Modélisation des systèmes d'énergie photovoltaïque // Modeling of photovoltaic energy systems

Abstract

تعالج هذه الأطروحة تحدي التنبؤ الدقيق بالطاقة الكهروضوئية (PV)، وهو عنصر حاسم في دمج الطاقة المتجددة ضمن شبكات الكهرباء الحديثة. ومع تزايد أهمية الطاقة الشمسية في التحول الطاقوي العالمي، تفرض طبيعتها المتقطعة والمعتمدة على الطقس ضرورة اعتماد نماذج تنبؤية فعّالة. يركز هذا العمل على استغلال تقنيات الذكاء الاصطناعي خاصة الشبكات العصبية العميقة مثل الشبكات الالتفافية (CNN) وشبكات الذاكرة طويلة المدى (LSTM)لتحسين دقة التنبؤ. كما يشمل تقنيات متقدمة لاختيار الخصائص مثل ReliefF ، mRMR وCFS بالإضافة الى تحليل الإشارة باستخدام VDM. تتكون الدراسة من ثلاثة أجزاء رئيسية: عرض لتقنيات الطاقة الشمسية وسياقها الطاقوي استعراض لمقاربات التنبؤ باستخدام الذكاء الاصطناعي وتقييم تجريبي لأداء النماذج. يهدف هذا البحث إلى تطوير نموذج ذكي يُمكِّن من التنبؤ الدقيق بإنتاج الطاقة الكهروضوئية، عبر دمج تقنيات اختيار الميزات، تحليل الإشارة، والتعلم العميق، مع تطبيقه على المناخ الصحراوي الجزائري لتحسين أداء وإدارة أنظمة الطاقة الشمسية. أظهرت النتائج فعالية الأساليب الهجينة في تحسين الدّقة ودعم إدارة الطاقة خاصة في المناطق الغنية بالإشعاع الشمسي مثل الجزائر.

This thesis addresses the challenge of accurate photovoltaic (PV) power forecasting, a critical component in the integration of renewable energy into modern power grids. As solar energy becomes a key player in the global energy transition, the intermittent and weather-dependent nature of PV production necessitates reliable predictive models. This work explores the use of artificial intelligence (AI), specifically deep learning methods such as Convolutional Neural Networks (CNN) and Long Short-Term Memory networks (LSTM), to improve the forecasting of solar power. It also incorporates advanced feature selection techniques like ReliefF, MRMR and CFS, as well as signal decomposition using VMD, to enhance model performance. The study is structured in three main parts: an overview of PV technology context, an exploration of AI-based forecasting approaches, and a comparative evaluation of predictive model performance. The aim of this thesis is to develop an intelligent model for accurate prediction of photovoltaic power output by integrating feature selection, signal analysis, and deep learning techniques, applied to the Algerian desert climate to enhance the performance and management of solar energy systems. Experimental results highlight the relevance of hybrid methods for better accuracy and energy management,particulary in solar-rich regions like Algeria.

Cette thèse traite le défi de la prévision précise de la puissance photovoltaïque (PV),un enjeu essentiel pour l'intégration des énergies renouvelables dans les réseaux électriques modernes. Alors que l'énergie solaire occupe une place centrale dans la transition énergétique mondiale, la variabilité liée aux conditions météorologiques impose le recours à des modèles prédictifs fiables. Ce travail explore l'utilisation de l'intelligence artificielle (AI), notamment les réseaux de neurones profonds tels que CNN et LSTM, pour améliorer la prévision de l'énergie solaire. Il intègre également des techniques avancées de sélection de caractéristiques comme ReliefF, mRMR et CFS, ainsi que la décomposition du signal par VMD. L'étude des approches de prévision basées sur AI, et une évaluation comparative des performances des modèles. L’objectif de cette thèse est de développer un modèle intelligent capable de prédire avec précision la production d’énergie photovoltaïque, en combinant des techniques de sélection de caractéristiques, d’analyse de signal et d’apprentissage profond, appliqué au climat désertique algérien afin d’améliorer la performance et la gestion des systèmes solaires. Les résultats expérimentaux montrent la pertinence des approches hybrides pour une prévision plus précise et une gestion énergétique optimisée, notamment dans des régions fortement ensoleillées comme l'Algérie.