champ PV installé dans la sous-zone 13, les mois d’Octobre à Mai.
Ainsi donc dans cette sous-zone pour un indice de clarté moyen mensuel minimum
de 0,42, une irradiation moyenne mensuelle d’au moins 400W/m2 et une vitesse de
vent moyenne mensuelle d’au moins 2,5 m/s :
• un générateur PV pourra être utilisé seul d’Octobre à Février pour une exploi-
tation optimale ;
• un aérogénérateur pourra être utilisé seul de Mai à Octobre pour une exploita-
tion optimale ;
• et un système hybride PV-Eolienne de Février à Mai.
Une analyse plus large des périodes de production optimale dans toutes les sous-
zone permet d’identifier les sous-zones qui offrent une plus large période de produc-
tion :
• les sous-zones 15, 68, 88 et 92 (figure 3.43) offrent la plus large période de
production optimale pour une éolienne (Janvier à Novembre) (figure 3.44) ;
• plusieurs sous-zones offrent une période de production optimale PV annuelle
(figure 3.45 et 3.46) dont la 39, la 40, la 42, la 67, la 68, ou encore la 70
(figure 3.47) ;
Figure 3.43 – Situations géographiques des échantillons des sous-zones 15, 68, 88
et 92
Il faut noter que suivant l’utilisation les limites fixées pour l’indice de clarté, la
vitesse minimale de démarrage et l’irradiation peuvent changer, ce qui peut agir sur
les largeurs des périodes sans modifier les classements des sous-zones.
Une fois toutes les sous-zones caractérisées, les modèles de prévision des para-
mètres météorologiques relatifs aux systèmes caractéristiques sont développés. Ainsi
par cluster un modèle de prévision adapté est développé, soit 48 modèles de pré-
vision des variabilités des irradiations, 90 modèles de prévision des variabilités des
températures et 90 modèles de prévision des variabilités des vitesses de vent. Dans
cette partie, seuls les résultats relatifs à la sous-zone 13 intégrant le site de validation
expérimentale sont présentés.
Comme annoncé dans la section 2.8.1, deux modèles hybrides ont été retenus : le
TFR-CNN et le TFR-LSTM pour lesquels certaines transformations sont effectuées
sur les données.
Les figures 3.49, 3.50 et 3.51 présentent respectivement les jeux de données nor-
malisées après ajout des nouvelles variables pour la journée du 01-01-2012 de 00h à
13h.
Prévision 72_24
Modèle TFR-CNN Modèle TFR-LSTM
Hyperparamètre Valeur Temps Optimisation Hyperparamètre Valeur Temps Optimisation
Nombre d’Unités 200
Nombre d’Unités 770
Nombre de Filtres 30 6,9 h 7,1 h
Learning rate 0,01 Learning rate 0,01
Prévision 72_48
Modèle TFR-CNN Modèle TFR-LSTM
Hyperparamètre Valeur Temps Optimisation Hyperparamètre Valeur Temps Optimisation
Nombre d’Unités 700
Nombre d’Unités 990
Nombre de Filtres 210 7,4 h 8h
Learning rate 0,001 Learning rate 0,001
Prévision 72_72
Modèle TFR-CNN Modèle TFR-LSTM
Hyperparamètre Valeur Temps Optimisation Hyperparamètre Valeur Temps Optimisation
Nombre d’Unités 960
Nombre d’Unités 1190
Nombre de Filtres 220 8,5 h 9,1 h
Learning rate 0,001 Learning rate 0,001
Prévision Wx 18_12
Modèle TFR-CNN Modèle TFR-LSTM
Hyperparamètre Valeur Temps Optimisation Hyperparamètre Valeur Temps Optimisation
Nombre d’Unités 710
Nombre d’Unités 1290
Nombre de Filtres 130 6,7 h 6,5 h
Learning rate 0,001 Learning rate 0,001
Prévision Wy 18_12
Modèle TFR-CNN Modèle TFR-LSTM
Hyperparamètre Valeur Temps Optimisation Hyperparamètre Valeur Temps Optimisation
Nombre d’Unités 700
Nombre d’Unités 1200
Nombre de Filtres 150 5,8 h 6,6 h
Learning rate 0,001 Learning rate 0,001
Prévision 72_24
Modèle TFR-CNN Modèle TFR-LSTM
Hyperparamètre Valeur Temps Optimisation Hyperparamètre Valeur Temps Optimisation
Nombre d’Unités 400
Nombre d’Unités 760
Nombre de Filtres 120 8,9 h 9,3 h
Learning rate 0,001 Learning rate 0,001
Prévision 72_48
Modèle TFR-CNN Modèle TFR-LSTM
Hyperparamètre Valeur Temps Optimisation Hyperparamètre Valeur Temps Optimisation
Nombre d’Unités 500
Nombre d’Unités 780
Nombre de Filtres 140 7,7 h 9,2 h
Learning rate 0,001 Learning rate 0,001
Prévision 72_72
Modèle TFR-CNN Modèle TFR-LSTM
Hyperparamètre Valeur Temps Optimisation Hyperparamètre Valeur Temps Optimisation
Nombre d’Unités 690
Nombre d’Unités 1040
Nombre de Filtres 200 6,6 h 11 h
Learning rate 1,001 Learning rate 0,001
3.8.3 Résultats de prévision avec les modèles entraînés avec les hyperparamètres
optimisés
Une fois les hyperparamètres optimisés obtenus, les modèles sont alors entraînés
avec ces paramétrages. Les tableaux 3.4, 3.6 et 3.5 présentent les performances de
prévisions pour les modèles TFR-CNN et TFR-LSTM pour la prévision des irradia-
tion, température et vitesse du vent respectivement pour la sous-zone 13.
Prévision 72_24
Modèle TFR-CNN Modèle TFR-LSTM
Métrique Valeur Temps d’entrainement Métrique Valeur Temps d’entrainement
RMSE (W/m ) 2
28,71 RMSE (W/m ) 2
26,61
MAE (W/m2 ) 16,32 193 s MAE (W/m2 ) 19,18 338 s
R2 0,992 R2 0,987
Prévision 72_48
Modèle TFR-CNN Modèle TFR-LSTM
Métrique Valeur Temps d’entrainement Métrique Valeur Temps d’entrainement
RMSE (W/m ) 2
47,41 RMSE (W/m ) 2
46,01
MAE (W/m2 ) 25,03 216 s MAE (W/m2 ) 23,53 386 s
R2 0,979 R2 0,979
Prévision 72_72
Modèle TFR-CNN Modèle TFR-LSTM
Métrique Valeur Temps d’entrainement Métrique Valeur Temps d’entrainement
RMSE (W/m ) 2
47,96 RMSE (W/m ) 2
34,55
MAE (W/m2 ) 27,07 225 s MAE (W/m2 ) 40,88 390 s
R2 0,979 R2 0,989
Prévision Wx 18_12
Modèle TFR-CNN Modèle TFR-LSTM
Métrique Valeur Temps d’entrainement Métrique Valeur Temps d’entrainement
RMSE (m/s) 0,46 RMSE (m/s) 0,34
MAE (m/s) 0,49 152 s MAE (m/s) 0,37 213 s
R2 0,931 R2 0,925
Prévision Wy 18_12
Modèle TFR-CNN Modèle TFR-LSTM
Métrique Valeur Temps d’entrainement Métrique Valeur Temps d’entrainement
RMSE (m/s) 0,33 RMSE (m/s) 0,34
MAE (m/s) 0,44 212 s MAE (m/s) 0,38 183 s
R2 0,878 R2 0,891
Prévision 72_24
Modèle TFR-CNN Modèle TFR-LSTM
Métrique Valeur Temps d’entrainement Métrique Valeur Temps d’entrainement
RMSE ( C)
◦
1,24 RMSE ( C)◦
1,03
MAE (◦ C) 0,92 201 s MAE (◦ C) 1,13 284 s
R2 0,953 R2 0,971
Prévision 72_48
Modèle TFR-CNN Modèle TFR-LSTM
Métrique Valeur Temps d’entrainement Métrique Valeur Temps d’entrainement
RMSE ( C)
◦
1,56 RMSE ( C)◦
0,99
MAE (◦ C) 1,56 169 s MAE (◦ C) 0,64 263 s
R2 0,943 R2 0,979
Prévision 72_72
Modèle TFR-CNN Modèle TFR-LSTM
Métrique Valeur Temps d’entrainement Métrique Valeur Temps d’entrainement
RMSE ( C)
◦
1,29 RMSE ( C)◦
1,03
MAE (◦ C) 1,39 190 s MAE (◦ C) 0,61 263 s
R2 0,932 R2 0,958
Nous pouvons remarquer que globalement le modèle TFR-LSTM est le plus per-
formant. Dans la grande majorité des cas il présente une erreur quadratique moyenne
plus faible avec un coefficient de détermination plus élevé. La RMSE mesure la pré-
cision globale des modèles de prévision. Plus il est faible, plus le modèle est précis.
Le coefficient de détermination indique la variance de la prévision par rapport aux
données réelles. Plus il tend vers 1 plus la variance est faible et plus le modèle est
précis. Pour tous les modèles, plus les horizons de prévision augmentent moins le
modèle devient précis (les erreurs de prévision augmentent). Les performances de
prévision pour la prévision des irradiations, températures et vitesse du vent dans les
autres sous-zones sont présentées dans [364].
Les figures 3.52, 3.53, et 3.54 montrent respectivement les résultats de prévision
du modèle TFR-LSTM après entraînement sur trois portions du Testset pris aléatoi-
rement.
Il peut être remarqué que les prévisions sont globalement bonnes pour l’irradia-
tion et la température et moins bonnes pour la vitesse du vent compte tenue de
sa variation plus aléatoire. Néanmoins les prévisions peuvent parfois être faussées
comme sur les figures 3.52c et 3.53c où les allures prévues se sont éloignées des al-
lures réelles. Ceci peut être observé lorsque des évènements météorologiques difficiles
à prévoir surviennent (déplacement des nuages par exemple [79–82]).
Des paramètres Wx et Wy prévus peuvent être alors déduites les vitesse et direc-
tion du vent prévues par les relations 3.1 et 3.2 suivantes.
Å ã
Wy
Wd = tan −1
(3.1)
Wx
Wy
Wv = Ä Ä
Wy
ää (3.2)
sin tan−1 Wx
vues pour 72h maximum à partir de 72h d’observations. Suivant l’objectif de prévi-
sion, les modèles 72_24 seront préférés pour des horizons de prévision allant d’une
heure à 24h, les modèles 72_48 pour des horizons de prévision allant jusqu’à 48h et
les modèles 72_72 pour des horizons allant jusqu’à 72h. Ceci, compte tenue du fait
de la diminution des performances de prévision avec l’augmentation des horizons de
prévision remarquée à travers les résultats présentés dans [364] et confirmés dans la
littérature ([77, 78, 365, 366]). La prévision de la vitesse du vent ne peut quant à
elle être faite pour 12h maximum (horizon de prévision maximum atteint dans nos
travaux) à partir de 18h d’observation.
La figure 3.58 présente les puissances estimées alors à partir des 12 vitesses prévues
par le modèle TFR-LSTM. Ces différents résultats ont été valorisés dans [351].
Pour estimer la puissance PV, le modèle d’Evans est utilisé. Nous faisons cette
estimation pour le module PV BP Solar 340 dont les caractéristiques sont présentées
dans le tableau 3.9. Nous faisons à titre d’exemple cette estimation pour 24h à partir
de 24 prévisions d’irradiation et de température.
Afin de vérifier la conformité des prévisions avec la réalité, les paramètres météo-
rologiques ainsi que les puissances ont été mesurés sur site et comparés à celles-ci.
Nous avons effectué à Godomey Houédonou (Longitude 2,346° ; Latitude 6,39°) dans
Les figures 3.62, 3.63 et 3.64 présentent respectivement les allures des irradiations,
températures et puissances PV mesurées et filtrées.
Les figures 3.65 et 3.66 présentent respectivement les allures des vitesses de vent
et puissances de l’éolienne mesurées et filtrées. Ces données ont été mesurées à une
hauteur d’environ 10m du sol. Les valeurs filtrées ont été obtenues par lissage expo-
nentielle.
Les données du 10, 11 et 12 Octobre 2022 sont utilisées pour prévoir celles du 13
Octobre 2022. Les figures 3.67, 3.68 et 3.69 présentent respectivement les irradiations,
températures et puissances PV prévues avec le modèle et mesurées.
RMSE R2
Irradiation (W/m2 ) 31 ,75 0,98
Température (°C) 0 ,97 0 ,91
Puissance (W) 1 ,58 0,95
Pour cette validation deux différentes prévisions ont été faites sur deux parties
des données mesurées. Les figures 3.70 et 3.71 montrent respectivement les allures
des prévisions et mesures des paramètres Wx, Wy ainsi que les courbes de tendance
(en traits discontinus).
Ces prévisions sont faites à partir des données du 1er Mai 2023 (de 05h à 22h).
De ces valeurs des paramètres Wx et Wy prévues sont déduites celles des vitesses
de vent prévues. La figure 3.72 présente les allures des vitesses de vent prévues et
réelles.
A partir de ces vitesses de vent prévues sont déduites les puissances en sortie
de l’éolienne qui sont alors comparées aux puissances mesurées aux mêmes instants
(figure 3.73).
Le tableau 3.11 résume les performances de prévisions des paramètres Wx et Wy
ainsi que celles des vitesses du vent et puissances en sortie de l’éolienne pour le cas
1.
Dans le second cas, les prévisions ont été faites à partir des données du 09 Mai
2023. Les figures 3.74 et 3.75 présentent les allures des paramètres Wx et Wy prévus
et vrais respectivement. La figure 3.76 présente les vitesses prévues et mesurées pour
le cas 2 et la figure 3.77 présente les puissances prévues et mesurées.
De ces deux essais de prévision, il peut être retenu globalement que les tendances
sont bien prévues : les droites de tendances ont des coefficients directeurs de mêmes
signes et sont dans certains cas presque parallèles. Ainsi grâce aux modèles développés
, il peut être prévu une variation à la baisse ou à la hausse des vitesses ou puissances
en sortie de l’éolienne. Néanmoins les écarts entre prévisions et valeurs réelles sont
parfois assez grands (figure 3.75). Globalement les résultats de prévision dans le cas 1
sont meilleurs à ceux obtenus dans le cas 2 (plus faibles RMSE et MAE). Le tableau
3.13 présentent les performances de prévision sur toute la période de mesure.
Ainsi, sur toute la période de mesure, des RMSE de 0,38 et 15,6, des MAE de 0,42
et 16,20 sont obtenues respectivement pour les prévisions des vitesses et puissances
en sortie de l’éolienne et une erreur relative de 7,8% est obtenue pour la prévision de
la puissance.
3.10.4 Étude comparative des performances obtenues avec des résultats récents
obtenus dans la littérature
Les constats restent les mêmes pour la prévision de la puissance PV. En terme
de paramètres d’entrées, nous en avons utilisé le moins possible (Irradiation sur plan
incliné et température ambiante) dans le cas d’une prévision indirecte, les horizons
de prévisions sont aussi majoritairement à court terme (jusqu’à 1h30 sauf dans [371]
où ils sont allés jusqu’à 24h de prévision).
Précisions obtenues
Ref. Type de prévision Modèle Horizon
RMSE MAPE (%) R2
Vitesse du vent - 4,9 -
[376] ARIMA 6h
Direction du vent - 15,6 -
à quelle sous-zone appartient le site, caractériser le site (Figure 3.81) puis ef-
fectuer d’éventuelles prévisions (Figure 3.82) ;
• la partie du bas permet d’avoir le résumé des différentes informations rensei-
gnées tout au long du processus de prévision ;
Dans cette sous-section les résultats issus de l’utilisation du progiciel pour une
tâche de prévision sont présentés. Le tableau 3.17 ci-dessous présente les différentes
informations exploitées tout au long du processus de prévision.
A la fin de cette étape, les différents numéros des clusters sont affichés ainsi que
les éléments de la sous-zone en rouge sur une carte géographique renseignant les
localités concernées (figure 3.87).
Les figures 3.89, 3.90 et 3.91 renseignent respectivement sur les vitesses les plus
fréquentes sur le site, la direction du vent la plus prédominante et sur les périodes
de production optimale. Ces résultats sont conformes à ceux présentés en 3.7. Il peut
y être remarqué un vent soufflant majoritairement vers le Sud-Ouest, des vitesses
de vent les plus fréquentes entre 3,6 m/s et 4,8 m/s, des périodes de productions
Les figures 3.93 et 3.94 présentent respectivement des résultats de prévision des
irradiation, température, puissance PV pour 72h et vitesse du vent et puissance
éolienne pour 12h.
Figure 3.94 – Résultats de prévision des vitesse du vent et puissance éolienne pour
12h
Pour finir, toutes ces données (prévues, acquises, téléchargées) sont sauvegardées
et accessibles dans la base de données de l’application comme montré sur la figure
3.96.
