Envoyer cet article par courriel PREDICTION DE LA PRODUCTION D’UNE CENTRALE SOLAIRE EN UTILISANT L’INTELLIGENCE ARTIFICIELLE : CAS DE LA CENTRALE PHOTOVOLTAÏQUE DE ZAGTOULI AU BURKINA-FASO
Résumé
Le Burkina Faso, comme de nombreux pays, s'engage résolument dans la transition vers des sources d'énergie renouvelable pour répondre à ses besoins croissants en électricité tout en réduisant son empreinte carbone. Au cœur de cette démarche, la centrale photovoltaïque de Zagtouli représente un jalon majeur dans la production d'énergie solaire dans la région. Cependant, la variabilité intrinsèque de l'énergie solaire pose des défis opérationnels, nécessitant des solutions innovantes pour maximiser son potentiel.
L'objectif de ce travail est de développer un système de prédiction de la production d'énergie solaire de la centrale de Zagtouli en utilisant l'Intelligence Artificielle (IA). Cette approche novatrice vise à améliorer la planification opérationnelle, à optimiser l'efficacité énergétique et à réduire les coûts associés à l'exploitation de la centrale. En intégrant des techniques avancées d'IA, nous cherchons à anticiper les variations de la production d'énergie solaire, offrant ainsi une meilleure gestion des ressources et une contribution accrue à la stabilité du réseau électrique.
Mots-clés
Texte intégral :
PDFRéférences
Centrale solaire de Zagtouli : https://www.alliance-sahel.org/actualites/centrale-solaire-de-zagtouli/
Python : https://www.python.org/,
Pandas: https://pandas.pydata.org/,
Numpy: https://numpy.org/,
MatplotLib: https://matplotlib.org/,
Fancyimpute : https://pypi.org/project/fancyimpute/
SKLearn : https://scikit-learn.org/stable/
A.Jäger-Waldau and H.Ossenbrink” Progress of electricity from biomass, wind and pho-tovoltaics in the European Union”Renewable and Sustainable Energy Reviews, Elsevier, vol. 8(2), pages 237-182, April 2004. [2] [9] S.Masri and D.Eltigani ”Challenges of integrating renewable energy sources to smart grids: A review”, Renewable and Sustainable Energy Reviews, Elsevier, Volume 52,Pages 770-780, December 2015.
H.Zhu, W.Lian, L.Lu, S.Daiand Y.Hu ”An Improved Forecasting Method for Photovoltaic Power Based on Adaptive BP Neural Network with a Scrolling Time Window”, Energies, p.10-2342, 2017.
E. ZAZOUA, Modèles De Prédiction À Apprentissage Automatique Pour Les Réseaux De Capteurs Sans Fil À Énergie Renouvelable, Maitrise en génie électrique, Université du QUÉBEC à MONTRÉAL, Avril 2022
Glorot Xavier., Apprentissage des réseaux de neurones profonds et applications en traitement automatique de la langue naturelle, Thèse présentée à la Faculté des arts et des sciences de l’Université de Montréal en vue de l’obtention du grade de Philosophiæ Doctor en informatique ; Février 2014.
K. Almi’ani, A. Viglas and L. Libman, . Energy-efficient data gathering with tour length-constrained mobile elements in wireless sensor networks, Proc. - Conf. Local Comput. Networks LCN, pp. 582-589, 2010.
M. Al-Omary, K.Hassini, A. Fakhfakh and O. Kanoun . Prediction of Energy in Solar Powered Wireless Sensors Using Artificial Neural Network. 16th International Multi-Conference on Systems, Signals & Devices (SSD), Istanbul, Turkey. S,2019.
Aram, L. Mesin and E. Pasero. Improving lifetime in wireless sensor networks using neural data prediction. World Symposium on Computer Applications & Research (WSCAR), Sousse, Tunisia,2014.
A. Cammarano, C. Petrioli, and D. Spenza. (2012, octobre). Pro-Energy: A novel energy prediction model for solar and wind energyharvesting wireless sensor networks. in Proceedings of the 9th IEEE International Conference on Mobile Ad-Hoc and Sensor Systems (MASS ’12), pp. 75–83, USA, Octobre 2012.
A. Cammarano, C. Petrioli, and D. Spenza. . Poster abstract: Improving energy predictions in EH-WSNs with pro-energy-VLT. in Proceedings of the 11th ACM Conference on Embedded Networked Sensor Systems (SenSys '13), Novembre 2013.
Renvois
- Il n'y a présentement aucun renvoi.