République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieure et de la Recherche Scientifique

Université Ahmed Draia - Adrar
Faculté des Sciences et de la Technologie
Département des Mathématiques et Informatique

Mémoire de fin d’étude, en vue de l’obtention du diplôme de Master en informatique

Option : Système Intelligent.

Thème

Application de réseaux de neurones artificiels pour la

prévision de l’énergie solaire

Préparés par :

CHERQUI Meriem
BAAMAR Alia

Encadré par :
Mr. Benatiallah Djelloul

Année Universitaire 2020/2021

 Université Ahmed Draia Adrar
Faculté des Sciences et de la Technologie
Département des Mathématiques et Informatique

Autorisation de dépôt de mémoire Master

Je soussigné (e) ☐ Monsieur: Benatiallah Djelloul

appartenant à (l’établissement): Université Adrar
et encadreur de mémoire de: Mr/ Melle: BAAMAR ALIA
et Mr/ Melle: CHERQUI MERIEM

Inscrit (s) en 2ème année Master

Spécialité: Systèmes Intelligents.

Année universitaire: 2020/2021

autorise l’ (les) étudiant (s)(es) à déposer au département des Mathématiques et Informatique
le mémoire intitulé:

Application des réseaux de neurones artificiels pour l’estimation

de l'énergie solaire

Avis favorable de l’encadreur pour dépôt électronique (dossier «contenu de CD» complet):☐
- Fichier électronique (fichier pdf) de mémoire: ☐
- Fichier électronique (fichier pdf/ppt) de présentation: ☐
- Vidéo de présentation: ☐
- Vidéo de démonstration de l'application: ☐
- Code source de l’application: ☐

Fait à : Adrar Le : 20-06-2021

Signature de l’Encadreur:
Résumé

À notre époque, l'utilisation de l'énergie solaire est devenue un choix fondamental dans la vie. Surtout dans
les zones désertiques, en raison de son climat favorable, de ses zones reculées et de ses grandes quantités de
rayonnement solaire, il devient un choix idéal pour les applications d'énergie solaire. L'objectif principal de
l’estimation de l'intensité du rayonnement solaire est d'obtenir la taille de l'énergie solaire, mais il y a quelques
zones qui manquent d'appareils de mesure du rayonnement solaire, et les données des zones météorologiques
sont nécessaires pour estimer le rayonnement solaire. Ce dernier nous donne une estimation efficace, qui est
notre travail d’utilisé plusieurs réseaux MLP de neurones artificiels multicouches (ANN). Nous nous sommes
concentrés sur les trois villes (Timimoun, Lagouat, Oran). Nous pouvons obtenir une variété de données et
différentes formations réseau et tester et comparer les résultats. Jusqu'à présent, la plupart des recherches se sont
concentrées sur la prévision du rayonnement solaire, plutôt que sur la prévision de la production d'énergie
solaire. Cependant, la conversion du rayonnement solaire en énergie solaire est loin d'être anodine. L'énergie
solaire est influencée par des facteurs tels que la température, le vent ou les panneaux solaires utilisés, ajoutant
une couche supplémentaire de complexité par rapport au rayonnement solaire.
Mot clés : L’énergie solaire, Réseaux de neurones artificiels (ANN), entrainement, teste, MLP.
Abstract

In our time, the use of solar energy has become a fundamental choice in life. Especially in desert areas, due to its
favorable climate, remote areas and large amounts of solar radiation, it becomes an ideal choice for solar power
applications. The main purpose of estimating solar radiation intensity is to get the size of solar energy, but there
are some areas that lack solar radiation measuring devices, and weather area data. Are needed to estimate solar
radiation. The latter gives us an efficient estimate, which is our work using multiple MLP Multilayer Artificial
Neural Networks (ANNs). We focused on the three cities (Timimoun, Lagouat, Oran). We can get a variety of
data and different network training and test and compare the results. So far, most research has focused on
predicting solar radiation, rather than predicting solar energy production. However, the conversion of solar
radiation into solar energy is far from trivial. Solar energy is influenced by factors such as temperature, wind, or
the solar panels used, adding an additional layer of complexity compared to solar radiation.

Keywords : Solar Energy, Artificial Neural Networks (ANN), Training, Test, MLP.
‫ملخص‬

‫ نظرًا لمناخها المالئم والمناطق النائية‬، ‫ خاصة في المناطق الصحراوية‬.‫ أصبح استخدام الطاقة الشمسية خيارًا أساسيًا في الحياة‬، ‫في عصرنا‬
‫ الغرض األساسي من تقدير كثافة اإلشعاع الشمسي هو‬.‫ فإنها تصبح خيارًا مثاليًا لتطبيقات الطاقة الشمسية‬، ‫والكميات الكبيرة من اإلشعاع الشمسي‬
‫هناك حاجة‬.‫ وبيانات منطقة الطقس‬،‫ ولكن هناك بعض المناطق التي تفتقر إلى أجهزة قياس اإلشعاع الشمسي‬،‫الحصول على حجم الطاقة الشمسية‬
ً ‫ هذا األخير يعطينا تقدي ًرا‬.‫لتقدير اإلشعاع الشمسي‬
‫ ركزنا على المدن الثالث‬.‫ وهو عملنا باستخدام شبكات عصبية اصطناعية متعدد الطبقات‬،‫فعاًل‬
‫ حتى اآلن‬.‫ يمكننا الحصول على مجموعة متنوعة من البيانات وتدريب مختلف على الشبكة واختبار النتائج ومقارنتها‬.)‫ وهران‬، ‫ ًلغواط‬، ‫(تيميمون‬
‫ فإن تحويل اإلشعاع الشمسي إلى طاقة‬، ‫ ومع ذلك‬.‫ بدًلً من التنبؤ بإنتاج الطاقة الشمسية‬، ‫ ركزت معظم األبحاث على التنبؤ باإلشعاع الشمسي‬،
‫ مما يضيف طبقة إضافية من‬،‫ تتأثر الطاقة الشمسية بعوامل مثل درجة الحرارة أو الرياح أو األلواح الشمسية المستخدمة‬.‫شمسية ليس باألمر الهين‬
.‫التعقيد مقارنة باإلشعاع الشمسي‬

‫ الشبكات العصبية متعدد الطبقات‬،‫ اًلختبار‬،‫ التدريب‬،‫ الشبكة العصبونية اًلصطناعية‬،‫الطاقة الشمسية‬: ‫الكلمات المفتاحية‬

I
 Dédicaces
Nous dédions ce travail à nos parents pour leur grand soutien et leurs
encouragements. Nous le dédions également à tous nos amis et
camarades de classe, et à tous les camarades étudiants en master. De
plus, nous tenons à nous remercier mutuellement pour notre travail
acharné sur ce projet. Merci
D'abord nous remercions Allah, de nous avoir donné le courage et la
volonté d'accomplir ce modeste travail.
Je remercie mon ami « houari Begloul » pour son aide et soutien.
Et je n'oublie pas de remercier mon amie « Meriem Baamar » qui m'a
toujours soutenu avec ses conseilles.
Je tiens également à remercier mon ami « Hamza Al-Nouri » qui m'a
toujours soutenu.
Et je remercier mon amie "Alia Baamar".
Nos remerciements et notre gratitude vont aux jurés qui nous ont
honorés en jugeant ce travail, et par leur disponibilité et toutes les
observations nous ont permis d'enrichir notre travail.
Nous remercions également de tout notre cœur tous les enseignants
qui ont contribué à notre étude depuis la première année jusqu'à ce
jour .Et je remercie toute personne ayant contribué de prés ou de loin à
la réalisation de ce mémoire.

Meriem

II
 Dédicaces
Le plus grand merci s'adresse au bon Dieu

Je dédie ce travail A ma mère et à mon père, qui m'ont

comblée de leur soutien et m'ont voué un amour,

Mon père s’est tant donné qui peut être fier de trouver ici le
résultat de longues années de sacrifices,
A mes très chers frère " Khalil ",
A mes sœurs " Saliha et Akila "
Je le dédie aussi à "Meriem"
Enfin je le dédie Toute la famille sans exception et tous mes
amis et mes et tous mes enseignants, de la spécialité un par un
.et à tous qui me connaissent.