Conclusion partielle
Conclusion
Les caprices de la météo donnent l’impression que les réseaux électriques hybrides
basés sur les énergies renouvelables, en particulier ceux qui intègrent le photovol-
taïque et l’éolienne, sont difficiles à réaliser. Cependant, les progrès de la modélisa-
tion mathématique, des représentations physiques, de l’analyse statistique et de la
puissance de calcul ont fait de la prévision une option viable. De nombreuses agences
ont pris l’initiative de soutenir la recherche dans cette direction et, en conséquence,
des résultats de recherche considérables sont disponibles. Cependant, les modèles de
prévision existants sont soit trop spécifiques à un horizon spatio-temporel, soit li-
mités à une région particulière. Le besoin actuel est donc celui d’une approche de
prévision plus polyvalente qui ne soit pas limitée par de telles contraintes et qui
puisse être reproduite pour des conditions initiales variables dans des conditions géo-
climatiques différentes. C’est à ces préoccupations que nous avons essentiellement
essayé de répondre dans cette thèse.
Ainsi après avoir montré l’importance d’une prévision efficace pour l’intégration
des Sources d’Energies Renouvelables Intermittentes et Stochastiques, une revue bi-
bliométrique a permise de montrer l’importance qu’accorde aussi la communauté
scientifique à cette thématique. Cette étude bibliométrique nous a permise de dé-
gager des publications pertinentes à travers lesquelles des techniques et modèles de
prévision ont été dégagés ainsi que les paramètres météorologiques d’influence de ces
puissances de sortie. Ainsi une nouvelle technique de prévision indirecte des puis-
sances de sortie des systèmes PV et éolienne basée sur l’identification des périodes
de production optimale a été proposée. Cette technique combine une méthode de
clustering (le k-means), une méthode d’extraction de caractéristiques (la Transfor-
mation de Fourier Rapide), une méthode de prévision des paramètres d’influence (le
CNN ou le LSTM) et une méthode d’estimation de la puissance de sortie.
L’application de cette technique de prévision au territoire béninois a permise de
la découper en 207 sous-zones dans lesquelles les paramètres d’influence (irradiation,
Perspectives
systèmes.
De plus, pour que les résultats soient directement exploitables, il faudrait aussi
prendre en compte les espaces occupés ou réservés. Il serait donc indispensable et
intéressant d’identifier dans chaque sous-zone les espaces vraiment exploitables.
[3] Banque Mondiale. Accès à l’électricité, zones rurales (% de la population rurale) - Sub-Saharan Africa |
Data, . URL https://donnees.banquemondiale.org/indicator/EG.ELC.ACCS.RU.ZS?end=2020&locations=
ZG&name_desc=false&start=2000&view=chart&year=2020.
[4] Banque Mondiale. Population, total - Sub-Saharan Africa | Data, . URL https://donnees.banquemondiale.
org/indicator/SP.POP.TOTL?locations=ZG.
[5] Banque Mondiale. Population rural (% de la population totale) - Sub-Saharan Africa | Data, . URL https:
//donnees.banquemondiale.org/indicateur/SP.RUR.TOTL.ZS?locations=ZG.
[6] IRENA. World Energy Transitions Outlook 1-5C Pathway 2022 edition, . URL https://www.irena.org/
publications/2022/Mar/World-Energy-Transitions-Outlook-2022.
[7] Roberto Dones, Thomas Heck, and Stefan Hirschberg. Greenhouse gas emissions from energy systems : Com-
parison and overview.
[8] Eva Llera Sastresa, Alfonso Aranda Usón, Ignacio Zabalza Bribián, and Sabina Scarpellini. Local impact of
renewables on employment : Assessment methodology and case study. 14(2) :679–690.
[10] Federico Bizzarri, Angelo Brambilla, Lorenzo Caretta, and Carlo Guardiani. Monitoring performance and
efficiency of photovoltaic parks. 78 :314–321. ISSN 0960-1481. doi : 10.1016/j.renene.2015.01.002. URL
https://www.sciencedirect.com/science/article/pii/S0960148115000099.
[11] Robert Gross, Philip Heptonstall, Matthew Leach, Jim Skea, Dennis Anderson, and Tim Green. The UK
Energy Research Centre review of the costs and impacts of intermittency. In Renewable Electricity and the
Grid, pages 94–114. Routledge, .
[12] Anne Sjoerd Brouwer, Machteld Van Den Broek, Ad Seebregts, and André Faaij. Impacts of large-scale
Intermittent Renewable Energy Sources on electricity systems, and how these can be modeled. 33 :443–466.
[13] Michael Milligan, Pearl Donohoo, Debra Lew, Erik Ela, Brendan Kirby, Hannele Holttinen, Eamonn Lannoye,
Damian Flynn, Mark O’Malley, and Nicholas Miller. Operating reserves and wind power integration : An
international comparison, .
[14] Severin Borenstein. The private and public economics of renewable electricity generation. 26(1) :67–92.
[15] Lion Hirth. The economics of wind and solar variability. How the variability of wind and solar power affects
their marginal value, optimal deployment, and integration costs.
[16] Gregor Czisch and Bernhard Ernst. High wind power penetration by the systematic use of smoothing effects
within huge catchment areas shown in a European example.
[17] G. Luther. The regional function energy. In Actes Du 11th Photovoltaic EC Solar Energy Conference,
Montreux, Suisse, pages 1313–1316.
[18] John E. Hay. An assessment of the mesoscale variability of solar radiation at the earth’s surface. 32(3) :
425–434.
[19] Robert Gross, Philip Heptonstall, Dennis Anderson, Tim Green, Matthew Leach, and Jim Skea. The Costs and
Impacts of Intermittency : An assessment of the evidence on the costs and impacts of intermittent generation
on the British electricity network, .
[20] Benoit Robyns, Arnaud Davigny, Christophe Saudemont, Aymeric Ansel, Vincent Courtecuisse, B. François,
Sophie Plumel, and J. Deuse. Impact de l’éolien sur le réseau de transport et la qualité de l’énergie. 5 :003.
[21] Dirk Van Hertem. The Use of Power Flow Controlling Devices in the Liberalized Market (Het gebruik van
vermogencontrolerende toestellen in de vrijgemaakte elektriciteitsmarkt).
[22] J. Pestourie. Les EnR intermittentes : Cas des réseaux insulaires, IEEE P&ES.
[23] Paul L. Joskow. Capacity payments in imperfect electricity markets : Need and design. 16(3) :159–170.
[24] Michael Milligan, Erik Ela, Bri-Mathias Hodge, Brendan Kirby, Debra Lew, Charlton Clark, Jennifer DeCesaro,
and Kevin Lynn. Integration of variable generation, cost-causation, and integration costs. 24(9) :51–63, .
[25] Ralph Sims, Pedro Enrique Mercado, and Wolfram Krewitt. Integration of renewable energy into present and
future energy systems.
[26] Impacts of large amounts of wind power on design and operation of power systems, results of IEA collaboration.
doi : 10.1002/we.410. URL https://onlinelibrary.wiley.com/doi/10.1002/we.410.
[27] Marius Paulescu, Eugenia Paulescu, and Viorel Badescu. Weather Modeling and Forecasting of PV Systems
Operation | SpringerLink, . URL https://link.springer.com/book/10.1007/978-1-4471-4649-0.
[28] Bella Espinar, José-Luis Aznarte, Robin Girard, Alfred Mbairadjim Moussa, and Georges Kariniotakis. Pho-
tovoltaic Forecasting : A state of the art. In 5th European PV-hybrid and Mini-Grid Conference, pages
Pages–250. OTTI-Ostbayerisches Technologie-Transfer-Institut.
[29] A. Moreno-Munoz, prefix=de la useprefix=true family=Rosa, given=J. J. G., R. Posadillo, and F. Bellido.
Very short term forecasting of solar radiation. In 2008 33rd IEEE Photovoltaic Specialists Conference, pages
1–5. doi : 10.1109/PVSC.2008.4922587.
[30] Gaudenz Koeppel and Magnus Korpås. Improving the network infeed accuracy of non-dispatchable generators
with energy storage devices. 78(12) :2024–2036.
[32] Joao Gari da Silva Fonseca Junior, Takashi Oozeki, Hideaki Ohtake, Ken-ichi Shimose, Takumi Takashima,
and Kazuhiko Ogimoto. Regional forecasts and smoothing effect of photovoltaic power generation in Japan :
An approach with principal component analysis. 68 :403–413.
[34] Paula A. Taylor, Jennifer L. Miller, and Paul C. Butler. Energy Storage Opportunities Analysis Phase II Final
Report : A Study for the DOE Energy Storage Systems Program. URL https://www.osti.gov/biblio/800956.
[35] Gilles Notton, Marie-Laure Nivet, Cyril Voyant, Christophe Paoli, Christophe Darras, Fabrice Motte, and
Alexis Fouilloy. Intermittent and stochastic character of renewable energy sources : Consequences, cost of
intermittence and benefit of forecasting. 87 :96–105. ISSN 1364-0321. doi : 10.1016/j.rser.2018.02.007. URL
https://www.sciencedirect.com/science/article/pii/S1364032118300327.
[36] D. K. Chaturvedi and I. Isha. Solar power forecasting : A review. 145(6) :28–50.
[38] Maimouna Diagne, Mathieu David, Philippe Lauret, John Boland, and Nicolas Schmutz. Review of solar
irradiance forecasting methods and a proposition for small-scale insular grids. 27 :65–76, .
[39] M. Saguan. The economic analysis of power market architectures : Application to real-time market design.
[40] Ben Elliston and Iain MacGill. The potential role of forecasting for integrating solar generation into the
Australian national electricity market. In Proceedings of the Solar.
[41] Hadja Maïmouna Diagne, Philippe Lauret, and Mathieu David. Solar irradiation forecasting : State-of-the-art
and proposition for future developments for small-scale insular grids. In WREF 2012-World Renewable Energy
Forum, .
[42] Lori Bird, Michael Milligan, and Debra Lew. Integrating variable renewable energy : Challenges and solutions.
[43] Kevin Porter and J. Rogers. Survey of variable generation forecasting in the west : August 2011-June 2012.
[44] COST. Action ES1002 - Weather Intelligence for Renewable Energies (WIRE). Current state report. URL
https://www.cost.eu/news/.
[45] Edgar A. DeMeo, Gary A. Jordan, Clint Kalich, Jack King, Michael R. Milligan, Cliff Murley, Brett Oakleaf,
and Matthew J. Schuerger. Accommodating wind’s natural behavior. 5(6) :59–67.
[46] Patrick J. Luickx, Erik D. Delarue, and William D. D’haeseleer. Impact of large amounts of wind power on
the operation of an electricity generation system : Belgian case study. 14(7) :2019–2028. ISSN 1364-0321. doi :
10.1016/j.rser.2010.03.018. URL https://www.sciencedirect.com/science/article/pii/S1364032110000730.
[47] Debra Lew, Michael Milligan, Gary Jordan, and Richard Piwko. Value of wind power forecasting.
[48] Timothy Robert Rudd. Benefits of near-term cloud location forecasting for large solar PV.
[49] Cong Wu, Xiao-Ping Zhang, and Michael Sterling. Solar power generation intermittency and aggregation.
12(1) :1363, . ISSN 2045-2322. doi : 10.1038/s41598-022-05247-2. URL https://www.nature.com/articles/
s41598-022-05247-2.
[50] Carl Hilger. Eltra, at the Fuel and Energy Technical Association Conference on “.
[51] Keith Parks. Xcel energy/NCAR wind energy forecasting system. In Talk on the UWIG Forecasting Workshop,
Albany (US), pages 23–24.
[53] R. J. Barthelmie, F. Murray, and S. C. Pryor. The economic benefit of short-term forecasting for wind energy
in the UK electricity market. 36(5) :1687–1696.
[54] Kirsten Orwig, Bri-Mathias Hodge, Greg Brinkman, Erik Ela, Michael Milligan, Venkat Banunarayanan, Saleh
Nasir, and Jeffrey Freedman. Economic evaluation of short-term wind power forecasts in ERCOT : Preliminary
results.
[55] Edward V. Mc Garrigle and Paul G. Leahy. Quantifying the value of improved wind energy forecasts in a
pool-based electricity market. 80 :517–524.
[57] Mamadou Dione. Machine learning for short term wind power forecasting. URL https://theses.hal.science/
tel-02913708.
[58] Vincent Le Guen. Deep learning for spatio-temporal forecasting - application to solar energy. URL https:
//theses.hal.science/tel-03590356.
[59] Utpal Kumar Das, Kok Soon Tey, Mehdi Seyedmahmoudian, Saad Mekhilef, Moh Yamani Idna Idris, Willem
Van Deventer, Bend Horan, and Alex Stojcevski. Forecasting of photovoltaic power generation and model
optimization : A review. 81 :912–928, . ISSN 1364-0321. doi : 10.1016/j.rser.2017.08.017. URL https://www.
sciencedirect.com/science/article/pii/S1364032117311620.
[60] Muhammad Qamar Raza and Abbas Khosravi. A review on artificial intelligence based load demand forecasting
techniques for smart grid and buildings. 50 :1352–1372. ISSN 13640321. doi : 10.1016/j.rser.2015.04.065. URL
https://linkinghub.elsevier.com/retrieve/pii/S1364032115003354.
[61] prefix=de useprefix=true family=Marcos, given=Rodrigo A., Antonio Bello, and Javier Reneses. Electri-
city price forecasting in the short term hybridising fundamental and econometric modelling. 167 :240–251.
ISSN 0378-7796. doi : 10.1016/j.epsr.2018.10.034. URL https://www.sciencedirect.com/science/article/pii/
S0378779618303572.
[62] Alfredo Nespoli, Emanuele Ogliari, Sonia Leva, Alessandro Massi Pavan, Adel Mellit, Vanni Lughi, and Alberto
Dolara. Day-Ahead Photovoltaic Forecasting : A Comparison of the Most Effective Techniques. 12(9) :1621, .
doi : 10.3390/en12091621. URL https://www.mdpi.com/1996-1073/12/9/1621.
[63] Anuj Gupta, Kapil Gupta, and Sumit Saroha. A review and evaluation of solar forecasting technologies. 47 :
2420–2425. ISSN 2214-7853. doi : 10.1016/j.matpr.2021.04.491. URL https://www.sciencedirect.com/science/
article/pii/S2214785321034167.
[64] Dazhi Yang, Zhen Ye, Li Hong Idris Lim, and Zibo Dong. Very short term irradiance forecasting using the
lasso. 114 :314–326. ISSN 0038-092X. doi : 10.1016/j.solener.2015.01.016. URL https://www.sciencedirect.
com/science/article/pii/S0038092X15000304.
[65] M. Caldas and R. Alonso-Suárez. Very short-term solar irradiance forecast using all-sky imaging and real-
time irradiance measurements. 143 :1643–1658. ISSN 0960-1481. doi : 10.1016/j.renene.2019.05.069. URL
https://www.sciencedirect.com/science/article/pii/S0960148119307426.
[66] Pratima Kumari and Durga Toshniwal. Extreme gradient boosting and deep neural network based ensemble
learning approach to forecast hourly solar irradiance. 279 :123285, . ISSN 0959-6526. doi : 10.1016/j.jclepro.
2020.123285. URL https://www.sciencedirect.com/science/article/pii/S0959652620333308.
[67] Diego J. Pedregal and Juan R. Trapero. Adjusted combination of moving averages : A forecasting system
for medium-term solar irradiance. 298 :117155. ISSN 0306-2619. doi : 10.1016/j.apenergy.2021.117155. URL
https://www.sciencedirect.com/science/article/pii/S0306261921005882.
[68] Hadja Diagne, Philippe Lauret, and Mathieu David. Solar irradiation forecasting : State-of-the-art and pro-
position for future developments for small-scale insular grids. .
[69] Cyril Voyant and Gilles Notton. Solar irradiation nowcasting by stochastic persistence : A new parsimonious,
simple and efficient forecasting tool. 92 :343–352. ISSN 1364-0321. doi : 10.1016/j.rser.2018.04.116. URL
https://www.sciencedirect.com/science/article/pii/S1364032118303344.
[70] Manal Marzouq, Hakim El Fadili, Khalid Zenkouar, Zakia Lakhliai, and Mohammed Amouzg. Short term
solar irradiance forecasting via a novel evolutionary multi-model framework and performance assessment for
sites with no solar irradiance data. 157 :214–231. ISSN 0960-1481. doi : 10.1016/j.renene.2020.04.133. URL
https://www.sciencedirect.com/science/article/pii/S0960148120306716.
[71] Cyril Voyant, Gilles Notton, Soteris Kalogirou, Marie-Laure Nivet, Christophe Paoli, Fabrice Motte, and
Alexis Fouilloy. Machine learning methods for solar radiation forecasting : A review. 105 :569–582.
ISSN 0960-1481. doi : 10.1016/j.renene.2016.12.095. URL https://www.sciencedirect.com/science/article/
pii/S0960148116311648.
[72] Amandeep Sharma and Ajay Kakkar. Forecasting daily global solar irradiance generation using machine
learning. 82 :2254–2269. ISSN 1364-0321. doi : 10.1016/j.rser.2017.08.066. URL https://www.sciencedirect.
com/science/article/pii/S1364032117312121.
[73] Chigbogu Godwin Ozoegwu. Artificial neural network forecast of monthly mean daily global solar radiation of
selected locations based on time series and month number. 216 :1–13. ISSN 0959-6526. doi : 10.1016/j.jclepro.
2019.01.096. URL https://www.sciencedirect.com/science/article/pii/S0959652619301076.
[74] Muhammad Aslam, Jae-Myeong Lee, Hyung-Seung Kim, Seung-Jae Lee, and Sugwon Hong. Deep Learning
Models for Long-Term Solar Radiation Forecasting Considering Microgrid Installation : A Comparative Study.
13(1) :147. ISSN 1996-1073. doi : 10.3390/en13010147. URL https://www.mdpi.com/1996-1073/13/1/147.
