Prévision de la production d’énergie photovoltaïque à l’aide d’un modèle hybride SD–LSTM basé sur les données météorologiques

Abstract

Cette étude porte sur la prévision de la production d’énergie photovoltaïque à l’aide d’un modèle hybride combinant la technique de Swarm Decomposition et le réseau de neurones récurrent LSTM. Dans un premier temps, le travail présente les notions générales liées à l’énergie solaire et aux systèmes photovoltaïques, en mettant en évidence les principaux facteurs influençant la production d’énergie, tels que l’irradiation solaire, la température, les conditions météorologiques ainsi que l’orientation et l’inclinaison des panneaux. Ensuite, différentes méthodes de prévision sont étudiées, allant des approches statistiques classiques aux techniques basées sur l’intelligence artificielle et l’apprentissage profond.La partie expérimentale repose sur des données issues de la centrale photovoltaïque de Laghouat, comprenant la puissance produite, le rayonnement solaire et la température. Après une étape de nettoyage et de normalisation des données, le modèle SD-LSTM a été construit et évalué selon plusieurs configurations, en utilisant des variables endogènes et exogènes avec différents délais temporels. Les résultats obtenus montrent que l’intégration de la décomposition par essaim améliore nettement les performances de prévision, en réduisant la complexité du signal et en facilitant son apprentissage par le modèle LSTM. Les meilleures performances ont été obtenues avec les variables endogènes et un délai égal à 2, ce qui confirme l’efficacité du modèle proposé pour la prévision à court terme de la production photovoltaïque.