Alia
III
 Remerciements
Tout d’abord nous remercions Dieu Tout Puissant de nous avoir donné
la force, la volonté, et le privilège d’étudier et de suivre le chemin de la
science;

Nous tenons également à remercier plus particulièrement : Mon

encadreur Mr.Benatiallah Djelloul, sur l’orientation,qui m’a constitué
un apport considérable sans lequel ce travail n’aurait pas pu être mené
au bon port. Avec un intérêt constant et une grande compétence
.ensuite nous remercions les membres du jury,et d’avoir accepté de
porter un jugement sur ce travail.

Nous remercions également de tout notre coeur tous les enseignants

qui ont contribué à notre apprentissage depuis notre jeune âge à ce
jour.

Enfin, nous remercions tous ceux qui, de près ou de loin, sont contribué
à la réalisation de ce travail.

Merci à tous

IV
 Table des matières
Résumé…………………………………………………………………………………….….. I
Abstract……………………………………………………………………………………...... I
Dédicaces……………………………………………………….……………………….…... III
Remerciements…………………………………………...……………………………….….V
Table des matières………………………………………………….………………………. VI
Liste des figures…………………………………………..…………………………….……..X
Liste des tableaux……………...…………………………………………………….…….. XII
Liste des abréviations …………………………………………………………………….. XIII
Introduction générale………………………………………………………………...…..……1
Chapitre I : Réseaux de neurone artificiel

I.1. Introduction …..……………………………………………………………………..3

I.2. Historique…………..……………………………………………………………….3
I.3. Les neurones biologiques..………………………………………………………….3
I.3.1. Caractéristiques………………..………………………………….. …………….3
I.3.2. Structure……………………………….…………………………………………4
I.4. Les neurones artificiels (forme)………………….…………………………………4
I.5. Fonctions d’activation …………………………………….………………………..5
I.5.1 Fonction à seuil symétrique …………………………………….………………..5
I.5.2 Fonction à seuil ……………………….…………………………………………..6
I.5.3 Fonction linéaire…………………………….…………………………………….6
I.5.4. Fonction sigmoïde………………………………….……………………………..6
I.6.Architectures des réseaux de neurones………………………………………………7
I.6.1. Réseau multicouche……………………………………………………………….8
I.6.2. Réseau à connexions locales……………………………………………………...8
I.6.3. Réseau à connexions récurrentes………………………………………………….8
I.6.4. Réseau à connexions complexes…………………………………………………...8
I.7. Apprentissage des réseaux de neurones………………………………………………9
I.7.1. Le type d'apprentissage des réseaux de neurones…………………………………..9
I.7.1.1. Apprentissage supervise…………………………………………………………..9
I.7.1.2. Apprentissage non supervisé……………………………………………………..10
I.7.1.3. Apprentissage semi supervise……………………………………………………10

V
I.7.2. Règle d’apprentissage……………………………………………………………...10
I.7.2.1. Règle de Hebb……………………………………………………………………10
I.7.2.2. Loi Widor-Hoff d’adaline (Loi Delta)……………………………………………11
I.7.2.3. Algorithme d’apprentissage ……………………………………………………...11
I.8. Perceptron…………………………………………………………………………....11
I.8.1. Définition…………………………………………………………………………..11
I.8.2. Perceptron a une seule couche……………………………………………………..11
I.8.3. Perceptron multicouches (MLP)……………………………………………………12
I.9. Fonction de base radiale (RBF)………………………………………………………12
I.9.1.Définition……………………………………………………………………………12
I. 9.2. Apprentissage des réseaux RBF……………………………………………………13
I.10. Les avantages et les inconvénients de réseaux de…………………………………..13
I.11. Conclusion…………………………………………………………………………..14
Chapitre II : Rayonnement solaire

II.1.Introduction…………………………………………………………………………16
II.2. définition générale………………………………………………………………….16
II.2.1. Le soleil…………………………………………………………………………..16
II.2.2. Duré d’insolation…………………………………………………………………16
II.2.3. Le gisement solaire………………………………………………………………16
II.3. Les coordonnées terrestres…………………………………………………………17
II.3.1. La latitude………………………………………………………………………..17
II.3.2. La longitude………………………………………………………………….......17
II.3.3. L’altitude…………………………………………………………………………17
II.4. Position du soleil…………………………………………………………………...18
II.4.1. Coordonnées horizontales………………………………………………………..18
II.4.2. Coordonnées équatoriales (horaires)……………………………………………..18
II.5. Les rayonnements solaires………………………………………………………….19
II.6. Mouvement de la terre au tour du soleil…………………………………………....19
II.7. Le temps solaire…………………………………………………………………….20
II.7.1Temps solaire vrais(TSV)…………………………………………………………21
II.7.2. Temps universel (TU)…………………………………………………………....21
II.7.3. Le Temps Solaire Moyen (T.S.M)………………………………………………21
II.8. Caractéristiques du rayonnement solaire………………………………………......21

VI
II.9. conclusion………………………………………………………………………….22
Chapitre III: Application des réseaux de neurone à l'estimation

III.1. Introduction………………………………………………………………………..24
III.2. Le programme pour construire un réseau de neurones……………………………24
III.2.1. La collecte d'une base de données……………………………………………....25
III.2.2. Divisez la base de données……………………………………………………...26
III.2.3. Choix de l’architecteur de réseau de neurone…………………………………..26
III.2.4. Prétraitement de données……………………………………………………….28
III.2.5. Phase d’apprentissage…………………………………………………………..28
III.3. Critères d'évaluation des performances du modèle……………………………….28
III.4. Résultats et discussion…………………………………………………………….29
III.5. Conclusion…………………………………………………... ………………………….32
Chapitre VI : Application et résultats

VI.1. Introduction………………………………………………………………………..34
VI.2. Ressources matérielles et logicielles……………………………………………...34
VI.2.1. Ressources matérielle…………………………………………………………...34
VI. 2.2. Ressources logicielles………………………………………………………....34
VI.2.2.1 Bref présentation de MATLAB……………………………………………….34
VI.3. Région d’étude……………………………………………………………………35
VI.4.Architecture de l’application………………………………………………………37
VI.5. Interface graphique……………………………………………………………….37
VI.5.1. L’interface principale…………………………………………………………...38
VI.5.2. L’interface de test et GISOL3…………………………………………………..38
VI.5.3. Phase d’apprentissage…………………………………………………………..39
VI.6. Résultats des tests………………………………………………………………...39
VI.6.1. Représentation des paramètres statistiques RMSE, R, MBE et MAPE………..40
VI.6.2. Courbes d’irradiation solaire estimé et collecté………………………………..40
VI.7. Conclusion………………………………………………………………………..40
Conclusion générale
Références Bibliographiq

VII
 Liste des figures
Figure 1.1 : Représentation schématique d’un neurone biologique……………………………4
Figure 1.2 : Représentation schématique d’un neurone artificiel……………………………...4
Figure 1.3 : Réseau multicouche classique…………………………………………………….8
Figure 1.4 : Réseau à connexions locales……………………………………………………...8
Figure 1.5 : Réseau à connexions récurrentes…………………………………………………8
Figure 1.6 : réseau à connexions complète…………………………………………………….9
Figure 1.7 : Schéma bloc de l’apprentissage supervise d’un réseau de neurone……………...9
Figure 1.8 : Schéma bloc de l’apprentissage non supervise d’un réseau de neurone……….10
Figure 1.9 : Perceptron à une seule couche…………………………………………………...12
Figure 1.10 : Perceptron Multicouche………………………………………………………...12
Figure 1.11 : Réseaux de neurones à base radiale (RBF)…………………………………….13
Figure 2.1 : Coordonnées terrestres…………………………………………………………..17
Figure 2.2 : schématisation des mouvements de la terre autour du soleil…………………....20
Figure 3.1 : Flux de base pour la conception d'un modèle de réseau neuronal artificiel…….24
Figure 3.2. Architecture générale du réseau neuronal………………………………………..27
Figure 3. 3. MAPE et rRMSE pendant la phase de test……………………………………...31
Figure 3.4 : Estimation comparative du modèle basé sur modèle3 - étude de cas de la ville
Oran…………………………………………………………………………………………...31
Figure 4.1: L’interface de MATLAB………………………………………………………………35
Figure 4.2 : Appareil de mesure de l’irradiation direct Pyrhéliomètre………………………36
Figure 4.3 : Carte de l’irradiation solaire de l’Algérie………………………………………..36
Figure 4.4 : Architecture de l’application ……………………………………………………37
Figure.4.5 : L'interface principale pour définir le mot de passe……………………………..38
Figure.4.6 : L’interface de test et GISOL3…………………………………………………...38
Figure.4.7:L’interface de comparez entre l'irradiance directe estimée et collecté…………..39
Figure.4.8 : Coefficient de corrélation de modèle……………………………………………40