[75] Shahab Shariat Torbaghan, Amir Motamedi, Hamidreza Zareipour, and Le Anh Tuan. Medium-term electricity
price forecasting. In 2012 North American Power Symposium (NAPS), pages 1–8. doi : 10.1109/NAPS.2012.
6336424.
[76] Iivo Vehviläinen and Tuomas Pyykkönen. Stochastic factor model for electricity spot price—the case of the
Nordic market. 27(2) :351–367. ISSN 0140-9883. doi : 10.1016/j.eneco.2005.01.002. URL https://www.
sciencedirect.com/science/article/pii/S0140988305000034.
[77] Utpal Kumar Das, Kok Soon Tey, Mehdi Seyedmahmoudian, Saad Mekhilef, Moh Yamani Idna Idris, Willem
Van Deventer, Bend Horan, and Alex Stojcevski. Forecasting of photovoltaic power generation and model
optimization : A review. 81 :912–928, . ISSN 1364-0321. doi : 10.1016/j.rser.2017.08.017. URL http://www.
sciencedirect.com/science/article/pii/S1364032117311620.
[78] Vincent P. A. Lonij, Adria E. Brooks, Alexander D. Cronin, Michael Leuthold, and Kevin Koch. Intra-hour
forecasts of solar power production using measurements from a network of irradiance sensors. 97 :58–66.
ISSN 0038-092X. doi : 10.1016/j.solener.2013.08.002. URL https://www.sciencedirect.com/science/article/
pii/S0038092X13003125.
[79] Jie Shi, Wei-Jen Lee, Yongqian Liu, Yongping Yang, and Peng Wang. Forecasting Power Output of Photovoltaic
Systems Based on Weather Classification and Support Vector Machines. 48(3) :1064–1069. ISSN 1939-9367.
doi : 10/f3zsxk.
[80] A. Mellit, A. Massi Pavan, and V. Lughi. Short-term forecasting of power production in a large-scale photo-
voltaic plant. 105 :401–413. ISSN 0038-092X. doi : 10/f57xn4. URL http://www.sciencedirect.com/science/
article/pii/S0038092X14001522.
[81] Marcelo Pinho Almeida, Oscar Perpiñán, and Luis Narvarte. PV power forecast using a nonparametric PV
model. 115 :354–368. ISSN 0038-092X. doi : 10.1016/j.solener.2015.03.006. URL https://www.sciencedirect.
com/science/article/pii/S0038092X15001218.
[82] Zhao Zhen, Shuaijie Pang, Fei Wang, Kangping Li, Zhigang Li, Hui Ren, Miadreza Shafie-khah, and João P. S.
Catalão. Pattern Classification and PSO Optimal Weights Based Sky Images Cloud Motion Speed Calculation
Method for Solar PV Power Forecasting. 55(4) :3331–3342, . ISSN 1939-9367. doi : 10.1109/TIA.2019.2904927.
[83] Qinghua Hu, Rujia Zhang, and Yucan Zhou. Transfer learning for short-term wind speed prediction with
deep neural networks. 85 :83–95, . ISSN 0960-1481. doi : 10.1016/j.renene.2015.06.034. URL https://www.
sciencedirect.com/science/article/pii/S0960148115300574.
[84] Aqsa Saeed Qureshi, Asifullah Khan, Aneela Zameer, and Anila Usman. Wind power prediction using deep
neural network based meta regression and transfer learning. 58 :742–755. ISSN 1568-4946. doi : 10.1016/j.
asoc.2017.05.031. URL https://www.sciencedirect.com/science/article/pii/S1568494617302946.
[85] Huaizhi Wang, Haiyan Yi, Jianchun Peng, Guibin Wang, Yitao Liu, Hui Jiang, and Wenxin Liu. Deterministic
and probabilistic forecasting of photovoltaic power based on deep convolutional neural network. 153 :409–422, .
ISSN 0196-8904. doi : 10.1016/j.enconman.2017.10.008. URL https://www.sciencedirect.com/science/article/
pii/S019689041730910X.
[86] Ahmad Alzahrani, Pourya Shamsi, Cihan Dagli, and Mehdi Ferdowsi. Solar Irradiance Forecasting Using
Deep Neural Networks. 114 :304–313. ISSN 1877-0509. doi : 10.1016/j.procs.2017.09.045. URL http://www.
sciencedirect.com/science/article/pii/S1877050917318392.
[87] Manoja Kumar Behera, Irani Majumder, and Niranjan Nayak. Solar photovoltaic power forecasting using
optimized modified extreme learning machine technique. 21(3) :428–438. ISSN 2215-0986. doi : 10.1016/j.
jestch.2018.04.013. URL https://www.sciencedirect.com/science/article/pii/S2215098617316063.
[88] Muhammad Qamar Raza, Mithulananthan Nadarajah, and Chandima Ekanayake. On recent advances in
PV output power forecast. 136 :125–144. ISSN 0038-092X. doi : 10.1016/j.solener.2016.06.073. URL http:
//www.sciencedirect.com/science/article/pii/S0038092X16302547.
[89] Ruiguo Yu, Zhiqiang Liu, Xuewei Li, Wenhuan Lu, Degang Ma, Mei Yu, Jianrong Wang, and Bin Li. Scene
learning : Deep convolutional networks for wind power prediction by embedding turbines into grid space.
238 :249–257, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2019.01.010. URL https://www.sciencedirect.com/
science/article/pii/S030626191930011X.
[90] Jinliang Zhang, Zhongfu Tan, and Yiming Wei. An adaptive hybrid model for day-ahead photovoltaic output
power prediction. 244 :118858, .
[91] Agbokpanzo Richard Gilles, Didavi Audace, Houngan Aristide, Oloulade Arouna, and Espanet Christophe.
Evaluation of the photovoltaic power prediction performance of a neural network based on input data. In
2020 IEEE 2nd International Conference on Smart Cities and Communities (SCCIC), pages 1–6. doi :
10.1109/SCCIC51516.2020.9377334.
[92] Razin Ahmed, V. Sreeram, Y. Mishra, and M. D. Arif. A review and evaluation of the state-of-the-art in PV
solar power forecasting : Techniques and optimization. 124 :109792.
[93] Zi Lin and Xiaolei Liu. Wind power forecasting of an offshore wind turbine based on high-frequency SCADA
data and deep learning neural network. 201 :117693.
[94] F. Almonacid, C. Rus, L. Hontoria, and F. J. Muñoz. Characterisation of PV CIS module by artificial neural
networks. A comparative study with other methods. 35(5) :973–980. ISSN 0960-1481. doi : 10.1016/j.renene.
2009.11.018. URL https://www.sciencedirect.com/science/article/pii/S0960148109004947.
[95] S. H. Oudjana, A. Hellal, and I. Hadj Mahammed. Power Forecasting of Photovoltaic Generation. 7(6) :
627–631. URL https://publications.waset.org/7156/power-forecasting-of-photovoltaic-generation.
[96] Wahyudi Imam, Ardyono Priyadi, Hery Mauridhi, Muhammad Abdillah, Anang Tjahjono, and Naoto Yorino.
Advanced Extreme Learning Machine for An Hour PV Forecast Using General Weather Data. 20232 :134.
doi : 10.15199/48.2023.01.26.
[97] Sobrina Sobri, Sam Koohi-Kamali, and Nasrudin Abd. Rahim. Solar photovoltaic generation forecasting me-
thods : A review. 156 :459–497. ISSN 0196-8904. doi : 10.1016/j.enconman.2017.11.019.
[98] Shreya Dutta, Yanling Li, Aditya Venkataraman, Luis M. Costa, Tianxiang Jiang, Robert Plana, Philippe
Tordjman, Fook Hoong Choo, Chek Fok Foo, and Hans B. Puttgen. Load and Renewable Energy Forecasting
for a Microgrid using Persistence Technique. 143 :617–622. ISSN 1876-6102. doi : 10.1016/j.egypro.2017.12.736.
URL https://www.sciencedirect.com/science/article/pii/S1876610217365001.
[99] Rahul Sharma and Diksha Singh. A Review of Wind Power and Wind Speed Forecasting. 8(7) :10.
[100] Jaesung Jung and Robert P. Broadwater. Current status and future advances for wind speed and power
forecasting. 31 :762–777. ISSN 1364-0321. doi : 10.1016/j.rser.2013.12.054. URL https://www.sciencedirect.
com/science/article/pii/S1364032114000094.
[101] Wen-Yeau Chang. A literature review of wind forecasting methods. 2(04) :161.
[102] Yuan-Kang Wu and Jing-Shan Hong. A literature review of wind forecasting technology in the world. In 2007
IEEE Lausanne Power Tech, pages 504–509. IEEE.
[103] Jing Zhao, Zhen-Hai Guo, Zhong-Yue Su, Zhi-Yuan Zhao, Xia Xiao, and Feng Liu. An improved multi-
step forecasting model based on WRF ensembles and creative fuzzy systems for wind speed. 162 :808–826, .
ISSN 0306-2619. doi : 10.1016/j.apenergy.2015.10.145. URL https://www.sciencedirect.com/science/article/
pii/S0306261915013872.
[104] Aneela Zameer, Junaid Arshad, Asifullah Khan, and Muhammad Asif Zahoor Raja. Intelligent and robust
prediction of short term wind power using genetic programming based ensemble of neural networks. 134 :361–
372. ISSN 0196-8904. doi : 10.1016/j.enconman.2016.12.032. URL https://www.sciencedirect.com/science/
article/pii/S0196890416311189.
[105] Zhongshan Yang and Jian Wang. A hybrid forecasting approach applied in wind speed forecasting based on a
data processing strategy and an optimized artificial intelligence algorithm. 160 :87–100. ISSN 0360-5442. doi :
10.1016/j.energy.2018.07.005. URL https://www.sciencedirect.com/science/article/pii/S0360544218312933.
[106] Claudio Monteiro, Tiago Santos, L. Alfredo Fernandez-Jimenez, Ignacio J. Ramirez-Rosado, and M. Sonia
Terreros-Olarte. Short-term power forecasting model for photovoltaic plants based on historical similarity. 6
(5) :2624–2643. ISSN 1996-1073. doi : 10.3390/en6052624. URL https://www.mdpi.com/1996-1073/6/5/2624.
[107] E. Lorenz and D. Heinemann. 1.13 - Prediction of Solar Irradiance and Photovoltaic Power. In
Ali Sayigh, editor, Comprehensive Renewable Energy, pages 239–292. Elsevier. ISBN 978-0-08-087873-
7. doi : 10.1016/B978-0-08-087872-0.00114-1. URL https://www.sciencedirect.com/science/article/pii/
B9780080878720001141.
[108] Saurabh S. Soman, Hamidreza Zareipour, Om Malik, and Paras Mandal. A review of wind power and wind
speed forecasting methods with different time horizons. In North American Power Symposium 2010, pages
1–8. IEEE.
[109] Ulrich Focken, Matthias Lange, and Hans-Peter Igor Waldl. Previento-A wind power prediction system with
an innovative upscaling algorithm.
[110] Matteo De Felice, Andrea Alessandri, and Paolo M. Ruti. Electricity demand forecasting over Italy : Potential
benefits using numerical weather prediction models. 104 :71–79. ISSN 0378-7796. doi : 10.1016/j.epsr.2013.06.
004. URL https://www.sciencedirect.com/science/article/pii/S0378779613001545.
[111] Jinhua Zhang, Jie Yan, David Infield, Yongqian Liu, and Fue-sang Lien. Short-term forecasting and uncertainty
analysis of wind turbine power based on long short-term memory network and Gaussian mixture model. 241 :
229–244, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2019.03.044. URL https://www.sciencedirect.com/science/
article/pii/S0306261919304532.
[112] Hang Cheng, Wu-shun Cao, and Peng-jiang Ge. Forecasting research of long-term solar irradiance and output
power for photovoltaic generation system. In 2012 Fourth International Conference on Computational and
Information Sciences, pages 1224–1227. IEEE.
[113] Chien-Chang Chou, Ching-Wu Chu, and Gin-Shuh Liang. A modified regression model for forecasting the
volumes of Taiwan’s import containers. 47(9-10) :797–807.
[114] Alfredo Nespoli, Emanuele Ogliari, Sonia Leva, Alessandro Massi Pavan, Adel Mellit, Vanni Lughi, and Alberto
Dolara. Day-ahead photovoltaic forecasting : A comparison of the most effective techniques. 12(9), . ISSN
1996-1073. doi : 10.3390/en12091621. URL https://www.mdpi.com/1996-1073/12/9/1621.
[115] Umut Firat, Seref Naci Engin, Murat Saraclar, and Aysin Baytan Ertuzun. Wind Speed Forecasting Based
on Second Order Blind Identification and Autoregressive Model. In 2010 Ninth International Conference on
Machine Learning and Applications, pages 686–691. doi : 10.1109/ICMLA.2010.106.
[116] Sungmoon Jung and Soon-Duck Kwon. Weighted error functions in artificial neural networks for improved
wind energy potential estimation. 111 :778–790. ISSN 0306-2619. doi : 10.1016/j.apenergy.2013.05.060. URL
https://www.sciencedirect.com/science/article/pii/S030626191300473X.
[117] Yongning Zhao, Lin Ye, Zhi Li, Xuri Song, Yansheng Lang, and Jian Su. A novel bidirectional mechanism
based on time series model for wind power forecasting. 177 :793–803, . ISSN 0306-2619. doi : 10.1016/j.
apenergy.2016.03.096. URL https://www.sciencedirect.com/science/article/pii/S0306261916304263.
[118] Umut Fırat, Seref Naci Engin, Murat Saraçlar, and Aysin Ertüzün. Wind speed forecasting based on second
order blind identification and autoregressive model. pages 686–691.
[119] Mario Javier Durán, Daniele Cros, and Jesús Riquelme. Short-term wind power forecast based on ARX models.
133 :172–180.
[120] Giacomo Sbrana and Andrea Silvestrini. Random switching exponential smoothing and inventory forecasting.
156 :283–294. ISSN 0925-5273. doi : 10.1016/j.ijpe.2014.06.016. URL https://www.sciencedirect.com/science/
article/pii/S0925527314001996.
[121] Liljana Ferbar Tratar and Ervin Strmčnik. The comparison of Holt–Winters method and Multiple regression
method : A case study. 109 :266–276. ISSN 0360-5442. doi : 10.1016/j.energy.2016.04.115. URL https:
//www.sciencedirect.com/science/article/pii/S0360544216305357.
[122] given-i=Ll family=Mora López, given=Ll. and M. Sidrach-de Cardona. Multiplicative ARMA models to
generate hourly series of global irradiation. 63(5) :283–291. ISSN 0038-092X. doi : 10.1016/S0038-092X(98)
00078-4. URL https://www.sciencedirect.com/science/article/pii/S0038092X98000784.
[124] Rina Haiges, Y. D. Wang, A. Ghoshray, and A. P. Roskilly. Forecasting Electricity Generation Capacity in
Malaysia : An Auto Regressive Integrated Moving Average Approach. 105 :3471–3478. ISSN 1876-6102. doi :
10.1016/j.egypro.2017.03.795. URL https://www.sciencedirect.com/science/article/pii/S1876610217308639.
[125] Fei Wang, Kangping Li, Lidong Zhou, Hui Ren, Javier Contreras, Miadreza Shafie-khah, and João P. S. Catalão.
Daily pattern prediction based classification modeling approach for day-ahead electricity price forecasting. 105 :
529–540, . ISSN 0142-0615. doi : 10.1016/j.ijepes.2018.08.039. URL https://www.sciencedirect.com/science/
article/pii/S0142061518305301.
[126] A. Sfetsos and A. H. Coonick. Univariate and multivariate forecasting of hourly solar radiation with artificial
intelligence techniques. 68(2) :169–178. ISSN 0038-092X. doi : 10.1016/S0038-092X(99)00064-X. URL https:
//www.sciencedirect.com/science/article/pii/S0038092X9900064X.
[127] Erasmo Cadenas, Wilfrido Rivera, Rafael Campos-Amezcua, and Christopher Heard. Wind speed prediction
using a univariate ARIMA model and a multivariate NARX model. 9(2). ISSN 1996-1073. doi : 10.3390/
en9020109. URL https://www.mdpi.com/1996-1073/9/2/109.
[128] Da Liu and Kun Sun. Random forest solar power forecast based on classification optimization. 187 :115940.
ISSN 0360-5442. doi : 10.1016/j.energy.2019.115940. URL https://www.sciencedirect.com/science/article/pii/
S036054421931624X.
[129] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Comparative study of Decision
Tree, Random Forest and XGBoost performance in forecasting the power output of a photovoltaic system.
In 2021 IEEE 4th International Conference on Bio-Engineering for Smart Technologies (BioSMART), pages
1–5, . doi : 10.1109/BioSMART54244.2021.9677566.
[130] Huaizhi Wang, Zhenxing Lei, Xian Zhang, Bin Zhou, and Jianchun Peng. A review of deep learning for
renewable energy forecasting. 198 :111799, . ISSN 0196-8904. doi : 10.1016/j.enconman.2019.111799. URL
https://www.sciencedirect.com/science/article/pii/S0196890419307812.
[131] Richard Agbokpanzo, Audace Didavi, Aristide Comlan Houngan, and Christophe Espanet. Application of
neural networks to forecast photovoltaic power in the framework of the valorisation of renewable energies in
Benin republic. 16 :2204–2208. ISSN 1819-6608. URL http://www.arpnjournals.org/jeas/research_papers/
rp_2021/jeas_1121_8732.pdf.
