Master d'Ingénierie Génie Electrique et Energétique. Développement d’un modèle de prévision à court-terme de la puissance produite à la centrale solaire photovoltaïque de Nagréongo (30 MWc) dans le réseau national interconnecté du Burkina Faso. / Malika FOFANA 

Public ISBD Titre de série : Master d'Ingénierie Génie Electrique et Energétique Titre : Développement d’un modèle de prévision à court-terme de la puissance produite à la centrale solaire photovoltaïque de Nagréongo (30 MWc) dans le réseau national interconnecté du Burkina Faso. Type de document : texte imprimé Auteurs : Malika FOFANA, Auteur Année de publication : 2025 Importance : 85 p. Langues : Français (fre) Résumé : Face aux contraintes énergétiques et environnementales comme le réchauffement climatique et l’épuisement des ressources fossiles, le solaire s’intègre de plus en plus dans les mix énergétiques des pays du monde entier. Au Burkina Faso, le développement rapide du solaire photovoltaïque, et son défi général d’intermittence, constituent de plus en plus une menace pour la stabilité du réseau. La prévision des centrales solaires devient dans ces conditions de plus en plus critique. Ce mémoire s’inscrit dans le cadre du développement d’un modèle de prévision d’énergie à court terme d’une centrale solaire PV pour anticiper les éventuelles variations et optimiser la gestion de l’énergie. L’objectif principal était d’optimiser la gestion de la puissance injectée dans le réseau national. Initialement, des modèles classiques comme ARIMA et VECM ont été testés, mais leurs performances se sont avérées limitées en raison de la non-linéarité et de l’hétéroscédasticité des données. Pour surmonter ces limites, nous avons adopté un modèle de régression quantile, robuste face aux valeurs extrêmes, un aspect crucial dans le contexte des énergies renouvelables. Ce modèle s’appuie sur plusieurs variables explicatives pour fournir des prévisions fiables, les performances ont été évaluées à l’aide de métriques de performances telles que l’erreur quadratique moyenne (MSE), l’erreur absolue moyenne (MAE) et l’erreur médiane absolue (MedAE). En complément, un modèle basé sur les réseaux de neurones récurrents (LTSM) a été implémenté pour capturer des dépendances temporelles complexes. Les données, échantillonnées toutes les cinq (05) minutes et filtrées pour les heures diurnes (6h-18h), ont été organisées avec une fenêtre de trois (03) jours. Les hyperparamètres ont été optimisés via Keras Turner (une bibliothèque pour l’optimisation des performances du modèle) avec des techniques telles early stopping et dropout afin d’éviter le surapprentissage. L’étude nous a permise d’obtenir des prévisions d’une précision de 96% lors de l’entrainement du modèle et 98% lors du test avec 3,10% d’erreur pendant la validation du modèle. Enfin, une interface interactive a été développé afin de permettre la comparaison entre les prévisions et les valeurs réelles saisies. Cette interface offre une évaluation continue et permet d’intégrer de nouvelles données afin d’améliorer le modèle à long terme.  Abstract : In response to climate change and the depletion of fossil resources, solar energy is increasingly integrated into national energy mixes. In Burkina Faso, its rapid expansion presents an intermittency challenge that threatens grid stability. To address this, a short-term forecasting model has been developed to anticipate fluctuations and optimize energy management. We developed a short-term power production prediction model for the Nagréongo photovoltaic solar plant (30 MWc) in Burkina Faso, with the main objective of optimizing the management of power injected into national grid. Initially, classic models like ARIMA and VECM were tested, but their performance was limited due to non-linearity and heteroscedasticity of the data. To overcome these limitations, a quantile regression model was adopted, which is robust to extreme values a crucial aspect in the context of renewable energies. This model relies on several explanatory variables to provide reliable forecasts. Performance was evaluated using metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE) and Median Absolute Error (MedAE). Additionally, a model based on Recurrent Neural Networks (LSTM) was implemented to capture complex temporal dependencies. The data, sampled every five (05) minutes and filtered for sunlight hours (6 AM to 6PM), was structured with a 3-day window. Hyperparameters were optimized using Keras Turner, with techniques such as Early stopping and dropout to prevent overfitting. Keras Tuner is a library that optimizes the search for the best hyperparameter combinations to enhance model performance. It allows exploring different values for parameters such as the number of neurons, learning rate, etc.The study resulted with an accuracy of 96% during training, 98% during testing and an error rate of approximately 3.10% during model validation. Finally, an interactive interface was developed to enable comparisons between predictions and entered real values. This interface provides continuous evaluation and allow the integration of new data, to improve the model in long term.                                                   