L'apprentissage profond au service de la prédiction du productible solaire

Pour maintenir un équilibre entre la réduction des émissions de gaz à effet de serre et la croissance de la demande de l’électricité, il est très important de disposer d’une source d’énergie plus propre et plus durable comme l’énergie solaire Photovoltaïque (PV). Le sujet est d’importance capitale dans le contexte de la transition énergétique, qui place les ressources des énergies renouvelables au centre des efforts mondiaux de lutte contre le changement clima-tique. Cependant, à cause de leur nature intermittente, une prédiction précise du productible de l’énergie PV représente un défi majeur qui doit être surmonté pour faciliter l’intégration de l’énergie PV dans le réseau électrique. Dans le premier chapitre « Introduction », l’importance de la prédiction de la production d’énergie solaire a été mise en évidence. En raison de l’intermittence inhérente à la pro-duction d’énergie solaire, causée par des facteurs tels que les conditions météorologiques changeantes et le cycle diurne, une prédiction précise est cruciale pour permettre une bonne intégration et gestion de l’énergie solaire PV dans le réseau électrique. Ce chapitre a égale-ment évoqué l’évolution rapide des technologies de l’énergie solaire et leur impact croissant sur la production d’énergie, soulignant encore plus la nécessité d’améliorer les méthodes de prévision. Le deuxième chapitre « Revue de littérature », a examiné un large éventail de techniques existantes pour la prévision de la production d’énergie solaire. Cela comprenait les méthodes numériques, les méthodes statistiques traditionnelles, telles que les techniques de régression, ainsi que des approches basées sur l’intelligence artificielle et l’apprentissage automatique, telles que les réseaux de neurones artificiels, les forêts aléatoires et les machines à vecteurs de support. Cependant, la revue a également identifié une nouvelle génération de modèles d’apprentissage profond, en particulier ceux basés sur les transformateurs, qui ont démontré une capacité prometteuse à capturer des dépendances complexes et à long terme dans les données de séries temporelles, ce qui est crucial pour la prédiction de la production d’énergie solaire PV. Le troisième chapitre « Article 1 », a présenté une étude empirique de l’application de divers modèles d’apprentissage profond pour la prédiction de la production d’énergie solaire PV. Cette étude a mis en évidence le modèle Pyraformer, qui a surpassé tous les autres modèles testés, y compris les réseaux neuronaux récurrents tels que LSTM et GRU, en termes de précision des prédictions. Cependant, l’étude a également révélé que tous les modèles testés avaient des difficultés à prévoir avec précision la production d’énergie solaire lorsque les conditions météorologiques changeaient de manière significative d’un jour à l’autre. Cela a souligné le besoin d’intégrer des informations plus détaillées et à haute résolution sur les conditions météorologiques futures dans ces modèles pour améliorer leur performance. En somme, ce mémoire a souligné l’importance des prévisions précises pour la production d’énergie solaire, a examiné l’état actuel des techniques de prédiction, et a identifié les transformateurs comme une approche prometteuse pour l’avenir. Elle a également mis en évidence des domaines pour de futures recherches, en particulier l’intégration de prévisions météorologiques à haute résolution et l’amélioration de la gestion des changements abrupts de conditions météorologiques.