[132] Ghadah Alkhayat and Rashid Mehmood. A review and taxonomy of wind and solar energy forecasting methods
based on deep learning. page 100060.
[133] Yuchi Sun, Gergely Sz\ Hucs, and Adam R. Brandt. Solar PV output prediction from video streams using
convolutional neural networks. 11(7) :1811–1818, .
[134] Chiou-Jye Huang and Ping-Huan Kuo. Multiple-Input Deep Convolutional Neural Network Model for Short-
Term Photovoltaic Power Forecasting. 7 :74822–74834. ISSN 2169-3536. doi : 10.1109/ACCESS.2019.2921238.
[135] Ying-Yi Hong and Thursy Rienda Aulia Satriani. Day-ahead spatiotemporal wind speed forecasting using
robust design-based deep learning neural network. 209 :118441. ISSN 0360-5442. doi : 10.1016/j.energy.2020.
118441. URL https://www.sciencedirect.com/science/article/pii/S0360544220315498.
[136] Amir Ghaderi, Borhan M. Sanandaji, and Faezeh Ghaderi. Deep Forecast : Deep Learning-based Spatio-
Temporal Forecasting. URL http://arxiv.org/abs/1707.08110.
[137] Sisheng Liang, Long Nguyen, and Fang Jin. A Multi-variable Stacked Long-Short Term Memory Network for
Wind Speed Forecasting. In 2018 IEEE International Conference on Big Data (Big Data), pages 4561–4564,
. doi : 10.1109/BigData.2018.8622332.
[138] Mohammad Safayet Hossain and Hisham Mahmood. Short-Term Photovoltaic Power Forecasting Using an
LSTM Neural Network and Synthetic Weather Forecast. 8 :172524–172533. ISSN 2169-3536. doi : 10.1109/
ACCESS.2020.3024901.
[139] Zhewen Niu, Zeyuan Yu, Wenhu Tang, Qinghua Wu, and Marek Reformat. Wind power forecasting using
attention-based gated recurrent unit network. 196 :117081.
[140] Hangxia Zhou, Yujin Zhang, Lingfan Yang, Qian Liu, Ke Yan, and Yang Du. Short-Term Photovoltaic Power
Forecasting Based on Long Short Term Memory Neural Network and Attention Mechanism. 7 :78063–78074,
. ISSN 2169-3536. doi : 10.1109/ACCESS.2019.2923006.
[141] Murat Cihan Sorkun, Christophe Paoli, and Özlem Durmaz Incel. Time series forecasting on solar irradia-
tion using deep learning. In 2017 10th International Conference on Electrical and Electronics Engineering
(ELECO), pages 151–155.
[142] Lulu Wen, Kaile Zhou, Shanlin Yang, and Xinhui Lu. Optimal load dispatch of community microgrid with
deep learning based solar power and load forecasting. 171 :1053–1065. ISSN 0360-5442. doi : 10.1016/j.energy.
2019.01.075. URL https://www.sciencedirect.com/science/article/pii/S0360544219300775.
[143] Mohamed Abdel-Nasser and Karar Mahmoud. Accurate photovoltaic power forecasting models using deep
LSTM-RNN. 31(7) :2727–2740. ISSN 1433-3058. doi : 10.1007/s00521-017-3225-z. URL https://doi.org/10.
1007/s00521-017-3225-z.
[144] Zhihong Pang, Fuxin Niu, and Zheng O’Neill. Solar radiation prediction using recurrent neural network and
artificial neural network : A case study with comparisons. 156 :279–289. ISSN 0960-1481. doi : 10.1016/j.
renene.2020.04.042. URL https://www.sciencedirect.com/science/article/pii/S0960148120305747.
[145] Xiangyun Qing and Yugang Niu. Hourly day-ahead solar irradiance prediction using weather forecasts by
LSTM. 148 :461–468. ISSN 0360-5442. doi : 10.1016/j.energy.2018.01.177. URL https://www.sciencedirect.
com/science/article/pii/S0360544218302056.
[146] Hussein Sharadga, Shima Hajimirza, and Robert S. Balog. Time series forecasting of solar power generation
for large-scale photovoltaic plants. 150 :797–807. ISSN 0960-1481. doi : 10.1016/j.renene.2019.12.131. URL
https://www.sciencedirect.com/science/article/pii/S0960148119320038.
[147] Marcello Anderson F. B. Lima, Paulo C. M. Carvalho, Luis M. Fernández-Ramírez, and Arthur P. S.
Braga. Improving solar forecasting using Deep Learning and Portfolio Theory integration. 195 :117016, .
ISSN 0360-5442. doi : 10.1016/j.energy.2020.117016. URL https://www.sciencedirect.com/science/article/pii/
S0360544220301237.
[148] Farah Shahid, Aneela Zameer, Ammara Mehmood, and Muhammad Asif Zahoor Raja. A novel wavenets
long short term memory paradigm for wind power prediction. 269 :115098. ISSN 0306-2619. doi : 10.1016/j.
apenergy.2020.115098. URL https://www.sciencedirect.com/science/article/pii/S0306261920306103.
[149] Vishnu Suresh, Przemyslaw Janik, Josep M. Guerrero, Zbigniew Leonowicz, and Tomasz Sikorski. Microgrid
Energy Management System With Embedded Deep Learning Forecaster and Combined Optimizer. 8 :202225–
202239. ISSN 2169-3536. doi : 10.1109/ACCESS.2020.3036131.
[150] Chaoshun Li, Geng Tang, Xiaoming Xue, Xinbiao Chen, Ruoheng Wang, and Chu Zhang. The short-term
interval prediction of wind power using the deep learning model with gradient descend optimization. 155 :
197–211, . ISSN 0960-1481. doi : 10.1016/j.renene.2020.03.098. URL https://www.sciencedirect.com/science/
article/pii/S0960148120304304.
[151] Y. Q. Neo, T. T. Teo, W. L. Woo, T. Logenthiran, and A. Sharma. Forecasting of photovoltaic power using
deep belief network. In TENCON 2017 - 2017 IEEE Region 10 Conference, pages 1189–1194. doi : 10.1109/
TENCON.2017.8228038.
[152] Kuo-Ping Lin, Ping-Feng Pai, and Yi-Ju Ting. Deep Belief Networks With Genetic Algorithms in Forecasting
Wind Speed. 7 :99244–99253. ISSN 2169-3536. doi : 10.1109/ACCESS.2019.2929542.
[153] Jie Chen, Guo-Qiang Zeng, Wuneng Zhou, Wei Du, and Kang-Di Lu. Wind speed forecasting using nonlinear-
learning ensemble of deep learning time series prediction and extremal optimization. 165 :681–695, . ISSN
0196-8904. doi : 10.1016/j.enconman.2018.03.098. URL https://www.sciencedirect.com/science/article/pii/
S0196890418303261.
[154] Ya-Lan Hu and Liang Chen. A nonlinear hybrid wind speed forecasting model using LSTM network, hysteretic
ELM and Differential Evolution algorithm. 173 :123–142. ISSN 0196-8904. doi : 10.1016/j.enconman.2018.07.
070. URL https://www.sciencedirect.com/science/article/pii/S0196890418308057.
[155] Gholamreza Memarzadeh and Farshid Keynia. A new short-term wind speed forecasting method based on
fine-tuned LSTM neural network and optimal input sets. 213 :112824. ISSN 0196-8904. doi : 10.1016/j.
enconman.2020.112824. URL https://www.sciencedirect.com/science/article/pii/S0196890420303629.
[156] Chuanjin Yu, Yongle Li, Yulong Bao, Haojun Tang, and Guanghao Zhai. A novel framework for wind
speed prediction based on recurrent neural networks and support vector machine. 178 :137–145, . ISSN
0196-8904. doi : 10.1016/j.enconman.2018.10.008. URL https://www.sciencedirect.com/science/article/pii/
S0196890418311087.
[157] He Jiajun, Yu Chuanjin, Li Yongle, and Xiang Huoyue. Ultra-short term wind prediction with wavelet trans-
form, deep belief network and ensemble learning. 205 :112418. ISSN 0196-8904. doi : 10.1016/j.enconman.
2019.112418. URL https://www.sciencedirect.com/science/article/pii/S0196890419314256.
[158] Manohar Mishra, Pandit Byomakesha Dash, Janmenjoy Nayak, Bighnaraj Naik, and Subrat Kumar Swain.
Deep learning and wavelet transform integrated approach for short-term solar PV power prediction. 166 :
108250. ISSN 0263-2241. doi : 10.1016/j.measurement.2020.108250. URL https://www.sciencedirect.com/
science/article/pii/S0263224120307892.
[159] Fei Li, Guorui Ren, and Jay Lee. Multi-step wind speed prediction based on turbulence intensity and hybrid
deep neural networks. 186 :306–322, . ISSN 0196-8904. doi : 10.1016/j.enconman.2019.02.045. URL https:
//www.sciencedirect.com/science/article/pii/S0196890419302286.
[160] Zhiyun Peng, Sui Peng, Lidan Fu, Binchun Lu, Junjie Tang, Ke Wang, and Wenyuan Li. A novel deep
learning ensemble model with data denoising for short-term wind speed forecasting. 207 :112524, . ISSN
0196-8904. doi : 10.1016/j.enconman.2020.112524. URL https://www.sciencedirect.com/science/article/pii/
S0196890420300601.
[161] Hui Liu and Chao Chen. Data processing strategies in wind energy forecasting models and applications : A
comprehensive review. 249 :392–408, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2019.04.188. URL https:
//www.sciencedirect.com/science/article/pii/S0306261919308517.
[162] Hui Liu, Xiwei Mi, and Yanfei Li. Smart deep learning based wind speed prediction model using wavelet packet
decomposition, convolutional neural network and convolutional long short term memory network. 166 :120–
131, . ISSN 0196-8904. doi : 10.1016/j.enconman.2018.04.021. URL https://www.sciencedirect.com/science/
article/pii/S019689041830356X.
[163] Amirhossein Dolatabadi, Hussein Abdeltawab, and Yasser Abdel-Rady I. Mohamed. Hybrid Deep Learning-
Based Model for Wind Speed Forecasting Based on DWPT and Bidirectional LSTM Network. 8 :229219–
229232. ISSN 2169-3536. doi : 10.1109/ACCESS.2020.3047077.
[164] Soonho Hwangbo, KiJeon Nam, SungKu Heo, and ChangKyoo Yoo. Hydrogen-based self-sustaining in-
tegrated renewable electricity network (HySIREN) using a supply-demand forecasting model and deep-
learning algorithms. 185 :353–367. ISSN 0196-8904. doi : 10.1016/j.enconman.2019.02.017. URL https:
//www.sciencedirect.com/science/article/pii/S0196890419301992.
[165] KiJeon Nam, Soonho Hwangbo, and ChangKyoo Yoo. A deep learning-based forecasting model for renewable
energy scenarios to guide sustainable energy policy : A case study of Korea. 122 :109725. ISSN 1364-0321. doi :
10.1016/j.rser.2020.109725. URL https://www.sciencedirect.com/science/article/pii/S1364032120300228.
[166] Hao-Fan Yang and Yi-Ping Phoebe Chen. Representation learning with extreme learning machines and
empirical mode decomposition for wind speed forecasting methods. 277 :103176. ISSN 0004-3702. doi :
10.1016/j.artint.2019.103176. URL https://www.sciencedirect.com/science/article/pii/S000437021930181X.
[167] Xiaohui He, Ying Nie, Hengliang Guo, and Jianzhou Wang. Research on a Novel Combination System on
the Basis of Deep Learning and Swarm Intelligence Optimization Algorithm for Wind Speed Forecasting. 8 :
51482–51499. ISSN 2169-3536. doi : 10.1109/ACCESS.2020.2980562.
[168] Jujie Wang and Yaning Li. Multi-step ahead wind speed prediction based on optimal feature extraction,
long short term memory neural network and error correction strategy. 230 :429–443. ISSN 0306-2619. doi :
10.1016/j.apenergy.2018.08.114. URL https://www.sciencedirect.com/science/article/pii/S0306261918312844.
[169] Lin Wang, Rui Tao, Huanling Hu, and Yu-Rong Zeng. Effective wind power prediction using novel deep
learning network : Stacked independently recurrent autoencoder. 164 :642–655, . ISSN 0960-1481. doi :
10.1016/j.renene.2020.09.108. URL https://www.sciencedirect.com/science/article/pii/S0960148120315330.
[170] Ceyhun Yildiz, Hakan Acikgoz, Deniz Korkmaz, and Umit Budak. An improved residual-based convolutional
neural network for very short-term wind power forecasting. 228 :113731. ISSN 0196-8904. doi : 10.1016/j.
enconman.2020.113731. URL https://www.sciencedirect.com/science/article/pii/S0196890420312553.
[171] Haixiang Zang, Lilin Cheng, Tao Ding, Kwok W. Cheung, Zhinong Wei, and Guoqiang Sun. Day-ahead
photovoltaic power forecasting approach based on deep convolutional neural networks and meta learning. 118 :
105790, . ISSN 0142-0615. doi : 10.1016/j.ijepes.2019.105790. URL https://www.sciencedirect.com/science/
article/pii/S0142061519307409.
[172] Wenlong Fu, Kai Wang, Jiawen Tan, and Kai Zhang. A composite framework coupling multiple feature
selection, compound prediction models and novel hybrid swarm optimizer-based synchronization optimization
strategy for multi-step ahead short-term wind speed forecasting. 205 :112461. ISSN 0196-8904. doi : 10.1016/
j.enconman.2019.112461. URL https://www.sciencedirect.com/science/article/pii/S0196890419314694.
[173] Xiwei Mi, Hui Liu, and Yanfei Li. Wind speed prediction model using singular spectrum analysis, empirical
mode decomposition and convolutional support vector machine. 180 :196–205. ISSN 0196-8904. doi : 10.1016/
j.enconman.2018.11.006. URL https://www.sciencedirect.com/science/article/pii/S0196890418312421.
[174] Hui Liu, Xiwei Mi, and Yanfei Li. Smart multi-step deep learning model for wind speed forecasting based on
variational mode decomposition, singular spectrum analysis, LSTM network and ELM. 159 :54–64, . ISSN
0196-8904. doi : 10.1016/j.enconman.2018.01.010. URL https://www.sciencedirect.com/science/article/pii/
S0196890418300104.
[175] Ling Xiang, Jingxu Li, Aijun Hu, and Yue Zhang. Deterministic and probabilistic multi-step forecasting for
short-term wind speed based on secondary decomposition and a deep learning method. 220 :113098. ISSN
0196-8904. doi : 10.1016/j.enconman.2020.113098. URL https://www.sciencedirect.com/science/article/pii/
S0196890420306427.
[176] Hao Yin, Zuhong Ou, Shengquan Huang, and Anbo Meng. A cascaded deep learning wind power prediction
approach based on a two-layer of mode decomposition. 189 :116316. ISSN 0360-5442. doi : 10.1016/j.energy.
2019.116316. URL https://www.sciencedirect.com/science/article/pii/S0360544219320110.
[177] Zherui Ma, Hongwei Chen, Jiangjiang Wang, Xin Yang, Rujing Yan, Jiandong Jia, and Wenliang Xu. Ap-
plication of hybrid model based on double decomposition, error correction and deep learning in short-term
wind speed prediction. 205 :112345, . ISSN 0196-8904. doi : 10.1016/j.enconman.2019.112345. URL
https://www.sciencedirect.com/science/article/pii/S0196890419313524.
[178] Gonggui Chen, Lijun Li, Zhizhong Zhang, and Shuaiyong Li. Short-Term Wind Speed Forecasting With
Principle-Subordinate Predictor Based on Conv-LSTM and Improved BPNN. 8 :67955–67973, . ISSN 2169-
3536. doi : 10.1109/ACCESS.2020.2982839.
[179] Woonghee Lee, Keonwoo Kim, Junsep Park, Jinhee Kim, and Younghoon Kim. Forecasting Solar Power
Using Long-Short Term Memory and Convolutional Neural Networks. 6 :73068–73080. ISSN 2169-3536. doi :
10.1109/ACCESS.2018.2883330.
[180] Gangqiang Li, Sen Xie, Bozhong Wang, Jiantao Xin, Yunfeng Li, and Shengnan Du. Photovoltaic Power
Forecasting With a Hybrid Deep Learning Approach. 8 :175871–175880, . ISSN 2169-3536. doi : 10.1109/
ACCESS.2020.3025860.
[181] Biplob Ray, Rakibuzzaman Shah, Md. Rabiul Islam, and Syed Islam. A New Data Driven Long-Term Solar
Yield Analysis Model of Photovoltaic Power Plants. 8 :136223–136233. ISSN 2169-3536. doi : 10.1109/
ACCESS.2020.3011982.
[182] Sujan Ghimire, Ravinesh C. Deo, Nawin Raj, and Jianchun Mi. Deep solar radiation forecasting with convo-
lutional neural network and long short-term memory network algorithms. 253 :113541. ISSN 0306-2619. doi :
10.1016/j.apenergy.2019.113541. URL https://www.sciencedirect.com/science/article/pii/S0306261919312152.
[183] Haixiang Zang, Ling Liu, Li Sun, Lilin Cheng, Zhinong Wei, and Guoqiang Sun. Short-term global horizontal
irradiance forecasting based on a hybrid CNN-LSTM model with spatiotemporal correlations. 160 :26–41, .