VIII
 Liste des tableaux
Tableau 1.1 L’analogie entre les neurones biologiques et les neurones artificiels……...5
Tableau 1.2 fonctions de transfert f(x)……………………………………………………7
Tableau 3.1 Parameters utilisés………………………………………………………….25
Tableau 3.2 Différents modèles utilisé pour l’entrainement du réseau de neurone………26
Tableau 3.3 Équations des scores statistiques……………………………………………29
Tableau 3.4 Scores statistiques pour chaque modèle lors des phases de formation et
de test dans les villes de Lagouat, Oran et Timimoun………………………………….......30
Tableau 4.1 Représentation des caractéristiques techniques de l’ordinateur de
Développement………………………………………………………………………….….34

IX
Liste des abréviations
RNA Réseaux de Neurones Artificiels

MLP Perceptron Multicouches

RBF Fonction de Base Radiale

TSV Temps Solaire Vrai

TU Temps Universel

GMT Greenwich Mean Time

TSM Temps Solaire Moyen

AM Air Mass

RNA Réseaux de Neurone Artificiel

RMSE Root Mean Square Error, (la racine carrée de l’erreur quadratique moyenne)

MBE Mean Baias Error, (erreur de biais moyen)

MAPE Mean Absolute Pecentage Error, (moyenne des erreurs absolues en pourcentage)

R Corrélation Coefficient, (Le coefficient de corrélation)

MATLAB Matrix LABoratory (Matrix LABoratoire)

GUI Graphical User Interfaces (Interfaces utilisateur graphiques)

SODA Assimilation Simple des Données Océaniques

X
Introduction générale
À mesure que la technologie progresse dans le monde numérique moderne, la demande
d'électricité augmente également. La prédiction est l'un des outils de prise de décision les plus
importants et la partie la plus importante du processus de planification future. Pour chaque
décision, nous devons étudier le présent et le passé, puis planifier les conséquences futures.
La production d'énergie à énergie variable, en particulier la production d'électricité à partir de
sources d'énergie renouvelables telles que les centrales éoliennes et solaires … etc.
Pose des défis opérationnels au réseau en raison de l'incertitude de sa production à court
terme. Vous devez en savoir plus. Par conséquent, l'énergie solaire est une source d'énergie
propre et gratuite qui peut être utilisée partout et dans de nombreuses applications, telles que
le chauffage de l'eau chaude sanitaire dans les maisons, la cuisson, le séchage, l'éclairage, etc.
Une condition préalable à toute évaluation de la conception et des performances de ces
applications est de disposer de données suffisantes sur le rayonnement solaire à différents pas
de temps, selon la façon dont elles sont utilisées, Par conséquence la, vous devez en savoir
plus à ce sujet. L'Algérie a un rayonnement solaire important. Compte tenu de la valeur de la
durée d'ensoleillement enregistrée sur l'ensemble du territoire national, l'énergie reçue du sol
chaque jour est de 5 KWh / m2, ce qui signifie qu'elle est proche de 700 KWh / m2 par an au
nord et de 2263 kWh/m2 au sud, ce qui favorise l’utilisation de l’énergie solaire dans
différents domaines tel que la production de l’électricité… etc.
Cette connaissance du rayonnement est d'une grande importance pour la conception et la
dimensionnelle des systèmes d'énergie solaire. Pour estimer l'énergie solaire, nous avons
besoin de technologies hautement artificielles d'intelligence et de logique floue, telles que les
réseaux de neurones artificiels (RNA). Ces modèles informatiques tentent de simuler les
puissantes fonctions cognitives et sensorielles du cerveau humain et utilisent cette capacité
pour exprimer et manipuler sous la forme de patrons connaissance. Par conséquence la, vous
devez également en savoir plus.Parce qu'il s'agit d'une alternative efficace à la technologie la
plus traditionnelle dans de nombreux domaines scientifiques, en particulier dans le domaine
de la météorologie, en particulier l'énergie solaire. Le but de cette recherche est de développer
et de tester des modèles basés sur les réseaux de neurones artificiels (ANN) pour les
prévisions globales journalières de rayonnement solaires dans toutes les conditions de ciel
dans les régions de Timimoun, Lagouat et Oran, on à utilisé plusieurs paramètres d'entrée de
la géométrie solaire et d'autres données astronomiques.

1
Chapitre I :

Réseaux de
neurone artificiel
Chapitre I Réseaux de neurone artificiel

I .1 Introduction
Les réseaux neuronaux artificiels (RNA) sont une classe d'algorithmes informatiques
inspirés des mécanismes de fonctionnement du cerveau. Il existe de nombreux programmes
capables d'effectuer des tâches plus complexes, mais leur capacité à rivaliser avec le cerveau
humain est extrêmement rare. Dans ce chapitre, nous allons examiner les réseaux de neurones
sous un angle différent.
I.2. Historique
Le domaine des réseaux de neurones débutera avec le modèle simple des neurones
biologiques proposé par W. McCulloch et W. Pitts en 1943.
En 1949, D. Hebb propose les règles de l'apprentissage dans son livre.
En 1958, F. Rosenblatt, conçu par Rosenblatt, a développé le modèle du perceptron et
a prouvé son théorème de convergence.
1960, B. Widrow et Hoff ont proposé le modèle Adaline (élément linéaire adaptatif).
En 1969, M. Minsky et S. Papert ont fait des commentaires sur la nature du
Perceptron.
En 1972, T. Kohonen a proposé sa mémoire associative automatique.
En 1982, J. Hopfield (J. Hopfield) a avancé ses recherches sur le réseau en anneau
complet, selon le calcul du niveau d'énergie, il peut garantir la convergence vers un
état stable. [1]
I.3. Les neurones biologiques :
Un neurone est une cellule qui peut transmettre des informations à d'autres neurones grâce
à ses différentes connexions (synapses). Le cerveau humain est le meilleur modèle d'une
machine multifonctionnelle extrêmement rapide. [1]
I.3.1. Caractéristiques :
Dans leur organisation générale et leur système biochimique, les neurones présentent de
nombreuses similitudes avec les autres cellules. Voici les caractéristiques des neurones
biologiques :
 Recevoir des signaux en provenance de neurones voisins.
 Intégrer ces signaux.
 Engendrer un influx nerveux (message nerveux).
 Le conduire
 Le transmettre à un autre neurone capable de le recevoir. [2]

3
Chapitre I Réseaux de neurone artificiel

I.3.2. Structure :
Un neurone est constitué de trois parties :
Les dendrites : réceptrices des messages
Le corps cellulaire : génère le potentiel d’action (la réponse)
L’axone : transmet le signal aux cellules suivantes.
Synapse : qui permet aux cellules de communiquer entre elles, de plus il joue un rôle dans la
modulation des signaux qui transitent le système nerveux [2]

Figure.1.1 : Représentation schématique d’un neurone biologique.

I.4. Les neurones artificiels (forme) :

La première étude systématique des neurones artificiels est venue du neuropsychiatre
McCulloch et du logicien Pitts, qui se sont inspirés de l'étude des neurones biologiques [1]

seuil
Neurone formel
X0 +1

w0

Xn Wn F(x)

∑
X1 W1
S

Poids de connexion Element de sorti

Figure.1.2 : Représentation schématique d’un neurone artificiel

4
Chapitre I Réseaux de neurone artificiel

Elle fait la somme des entrées pondérées

U=Σ − (1.1)

Y=f(U) (1.2)

 (U) : potentiel du neurone.

 Y : La sortie du neurone.
 X : Signal de l’entrée i. (Les entrées peuvent être booléennes, binaires (0,1), bipolaire
(-1,1) ou réels).
 : Poids de la connexion à l’entrée i.
 (θ) : biais.
 (f) : La fonction d’activation.

