Prédiction à court terme de l'irradiation solaire à l'aide d'un système hybride basé sur la décomposition VMD et le deep learning

Abstract

Ce travail traite de la prévision à court terme de la production d'énergie solaire photovoltaïque, un défi crucial pour assurer une intégration stable et fiable de cette énergie renouvelable dans les réseaux électriques modernes. En raison des fluctuations intrinsèques des conditions météorologiques, qui constituent un obstacle technique majeur, nous proposons un système hybride innovant combinant une technique avancée d'analyse de signal appelée décomposition en modes variés (VMD) et des modèles d'apprentissage profond (Deep Learning), en particulier les réseaux neuronaux récurrents. L'originalité de cette approche réside dans sa capacité à séparer le signal d'énergie solaire complexe en composants fréquentiels distincts et interprétables, permettant ainsi de distinguer les variations rapides liées aux événements météorologiques tels que le passage des nuages, et la tendance générale régulière conforme au cycle quotidien du rayonnement solaire. Appliqué à des données réelles collectées sur un site photovoltaïque dans la région d'Adrar en Algérie, ce système hybride montre une performance remarquable. Les résultats obtenus confirment que l'approche proposée constitue une solution robuste, efficace et prometteuse pour la gestion optimale des énergies renouvelables, ouvrant des perspectives enthousiasmantes pour l'amélioration de la fiabilité des réseaux électriques, même dans des conditions climatiques désertiques rigoureuses.