Envoyer cet article par courriel Contribution à l’étude d’un modèle de réseau de neurone artificiel de prédiction à court terme : Application sur le site de Dakar
Résumé
Ce travail s’inscrit dans le cadre du développement d’outils d’apprentissage automatique performants dans le domaine de l’intégration des énergies intermittentes dans le mix énergétique de la Senelec. Ces énergies intermittentes engendrent beaucoup de problèmes au niveau de la planification pour le maintien de l’équilibre consommation/production. Ces problèmes motivent les besoins de développer des outils fiables d’aides à la décision dans les laboratoires de recherche émergent pour accompagner les entreprises ; soutenir les études, les gestionnaires de réseaux, etc. C’est dans cette optique que nous avons développé un modèle de réseau de neurone artificiel de prédiction du rayonnement solaire à court terme. Ce modèle est appliqué sur le site de Dakar-Sénégal. Les paramètres d’entrées du modèle sont constitués à un instant t de la température de l'air, de l'humidité relative et du rayonnement solaire global. La production attendue au temps t+T est le rayonnement solaire global. Les performances du modèle sont évaluées à l’aide de la racine carrée de l'erreur quadratique moyenne normalisée (NRMSE) et de la racine carrée de l’erreur quadratique moyenne (R2).
La Validation du modèle est réalisée au moyen des données mesurées au sein de l'Ecole Supérieure Polytechnique de Dakar pendant un an. L’impact de différents paramètres tels que les pas d’horizon, les algorithmes d’apprentissages (Levenberg-Marquardt, Gradient Conjugué et Quasi-Newton), des fonctions d’activation (Purelin, Logsig et Tansig) et des paramètres environnementaux (température et humidité relative) ont été évalués.
Les résultats de simulation montrent que les meilleures performances (NRMSE= 0.0098 et R2 =1) sont obtenues avec le modèle de combinaison de variable d’entrées [Ginput] sans impact de la température et de l’humidité relative basé sur l’algorithme de Levenberg-Marquardt « trainlm » et le couple de fonction de transfert [Logsig-Purelin) suivent l’horizon 20 minutes.
Ce modèle pourra contribuer au développement de modèle de réseau de neurone pour aider à la prise de décision à court terme dans la zone de Dakar.
Mots-clés
Texte intégral :
PDFRéférences
C.Voyant, «Prediction of time series of global solar radiation and photovoltaic energy production from artificial neural networks», Thesis, University of Corsican-Pascal Paoli doctoral School environment and society, Chapter2, P87 2011).
S.Monjoly, R.Calif, M.Andre and T.Soubdhan, «Prediction tools for wind power generation: Application to optimize coupling to electricity distribution network», University of the West Indies and Guyana December, (2013).
M.Diagne,«Gestion intelligente du réseau électrique réunionnais. Prévision de la ressource solaire en milieu insulaire»,Energie électrique, Université de la Réunion. Français.ffNNT: 2015 LARE0014ff.fftel-01328719.
A.Mellit, S.A.Kalogirou, L.Hontoria and S.Shaari, «Artificial intelligence for sizing photovoltaic systems», Renewable and Sustainable Energy Reviews n°13-2, p406-419 (2009).
A.Mellit, S.A.Kalogirou, «Artificial intelligence techniques for photovoltaic application », Progress in Energy and Combustion Science n°1-1, p52-76, (2008).
C.V.T.Cabral and al, «Stochastic method for stand-alone photovoltaic system siying», Solar Energy, 84(9), pp.1628–1636, (2010).
J.S.G.Ehnberg and M.H.J.Bollen, «Simulation of global solar radiation based on cloud observations», Solar Energy, 78(2), pp.157–162, (2005).
F.O.Hocaoğlu and al, «Stochastic approach for daily solar radiation modeling», Solar Energy, 85(2), pp.278–287, (2011).
M.Muselli and al, «First order Markov Chain model for générating synthétic-typical days series of global irradiation in order to design photovoltaic stand-alone systems », Energy Conversion and Management, 42(6), pp.675– 687, (2001).
C.Voyant, C.Darras, M.Muselli and al, « Bayesian rules and stochastic models for high accuracy prediction of solar radiation»,Applied Energy, Elsevier, (2013). ffhal-00862981f.