La modélisation du système nerveux biologique repose sur la correspondance suivante :

Tableau 1.1 : L’analogie entre les neurones biologiques et les neurones artificiels

Nerveux biologique RNA

Synapse Fonction de
combinaison
Dendrite Fonction de transfert

Corps du neurone Elément de sortie

Axone Poids

I.5. Fonctions d’activation :

Il existe de nombreuses formes possibles pour la fonction de d’activation. Les plus
courantes sont :
I.5.1 Fonction à seuil symétrique :
La sortie peut avoir deux états distincts (-1 et +1) selon le dépassement d’un Seuil

F(x) = (1.3)

5
Chapitre I Réseaux de neurone artificiel

I.5.2 Fonction à seuil :

La fonction de Heaviside (fonction échelon, fonction marche d'escalier) est une fonction H
discontinue prenant la valeur 0 pour tous les réels négatifs et la valeur 1 partout ailleurs :

F(x) = (1.4)

I.5.3 Fonction linéaire :

La fonction identité est l'application qui n'a aucun effet lorsqu'elle est appliquée à un
élément : elle renvoie toujours la valeur qui est utilisée comme argument.
F(x)=x (1.5)
I.5.4. Fonction sigmoïde :
Plus connue. Elle est souvent utilisée dans les réseaux de neurones. L’un de ses avantages
est sa dérivabilité.
➢ Sigmoïde (logistique) :

F(x)= (1.6)

➢ Tangente hyperbolique :

F(x)= (1.7)

6
Chapitre I Réseaux de neurone artificiel

Tableau 1.2 : fonctions de transfert f(x).

Nom de la fonction Relation de entrée / sortie L’allure

F(x)
F(x)=
Seuil x

F(x)
seuil symétrique F(x)=
x

F(x)

F(x)=x
Linéaire x

F(x)
F(x)=
Linéaire saturée
x

F(x)
Linéaire saturée
F(x)=
symétrique
x

Linéaire opsitive F(x)

F(x)=
x

F(x)
F(x)=
Sigmoïde
x

F(x)
Tangente
hyperboique F(x)=
x

I.6. Architectures des réseaux de neurones :

Les connexions entre les neurones qui composent le réseau décrivent la topologie du
modèle. Il existe plusieurs architectures réseau, on peut citer: [1]

7
Chapitre I Réseaux de neurone artificiel

I.6.1. Réseau multicouche :

Les neurones sont arrangés par couche. Il n'y a pas de connexion entre neurones d'une
même couche et les connexions ne se font qu'avec les neurones des couches avalent.

Figure.1.3 : Réseau multicouche classique.

I.6.2. Réseau à connexions locales :
C'est une structure multicouche. Mais comme la rétine, elle conserve une certaine structure
topologique. Chaque neurone maintient le contact avec un petit nombre de neurones locaux
Dans la couche en aval.

Figure.1.4 : Réseau à connexions locales.

I.6.3. Réseau à connexions récurrentes
Ce sont des réseaux dans les quels l'information se propage de couche en couche avec
retour en arrière possible.

Figure.1.5 : Réseau à connexions récurrentes

6.4. Réseau à connexions complexes :

Réseau à connexion complète : c'est la structure d'interconnexion la plus générale.
Chaque neurone est connecté à tous les neurones du réseau.

8
Chapitre I Réseaux de neurone artificiel

Figure.1.6 : réseau à connexions complète.

I.7. Apprentissage des réseaux de neurones :

L'apprentissage des réseaux neuronaux est une étape du développement des réseaux
neuronaux. A ce stade, le comportement du réseau va évoluer jusqu'à obtenir le comportement
souhaité. L'idée est d'ajuster le poids du RN pour réduire les échantillons d'apprentissage
erronés.
I.7.1. Le type d'apprentissage des réseaux de neurones :
I.7.1.1. Apprentissage supervise:
L'apprentissage supervisé étant une adaptation des coefficients synaptiques du réseau, la
sortie du réseau correspond à la sortie souhaitée dans chaque cas. L’apprentissage supervisé
est Le type d'apprentissage le plus courant. A chaque fois que vous voulez ajuster votre
poids,
 A chaque fois que vous essayez, l'erreur est calculée.
 Le poids est remplacé par la plus petite erreur, si tant est qu'il y en ait une.

Professeur
Erreur Sortie désirée

Réseau de Sortie
Entrée
neurone artificiel obtenu

Figure.1.7 : Schéma bloc de l’apprentissage supervise d’un réseau de neurone.

I.7.1.2. Apprentissage non supervisé
Le réseau détecte des caractéristiques communes parmi les nombreuses entrées. Il tente
ainsi d'établir une "classe" indépendante. Il apprend à donner des réponses en classe.
L'apprentissage est difficile. Il n'y a aucun signe d'erreur. [6]

9
Chapitre I Réseaux de neurone artificiel

Entrées Réseau de Sortie obtenu

neurone artificiel

Figure.1.8 : Schéma bloc de l’apprentissage non supervise d’un réseau de neurone.

I.7.1.3. Apprentissage semi supervise:

Dans ce contexte d'apprentissage, le réseau neuronal n'a pas développé un certain
comportement fondamental. Le réseau peut déterminer des indicateurs qualitatifs (vrai/faux)
pour les performances du réseau. [6]
I.7.2. Règle d’apprentissage :
Le but de l'apprentissage est de modifier le poids des connexions entre les neurones. [6]

i j
Wij

Il existe plusieurs règles de modification :

I.7.2.1. Règle de Hebb :

D'après les résultats d'expériences d'observation neurobiologiques :
Neurones qui se sont déclenchés ensemble, enchevêtrés ensemble. Les coefficients
synaptiques des neurones dont les activités sont synchronisées sont plus élevés. Lorsque deux
unités connectées sont opérationnelles en même temps, la force de la connexion augmente.
Les équations suivantes peuvent être utilisées pour modéliser la loi de Hebb : [4]

Neurone1 Neurone2

La loi de Hebb peut être modélisée par les équations suivantes :

(1.8)
Talque :
= (1.9)
: Valeur de la sortie du neurone j
: Valeur de la sortie du neurone i
: Est une constante positive qui représente la force d’apprentissage (epsilon) ou diminuée.

10
Chapitre I Réseaux de neurone artificiel

I.7.2.2. Loi Widrow-Hoff d’adaline (Loi Delta) :

Cette loi est également une version modifiée de la loi de Hebb. Utilisation du principe de La
correction des erreurs est une règle qui guide certains algorithmes d'apprentissage de l'ARN.
E=
Si la sortie est inférieure à la réponse souhaitée, par exemple, le poids de la connexion doit
être augmenté, en supposant que l'unité j est excitable (égale à 1).
Cette règle peut s'exprimer de la façon suivante :
= (1.11)
Avec :
Sortie et entré
: Réponse désirée par l'expert humain [4]
I.7.2.3. Algorithme d’apprentissage
1- Initialisation des poids et du S-score à l'aide de valeurs aléatoires (petites).
2- Démonstration d'une entrée El = (e1,... en) du socle d'apprentissage.
3- Pour cette entrée, calculer la séquence x de la sortie :
a= (1.12)

x = signe (a) : (1.13)

4- Si la sortie x est différente de la sortie désirée dl pour cet exemple d'entrée El alors
modification des poids :
. ) (1.14)
5- Tant que tous les exemples de la base d'apprentissage (c'est-à-dire la modification du
poids) ne sont pas traités correctement, veuillez revenir à l'étape 2. [2]
I.8. Perceptron :
I.8.1. Définition :
Il s'agit du premier ARN opérationnel. C'est un réseau entièrement interconnecté avec
seulement deux couches (entrée et sortie). Il est composé de neurones de seuil. Supervisez le
processus d'apprentissage et augmentez progressivement son poids. [1]

I.8.2. Perceptron a une seule couche:

Le perceptron monocouche est le premier des trois réseaux (figure 1.9) qui peuvent être
utilisés avec une entrée binaire ou continue. Différents algorithmes peuvent être utilisés pour
mettre à l'échelle les poids et les seuils de connexion dans un perceptron monocouche. [1]

11
Chapitre I Réseaux de neurone artificiel

X0 W0

Sortie

Xn-1 W

Figure.1.9 : Perceptron à une seule couche.

I.8.3. Perceptron multicouches (MLP) :
Le perceptron multicouche est un réseau ponctuel avec une ou plusieurs couches de
neurones entre les couches d'entrée et de sortie (figure 1.10). [1]
Première couche cachée deuxième couche cachée couche cachée
x0

y0

les sorties

x1 yl-1

Figure.1.10 : Perceptron Multicouche

I.9. Fonction de base radiale (RBF) :

I.9.1. Définition :
Le réseau à fonction de base radiale (RBF) est un modèle de connectivité facile à mettre en
œuvre et à comprendre. Le réseau RBF est généralement composé de trois couches : La
couche d'entrée est une fonction linéaire qui introduit simplement le signal d'entrée dans la
couche cachée. La couche cachée est une unité de traitement qui exécute des fonctions
radiales de base. Le neurone est la couche neuronale de sortie de la fonction d'activation
linéaire. Ce type de réseau est couramment utilisé pour la classification et la représentation de
fonctions. [3]

12
Chapitre I Réseaux de neurone artificiel

x1

x2 W1

x3 Wi ∑
Wl

Xn-1

Xn

Couch entrée Couch cachée Couch sortie

Figure.1.11 : Réseaux de neurones à base radiale (RBF).