ISSN 0960-1481. doi : 10.1016/j.renene.2020.05.150. URL https://www.sciencedirect.com/science/article/pii/
S0960148120308557.
[184] Wenzu Wu, Kunjin Chen, Ying Qiao, and Zongxiang Lu. Probabilistic short-term wind power forecasting
based on deep neural networks. In 2016 International Conference on Probabilistic Methods Applied to Power
Systems (PMAPS), pages 1–8, . doi : 10.1109/PMAPS.2016.7764155.
[185] Qiaomu Zhu, Jinfu Chen, Dongyuan Shi, Lin Zhu, Xiang Bai, Xianzhong Duan, and Yilu Liu. Learning
Temporal and Spatial Correlations Jointly : A Unified Framework for Wind Speed Prediction. 11(1) :509–523,
. ISSN 1949-3037. doi : 10.1109/TSTE.2019.2897136.
[186] Kejun Wang, Xiaoxia Qi, and Hongda Liu. A comparison of day-ahead photovoltaic power forecasting models
based on deep learning neural network. 251 :113315, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2019.113315.
URL http://www.sciencedirect.com/science/article/pii/S0306261919309894.
[187] Yong Qin, Kun Li, Zhanhao Liang, Brendan Lee, Fuyong Zhang, Yongcheng Gu, Lei Zhang, Fengzhi Wu, and
Dragan Rodriguez. Hybrid forecasting model based on long short term memory network and deep learning
neural network for wind signal. 236 :262–272. ISSN 0306-2619. doi : 10.1016/j.apenergy.2018.11.063. URL
https://www.sciencedirect.com/science/article/pii/S0306261918317690.
[188] Jianxing Wang, Lili Guo, Chengying Zhang, Lei Song, Jiangyong Duan, and Liqiang Duan. Thermal power
forecasting of solar power tower system by combining mechanism modeling and deep learning method. 208 :
118403, . ISSN 0360-5442. doi : 10.1016/j.energy.2020.118403. URL https://www.sciencedirect.com/science/
article/pii/S0360544220315103.
[189] Seongcheol Woo, Junyoung Park, Jinkyoo Park, and Lance Manuel. Wind Field-Based Short-Term Turbine
Response Forecasting by Stacked Dilated Convolutional LSTMs. 11(4) :2294–2304. ISSN 1949-3037. doi :
10.1109/TSTE.2019.2954107.
[190] Songjian Chai, Zhao Xu, Youwei Jia, and Wai Kin Wong. A Robust Spatiotemporal Forecasting Framework
for Photovoltaic Generation. 11(6) :5370–5382. ISSN 1949-3061. doi : 10.1109/TSG.2020.3006085.
[191] Mousa Afrasiabi, Mohammad Mohammadi, Mohammad Rastegar, and Amin Kargarian. Multi-agent microgrid
energy management based on deep learning forecaster. 186 :115873. ISSN 0360-5442. doi : 10.1016/j.energy.
2019.115873. URL https://www.sciencedirect.com/science/article/pii/S0360544219315452.
[192] Yongqi Liu, Hui Qin, Zhendong Zhang, Shaoqian Pei, Zhiqiang Jiang, Zhongkai Feng, and Jianzhong Zhou.
Probabilistic spatiotemporal wind speed forecasting based on a variational Bayesian deep learning model. 260 :
114259, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2019.114259. URL https://www.sciencedirect.com/science/
article/pii/S0306261919319464.
[193] Yun Ju, Guangyu Sun, Quanhe Chen, Min Zhang, Huixian Zhu, and Mujeeb Ur Rehman. A Model Combining
Convolutional Neural Network and LightGBM Algorithm for Ultra-Short-Term Wind Power Forecasting. 7 :
28309–28318. ISSN 2169-3536. doi : 10.1109/ACCESS.2019.2901920.
[194] Yong Chen, Shuai Zhang, Wenyu Zhang, Juanjuan Peng, and Yishuai Cai. Multifactor spatio-temporal cor-
relation model based on a combination of convolutional neural network and long short-term memory neural
network for wind speed forecasting. 185 :783–799, . ISSN 0196-8904. doi : 10.1016/j.enconman.2019.02.018.
URL https://www.sciencedirect.com/science/article/pii/S0196890419302006.
[195] Ying-Yi Hong and Christian Lian Paulo P. Rioflorido. A hybrid deep learning-based neural network for 24-h
ahead wind power forecasting. 250 :530–539. ISSN 0306-2619. doi : 10.1016/j.apenergy.2019.05.044. URL
https://www.sciencedirect.com/science/article/pii/S030626191930889X.
[196] Ruiguo Yu, Jie Gao, Mei Yu, Wenhuan Lu, Tianyi Xu, Mankun Zhao, Jie Zhang, Ruixuan Zhang, and Zhuo
Zhang. LSTM-EFG for wind power forecasting based on sequential correlation features. 93 :33–42, .
[197] Kejun Wang, Xiaoxia Qi, Hongda Liu, and Jiakang Song. Deep belief network based k-means cluster ap-
proach for short-term wind power forecasting. 165 :840–852, . URL https://ideas.repec.org/a/eee/energy/
v165y2018ipap840-852.html.
[198] Yu Zhang, Yanting Li, and Guangyao Zhang. Short-term wind power forecasting approach based on Seq2Seq
model using NWP data. 213 :118371, . ISSN 0360-5442. doi : 10.1016/j.energy.2020.118371. URL https:
//www.sciencedirect.com/science/article/pii/S036054422031478X.
[199] Zhao Zhen, Jiaming Liu, Zhanyao Zhang, Fei Wang, Hua Chai, Yili Yu, Xiaoxing Lu, Tieqiang Wang, and
Yuzhang Lin. Deep learning based surface irradiance mapping model for solar PV power forecasting using sky
image. 56(4) :3385–3396, .
[200] Hui Liu, Zhu Duan, Chao Chen, and Haiping Wu. A novel two-stage deep learning wind speed forecasting
method with adaptive multiple error corrections and bivariate Dirichlet process mixture model. 199 :111975, .
ISSN 0196-8904. doi : 10.1016/j.enconman.2019.111975. URL https://www.sciencedirect.com/science/article/
pii/S0196890419309811.
[201] Hui Liu and Chao Chen. Multi-objective data-ensemble wind speed forecasting model with stacked sparse
autoencoder and adaptive decomposition-based error correction. 254 :113686, . ISSN 0306-2619. doi : 10.1016/
j.apenergy.2019.113686. URL https://www.sciencedirect.com/science/article/pii/S030626191931373X.
[202] Fei Wang, Zhiming Xuan, Zhao Zhen, Kangping Li, Tieqiang Wang, and Min Shi. A day-ahead PV power
forecasting method based on LSTM-RNN model and time correlation modification under partial daily pattern
prediction framework. 212 :112766, .
[203] Mingming Gao, Jianjing Li, Feng Hong, and Dongteng Long. Day-ahead power forecasting in a large-scale
photovoltaic plant based on weather classification using LSTM. 187 :115838, . ISSN 0360-5442. doi : 10.1016/
j.energy.2019.07.168. URL https://www.sciencedirect.com/science/article/pii/S0360544219315105.
[204] Hua Yan and Zhengping Wu. A Hybrid Short-Term Wind Power Prediction Model Combining Data Processing,
Multiple Parameters Optimization and Multi-Intelligent Models Apportion Strategy. 8 :227126–227140. ISSN
2169-3536. doi : 10.1109/ACCESS.2020.3046001.
[205] Yanfei Li, Haiping Wu, and Hui Liu. Multi-step wind speed forecasting using EWT decomposition, LSTM
principal computing, RELM subordinate computing and IEWT reconstruction. 167 :203–219, . ISSN
0196-8904. doi : 10.1016/j.enconman.2018.04.082. URL https://www.sciencedirect.com/science/article/pii/
S0196890418304308.
[206] Shaoqian Pei, Hui Qin, Zhendong Zhang, Liqiang Yao, Yongqiang Wang, Chao Wang, Yongqi Liu, Zhiqiang
Jiang, Jianzhong Zhou, and Tailai Yi. Wind speed prediction method based on Empirical Wavelet Transform
and New Cell Update Long Short-Term Memory network. 196 :779–792. ISSN 0196-8904. doi : 10.1016/j.
enconman.2019.06.041. URL https://www.sciencedirect.com/science/article/pii/S0196890419307125.
[207] Hui Liu, Xi-wei Mi, and Yan-fei Li. Wind speed forecasting method based on deep learning strategy using
empirical wavelet transform, long short term memory neural network and Elman neural network. 156 :498–
514, . ISSN 0196-8904. doi : 10.1016/j.enconman.2017.11.053. URL https://www.sciencedirect.com/science/
article/pii/S0196890417311056.
[208] Tao Liang, Gaofeng Xie, Shurui Fan, and Zhaochao Meng. A Combined Model Based on CEEMDAN, Permu-
tation Entropy, Gated Recurrent Unit Network, and an Improved Bat Algorithm for Wind Speed Forecasting.
8 :165612–165630, . ISSN 2169-3536. doi : 10.1109/ACCESS.2020.3022872.
[209] Xiwei Mi and Shuo Zhao. Wind speed prediction based on singular spectrum analysis and neural network
structural learning. 216 :112956. ISSN 0196-8904. doi : 10.1016/j.enconman.2020.112956. URL https://www.
sciencedirect.com/science/article/pii/S0196890420304945.
[210] Xiaoan Yan, Ying Liu, Yadong Xu, and Minping Jia. Multistep forecasting for diurnal wind speed ba-
sed on hybrid deep learning model with improved singular spectrum decomposition. 225 :113456, . ISSN
0196-8904. doi : 10.1016/j.enconman.2020.113456. URL https://www.sciencedirect.com/science/article/pii/
S0196890420309900.
[211] Mahdi Khodayar and Jianhui Wang. Spatio-Temporal Graph Deep Neural Network for Short-Term Wind
Speed Forecasting. 10(2) :670–681. ISSN 1949-3037. doi : 10.1109/TSTE.2018.2844102.
[212] Qu Xiaoyun, Kang Xiaoning, Zhang Chao, Jiang Shuai, and Ma Xiuda. Short-term prediction of wind power
based on deep Long Short-Term Memory. In 2016 IEEE PES Asia-Pacific Power and Energy Engineering
Conference (APPEEC), pages 1148–1152. doi : 10.1109/APPEEC.2016.7779672.
[213] Zhu Duan and Hui Liu. An evolution-dependent multi-objective ensemble model of vanishing moment with
adversarial auto-encoder for short-term wind speed forecasting in Xinjiang wind farm, China. 198 :111914.
ISSN 0196-8904. doi : 10.1016/j.enconman.2019.111914. URL https://www.sciencedirect.com/science/article/
pii/S0196890419309057.
[214] Hamed H. H. Aly. A novel deep learning intelligent clustered hybrid models for wind speed and power fore-
casting. 213 :118773. ISSN 0360-5442. doi : 10.1016/j.energy.2020.118773. URL https://www.sciencedirect.
com/science/article/pii/S0360544220318806.
[215] Jie Yan, Hao Zhang, Yongqian Liu, Shuang Han, Li Li, and Zongxiang Lu. Forecasting the High Penetration
of Wind Power on Multiple Scales Using Multi-to-Multi Mapping. 33(3) :3276–3284, . ISSN 1558-0679. doi :
10.1109/TPWRS.2017.2787667.
[216] Juan Ospina, Alvi Newaz, and M. Omar Faruque. Forecasting of PV plant output using hybrid wavelet-based
LSTM-DNN structure model. 13(7) :1087–1095. ISSN 1752-1424. doi : 10.1049/iet-rpg.2018.5779. URL
https://onlinelibrary.wiley.com/doi/abs/10.1049/iet-rpg.2018.5779.
[217] Pengtao Li, Kaile Zhou, Xinhui Lu, and Shanlin Yang. A hybrid deep learning model for short-term PV power
forecasting. 259 :114216, .
[218] Bixuan Gao, Xiaoqiao Huang, Junsheng Shi, Yonghang Tai, and Jun Zhang. Hourly forecasting of so-
lar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks. 162 :1665–1683, .
ISSN 0960-1481. doi : 10.1016/j.renene.2020.09.141. URL https://www.sciencedirect.com/science/article/
pii/S0960148120315652.
[219] Kejun Wang, Xiaoxia Qi, and Hongda Liu. Photovoltaic power forecasting based LSTM-Convolutional Network.
189 :116225, . ISSN 0360-5442. doi : 10.1016/j.energy.2019.116225. URL https://www.sciencedirect.com/
science/article/pii/S0360544219319206.
[220] Haixiang Zang, Lilin Cheng, Tao Ding, Kwok W. Cheung, Miaomiao Wang, Zhinong Wei, and Guoqiang Sun.
Application of functional deep belief network for estimating daily global solar radiation : A case study in
China. 191 :116502, . ISSN 0360-5442. doi : 10.1016/j.energy.2019.116502. URL https://www.sciencedirect.
com/science/article/pii/S0360544219321978.
[221] Gary W. Chang and Heng-Jiu Lu. Integrating Gray Data Preprocessor and Deep Belief Network for Day-Ahead
PV Power Output Forecast. 11(1) :185–194. ISSN 1949-3037. doi : 10.1109/TSTE.2018.2888548.
[222] Fei Wang, Zhanyao Zhang, Chun Liu, Yili Yu, Songling Pang, Neven Duić, Miadreza Shafie-khah, and João
P. S. Catalão. Generative adversarial networks and convolutional neural networks based weather classification
model for day ahead short-term photovoltaic power forecasting. 181 :443–462, . ISSN 0196-8904. doi : 10.
1016/j.enconman.2018.11.074. URL https://www.sciencedirect.com/science/article/pii/S0196890418313268.
[223] Hao Zhang, Yongqian Liu, Jie Yan, Shuang Han, Li Li, and Quan Long. Improved Deep Mixture Density
Network for Regional Wind Power Probabilistic Forecasting. 35(4) :2549–2560, . ISSN 1558-0679. doi :
10.1109/TPWRS.2020.2971607.
[224] Shuang Zhu, Xiaohui Yuan, Zhanya Xu, Xiangang Luo, and Hairong Zhang. Gaussian mixture model coupled
recurrent neural networks for wind speed interval forecast. 198 :111772, . ISSN 0196-8904. doi : 10.1016/j.
enconman.2019.06.083. URL https://www.sciencedirect.com/science/article/pii/S019689041930754X.
[225] H. Z. Wang, G. B. Wang, G. Q. Li, J. C. Peng, and Y. T. Liu. Deep belief network based deterministic and
probabilistic wind speed forecasting approach. 182 :80–93, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2016.
08.108. URL https://www.sciencedirect.com/science/article/pii/S0306261916312053.
[226] Mahdi Khodayar, Jianhui Wang, and Mohammad Manthouri. Interval Deep Generative Neural Network for
Wind Speed Forecasting. 10(4) :3974–3989. ISSN 1949-3061. doi : 10.1109/TSG.2018.2847223.
[227] Tianyu Hu, Qinglai Guo, Zhengshuo Li, Xinwei Shen, and Hongbin Sun. Distribution-Free Probability Density
Forecast Through Deep Neural Networks. 31(2) :612–625, . ISSN 2162-2388. doi : 10.1109/TNNLS.2019.
2907305.
[228] Reihaneh Haji Mahdizadeh Zargar and Mohammad Hossein Yaghmaee Moghaddam. Development of a Markov-
Chain-Based Solar Generation Model for Smart Microgrid Energy Management System. 11(2) :736–745. ISSN
1949-3037. doi : 10.1109/TSTE.2019.2904436.
[229] Yongqi Liu, Hui Qin, Zhendong Zhang, Shaoqian Pei, Chao Wang, Xiang Yu, Zhiqiang Jiang, and Jianzhong
Zhou. Ensemble spatiotemporal forecasting of solar irradiation using variational Bayesian convolutional gate
recurrent unit network. 253 :113596, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2019.113596. URL https:
//www.sciencedirect.com/science/article/pii/S030626191931270X.
[230] Huai-zhi Wang, Gang-qiang Li, Gui-bin Wang, Jian-chun Peng, Hui Jiang, and Yi-tao Liu. Deep learning
based ensemble approach for probabilistic wind power forecasting. 188 :56–70, . ISSN 0306-2619. doi :
10.1016/j.apenergy.2016.11.111. URL https://www.sciencedirect.com/science/article/pii/S0306261916317421.
[231] Han Liu, Peng Li, Juan Lin, Wenpei Chen, Haibiao Guo, Jianyun Lin, Jin Liu, Ziqi Lu, Xiaolan Yao, Yang
Chen, and Baoqin Lin. Danhong Huayu Koufuye prevents venous thrombosis through antiinflammation via
Sirtuin 1/NF-B signaling pathway. 241 :111975, . ISSN 0378-8741. doi : 10.1016/j.jep.2019.111975. URL
https://www.sciencedirect.com/science/article/pii/S0378874118342958.
[232] Tanveer Ahmad, Hongcai Zhang, and Biao Yan. A review on renewable energy and electricity requirement
forecasting models for smart grid and buildings. 55 :102052. ISSN 2210-6707. doi : 10.1016/j.scs.2020.102052.
URL https://www.sciencedirect.com/science/article/pii/S2210670720300391.
