Techniques deModélisation Avancées pour l’Analyse des Signaux d’Énergies Renouvelables

Abstract

La prédiction précise de la vitesse du vent représente un enjeu stratégique pour l’optimisation de la production d’énergie éolienne et la stabilité des réseaux électriques intelligents. Cette thèse s’inscrit dans cette problématique et propose une démarche innovante reposant sur des techniques avancées d’intelligence artificielle et d’apprentissage automatique, dans le but d’améliorer significativement la fiabilité des prévisions. Les contributions principales de ce travail s’articulent autour de deux axes complémentaires. Le premier concerne la réduction de la dimensionnalité des données d’entrée, étape cruciale pour atténuer la redondance informationnelle et accroître l’efficacité des modèles prédictifs. Trois méthodes avancées ont été explorées et comparées dans ce cadre : l’Analyse en Composantes Principales (PCA), l’Analyse en Composantes Principales à Noyau (KPCA), et les Auto-encodeurs (AE). Ces techniques ont été intégrées à des architectures de réseaux neuronaux afin d’évaluer leur contribution à l’amélioration des performances de prédiction. Le second axe porte sur la décomposition des séries temporelles de vitesse du vent, visant à isoler les composantes caractéristiques des signaux non stationnaires et non linéaires. Trois approches ont été étudiées : l’Empirical Mode Decomposition (EMD), la Variational Mode Decomposition (VMD), ainsi qu’une méthode hybride avancée, l’Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (ICEEMDAN). Ces méthodes permettent de structurer les données en modes plus interprétables, facilitant ainsi l’apprentissage des modèles. L’ensemble des approches proposées a été évalué à partir de données réelles, en s’appuyant sur des métriques standards. Les résultats expérimentaux obtenus attestent d’une amélioration notable des performances prédictives par rapport aux techniques classiques, confirmant ainsi la pertinence des contributions méthodologiques de cette recherche.