ŷ= (1.15)

( )= − = (1.16)

(x) est la distance entre les centres des neurones et les vecteurs d’entrées de ces derniers
= (1.17)

: L’écart type
I.9.2. Apprentissage des réseaux RBF
 Calculer le centre c j en utilisant l'algorithme de classification
 Calculer le coefficient de dispersion en utilisant la méthode de la moyenne des
distances.
 Calculez wij en utilisant la méthode des moindres carrés.
I.10. Les avantages et les inconvénients de réseaux de neurone
Avantage des réseaux de neurones
 Robustesse avec des données bruyantes.
 Permet la simulation d'une grande variété de comportements.
 Tolérance aux pannes (éliminer les neurones ...).
 Calcul automatique des poids.
 Généralisation. [2]
Inconvénients
 Contrairement à la méthode de l'arbre de décision, le résultat est extrêmement opaque.
 Le temps nécessaire à la mise en place d'un programme de formation peut être assez
long.

13
Chapitre I Réseaux de neurone artificiel

 Représentation complexe.
 La période d'étude peut être longue.
 existe un minimum local pour la fonction de coût.
 est difficile d'expliquer les résultats quand on n'a pas de connaissances préalables. [2]

I.11. Conclusion :
Dans ce chapitre, nous avons vu comment les neurones sont un composant essentiel du
cerveau humain, et comment ils sont modélisés d'après des prototypes de cellules nerveuses
biologiques. Les réseaux neuronaux dotés de fonctions de traitement parallèle, d'apprentissage
et d'approximation peuvent être considérés comme totalement différents des ordinateurs
traditionnels. Nous en parlerons dans le chapitre suivant, "Concepts généraux du stockage
solaire".

14
Chapitre II :

Rayonnement
solaire
Chapitre II Rayonnement Solaire

II.1 Introduction
Le soleil est une source intarissable pour énergie, qui est émettre elle irradiation sur
surface de terre. Cependant, l’arrivé de cette énergie à la terre est diffèrent de zone à autre et
selon plusieurs facteur : l’orientation, la nature et l’inclinaison de la surface terrestre, la
latitude du lieu de collecte, de son degré de pollution ainsi que de son altitude, la période de
l’année, l’instant considéré dans la journée, et la nature des couches nuageuses. Ainsi, il y a
des zones en mode accès des irradiations solaire plus d’un autre et aussi il y a différence
d’accès l’irradiation solaire pour le même zone dans le même jour ou selon les sessions.
II.2-définition générale :
II.2-1- le soleil :
Le soleil est une sphère gazeuse presque entièrement composée d'hydrogène. Son
diamètre est de 1391000 km (100 fois celui de la Terre), et sa masse est de l'ordre de 2.1027
tonnes. Toute l'énergie du soleil est générée par des réactions thermo-nucléaires. Elles
transforment 564.106 tonnes métriques d'hydrogène en 560.106 tonnes métriques d'hydrogène
chaque seconde (4 millions de tonnes) est dissipée sous forme d'énergie (E=mc2), ce qui
donne une énergie totale de 36.1022 KW. À une distance de 150.106 kilomètres du soleil, la
terre reçoit environ 1,8.1014 KW. [21]
II.2.2. Duré d’insolation :
La durée d’insolation correspond à la durée pendant laquelle le rayonnement solaire
direct reçu sur un plan normal dépasse un seuil fixé par convention à 120 W.m-2.En absence
permanente de nuages, la durée d’insolation est pratiquement égale à la durée du jour, qui
s’appelle aussi théorique de jour. Elle est défini par :
S0 =2\15 ω0 (1.1)
Avec :
S0 : durée de jour (h).
ω0 : L’angle horaire à la couche de soleil.

II.2.3. Le gisement solaire:

Le gisement solaire est un ensemble de données qui décrit l'évolution du rayonnement
solaire disponible sur une période donnée. Il est utilisé pour simuler le fonctionnement d’un
système énergétique solaire et faire un dimensionnement le plus exact possible compte tenu
de la demande à satisfaire. [22]

16
Chapitre II Rayonnement Solaire

II.3. Les coordonnées terrestres :

La terre est pratiquement une sphère qui tourne autour d’un axe passant par le pôle nord et
le pôle sud. Chaque lieu de la planète est défini par sa latitude et sa longitude. Ces deux
grandeurs représentent les coordonnées géographiques de ce point ainsi que par son altitude.

Méridien de
N
Greenwich Point sur la
surface de la
terre

ᵠ
Equateur
λ

Figure.2.1 : Coordonnées terrestres.

II.3.1. La latitude :
La latitude d’un lieu à la surface de la terre est l’angle entre l’équateur et le rayon de
la terre passent par le lieu considéré. La latitude φ est comptée de 0° à +90° dans
l’hémisphère nord. [23]
II.3.2. La longitude:
La longitude d’un lieu peut être comprise entre -180°bet +180°, à tout écart de 1° de
longitude correspond à un écart de 4 minutes de temps. La longitude sera désignée ici
par la lettre λ0. [24]
 Longitude OUEST λ0<0°
 Longitude ESTλ0 >0°
II.3.3. L’altitude:
C’est la distance verticale exprimé en mètres, séparant le point considéré du relief

17
Chapitre II Rayonnement Solaire

terrestre du niveau de la mer, pris comme surface de référence. [25]

II.4. Position du soleil:
Pour un lieu donné, la position du soleil est repérée à chaque instant de la journée et de
l’année par deux systèmes de coordonnées différents :
 Par rapport au plan horizontal du lieu (repère horizontal).
 Par rapport au plan équatorial de la terre (repère équatorial).
II.4.1. Coordonnées horizontales :
Les coordonnées horizontales dépendent du lieu d’observation. Elles ont comme plan
de référence le plan horizontal, perpendiculaire à la verticale du lieu. Un objet est repéré dans
ce système de coordonnées par ces composantes :
 La hauteur du soleil (h) :
C’est l’angle que fait la direction du soleil avec sa projection sur le plan horizontal. La
hauteur du soleil varie à chaque instant de la journée et de l’année selon la relation
suivante
(1.4)
h varie entre -90o et +90o.
On prend:
• h > 0 ⇒le jour
• h < 0 ⇒la nuit
• h = 0 ⇒aux lever et coucher [10]
 Azimut du soleil (a) :
C’est l’angle que fait la projection de la direction du soleil avec la direction du Sud.
L’azimut du soleil varie à chaque instant de la journée selon la relation : [26]

sin = (1.5)

Avec a : varie entre -180o et +180o.

On prend:
a > 0 ⇒ vers l’ouest
a < 0 ⇒vers l’est
a = 0 ⇒direction du sud
II.4.2. Coordonnées équatoriales (horaires):
Les coordonnées horaires sont liées à l’heure de l’observation, et n’ont aucune relation
avec la position de l’observation sur la terre. Elles ont comme plan de référence le plan de
l’équateur. Les coordonnées équatoriales sont au nombre de deux :

18
Chapitre II Rayonnement Solaire

 La déclinaison solaire ( ) :
C’est l’angle fait par le plan de l’équateur avec celui de l’écliptique. Elle varie au
cours de l’année de +23°27’ à –23°27’ et détermine l’inégalité des durées des jours.
Elle s’obtient à partir de la formule suivante : [10]

=23.45 [sin ] (1.2)

Où :
nj : Le numéro du jour dans l’année compté à partir du 1er Janvier.
 Angle horaire du soleil (H) :
C’est l’angle que font les projections de la direction du soleil avec la direction du
méridien du lieu, l’angle horaire du soleil varie à chaque instant de la journée selon la
relation
H = 15(TSV -12) (1.3)
TSV: Temps Solaire Vrai : temps repéré de façon que le soleil se trouve au zénith à
midi.
II.5. Les rayonnements solaires :
Le rayonnement solaire est l'ensemble des ondes électromagnétiques émises par le
Soleil. Il est composé de toute la gamme des rayonnements, de l'ultraviolet lointain comme les
rayons gamma aux ondes radio en passant par la lumière visible. Le rayonnement solaire
contient aussi des rayons cosmiques de particules animées d'une vitesse et d'une énergie
extrêmement élevées, il lui faut donc, en moyenne, 499 secondes, soit 8 minutes et 19
secondes, pour atteindre notre atmosphère.
L’énergie, E, de chaque photon est directement liée à la longueur d’onde par la relation :

E= λ (1.4)

Ou h =6,62 10-34 JS-1 est la constante de Planck.