[233] Aoife M. Foley, P.G. Leahy, Antonino Marvuglia, and E.J. McKeogh. Current methods and advances in
forecasting of wind power generation. 37(1) :1–8. ISSN 0960-1481. doi : 10.1016/j.renene.2011.05.033.
[234] Ronald K. Pearson, Yrjö Neuvo, Jaakko Astola, and Moncef Gabbouj. Generalized Hampel Filters. 2016(1) :
87. ISSN 1687-6180. doi : 10.1186/s13634-016-0383-6. URL https://doi.org/10.1186/s13634-016-0383-6.
[235] André Gensler, Janosch Henze, Bernhard Sick, and Nils Raabe. Deep Learning for solar power forecasting —
An approach using AutoEncoder and LSTM Neural Networks. In 2016 IEEE International Conference on
Systems, Man, and Cybernetics (SMC), pages 002858–002865. doi : 10.1109/SMC.2016.7844673.
[236] João Marcos Lima, Alexandre K. Guetter, Saulo R. Freitas, Jairo Panetta, and prefix=de useprefix=true
family=Mattos, given=João GZ. A meteorological–statistic model for short-term wind power forecasting. 28 :
679–691, .
[237] Shikha Singh, T. S. Bhatti, and D. P. Kothari. Wind Power Estimation Using Artificial Neural Network. 133
(1) :46–52. ISSN 0733-9402. doi : 10.1061/(ASCE)0733-9402(2007)133:1(46). URL https://ascelibrary.org/
doi/10.1061/%28ASCE%290733-9402%282007%29133%3A1%2846%29.
[238] Qian Li, Zhou Wu, Rui Ling, Liang Feng, and Kai Liu. Multi-reservoir echo state computing for solar irradiance
prediction : A fast yet efficient deep learning approach. 95 :106481, . ISSN 1568-4946. doi : 10.1016/j.asoc.
2020.106481. URL https://www.sciencedirect.com/science/article/pii/S1568494620304208.
[239] Hui Liu, Xiwei Mi, Yanfei Li, Zhu Duan, and Yinan Xu. Smart wind speed deep learning based multi-
step forecasting model using singular spectrum analysis, convolutional Gated Recurrent Unit network and
Support Vector Regression. 143 :842–854, . ISSN 0960-1481. doi : 10.1016/j.renene.2019.05.039. URL https:
//www.sciencedirect.com/science/article/pii/S0960148119306998.
[240] Ludmil Stoyanov. Etude de différentes structures de systèmes hybrides à sources d’énergie renouvelables.
[241] Jukka V. Paatero and Peter D. Lund. Effects of large-scale photovoltaic power integration on electricity
distribution networks. 32(2) :216–234. ISSN 0960-1481. doi : 10.1016/j.renene.2006.01.005. URL https:
//www.sciencedirect.com/science/article/pii/S0960148106000425.
[242] Wilhelm Durisch, Bernd Bitnar, Jean-C. Mayor, Helmut Kiess, King-hang Lam, and Josie Close. Efficiency
model for photovoltaic modules and demonstration of its application to energy yield estimation. 91(1) :79–84.
ISSN 0927-0248. doi : 10.1016/j.solmat.2006.05.011. URL https://www.sciencedirect.com/science/article/pii/
S0927024806003345.
[243] Yun Wang, Qinghua Hu, Linhao Li, Aoife M. Foley, and Dipti Srinivasan. Approaches to wind power curve
modeling : A review and discussion. 116 :109422, . ISSN 1364-0321. doi : 10.1016/j.rser.2019.109422. URL
https://www.sciencedirect.com/science/article/pii/S1364032119306306.
[244] Yun Wang, Qinghua Hu, Dipti Srinivasan, and Zheng Wang. Wind Power Curve Modeling and Wind Power
Forecasting With Inconsistent Data. 10(1) :16–25, . ISSN 1949-3037. doi : 10.1109/TSTE.2018.2820198.
[247] Data Preprocessing in Machine Learning : 7 Easy Steps To Follow, . URL https://www.upgrad.com/blog/
data-preprocessing-in-machine-learning/.
[248] Data Preprocessing in Machine Learning [Steps & Techniques], . URL https://www.v7labs.com/blog/
data-preprocessing-guide,https://www.v7labs.com/blog/data-preprocessing-guide.
[249] Marius Paulescu, Marek Brabec, Remus Boata, and Viorel Badescu. Structured, physically inspired (gray box)
models versus black box modeling for forecasting the output power of photovoltaic plants. 121 :792–802, .
ISSN 0360-5442. doi : 10.1016/j.energy.2017.01.015. URL https://www.sciencedirect.com/science/article/pii/
S0360544217300154.
[250] Utpal Kumar Das, Kok Soon Tey, Mehdi Seyedmahmoudian, Saad Mekhilef, Moh Yamani Idna Idris, Willem
Van Deventer, Bend Horan, and Alex Stojcevski. Forecasting of photovoltaic power generation and model
optimization : A review. 81 :912–928, .
[251] Gordon Reikard. Predicting solar radiation at high resolutions : A comparison of time series forecasts. 83(3) :
342–349. ISSN 0038-092X. doi : 10.1016/j.solener.2008.08.007. URL https://www.sciencedirect.com/science/
article/pii/S0038092X08002107.
[252] A. Baig, P. Akhter, and A. Mufti. A novel approach to estimate the clear day global radiation. 1(1) :119–123.
ISSN 0960-1481. doi : 10.1016/0960-1481(91)90112-3. URL https://www.sciencedirect.com/science/article/
pii/0960148191901123.
[253] S. N. Kaplanis. New methodologies to estimate the hourly global solar radiation ; Comparisons with existing
models. 31(6) :781–790. ISSN 0960-1481. doi : 10.1016/j.renene.2005.04.011. URL https://www.sciencedirect.
com/science/article/pii/S0960148105000959.
[254] John Boland. Time Series Modelling of Solar Radiation. In Viorel Badescu, editor, Modeling Solar Radiation
at the Earth’s Surface : Recent Advances, pages 283–312. Springer. ISBN 978-3-540-77455-6. doi : 10.1007/
978-3-540-77455-6_11. URL https://doi.org/10.1007/978-3-540-77455-6_11.
[255] Mohammad H. Alomari, Ola Younis, and Sofyan MA Hayajneh. A Predictive Model for Solar Photovoltaic
Power using the Levenberg-Marquardt and Bayesian Regularization Algorithms and Real-Time Weather Data.
9(1) :347–353. URL http://dx.doi.org/10.14569/ijacsa.2018.090148.
[256] Utpal Kumar Das, Kok Soon Tey, Mehdi Seyedmahmoudian, Mohd Yamani Idna Idris, Saad Mekhilef, Ben
Horan, and Alex Stojcevski. SVR-Based Model to Forecast PV Power Generation under Different Weather
Conditions. 10(7) :876, . ISSN 1996-1073. doi : 10.3390/en10070876. URL https://www.mdpi.com/1996-1073/
10/7/876.
[257] Zheng Qian, Yan Pei, Hamidreza Zareipour, and Niya Chen. A review and discussion of decomposition-based
hybrid models for wind energy forecasting applications. 235 :939–953.
[258] Naima El-Amarty, Manal Marzouq, Hakim El Fadili, Saad Dosse Bennani, and Antonio Ruano. A com-
prehensive review of solar irradiation estimation and forecasting using artificial neural networks : Data,
models and trends. ISSN 1614-7499. doi : 10.1007/s11356-022-24240-w. URL https://doi.org/10.1007/
s11356-022-24240-w.
[259] Fudong Li and Huan-yu Liao. An intelligent method for wind power forecasting based on integrated power
slope events prediction and wind speed forecasting. 13(8) :1099–1105. ISSN 1931-4981. doi : 10.1002/tee.22671.
URL https://onlinelibrary.wiley.com/doi/abs/10.1002/tee.22671.
[260] Lili Wang, Xin Li, and Yulong Bai. Short-term wind speed prediction using an extreme learning machine
model with error correction. 162 :239–250, . ISSN 0196-8904. doi : 10.1016/j.enconman.2018.02.015. URL
https://www.sciencedirect.com/science/article/pii/S0196890418301110.
[261] Jianzhong Zhou, Han Liu, Yanhe Xu, and Wei Jiang. A Hybrid Framework for Short Term Multi-Step Wind
Speed Forecasting Based on Variational Model Decomposition and Convolutional Neural Network. 11(9) :2292,
. ISSN 1996-1073. doi : 10.3390/en11092292. URL https://www.mdpi.com/1996-1073/11/9/2292.
[262] Hui Liu, Xiwei Mi, and Yanfei Li. An experimental investigation of three new hybrid wind speed forecasting
models using multi-decomposing strategy and ELM algorithm. 123 :694–705, . ISSN 0960-1481. doi : 10.1016/
j.renene.2018.02.092. URL https://www.sciencedirect.com/science/article/pii/S0960148118302362.
[263] Jianzhou Wang, Pei Du, Haiyan Lu, Wendong Yang, and Tong Niu. An improved grey model optimized by
multi-objective ant lion optimization algorithm for annual electricity consumption forecasting. 72 :321–337,
. ISSN 1568-4946. doi : 10.1016/j.asoc.2018.07.022. URL https://www.sciencedirect.com/science/article/pii/
S1568494618304101.
[264] Thomas M. Cover. The Best Two Independent Measurements Are Not the Two Best. SMC-4(1) :116–117.
ISSN 2168-2909. doi : 10.1109/TSMC.1974.5408535.
[265] Hanchuan Peng, Fuhui Long, and Chris Ding. Feature selection based on mutual information criteria of max-
dependency, max-relevance, and min-redundancy. 27(8) :1226–1238, .
[266] Federica Davò, Stefano Alessandrini, Simone Sperati, Luca Delle Monache, Davide Airoldi, and Maria T.
Vespucci. Post-processing techniques and principal component analysis for regional wind power and solar
irradiance forecasting. 134 :327–338. ISSN 0038-092X. doi : 10.1016/j.solener.2016.04.049. URL https:
//www.sciencedirect.com/science/article/pii/S0038092X16300962.
[267] Xiaobing Kong, Xiangjie Liu, Ruifeng Shi, and Kwang Y. Lee. Wind speed prediction using reduced support
vector machines with feature selection. 169 :449–456. ISSN 0925-2312. doi : 10.1016/j.neucom.2014.09.090.
URL https://www.sciencedirect.com/science/article/pii/S0925231215005044.
[268] Qinghua Hu, Pengyu Su, Daren Yu, and Jinfu Liu. Pattern-based wind speed prediction based on generalized
principal component analysis. 5(3) :866–874, .
[269] Shaolong Sun, Han Qiao, Yunjie Wei, and Shouyang Wang. A new dynamic integrated approach for wind
speed forecasting. 197 :151–162, .
[270] Yun Wang, Haibo Wang, Dipti Srinivasan, and Qinghua Hu. Robust functional regression for wind speed
forecasting based on Sparse Bayesian learning. 132 :43–60, . ISSN 0960-1481. doi : 10.1016/j.renene.2018.07.083.
URL https://www.sciencedirect.com/science/article/pii/S0960148118308802.
[271] Qinghua Hu, Shiguang Zhang, Zongxia Xie, Jusheng Mi, and Jie Wan. Noise model based -support vector
regression with its application to short-term wind speed forecasting. 57 :1–11, . ISSN 0893-6080. doi :
10.1016/j.neunet.2014.05.003. URL https://www.sciencedirect.com/science/article/pii/S0893608014000938.
[272] Shiguang Zhang, Qinghua Hu, Zongxia Xie, and Jusheng Mi. Kernel ridge regression for general noise model
with its application. 149 :836–846, . ISSN 0925-2312. doi : 10.1016/j.neucom.2014.07.051. URL https:
//www.sciencedirect.com/science/article/pii/S0925231214010030.
[273] Carlos D. Zuluaga, Mauricio A. Álvarez, and Eduardo Giraldo. Short-term wind speed prediction based on
robust Kalman filtering : An experimental comparison. 156 :321–330. ISSN 0306-2619. doi : 10.1016/j.apenergy.
2015.07.043. URL https://www.sciencedirect.com/science/article/pii/S0306261915008727.
[274] Hui Liu, Zhu Duan, Feng-ze Han, and Yan-fei Li. Big multi-step wind speed forecasting model based on secon-
dary decomposition, ensemble method and error correction algorithm. 156 :525–541, . ISSN 0196-8904. doi : 10.
1016/j.enconman.2017.11.049. URL https://www.sciencedirect.com/science/article/pii/S0196890417311019.
[275] Hui Liu, Haiping Wu, and Yanfei Li. Smart wind speed forecasting using EWT decomposition, GWO evolu-
tionary optimization, RELM learning and IEWT reconstruction. 161 :266–283, . ISSN 0196-8904. doi : 10.
1016/j.enconman.2018.02.006. URL https://www.sciencedirect.com/science/article/pii/S019689041830102X.
[276] Shahram Hanifi, Xiaolei Liu, Zi Lin, and Saeid Lotfian. A critical review of wind power forecasting me-
thods—past, present and future. 13(15) :3764.
[277] Mustafa Cavcar. The international standard atmosphere (ISA). 30(9) :1–6.
[278] Jacques Bernard. Energie solaire calcul et optimisation Berneoud. 106 :17.
[279] Michel Capderou. Atlas Solaire de l’Algérie, modèles théorique et Expérimentaux Tome I ; OPU.
[280] John A. Duffie and William A. Beckman. Solar Engineering of Thermal Processes. John Wiley & Sons.
[281] F. J. Olmo, J. Vida, I. Foyo, Y. Castro-Diez, and L. Alados-Arboledas. Prediction of global irradiance on
inclined surfaces from horizontal global irradiance. 24(8) :689–704.
[282] Thomas M. Klucher. Evaluation of models to predict insolation on tilted surfaces. 23(2) :111–114.
[283] given-i=ABJARKH family=De Miguel, given=ABJARKH, J. Bilbao, R. Aguiar, H. Kambezidis, and E. Negro.
Diffuse solar irradiation model evaluation in the north Mediterranean belt area. 70(2) :143–153.
[284] J. I. Jimenez and Y. Castro. National assembly of geophysics and geodesy, vol.
[286] Michaël Bressan. Estimation de production des installations pv pour différentes inclinaisons basée sur un modèle
d’ensoleillement. (77) :https ://www.see.asso.fr/en/node/11096. URL https://hal.science/hal-01077761.
[288] Payam Refaeilzadeh, Lei Tang, and Huan Liu. Cross-Validation. In given-i=LING family=LIU, given=LING
and M. TAMER ÖZSU, editors, Encyclopedia of Database Systems, pages 532–538. Springer US. ISBN 978-0-
387-39940-9. doi : 10.1007/978-0-387-39940-9_565. URL https://doi.org/10.1007/978-0-387-39940-9_565.
[289] Tian Zhang, Raghu Ramakrishnan, and Miron Livny. BIRCH : An efficient data clustering method for very
large databases. 25(2) :103–114, .
[290] Leonard Kaufman and Peter J. Rousseeuw. Finding Groups in Data : An Introduction to Cluster Analysis.
John Wiley & Sons.
[291] Jude W. Shavlik, Thomas Dietterich, and Thomas Glen Dietterich. Readings in Machine Learning. Morgan
Kaufmann.
[292] Douglas H. Fisher. Knowledge acquisition via incremental conceptual clustering. 2 :139–172.
[293] Gail A. Carpenter and Stephen Grossberg. A massively parallel architecture for a self-organizing neural pattern
recognition machine. 37(1) :54–115.
[295] M. Ester, H. P. Kriegel, J. Sander, and Xu Xiaowei. A density-based algorithm for discovering clusters in large
spatial databases with noise. (CONF-960830-). URL https://www.osti.gov/biblio/421283.
[296] Mihael Ankerst, Markus M. Breunig, Hans-Peter Kriegel, and Jörg Sander. OPTICS : Ordering points to
identify the clustering structure. 28(2) :49–60.
[297] S. Chandrakala and C. Chandra Sekhar. A density based method for multivariate time series clustering in
kernel feature space. In 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress
on Computational Intelligence), pages 1885–1890. IEEE.
[298] Xiaohang Zhang, Jiaqi Liu, Yu Du, and Tingjie Lv. A novel clustering method on time series data. 38(9) :
11891–11900, .
[299] SIST EN 61400-12 :1999 - Wind turbine generator systems – Part 12 : Wind turbine power performance
testing. URL https://standards.iteh.ai/catalog/standards/sist/93357524-9cba-4cc9-abe8-e1431f994e8a/
sist-en-61400-12-1999.
[300] Long Short-Term Memory Networks (LSTM)- simply explained ! | Data Basecamp. URL https://
databasecamp.de/en/ml/lstms.
[302] Anjir Ahmed Chowdhury, Argho Das, Khadija Kubra Shahjalal Hoque, and Debajyoti Karmaker. A Compa-
rative Study of Hyperparameter Optimization Techniques for Deep Learning. In Mohammad Shorif Uddin,
Prashant Kumar Jamwal, and Jagdish Chand Bansal, editors, Proceedings of International Joint Conference on
Advances in Computational Intelligence, Algorithms for Intelligent Systems, pages 509–521. Springer Nature.
ISBN 978-981-19033-2-8. doi : 10.1007/978-981-19-0332-8_38.
[303] Tom O’Malley, Elie Bursztein, James Long, François Chollet, Haifeng Jin, Luca Invernizzi, et al. KerasTuner.
URL https://github.com/keras-team/keras-tuner.