G.Vincent,«PrésentationEDF-SEI,rencontre prevision insulaire,AIX-EN-Provence»,(Octobre 2012).
C.Monteiro, H.Keko, R.Bessa, V.Miranda, A.Botterud, J.Wang and G.Conzelmann, A quick guide to wind power forcasting: State-of-the-art-2009», Technical Report ANL/DIS-10-2, Argonne National Laboratory, East Lansing, Michigan, (2009).
A.Botterud, Z.Zhou, J.Wang, J.R.Bessa, H.Keko, J.Mendes, J.Sumaili and V.Miranda, V. (2011). Use of wind power forecasting in operational decisions. Technical Report ANL/DIS-11-8, Argonne National Laboratory, East Lansing, Michigan, (2011).
P.Lauret, M.H.Diagne, M.David, A.Rodler, M.Muselli,C.Voyant, «A Bayesian model committee approach toforecastingglobal solar radiation», In: World renewable energy forum,WREF2012, including world renewable energy congress XII Colorado renewable energy society (CRES) annual conference, 4354-4359, (2012).
J.M.Vindel and J.Polo, «Markov processes and Zipf’s law in daily solar irradiationat earth’s surface », Journal of Atmospheric and Solar Terrestrial Physics, 107, pp.42-47, (2014).
D.W.Vander Meer, «comment on verification of deterministic solar forecasts: Verification of probabilistic solar forecasts», Sol Energy 2020.http:// dx.doi. Org/10.1016/j.solener.2020.04.015.
P.Lauret and al, «Probabilistic Solar Forecasting Using Quantile Regression Models Forecasting», Energies 2017, 10, 1591; doi:10.3390/en 10101591.
T.Hong and S.Fan,«Probabilistic electric load forecasting: a tutorial review », International Journal of Fore casting, (2016);
D.W.Vander Meer,J.Widén and J.Munkhammar,
«Review on probabilistic forcasting of photovoltaic power and electricity consumption»,Renewable and Sustainable Energy Reviews,Volume81,Part1,2018, PP-1484-1512, ISSN 1364-0321,(2018).
G.P.Zhang and al, «Time Series Forecasting using a hybrid ARIMA and neural network model», Neurocomputing, Volume 50, 2003, Pages 159-175, ISSN09252312,https://doi.org/10.1016/S0925-2312 (01)00702-0.
A. MBAYE, M.L. NDIAYE, J.Ndong and al, «Impact of meteorological parameters on short-term forecasting: Application to the Dakar site»,in Proceedings of the 2019 IEEE 2nd International Conference on Power and Energy Applications 2019 (ICPEA 2019), Singapore, April 2019.
A.Mbaye, M.L.Ndiaye, D.M.Ndione and al, «ARMA model for short term forecasting of solar potential :Application to a horizontal surface on Dakar site»,OAJ Mater Device 4 (1):1–8, (2019).
Perspective monde, source:Banque mondial «https://perspective.usherbrooke.ca/bilan/tend/SEN/fr/EG.USE.ELEC.KH.PC.html», date de consultation : 26/11/2020.
I.Shaft, J.Ahmad, S.I.Shah and M.F.Kashif, «Impact de neurones et de couches cachées dans l’architecture du réseau neuronal pour une application de fréquence de temps », Dans Proceedings of the 10th IEEE International Multitopic Conference (INMIC), Islamabad, Pakistan, 23-24 décembre 2006; pp.188-193.
M. Benghanem,«Artificial Intelligence Techniques for Prediction of Solar Radiation Data», International Journal of Renewable Energy Technology, Vol. 3, N°2, pp.189 - 219, (2012).
Dahmani, G. Notton, R. Dizène and C. Paoli, «Etat de l‟art sur les réseaux de neurones artificiels appliqués à l’estimation du rayonnement solaire », Revue des Energies Renouvelables, Vol. 15 N°4 687- 702, (2012).
C. Voyant, M. Muselli, C. Paoli and M.L. Nivet, ‘Optimization of an Artificial Neural Network Dedicated to the Multivariate Forecasting of Daily Global Radiation’ Energy, Vol. 36, N°1, pp. 348-359, 2010.
A.Sfetsos and A.H.Coonick, «Univariate and multivariate forecasting of hourly solar radiation with artificial intelligence techniques», Solar Energy, vol. 68, no. 2, pp. 169–178, (2000).