C =3 108 MS-1 étant la vitesse de propagation.
Le Soleil émet un rayonnement électromagnétique compris dans une bande de longueur
d’onde variant de 0,22 à 10μm. [11]
II.6. Mouvement de la terre au tour du soleil:
La trajectoire de la terre autour du soleil est une ellipse dont le soleil est l'un des foyers. Le
plan de cette ellipse est appelé l'écliptique. [7] Le mouvement de la terre sur sa trajectoire est
uniforme, la terre se déplace à vitesse constante (une vitesse moyenne de 29.8 km/s soit 107280 km/h).
Avec une durée du parcours est d'une année, le déplacement de la terre sur sa trajectoire circulaire est
donc d'environ 1° par jour (360° /365jours). Le plan qui contient la trajectoire de la terre autour du

19
Chapitre II Rayonnement Solaire

soleil fait un angle de 23°27' avec le plan de l'équateur. Lors de son déplacement, l'axe des pôles
de la terre reste parallèle à lui-même, le mouvement annuel de la terre autour du soleil
s'apparente ainsi à un mouvement géométrique de translation s'effectue sur une trajectoire
circulaire. [8]
21 Mars

Nuit polaire
Topique du cancer

21
4
154.10 Décembre
Km

21 juin

21
Septembre
Figure.2.2 : schématisation des mouvements de la terre autour du soleil.

 Au solstice d'hiver (21decembre) : les rayons solaires frappent la terre

avec un angle de déclinaison de -23°27’, c'est la valeur minimum de la
déclinaison [9].

 Aux équinoxes de printemps :(21 mars) et d'automne (22septembre)

: le rayon solaire est dans le plan de l'équateur et la déclinaison vaut alors
0°, cette position traduit l'égalité des jours et des nuits [9].

 Au solstice d'été (23 juin) : la position de la terre est opposée à celle du

21 décembre et le soleil frappe l'hémisphère Nord avec l'angle maximum
de déclinaison de 23°27’. [9]

II.7. Le temps solaire:

La terre subite deux types de déplacement : la rotation de la terre autour de l’axe des
pôles et sa révolution autour du soleil. Le mouvement de la terre sur elle-même définit la
notion de journée solaire. Une rotation complète s’effectue en 24 heures. Elle amène
ainsi la définition du temps. Car chaque heure correspond à une différence angulaire de
15 degrés. La rotation de la terre autour du soleil définit les saisons et amène à

20
Chapitre II Rayonnement Solaire

distinguer le temps solaire vrai.

II.7.1Temps solaire vrais(TSV):

L'heure solaire vraie, en un instant et en un lieu précis, est l'horaire du soleil, comme
l'indiquent les horloges solaires et les héliographes. Il est donné par la relation suivante.
[10]
=12+ 15 (1.7)
ω: En degré.
Si ω = 0, TSV=12h.00
Si ω < 0, la matinée.
Si ω> 0, l’après midi.
II.7.2. Temps universel (TU) :
Le temps universel est le temps moyen civil du méridien de Greenwich (le premier
méridien), encore appelé GMT (Greenwich Mean Time).Est donné par la relation suivante:
TU= −λ15 (1.9)
Où : λ : est la longitude.
λ> 0 ; pour les villes situées à l’Est de Greenwich.
λ< 0 ; pour les villes situées à l’Ouest de Greenwich.
TU = TSM ; pour le méridien de Greenwich. [10]
II.7.3. Le Temps Solaire Moyen (T.S.M) :
Le temps solaire moyen est appelé parfois temps local, Il est donné par la relation suivante:
TSM= − (1.8)
Avec TSM en heure.
Et : l’équation du temps, qui corrige le T.S.V par rapport au T.S.M. exprimée en minutes. [10]
II.8. Caractéristiques du rayonnement solaire :
Le rayonnement solaire parvient au niveau de la terre après avoir parcouru une distance
moyenne de 150 106 Km, il est constitué de photons aux trajectoires à peu près parallèles, la
puissance de ce flux est d’environ 1367 W/m2.
Ce flux dit constante solaire varie légèrement au cours de l’année suivant les variations de la
distance terre – soleil (±3%). [11]

 Rôle de l’atmosphère :
Cette énergie qui descend vers notre planète ne peut pas arriver sur la Terre en

21
Chapitre II Rayonnement Solaire

Intégralité, elle va subir des transformations en traversant l’atmosphère.

En effet, l’atmosphère contient une majorité d’azote, d’oxygène, d’argon, de la vapeur
D’eau et la couche d’ozone dont le rôle est de filtrer les ultras –violet, sans oublier les
Poussières et les nuages.
 Masse d’air
On appelle masse d’air ou Air Mass (AM) en anglais, le rapport entre l’épaisseur
d’atmosphère traversée par le rayonnement direct pour atteindre le sol et l’épaisseur
traversée à la verticale du lieu. Ou appelée dans certains ouvrages masse atmosphérique.
II.9. Conclusion
Dans ce chapitre nous avons présenté des notions important sur gisement solaire, capteur
solaire, définition de soleil et duré d’insolation, et notion et composante de coordonnées
terrestre ainsi que l’identifiant de mouvement de la terre autour de soleil et les types de
coordonnées soleil, ensuite nous avons présente les différents types de rayonnement soleil.
Donc nous concluons une bon utilisation de capteur solaire permet de fait une bon
exploitation d’énergie solaire.

22
Chapitre III :
Application du réseau de
neurone à l'estimation de
rayonnement solaire
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

III.1 Introduction
L'une des conditions les plus importantes pour optimiser l'utilisation de l'énergie solaire
et est de comprendre comment utiliser la collecte de données climatiques.les recherches
actuelles visent à prédire le flux solaire direct mondial en fonction des conditions de
rayonnement solaire un endroit spécifique .Résultats obtenus par ces modèles et données
obtenues par unités d'émission recherche sur différents niveaux d’ énergies renouvelable au
centre du désert exactitude et conclusion que certains modèles peuvent être la méthode
préférée pour estimer l’ intensité rayonnement solaire pour les sites de recherche et autres
lieux où les conditions le permettent condition climatiques similaires.
III.2. Le programme pour construire un réseau de neurones
Le processus de conception d'un réseau de neurones peut se résumer en cinq étapes:
a. La collecte d'une base de données.
b. Divisez la base de données en deux sous-ensembles (bases d'apprentissage et bases de
Vérification et de test).
c. Le prétraitement des données.
d. Former le réseau neuronal sur la base de l'apprentissage et de la vérification.
e. Mesurez les performances du réseau neuronal sur la base du test. [27]

Collecte des données

Séparation de la base de données

Prétraitement des données

Entrainement du réseau de neurone

Performances du réseau de neurone sur

la base de test

Figure 3.1 : Flux de base pour la conception d'un modèle de réseau neuronal artificiel.

24
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

III.2.1. La collecte d'une base de données :

Le but de cette étape est de collecter suffisamment de données pour créer une base de
données représentative qui sera utilisée pour former et tester le réseau neuronal. La base de
données est l'entrée du réseau neuronal, par conséquent, elle détermine la taille du réseau et
les performances du système. Pour notre application, nous utilisons les données toutes les 24
heures du 1er janvier 2016 au 31 décembre 2020 (calculez 1828 valeurs) fourni par SODA
(Assimilation Simple des Données Océaniques).
Nous utilisons des paramètres météorologiques (voir le tableau 1) pour prédire le
rayonnement direct d'entrée: température Tavg, humidité, vitesse du vent, pression
atmosphérique, déclinaison solaire et hauteur angulaire du soleil et en calcule rayonnement
solaire extraterrestre par l’équation 3.1, et rayonnement global en sortie. [12,13]

= θ θ (3.1)

=( ) (3.2)

(°) est la déclinaison magnétique du soleil; θ (°) est la latitude de la ville; (degrés) est
l'angle de l'altitude du soleil (°) et E0 (sans dimension) est le coefficient du rayonnement
solaire extraterrestre.
Tableau.3.1. Parameters utilisés

Variable Abréviation Unité Type

Température Tamb °C
Pression atmosphérique BP hPa
Humidité relative RH %

Vitesse du vent WS m/s

Déclinaison DECL Degré (°) Numérique

Hauteur angulaire maximale du soleil AngleH Degré (°)

Irradiation globale GHI w/m²

Plusieurs modèles de paramètres d'entrée ont été testés pour trouver une combinaison de
variables d'entrée qui peuvent faire des prédictions efficaces. Les entrées utilisées dans ces
modèles sont sélectionnées sur la base du calcul du coefficient de corrélation entre le
rayonnement solaire et chaque variable citée.