[304] Martín Abadi, Ashish Agarwal, Paul Barham, Eugene Brevdo, Zhifeng Chen, Craig Citro, Greg S. Corrado,
Andy Davis, Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Ian Goodfellow, Andrew Harp, Geoffrey Irving,
Michael Isard, Yangqing Jia, Rafal Jozefowicz, Lukasz Kaiser, Manjunath Kudlur, Josh Levenberg, Dandelion
Mané, Rajat Monga, Sherry Moore, Derek Murray, Chris Olah, Mike Schuster, Jonathon Shlens, Benoit Steiner,
Ilya Sutskever, Kunal Talwar, Paul Tucker, Vincent Vanhoucke, Vijay Vasudevan, Fernanda Viégas, Oriol
Vinyals, Pete Warden, Martin Wattenberg, Martin Wicke, Yuan Yu, and Xiaoqiang Zheng. TensorFlow :
Large-Scale Machine Learning on Heterogeneous Systems. URL https://www.tensorflow.org/.
[305] Rk330-01b Atmospheric Temperature, Humidity & Pressure Sensor | Rika Sensors. URL https://www.
rikasensor.com/rk330-01b-atmospheric-temperature-humidity-pressure-sensor.html.
[306] Rk200-04 Solar Radiation Sensor Solar Irradiance Sensor | Rika Sensors. URL https://www.rikasensor.com/
rk200-04-solar-radiation-sensor-solar-irradiance-sensor.html.
[307] Rk100-02 Cheap Plastic Wind Speed Sensor / Detector, 3 Cup Wind Anemometer | Rika, . URL https:
//www.rikasensor.com/rk100-02-wind-speed-sensor-wind-speed-detector.html.
[308] Rk110-02 Wind Direction Sensor Wind Vane Sensor | Rika Sensors, . URL https://www.rikasensor.com/
rk110-02-wind-direction-sensor-wind-vane-sensor.html.
[310] Énergie Éolienne : De son gisement à ses aérogénérateurs - Encyclopédie de l’énergie, . URL https://www.
encyclopedie-energie.org/en/energie-eolienne-de-son-gisement-a-ses-aerogenerateurs/.
[311] M. Lydia, A. Immanuel Selvakumar, S. Suresh Kumar, and G. Edwin Prem Kumar. Advanced algorithms for
wind turbine power curve modeling. 4(3) :827–835.
[312] Mohammed G. Khalfallah and Aboelyazied M. Koliub. Suggestions for improving wind turbines power curves.
209(1-3) :221–229.
[313] Qinghua Hu, Yun Wang, Zongxia Xie, Pengfei Zhu, and Daren Yu. On estimating uncertainty of wind energy
with mixture of distributions. 112 :935–962, .
[314] J. L. Torres, E. Prieto, A. Garcia, M. De Blas, F. Ramirez, and A. De Francisco. Effects of the model selected
for the power curve on the site effectiveness and the capacity factor of a pitch regulated wind turbine. 74(2) :
93–102.
[315] Lin Lu, Hongxing Yang, and John Burnett. Investigation on wind power potential on Hong Kong islands—an
analysis of wind power and wind turbine characteristics. 27(1) :1–12.
[316] Milad Javadi, Alexander M. Malyscheff, Di Wu, Chongqing Kang, and John N. Jiang. An algorithm for
practical power curve estimation of wind turbines. 4(1) :93–102.
[317] Vinay Thapar, Gayatri Agnihotri, and Vinod Krishna Sethi. Critical analysis of methods for mathe-
matical modelling of wind turbines. 36(11) :3166–3177. URL https://ideas.repec.org//a/eee/renene/
v36y2011i11p3166-3177.html.
[318] Fatih O. Hocaoğlu, Ömer N. Gerek, and Mehmet Kurban. A novel hybrid (wind–photovoltaic) system sizing
procedure. 83(11) :2019–2028.
[319] Said Diaf, Djamila Diaf, Mayouf Belhamel, Mourad Haddadi, and Alain Louche. A methodology for optimal
sizing of autonomous hybrid PV/wind system. 35(11) :5708–5718.
[320] Yanjun Yan, Lisa Ann Osadciw, Glen Benson, and Eric White. Inverse data transformation for change detection
in wind turbine diagnostics. In 2009 Canadian Conference on Electrical and Computer Engineering, pages
944–949. IEEE, .
[321] Lisa Ann Osadciw, Yanjun Yan, Xiang Ye, Glen Benson, and Eric White. Wind turbine diagnostics based on
power curve using particle swarm optimization. pages 151–165.
[322] Martin Wolf and Hans Rauschenbach. Series resistance effects on solar cell measurements. 3(2) :455–479.
[323] M. A. De Blas, J. L. Torres, E. Prieto, and A. Garcıa. Selecting a suitable model for characterizing photovoltaic
devices. 25(3) :371–380.
[324] Marcelo Gradella Villalva, Jonas Rafael Gazoli, and Ernesto Ruppert Filho. Comprehensive approach to
modeling and simulation of photovoltaic arrays. 24(5) :1198–1208.
[325] Tao Ma, Hongxing Yang, and Lin Lu. Solar photovoltaic system modeling and performance prediction. 36 :
304–315, .
[326] Ali Naci Celik and Nasır Acikgoz. Modelling and experimental verification of the operating current of mono-
crystalline photovoltaic modules using four-and five-parameter models. 84(1) :1–15.
[327] Adelmo Ortiz-Conde, Francisco J. García Sánchez, and Juan Muci. New method to extract the model pa-
rameters of solar cells from the explicit analytic solutions of their illuminated I–V characteristics. 90(3) :
352–361.
[328] Widalys De Soto, Sanford A. Klein, and William A. Beckman. Improvement and validation of a model for
photovoltaic array performance. 80(1) :78–88.
[329] Giuseppina Ciulla, Valerio Lo Brano, Vincenzo Di Dio, and Giovanni Cipriani. A comparison of different
one-diode models for the representation of I–V characteristic of a PV cell. 32 :684–696.
[330] M. U. Siddiqui and M. Abido. Parameter estimation for five-and seven-parameter photovoltaic electrical models
using evolutionary algorithms. 13(12) :4608–4621.
[331] Anis Sellami and Mongi Bouaïcha. Application of the Genetic Algorithms for Identifying the Electrical Para-
meters of PV Solar Generators. InTech.
[332] Mohamed Azab, Fawzan Salem, and Mohamed I. Mossad. PV parameter estimation using different evolutionary
algorithms. 13 :187–196.
[333] Geoff Walker. Evaluating MPPT converter topologies using a MATLAB PV model. 21(1) :49–55.
[334] Olivier Gergaud, Bernard Multon, and Hamid Ben Ahmed. Analysis and experimental validation of various
photovoltaic system models. In Electrimacs, page 6p.
[335] M. Fuentes, G. Nofuentes, J. Aguilera, D. L. Talavera, and M. Castro. Application and validation of algebraic
methods to predict the behaviour of crystalline silicon PV modules in Mediterranean climates. 81(11) :1396–
1408.
[336] D. L. Evans. Simplified method for predicting photovoltaic array output. 27(6) :555–560.
[337] J. F. Randall and J. Jacot. Is AM1. 5 applicable in practice ? Modelling eight photovoltaic materials with
respect to light intensity and two spectra. 28(12) :1851–1864.
[338] Sheryl R. Williams, Thomas R. Betts, T. Helf, R. Gottschalg, H. G. Beyer, and D. G. Infield. Modelling
long-term module performance based on realistic reporting conditions with consideration to spectral effects. In
3rd World Conference onPhotovoltaic Energy Conversion, 2003. Proceedings Of, volume 2, pages 1908–1911.
IEEE, .
[339] Hans Georg Beyer, J. Betcke, Anja Drews, Detlev Heinemann, Elke Lorenz, Gerd Heilscher, and Stefan Bofinger.
Identification of a general model for the MPP performance of PV-modules for the application in a procedure
for the performance check of grid connected systems. In 19th European Photovoltaic Solar Energy Conference
and Exhibition, Paris, France, volume 7, page 2004. Citeseer.
[341] S. R. Williams, Thomas R. Betts, Ralph Gottschalg, D. G. Infield, H. De Moor, N. Van Der Borg, A. R. Burgers,
Gabi Friesen, D. Chianese, and A. Guerin De Montgareuil. Accuracy of energy prediction methodologies. In
2006 IEEE 4th World Conference on Photovoltaic Energy Conference, volume 2, pages 2206–2209. IEEE, .
[342] Gabi Friesen, Sebastian Dittmann, S.R. Williams, Ralph Gottschalg, Hans Georg Beyer, Antoine Guerin de
Montgareuil, N.J.C.M. Borg, Antonius Burgers, Robert Kenny, Thomas Huld, Björn Müller, Christian Reise,
J. Kurnik, and Marko Topic. Intercomparison of Different Energy Prediction Methods within the European
Project PERFORMANCE - Results on the 2nd Round Robin. doi : 10.4229/24thEUPVSEC2009-4CO.1.2.
[343] Roger W. Taylor. System and module rating : Advertised versus actual capability. 18.
[344] J. I. Rosell and M. Ibanez. Modelling power output in photovoltaic modules for outdoor operating conditions.
47(15-16) :2424–2430.
[345] Wolfgang Heydenreich, Björn Müller, and Christian Reise. Describing the world with three parameters : A
new approach to PV module power modelling. In 23rd European PV Solar Energy Conference and Exhibition
(EU PVSEC), pages 2786–2789.
[347] Thomas Huld, Gabi Friesen, Artur Skoczek, Robert P. Kenny, Tony Sample, Michael Field, and Ewan D.
Dunlop. A power-rating model for crystalline silicon PV modules. 95(12) :3359–3369.
[348] J. Silva, B. Asenjo, N. Vela, and F. Chenlo. Caracterización de módulos fotovoltaicos de diversas tecnologías
en el marco del proyecto INNDISOL. In Proceedings of the XV Congreso Ibérico y X Congreso Iberoamericano
de Energía Solar, Vigo, Spain, pages 19–22.
[351] Bienvenu Macaire Agbomahena, Kossoko Babatoundé Audace Didavi, and Richard Gilles Agbokpanzo. A
novel technique for forecasting the optimal production of a wind generator installed at any geographical point
located within a very large area. 10(1) :23. ISSN 2314-7172. doi : 10.1186/s43067-023-00091-4. URL https:
//doi.org/10.1186/s43067-023-00091-4.
[352] Taohidi A. Lamidi, Nounangnonhou C. Télesphore, Macaire B. Agbomahena, and Audace B. K. Didavi. K-
Means Algorithm to Identify The Optimal Production Period of A Photovoltaic Array Installed at Any Point
in a Very Large Area. In 2022 International Conference on Electrical Engineering, Computer and Information
Technology (ICEECIT), pages 187–192. doi : 10.1109/ICEECIT55908.2022.10030306.
[353] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Datasets, . URL https://drive.
google.com/drive/folders/1QTwxkW-GMF7DrlG00bp00tzKerI6xfIV.
[354] Where wind power is harnessed - U.S. Energy Information Administration (EIA). URL https://www.eia.gov/
energyexplained/wind/where-wind-power-is-harnessed.php.
[355] given-i=BRANZ family=Ltd, given=BRANZ. Wind turbine systems and Renewable energy. URL http://
www.level.org.nz/energy/renewable-electricity-generation/wind-turbine-systems/.
[356] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Statistiques, . URL https:
//drive.google.com/drive/folders/1jzYkLUXOA_J0iZBgOau7MJnCC7mgOpBI.
[357] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Résultats de Clustering, . URL
https://drive.google.com/drive/folders/1IBKDdPVGDBcLF6tmxkGasfuscxHw-U4M.
[358] Didavi K. B. Audace, Agbokpanzo G. Richard, and Agbomahena B. Macaire. LSTM and K-means Algorithm
for Irradiation and Temperature Clustering to Forecast Power Output of a PV Array Installed in Benin. In
2022 International Conference on Green Energy, Computing and Sustainable Technology (GECOST), pages
248–252, . doi : 10.1109/GECOST55694.2022.10010366.
[359] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Formation Sous-Zones, . URL
https://drive.google.com/drive/folders/12dBsKYNK5fbCtrEfzyMV9vNP_swAt0en.
[360] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Caractérisation Sous-Zones, .
URL https://drive.google.com/drive/folders/10T32SZfxAE8jjDbSCXByZHMCvGFk_r9V.
[361] Audace B. K. Didavi, Macaire Agbomahena, and Richard Gilles Agbokpanzo. Roses de vent, . URL https:
//drive.google.com/drive/folders/1oajD9ydvXL_WBDWulNUnv1lsi6uohb7v.
[362] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Distributions de Weibull, . URL
https://drive.google.com/drive/folders/1Z7IjFVcr8eKZaDNGNf5laO2L95USl9AY.
[363] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Transformation de Fourier
Rapide, . URL https://drive.google.com/drive/folders/1bM42I34KbVy6aWDs-HFMVxwNSqmhFc3_.
[364] Audace B. K. Didavi, Richard Gilles Agbokpanzo, and Macaire Agbomahena. Résultats Op-
timisation Hyperparamètres - Google Drive, . URL https://drive.google.com/drive/folders/
1sNzQ14ZVA1yS43SpmQqdct40eFEvRGVM.
[365] A. G. R. Vaz, B. Elsinga, prefix=van useprefix=true family=Sark, given=W. G. J. H. M., and M. C. Brito.
An artificial neural network to assess the impact of neighbouring photovoltaic systems in power forecasting
in Utrecht, the Netherlands. 85 :631–641. ISSN 0960-1481. doi : 10.1016/j.renene.2015.06.061. URL https:
//www.sciencedirect.com/science/article/pii/S0960148115300847.
[366] Stéphanie Monjoly, Maina André, Rudy Calif, and Ted Soubdhan. Forecast Horizon and Solar Variability
Influences on the Performances of Multiscale Hybrid Forecast Model. 12(12) :2264. ISSN 1996-1073. doi :
10.3390/en12122264. URL https://www.mdpi.com/1996-1073/12/12/2264.
[367] Didavi B. K. Audace, Agbokpanzo G. Richard, and Agbomahena B. Macaire. LSTM and Evans model for next
24 hours solar photovoltaic power output forecasting. In 2022 IEEE 8th International Conference on Smart
Instrumentation, Measurement and Applications (ICSIMA), pages 74–78, . doi : 10.1109/ICSIMA55652.2022.
9929217.
[368] Seyed Mohammad Jafar Jalali, Sajad Ahmadian, Abdollah Kavousi-Fard, Abbas Khosravi, and Saeid Naha-
vandi. Automated Deep CNN-LSTM Architecture Design for Solar Irradiance Forecasting. 52(1) :54–65. ISSN
2168-2232. doi : 10.1109/TSMC.2021.3093519.
[369] Pratima Kumari and Durga Toshniwal. Long short term memory–convolutional neural network based deep
hybrid approach for solar irradiance forecasting. 295 :117061, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2021.
117061. URL https://www.sciencedirect.com/science/article/pii/S0306261921005158.
[370] Ankit Bhatt, Weerakorn Ongsakul, Nimal Madhu M., and Jai Govind Singh. Sliding window approach with
first-order differencing for very short-term solar irradiance forecasting using deep learning models. 50 :101864.
ISSN 2213-1388. doi : 10.1016/j.seta.2021.101864. URL https://www.sciencedirect.com/science/article/pii/
S221313882100878X.
[371] Cai Tao, Junjie Lu, Jianxun Lang, Xiaosheng Peng, Kai Cheng, and Shanxu Duan. Short-term forecasting
of photovoltaic power generation based on feature selection and bias compensation–LSTM network. 14(11) :
3086.
[372] Hangxia Zhou, Qian Liu, Ke Yan, and Yang Du. Deep learning enhanced solar energy forecasting with AI-driven
IoT. 2021 :1–11, .
[373] Mario Tovar, Miguel Robles, and Felipe Rashid. PV power prediction, using CNN-LSTM hybrid neural network
model. Case of study : Temixco-Morelos, México. 13(24) :6512.
[374] Muhammad Naveed Akhter, Saad Mekhilef, Hazlie Mokhlis, Ziyad M. Almohaimeed, Munir Azam Muhammad,
Anis Salwa Mohd Khairuddin, Rizwan Akram, and Muhammad Majid Hussain. An Hour-Ahead PV Power
Forecasting Method Based on an RNN-LSTM Model for Three Different PV Plants. 15(6) :2243. ISSN
1996-1073. doi : 10.3390/en15062243. URL https://www.mdpi.com/1996-1073/15/6/2243.
[375] Su-Chang Lim, Jun-Ho Huh, Seok-Hoon Hong, Chul-Young Park, and Jong-Chan Kim. Solar Power Forecasting
Using CNN-LSTM Hybrid Model. 15(21) :8233. ISSN 1996-1073. doi : 10.3390/en15218233. URL https:
//www.mdpi.com/1996-1073/15/21/8233.
[376] Eddie Yatiyana, Sumedha Rajakaruna, and Arindam Ghosh. Wind speed and direction forecasting for wind
power generation using ARIMA model. In 2017 Australasian Universities Power Engineering Conference
(AUPEC), pages 1–6. doi : 10.1109/AUPEC.2017.8282494.
[377] Hasan Hüseyin Çevik, Mehmet Çunkaş, and Kemal Polat. A new multistage short-term wind power forecast
model using decomposition and artificial intelligence methods. 534 :122177.