O.Assas and al,«Use of the Artificial Neural Network and Meteorological Data for Predicting Daily Global Solar Radiation in Djelfa, Algeria», International Conference on Composite Materials and Renewable Energy Applications (ICCMREA), 978-1-4799-2516-2/14/$31.00 ©2014 IEEE.
M.A.Khan, S.Huque and A.Mohammad, A Neural Network Model for Estimating Global Solar Radiation on Horizontal Surface, 2013 International Conference on Electrical Information and Communication Technology,(EICT),978-1-4799-2299-4/13/$31.00 ©2013 IEEE.
K.Dahmani, G.Notton, C.Voyant and al, «Multilayer Perception approach for estimating 5 minutes and hourly horizontal global irradiation from exogenous meteorological data in locations without solar measurements», Renewable Energy 90:267-282, (2016) ; DOI : 10.1016/j.renene.2016.01.013.
A.Elamim and al, «Prediction of Time Series of Photovoltaic Energy Production Using Artificial Neural Networks»,AI2SD 2018.Advances in Intelligent Systems and Computing, vol.912.Springer, Cham, (2018).
Jain K, Jianchang M, Mohiuddin KM, Artificial Neural Networks:A tutorial, IEEE Computer 31-44 (29), 1996.
M.A.Ammar «Mise en œuvre de réseaux de neurones pour la modélisation de cinétiques réactionnelles en vue de la transposition batch/continu, Thèse de doctorat de l‟I.N.P.-Toulouse-194 p, 2007.
I.Manssouri, M.Manssouri and B.El Kihel, «Fault Detection by K-NN algorithm and MLP neuronal networks in distillation column »Journal of information, Intelligence and knowledge, Vol.3, pp.57-72 2011.
S.FCrone, « Stepwise Selection of Artificial Neural Networks Models for Time Series Prediction Journal of Intelligent System», Department of Management Science Lancaster University Management School Lancaster, United Kingdom, (2005).
L.Hontoria, J.Riesco, P. Zufiria and J.Aguilera, «Improved Generation of Hourly Solar Radiation Artificial Series using Neural Networks»,In Proceeding of Engineering Applications of Neural Networks, EANN’99, Warsaw, Poland, 1999.
L.Hontoria,J. Aguilera and P. Zufiria, «Generation of Hourly Irradiation Synthetic Series using the Neural Network Multilayer Perceptron», Solar Energy, Vol. 72, N°5, pp. 441 - 446, 2002.
S.FCrone, «Stepwise Selection of Artificial Neural Networks Models for Time Series Prediction Journal of Intelligent Systems»,Department of Management Science Lancaster University Management School Lancaster, United Kingdom, (2005).
S.Hwang, I.Basawa and T.Yoon Kim, «Least squares estimation for critical random coefficient first order autoregressive processes», Statistics& Probability Letters, n°1 ;76(3), p 310-317, (2006).
O.Fatih, G.Hocaoglu, N.Omer and M.Kurba, Hourly solar radiation forecasting using optimal coefficient 2-D linear filters and feed-forward neural networks, Solar Energy, pp. 714–726, (2008).
G.López, FJ.Batlles, J.Tovar-Pescador, Selection of input parameters to model direct solar irradiance by using artificial neural networks, Energy, N°30(9), p 1675-1684, (2005).
H.Badaoui, Abdelaziz Abdallaoui and Samira Chabaa, Etude des effets des algorithmes d’apprentissage et des fonctions de transfert sur la performance des modèles statistiques neuronaux: Application dans le domaine météorologique, International Journal of Engineering Research and Development e-ISSN:2278-067X, pISSN:2278800X, www.ijerd.com Volume9, Issue6 (December 2013), PP.15-26.
A.Mellit and A.M. Pavan, « A 24-h Forecast of Solar Irradiance Using Artificial Neural Network : Application for Performance Prediction of a Grid-Connected PV Plant at Trieste », Italy, Solar Energy, Vol. 84, N°5, pp. 807–821, (2010).
G.Dreyfus, «Les réseaux de neurones», Mécanique industrielle et matériaux n°51, (1998).
Espinoza,M., J.A.K.Suykens, and al, LS-SVM regression with auto correlated errors. Proc. of the 14th
IFAC Symposium on System Identification (SYSID), (2006).
Renvois
- Il n'y a présentement aucun renvoi.