25
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

Tableau 3.2 : Différents modèles utilisé pour l’entrainement du réseau de neurone.

Paramètre Variable d’entrée
d’entrer
GHI Tamb RH WS BP AngleH DECL

Modèle1 X X X X X

Modèle2 X X X X X X

Modèle3 X X X X X X X

III.2.2. Divisez la base de données :

Après avoir collecté suffisamment de données, il est nécessaire de commencer à diviser
les données en deux phases, l'une pour l'apprentissage et l'autre pour les tests, afin de pouvoir
contrôler la phase d'apprentissage, vérifier le réseau obtenu et déterminer ses performances.
En règle générale, lorsque nous divisons les données en partie apprentissage et partie test
(dont 80% sont utilisés pour la formation et 20% pour les tests), la sélection sélectionne les
données au hasard pour garantir que les partitions de test et de formation répondent aux
exigences. La formation et les tests avec des données similaires vous permettent de minimiser
l'impact d'une différence donnée et de mieux comprendre les caractéristiques du modèle.
Après avoir traité le modèle à l'aide du cycle d'apprentissage, nous testons le modèle en
faisant des prédictions sur la partie test. [13]
III.2.3. Choix de l’architecteur de réseau de neurone :
Un réseau de neurones artificiels (Modèle) est un modèle non linéaire qui utilise une
structure qui peut décrire tout complexe non linéaire lié à l'entrée et à la sortie (voir Figure 2).
Les neurones sont les unités de base des réseaux de neurones artificiels. Les neurones sont
reliés par des liens appelés synapses, et chaque synapse a un facteur de pondération. La
somme pondérée du signal d'entrée peut être exprimée sous la forme d'une relation
mathématique, comme indiqué dans la formule suivante.
(3.3)
Ajoutez ensuite le résultat à la fonction de transfert, comme indiqué dans l'équation suivante.
(3.4)
La fonction de transfert est utilisée pour transformer le signal d'entrée en un signal de
sortie sur le nœud du réseau neuronal. Des fonctions de transfert sont disponibles comme
tangente, log-sigmoïde, linéaire, sigmoïde, hyperbolique etc… Ces fonctions peuvent être

26
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

choisies en fonction de la nature de l'application. Dans cette recherche, la fonction d'activation

Tan-Sigmoïde représentée dans l'équation (3.5) et le transfert linéaire vu dans l'équation (3.6)
sont utilisés respectivement dans la couche cachée et la couche de sortie [14].
(3.7)

(3.8)
Où c est la pente de la sortie du système.
Il existe plusieurs algorithmes qui peuvent être utilisés pour former un réseau et ajuster ses
poids, utilise trois types Modèle de connexion neuronale, à savoir le réseau de neurones
(Modèle1), le réseau de neurones (Modèle2) et le réseau de neurones (Modèle3), car ils sont
dans la plupart des conditions de rayonnement solaire. Tous les ensembles de données ont été
normalisés dans la plage de [-1,1] pour éviter la possibilité de sur ajustement et obtenir une
plus grande précision du modèle de réseau neuronal.
Nous avons créé et généré des programmes informatiques pour trois Modèle de connexion
modèle différentes à l'aide de fichiers de script écrits en MATLAB-R2016 a sur trois
emplacements: Oran, Timimoun et Lagouat. la figure 2 décrit la construction typique d'un
modèle multicouche. Une structure de modèle de réseau (N-5-1) avec N=7, 8,9 variables
(Tavg, RH, WS, AP, E0, SD) est présentée dans la couche d'entrée. Il y a 5 nœuds dans la
couche cachée et un nœud dans cette couche. (Rayonnement solaire). L’algorithme de Modèle
utilisé par levenberg-marquardt. Avant la Modèle, il n'y a pas de méthode efficace pour
sélectionner la bonne architecture de réseau [16]. Analysez ici. La technique par essais et
erreurs montre que lorsque le nombre de neurones dans la couche cachée est compris entre 4
et 6, les mêmes résultats peuvent être obtenus [17]. Un exemple d'interface Modèle.
Tamb

BP

RH
Couche G Couche
WS de sortie
Entrée
DECL

AngleH

GHI
Couche cachée

Figure 3.2. Modèle générale du réseau neuronal

27
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

III.2.4. Prétraitement de données :

Une fois les données collectées, trois procédures de prétraitement des données seront
exécutées pour former le RNA plus efficacement. Ces processus sont: la résolution du
problème de la perte de données, la normalisation et la randomisation des données. Les
données manquantes seront remplacées par la moyenne des valeurs adjacentes dans la même
semaine. Le processus de normalisation avant de présenter les données d'entrée au réseau est
généralement une bonne habitude. [19]
Le mélange de variables avec de grandes et petites amplitudes va interférer avec
l'importance de l'algorithme d'apprentissage pour chaque variable et forcer son rejet La
dernière est la plus petite variable. Appliquez la formule de normalisation suivante :
é
–
é (3.7)

Avec : valeur-min et valeur- max : les valeurs minimale et maximale respectivement de la

variable à normaliser. Ce prétraitement rend le réseau efficace, et permet d’assurer qu’aucune
entrée ne devienne prépondérante au détriment des autres.
III.2.5. Phase d’apprentissage :
Pendant le processus de formation, ajustez les pondérations pour rendre la sortie réelle
(prévue) proche de la sortie cible (mesurée) du réseau, initialisez-la de manière aléatoire avant
l'apprentissage, puis apportez des modifications itératives pour empêcher l'apprentissage.
Fonction d'erreur. Par conséquent, toutes les données d'entraînement seront présentées au
réseau plusieurs fois avec différentes valeurs d'initialisation de poids synaptique. Une fois que
nous avons choisi l'architecture du réseau de neurones, celui-ci doit passer par la phase
d'apprentissage. Ce dernier comprend l'utilisation de la bibliothèque d'apprentissage pour
calculer les meilleurs poids pour différents liens. [20]
III.3.Critères d'évaluation des performances du modèle
Les performances du modèle ANN considéré sont évaluées à l'aide de méthodes largement
utilisées dans les scores d'évaluation [38], telles que l'erreur quadratique moyenne (RMSE),
l'erreur de bias moyenne (MBE), l'erreur en pourcentage absolue moyenne (MAPE) et le
coefficient de corrélation. (R). Les définitions de ces mesures sont données dans le tableau
3.3, où N représente le nombre total de points de données, et GAct et GSim sont des valeurs
réelles estimées et des valeurs de rayonnement solaire de sortie, respectivement.

28
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

Tableau 3.3. Équations des scores statistiques

Abréviation Idéal Equation

Value
Zéro (3.7)

Zéro (3.8)

Zéro (3.9)

One (3.10)

III.4. Résultats et discussion:

La prédiction basée sur le réseau de neurones artificiels a été réalisée dans trois villes de
l'Algérie. Nous avons utilisé l'algorithme de levenberg-marquardt pour établir un modèle de
calcul du réseau de neurones artificiels à cinq couches cachées. Résultats de l'évaluation
statistique (voir tableau 3).
À Timimoun villes (voir tableau 3.4), le modèle de réseau neuronal (modèle 3) est le
modèle le plus précis (R = 0.9305, RMSE =616.991Wh / m2 / jour, MBE = -4.72 Wh / m2 /
jour) par rapport aux résultats d'autres modèles dans la phase de test basée sur des statistiques
performance, la deuxième ville Lagouat , modèle1 basé sur les statistiques de performance du
score (R = 0.9276, RMSE = 721.33Wh / m2 / jour, MBE = -8.10 Wh / m2 / journée). La
troisième ville (Oran), modèle1 basé sur les statistiques de performance du score (R = 0.9229
RMSE = 793.76 kWh / m2 / jour, MBE = -10.55 W h / m2 / jour, fournissant les meilleurs
résultats pour tous les modèles de couches.

29
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

Tableau 3.4. Scores statistiques pour chaque modèle lors des phases de formation et de test dans les villes de
Lagouat, Oran et Timimoun.