Master d'Ingénierie Génie Electrique et Energétique. Développement d’un modèle de prévision à court-terme de la puissance produite à la centrale solaire photovoltaïque de Nagréongo (30 MWc) dans le réseau national interconnecté du Burkina Faso. [texte imprimé] / Malika FOFANA, Auteur . - 2025 . - 85 p. Langues : Français (fre) Résumé : Face aux contraintes énergétiques et environnementales comme le réchauffement climatique et l’épuisement des ressources fossiles, le solaire s’intègre de plus en plus dans les mix énergétiques des pays du monde entier. Au Burkina Faso, le développement rapide du solaire photovoltaïque, et son défi général d’intermittence, constituent de plus en plus une menace pour la stabilité du réseau. La prévision des centrales solaires devient dans ces conditions de plus en plus critique. Ce mémoire s’inscrit dans le cadre du développement d’un modèle de prévision d’énergie à court terme d’une centrale solaire PV pour anticiper les éventuelles variations et optimiser la gestion de l’énergie. L’objectif principal était d’optimiser la gestion de la puissance injectée dans le réseau national. Initialement, des modèles classiques comme ARIMA et VECM ont été testés, mais leurs performances se sont avérées limitées en raison de la non-linéarité et de l’hétéroscédasticité des données. Pour surmonter ces limites, nous avons adopté un modèle de régression quantile, robuste face aux valeurs extrêmes, un aspect crucial dans le contexte des énergies renouvelables. Ce modèle s’appuie sur plusieurs variables explicatives pour fournir des prévisions fiables, les performances ont été évaluées à l’aide de métriques de performances telles que l’erreur quadratique moyenne (MSE), l’erreur absolue moyenne (MAE) et l’erreur médiane absolue (MedAE). En complément, un modèle basé sur les réseaux de neurones récurrents (LTSM) a été implémenté pour capturer des dépendances temporelles complexes. Les données, échantillonnées toutes les cinq (05) minutes et filtrées pour les heures diurnes (6h-18h), ont été organisées avec une fenêtre de trois (03) jours. Les hyperparamètres ont été optimisés via Keras Turner (une bibliothèque pour l’optimisation des performances du modèle) avec des techniques telles early stopping et dropout afin d’éviter le surapprentissage. L’étude nous a permise d’obtenir des prévisions d’une précision de 96% lors de l’entrainement du modèle et 98% lors du test avec 3,10% d’erreur pendant la validation du modèle. Enfin, une interface interactive a été développé afin de permettre la comparaison entre les prévisions et les valeurs réelles saisies. Cette interface offre une évaluation continue et permet d’intégrer de nouvelles données afin d’améliorer le modèle à long terme.  Abstract : In response to climate change and the depletion of fossil resources, solar energy is increasingly integrated into national energy mixes. In Burkina Faso, its rapid expansion presents an intermittency challenge that threatens grid stability. To address this, a short-term forecasting model has been developed to anticipate fluctuations and optimize energy management. We developed a short-term power production prediction model for the Nagréongo photovoltaic solar plant (30 MWc) in Burkina Faso, with the main objective of optimizing the management of power injected into national grid. Initially, classic models like ARIMA and VECM were tested, but their performance was limited due to non-linearity and heteroscedasticity of the data. To overcome these limitations, a quantile regression model was adopted, which is robust to extreme values a crucial aspect in the context of renewable energies. This model relies on several explanatory variables to provide reliable forecasts. Performance was evaluated using metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE) and Median Absolute Error (MedAE). Additionally, a model based on Recurrent Neural Networks (LSTM) was implemented to capture complex temporal dependencies. The data, sampled every five (05) minutes and filtered for sunlight hours (6 AM to 6PM), was structured with a 3-day window. Hyperparameters were optimized using Keras Turner, with techniques such as Early stopping and dropout to prevent overfitting. Keras Tuner is a library that optimizes the search for the best hyperparameter combinations to enhance model performance. It allows exploring different values for parameters such as the number of neurons, learning rate, etc.The study resulted with an accuracy of 96% during training, 98% during testing and an error rate of approximately 3.10% during model validation. Finally, an interactive interface was developed to enable comparisons between predictions and entered real values. This interface provides continuous evaluation and allow the integration of new data, to improve the model in long term.

Exemplaires(0)

Disponibilité
aucun exemplaire

Documents numériques

Malika Adobe Acrobat PDF

---

1 (1 - 1 / 1) Par page : 25 50 100 200