[378] Zhenkun Liu, Ping Jiang, Lifang Zhang, and Xinsong Niu. A combined forecasting model for time series :
Application to short-term wind speed forecasting. 259 :114137, . ISSN 0306-2619. doi : 10.1016/j.apenergy.
2019.114137. URL https://www.sciencedirect.com/science/article/pii/S0306261919318240.
[379] Mingshuai Liu, Zheming Cao, Jing Zhang, Long Wang, Chao Huang, and Xiong Luo. Short-term wind speed
forecasting based on the Jaya-SVM model. 121 :106056, . ISSN 0142-0615. doi : 10.1016/j.ijepes.2020.106056.
URL https://www.sciencedirect.com/science/article/pii/S014206151931837X.
[380] Jikai Duan, Hongchao Zuo, Yulong Bai, Jizheng Duan, Mingheng Chang, and Bolong Chen. Short-term wind
speed forecasting using recurrent neural networks with error correction. 217 :119397.
[381] Mehdi Neshat, Meysam Majidi Nezhad, Ehsan Abbasnejad, Seyedali Mirjalili, Lina Bertling Tjernberg, Da-
vide Astiaso Garcia, Bradley Alexander, and Markus Wagner. A deep learning-based evolutionary model for
short-term wind speed forecasting : A case study of the Lillgrund offshore wind farm. 236 :114002.
[382] Yun Wang, Runmin Zou, Fang Liu, Lingjun Zhang, and Qianyi Liu. A review of wind speed and wind power
forecasting with deep neural networks. 304 :117766, . ISSN 0306-2619. doi : 10.1016/j.apenergy.2021.117766.
URL https://www.sciencedirect.com/science/article/pii/S0306261921011053.
[383] Sheng-Xiang Lv and Lin Wang. Deep learning combined wind speed forecasting with hybrid time series
decomposition and multi-objective parameter optimization. 311 :118674. ISSN 0306-2619. doi : 10.1016/j.
apenergy.2022.118674. URL https://www.sciencedirect.com/science/article/pii/S0306261922001404.
RK600-07 Data Logger with data acquisition, storage, transmission and management, and other functions, is
the core component of automatic weather station, which can connect 32 parameter at the same time, has the
settings and color LCD display, can communication with PC via cable or wireless connection, provide
communication protocol, convenient for secondary development.
FEATURES
Real-time display
Multiple sensor interface
Large storage
Types of communication interface
Udisk external storage optional
Wireless optional
Self-contained clock chip
Solar power supply optional
RK600-07A RK600-07B
HMI app & Software
SPECIFICATION
Item Details
LCD 7” color touch screen
Storage type Internal storage or external U_disk is optional
48M (If set to store every 1 hours can store data for more than 6 years;
Internal storage If set to store every 10 minutes can store data for approx. 1 years;
If set to store every 1 minute can store data for 3 months)
Data interface RS232 or RS485(customized)
Ethernet(add RS232 to ethernet converter);
Communication mode GPRS(add RS232 to GPRS converter),data flow consumption: <100MB/month
WIFI(add RS232 to WIFI converter)
MODBUS-RTU(Open communication protocol, the user can convenient for
Communication protocol
secondary development)
Supply 12VDC with 100-240VAC adapter, solar power supply system optional
Record interval 1min-240min adjustable
Measurement parameters 32 Max.
Power consumption <5W
Operating temperature -40-+75℃
PAGE 1 OF 6
RK600-07 Data Logger of Automatic Weather Station
www.rikasensor.com.cn
INTERFACE DESCRIPTION
PAGE 2 OF 6
RK600-07 Data Logger of Automatic Weather Station
www.rikasensor.com.cn
PAGE 3 OF 6
RK600-07 Data Logger of Automatic Weather Station
www.rikasensor.com.cn
PAGE 4 OF 6
RK600-07 Data Logger of Automatic Weather Station
www.rikasensor.com.cn
(1)When the channel receives data normally, the channel indicator is green, and when the channel receives
data abnormally, the indicator becomes red(Check whether the wire connection is good when receiving
abnormal data).
(2)Backlight progress bar moved to the left backlight darkest, moved to the right brightest, in order to reduce
(3)Local ID default: 1(Decimal), you can modify it via MODBUS RTU command
(4)Screen Saver time default: 1min, in order to reduce power consumption, no modification is recommended.
(5) Record interval default:10 min, it can be modified by touch screen.First storage time is 10 minutes by
default
(6) Adjust the interface according to the type and number of sensors.
COMMUNICATION MODE
The AWS can communicate with the center workstation by RS232 or RS485.
If the communication distance is less than 20m, RS232 communication is recommended;
if communication distance is within 20 to 800m, RS485 communication is recommended.
GPRS wireless communication, when cable routing is inconvenient, data can be transferred by GPRS
wireless communication, the center workstation can network with several RK900-01 AWS.
LAN access, RK900-01 AWS is worked as a LAN node communication in the local network by
transferring the RS232 with a LAN module. This mode can work under the network interface, the AWS
Ethernet:You can choose to take software with you by Ethernet.and download APP to Mobile phone
And You can view and set it on your mobile phone.Also you can download Software to PC,and view and
set it on your PC(Only one account login is valid for operation)This needs to be customized.
PAGE 5 OF 6
RK600-07 Data Logger of Automatic Weather Station
www.rikasensor.com.cn
PAGE 6 OF 6
RK330-01B Atmospheric Temperature Sensor
www.rikasensor.com
FEATURES
According for WMO NO:8 I,III(2018)
Fast response time
Long service life
Low consumption
Good stability of output
PT100 temperature and high humidity
environment for long-term use
Can integrated temperature humidity
air pressure at the same time
APPLICATIONS
Environmental monitoring
Livestock farm
Storage
Forestry
Greenhouse
Agriculture
TECHNICAL SPECIFICATION
Technical Specification
Item
Temperature RTD/PT100
Range –40°C to +60°C
Resolution ± 0.1°C
Accuracy ±0.3℃
Supply 5VDC, 12-24VDC
PAGE 1 OF 3
RK330-01B Atmospheric Temperature Sensor
www.rikasensor.com
DIMENSION
Unit:mm
MOUNTING
1. Install the product in stable environment area, avoid direct sunlight, away from windows air-conditioning,
heating and other equipment. Otherwise it will cause measurement inaccuracies.
2. Fixing rail is optional.
3. If you use indoor, recommends clamp to install, as shown on the right picture.
330
01
A Temperature & Humidity
B Temperature,Humidity,Pressure
C Temperature
D Humidity
A 4-20mA
B 0-5V
C 0-10V
D RS485
E IIC
F SDI-12
PAGE 2 OF 3
RK330-01B Atmospheric Temperature Sensor
www.rikasensor.com
A
B With clamp
N Without any accessory
3000 Units:mm(typ)
... Units:mm
Example: RK330-01AAN3000 Parameter: temperature & humidity Output: 4-20mA Without any accessory Cable Length:3m.
PAGE 3 OF 3
RK110-02 Wind Direction Sensor
www.rikasensor.com.cn
The RK110-02 wind direction sensor is a sensitive wind direction indicator that gives a visual indication of
wind direction. High precision magnetic sensitive chips are built in the housing shell. The wind vane is
constructed on low inertia light metal to show wind directions. The product is wide range, good linearity,
strong anti- lightning strike, good performance.
FEATURES
Low starting threshold
Great dynamic characteristics
Overall carbon fiber material
Strong corrosion resistant ability
Light structure
Various output signals optional
Easy Installation
APPLICATIONS
Weather monitoring stations
Ports
Solar and wind power generation
Mobile weather monitoring vehicles
Remote airports & helipads
SPECIFICATIONS
Accuracy ±3°
Resolution 1°
Starting Threshold <0.5m/s
Limit wind speed 50m/s
Ingress Protection IP65
Operating Temperature -40℃~+50℃
Weight(unpacked) 195g
Dimension Turning Radius:147mm,Height:199mm
Main material Carbon fiber
Storage Condition 10℃-50℃@20%-90%RH
PAGE 1 OF 3
RK110-02 Wind Direction Sensor
www.rikasensor.com.cn
OUTPUT CHARACTERISTICS
Current(4-20mA) Voltage(0-5V)
RS485
If the transmission distance is over 100m, please add a 120Ω terminal matching resistances on the front end
and back end of bus interface respectively.See the modbus communication protocol specification.
Unit:mm
PAGE 2 OF 3
RK110-02 Wind Direction Sensor
www.rikasensor.com.cn
RK
110
02
A 5V
B
C 12-24V
X Other
A 4-20mA
B 0-5V
C RS485
X Other
2500 Units:mm(typ)
3000 Units:mm
... Units:mm
PAGE 3 OF 3
RK100-02 Wind Speed Sensor
www.rikasensor.com.cn
The RK100-02 Wind Speed Sensor uses a sensitive 3-cup anemometer designed to measure wind speed and
wind run. The cups are made of carbon fiber material, with high intensity and low starting threshold. The signal
processing units are built in the housing shell. It can be widely used in meteorology, marine, environmental
monitoring, airport, harbor, laboratory, industrial and agricultural areas.
FEATURES
Low starting threshold
Overall carbon fiber material
Strong corrosion resistant ability
Light structure
Various output signals optional
Easy Installation
APPLICATIONS
Weather monitoring stations
Safety monitoring of high altitude equipment
Ports
Solar and wind power generation
Mobile weather monitoring vehicles
Marine vessels
Remote airports & helipads
Road & rail tunnels
SPECIFICATIONS
Weight(unpacked) 170g
PAGE 1 OF 3
RK100-02 Wind Speed Sensor
www.rikasensor.com.cn
OUTPUT CHARACTERISTICS
Pulses
Characteristic transfer function:
F=0,V=0;
F≠0,V=0.1+0.0875×F
(where V = wind speed (m/s),
F = output frequency(Hz))
Current Voltage
RS485
If the transmission distance is over 100m, please add a 120Ω terminal matching resistances on the front end
and back end of bus interface respectively.See the modbus communication protocol specification.
Flange mounted, fix four screws on the bracket and keep the product horizontal.
Connector dimension:
ø15mm (recommended reserving ø 25mm for wiring)
PAGE 2 OF 3
RK100-02 Wind Speed Sensor
www.rikasensor.com.cn
PAGE 3 OF 3
RK200-04 Solar Radiation Sensor
www.rikasensor.com.cn
RK200-04 Solar Radiation Sensor is designed on basis of silicon-cell principle. It is mainly used for measuring
solar radiation within 300-3000nm wavelength. If the sensing face is downwards, it can test the reflected
radiation and solar radiation on the incident to the inclined plane. If shad is added, it can test the
scattered radiation. It is widely used to monitor the solar radiation in meteorology, solar energy, agriculture,
construction materials aging and atmospheric pollution and etc..
FEATURES
Designed on silicon-cell principle
APPLICATIONS
Meteorology
Agriculture
Construction materials aging monitoring
Air pollution monitoring
Solar energy
SPECIFICATIONS
Item SPECIFICATIONS
Spectral range 300~1100nm
Supply 5V,12-24VDC
Range 0-1500W/m2
Resolution 1W/m2
Output 0-5V,4-20mA,RS485
Response time ≤5s
Cosine correction ≤±10%(Solar elevation angle=10°)
Non-linear ≤±3%
Temperature effect ±0.08%/℃
Stability ≤±2%/year
Operating Temperature -40℃-+80℃
Ingress Protection IP65
Weight(unpacked) 420g
Shell material Aluminum alloy
Storage Condition 10℃-60℃@20%-90%RH
PAGE 1 OF 3
RK200-04 Solar Radiation Sensor
www.rikasensor.com.cn
DIMENSION
Unit:mm
MOUNTING
SPECTRAL RESPONSE
PAGE 2 OF 3
RK200-04 Solar Radiation Sensor
www.rikasensor.com.cn
A 5V
B 12-24V
X Other
A 4-20mA
B 0-5V
C
D RS485
X Other
2500 Units:mm(typ)
3000 Units:mm
... Units:mm
PAGE 3 OF 3
ANNEXE B
Python
Loin d’avoir un rapport avec le serpent portant ce nom, python est un langage
de programmation open source multiplateforme dont la première version parut le 20
février 1991. Son auteur Guido Van Rossum le baptisa python en s’inspirant de la
série télévisée Monty Python’s Flying Circus dont il était un fan. Python est très
apprécié des programmeurs à cause de la simplicité de sa syntaxe de programmation
et des outils qu’il intègre dans ses différents modules. Existant en plusieurs versions,
la plus récente est la version 3.10.2.
En plus d’être utilisé comme langage de programmation directe, python est aussi
utilisé comme langage de script pour automatiser des tâches simples mais fastidieuses
comme la récupération d’informations météorologiques sur le net ou intégrer dans
des logiciels de CAO (Conception Assistée par Ordinateur) pour la prise en charge
d’enchainement d’actions répétitives. Le langage n’intègre pas au préalable tous les
outils nécessaires à la programmation pour les diverses tâches possibles. Il est ce-
pendant simple d’ajouter grâce à l’invite de commande de windows par exemple, des
bibliothèques supplémentaires contenant des outils dont nous aurions besoins. Ces
bibliothèques sont très bien documentées sur leur sites web officiels.
Des distributions de pythons ont été mis aux points pour faciliter l’analyse des
données et l’apprentissage automatique. Les distributions de python présentent en
effet des outils qui facilitent la tâche dans la programmation. Parmi ces dernières,
nous avons la distribution anaconda.
Anaconda
Anaconda est une distribution de python qui intègre plusieurs outils nécessaires
à la science des données. Sa particularité est de pouvoir faire interagir ces différents
outils parfois d’horizons différentes entre eux pour des possibilités plus élargies. Elle
intègre des outils tels que DataLore et IBM Studio Watson pour l’analyse de données
avec des outils en ligne et offrant la possibilité de travailler directement avec ses
collaborateurs en partageant interactivement ses résultats. Il intègre aussi pycharm
et spyder pour le développement pur de python. Nous pouvons aussi y retrouver
Rstudio pour la programmation dans le langage R et bien d’autres outils. L’un des
outils les plus intéressants présents dans cette distribution de python est le notebook
jupyter.
Notebook jupyter
selon ses besoins. Pour l’atteinte de nos objectifs, nous avons fait usage de plusieurs
bibliothèques spécialisées à savoir : Numpy, Pandas, Matplotlib et Scikit-learn.
Numpy
Le langage python n’ayant pas été conçu à la base pour effectuer des calculs
numériques, il a fallu construire certaines bibliothèques spéciales contenant les outils
nécessaires pour l’atteinte de cet objectif. Numpy (contraction de Numeric Python)
est l’une d’elle. Cette dernière est une bibliothèque libre qui se charge de fournir les
outils nécessaires à la manipulation de tableaux multidimensionnels ou matrices et
au calculs portant sur ces derniers. Numpy a été séparé de la bibliothèque de base
pour les calculs numériques appelé SciPy. En effet les développeurs ont jugé non
pertinent d’avoir à importer tout l’arsenal de calcul numérique dans son code juste
pour avoir accès aux outils de manipulations de vecteurs et matrices. Une fois intégré
dans le logiciel à travers l’invite de commande, il suffit de l’importer dans son code
à travers la commande ‘’import numpy”. La documentation est très bien fournie et
disponible sur la toile.
Pandas
a ainsi accès aux multiples outils qui la constitue et qu’on peut trouver sur sa page
officiel pandas.
Matplotlib et Seaborn
Scikit-learn
TensorFlow est une bibliothèque open-source pour le calcul numérique rapide. Elle
a été créée et est maintenue par Google et a été publiée sous la licence open source
Apache 2.0. L’API est nominalement pour le langage de programmation Python, bien
qu’il y ait un accès à l’API C++ sous-jacente. Contrairement à d’autres bibliothèques
numériques destinées à l’apprentissage profond, comme Theano, TensorFlow a été
conçu pour être utilisé à la fois dans la recherche et le développement et dans les
systèmes de production, notamment RankBrain dans la recherche Google et le projet
amusant DeepDream. Il peut fonctionner sur des systèmes à CPU unique et des
GPU, ainsi que sur des appareils mobiles et des systèmes distribués à grande échelle
composés de centaines de machines.
La librairie Keras
Keras est une API d’apprentissage profond écrite en Python, fonctionnant au-
dessus de la plateforme d’apprentissage automatique TensorFlow. Elle a été dévelop-
pée dans le but de permettre une expérimentation rapide. Pouvoir passer d’une idée
à un résultat aussi rapidement que possible est essentiel pour effectuer de bonnes
recherches.
Keras est :
Simple - mais pas simpliste. Keras réduit la charge cognitive du développeur pour
lui permettre de se concentrer sur les parties du problème qui comptent vraiment.
Flexible - Keras adopte le principe de la divulgation progressive de la complexité :
les flux de travail simples doivent être rapides et faciles, tandis que les flux de travail
arbitrairement avancés doivent être possibles via un chemin clair qui s’appuie sur ce
que vous avez déjà appris.
Puissant - Keras offre des performances et une évolutivité à la hauteur de l’in-
dustrie : il est utilisé par des organisations et des entreprises telles que la NASA,
YouTube ou Waymo.
Durant ces travaux de thèse, cinq (6) publications et huit (8) communications ont
été effectuées autour de certains de nos résultats. Deux autres articles résultant des
travaux de recherches sont en cours de soumission.
Publications
Communications
Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
B Présentation des outils logiciels de mise en œuvre des méthodes d’IA . . 269