Ville / Résulta des testes

Modèle
MBE RMSE R
(Wh/m2/day) (Wh/m2/day)

Oran
modèle 1 -10.55 793.76 0.9229
modèle 2 7,54 786.07 0,9245
modèle 3 15,18 785.31 0,9246
Timimoun
modèle 1 -6,73 611.61 0,9318
modèle 2 4,68 622.14 0,9293
modèle 3 -4,72 616.99 0,9305
Lagouat
modèle 1 -8,10 721.33 0,9276
modèle2 -3,39 729.02 0,9260
modèle 3 -6,51 742.48 0,9232

Selon la figure 3.3, une simulation est effectuée entre les données estimées et les données
réelles; évidemment, pour les villes de Lagouat et Oran, le MAPE du modèle 1, 2, 3 est
inférieur à 12%. Les valeurs MAPE, les plus faibles de la ville Timimoun enregistrées dans
tous les modèles sont liées à Modèle1 (RMSE <7%). En conséquence, le rRMSE des villes
(Lagouat, Oran et Timimoun) du meilleur modèle n'a pas dépassé les pourcentages de
12,44%, 14,60% et 9,98%, respectivement.

MAPE

12,00
10,00
8,00
(%)

6,00
4,00
2,00
0,00

Lagouat Timimoun Oran

30
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

rRMSE
16,00
14,00
12,00
10,00
(%)

8,00
6,00
4,00
2,00
0,00

LAGOUAT Timimoun ORAN

Figure 3.3. MAPE et rRMSE pendant la phase de test.

La figure 3.4 montre un exemple qui compare l'estimation du modèle basée sur le réseau
de neurones (modèle 3) avec la valeur réelle de l'Oran de la ville pendant la période d'étude.
On peut voir que pendant la période d'étude dans toutes les conditions de ciel, le G Sim
(valeur estimée) du modèle 3 et la valeur réelle du GA ct donnent une bonne estimation,
parfois très similaire.

Figure.3.4. Estimation comparative du modèle basé sur modèle3 - étude de cas de la ville
Oran

31
Chapitre III Application des réseaux de neurone à l'estimation de rayonnement Solaire

III.5.Conclusion :

Cette étude a examiné les prévisions préliminaires du soleil quotidien et mené des études
comparatives à trois endroits Timimoun, Lagouat et Oran pour sélectionner le meilleur
modèle basé sur les réseaux de neurones artificiels (trois Modèle) pour prédire le rayonnement
solaire global dans toutes les conditions du ciel. Nous avons obtenu les meilleurs résultats à
Timimoun dans modèle 3 et les meilleurs résultats dans Oran et Lagouat est en modèle 1.
Utilisez différents paramètres statistiques en comparant les valeurs simulées et collecté.

32
Chapitre VI :

Application et
Résultats
 Chapitre VI : Application et Résultats

VI.1. Introduction
Dans le dernier chapitre, On va présenter les différentes étapes d'interprétation d'une
série de résultats de simulation pour les tests, la simulation et la vérification, et on évalués à
l'aide de la fonction Logistic Sigmoïde en langage MATLAB, idéale pour créer des
programmes et des graphes de réseaux neuronaux, Interface utilisateur (GUI).
VI.2 Ressources matérielles et logicielles :

VI.2.1 Ressources matérielles

Notre système est développé dans un ordinateur dont les caractéristiques techniques,
sont les suivantes.
Tableau 4.1 : Représentation des caractéristiques techniques de l’ordinateur de Développement.

N° Composant Description
01 Processeur AMD E1
02 RAM 2GO
03 Disque dur 500GB

 Système d'exploitation : Windows 7 professionnel 64 bit.

 Utilisé Notion générale sur gisement solaire.
VI.2.2 Ressources logicielles
VI.2.2.1 Bref présentation de MATLAB
Le logiciel Matlab constitue un système de calcul numérique et de visualisation graphique
interactif et convivial. Adapté aux ingénieurs, techniciens et scientifiques, c'est un outil
largement utilisé dans les universités et l'industrie.
Ces principales fonctions sont:
 Un langage de haut niveau pour le calcul scientifique.
 Outils interactifs pour l'exploration itérative, la conception et la résolution de
problèmes.
 Environnement de développement pour la gestion du code, des fichiers et des
données.
 Fonctions mathématiques pour l'algèbre linéaire, les statistiques, l'analyse de Fourier,
l'optimisation et l'intégration numérique.
 Les fonctions graphiques 2D et 3D peuvent réaliser la visualisation des données.
 Outils pour créer des interfaces graphiques personnalisées.

34
 Chapitre VI : Application et Résultats

 Fonctions d'intégration d'algorithmes développés en langage MATLAB, applications

et langages externes (tels que C / C ++, Fortran, Java, COM et Microsoft Excel). C'est
pourquoi nous avons choisi Matlab pour développer nos applications.

Fenêtre de
Mise en
conception
œuvre du
programme

Outils de
conception

Figure 4.1: L’interface de MATLAB

VI.3. Région d’étude
Nous avons choisi trois sites: Oran, Timimoun et Lagouat. Dans cette étude, nous avons
utilisé les données du 1er janvier 2016 au 31 décembre 2020. Données (calculées 1828
valeurs) toutes les jours sur la période, les données sont fournies par le site SODA
(Assimilation Simple des Données Océaniques).
Nous utilisons des paramètres météorologiques pour prédire le rayonnement global d'entrée:
température, humidité, vitesse du vent, pression atmosphérique, déclinaison et hauteur
angulaire du soleil, et rayonnement global en sortie.

35
Chapitre VI : Application et Résultats

Figure 4.2 : Appareil de mesure de l’irradiation direct Pyrhéliomètre.

Figure 4.3 : Carte de l’irradiation solaire de l’Algérie.

36
 Chapitre VI : Application et Résultats

VI.4. Architecture de l’application

Mode de passe

Retou Entre
r r

L’interface
Exit
GISOL3

Choisir la ville

Modèle 1

La ville
Modèle 2 Apprentissage

Modèle 3

Altitude Laltitude
Longitud
e
Figure 4.4: Architecture de l’application

VI.5. Interface graphique:

Pour simplifier le processus, nous avons créé deux interfaces graphiques. La première
interface (l'interface principale) est en fait la formation réseau de chaque modèle (sigmoïde
logarithmique), et la deuxième interface est utilisée pour tester et estimer les valeurs
d'irradiance aux emplacements suivants pour chaque modèle, et donnez les résultats et
comparez entre l'irradiance directe estimée et collecté.

37
 Chapitre VI : Application et Résultats

VI.5.1. L’interface principale :

Figure.4.5 : L'interface principale pour définir le mot de passe.

VI.5.2. L’interface de test et GISOL3 :

Cette interface représente le processus d’apprentissage pour trois villes, et nous avons
trois modèles qui s’y appliquent.

Figure.4.6 : L’interface de test et GISOL3.

38
 Chapitre VI : Application et Résultats

VI.5.3. Phase d’apprentissage :

Au cours du processus d'apprentissage, les pondérations sont ajustées pour que la sortie
réelle (prédite) soit proche de la sortie cible (mesurée) du réseau. Ces sorties sont initialisées
de manière aléatoire avant l'apprentissage, puis modifiées de manière itérative pour empêcher
l'apprentissage de se produire. Arrêt à la fonction d'erreur minimale locale. Par conséquent,
toutes les données d'entraînement sont présentées au réseau plusieurs fois avec différentes
valeurs d'initialisation du poids synaptique. Une fois l'architecture du réseau de neurones
sélectionnée, elle doit passer par une phase d'apprentissage. Ce dernier comprend l'utilisation
de la base d'apprentissage pour calculer les meilleurs poids pour différents liens [6].
 Exemple de l’interface de ville Timimoun de modèle 3.
Un algorithme Levenberg-Marquardt a été utilisé dans l’apprentissage a été conçu pour
approcher la vitesse de apprentissage du second ordre sans avoir à calculer la matrice
hessienne. [28]
L’algorithme Levenberg-Marquardt utilise cette approximation de la matrice hessienne dans
la mise à jour de type Newton suivante :

Xk+1=xk− [JTJ+μI] −1JTe

Figure.4.7 : L’interface de comparez entre l'irradiance estimée et collecté

VI.6. Résultats des tests:

Dans notre logiciel, nous saisissons les paramètres (température, humidité, vitesse du vent,
pression atmosphérique, rayonnement global collecté, déclinaison journalière et hauteur de
l'angle solaire) à partir d'un fichier Excel pour estimer le rayonnement global après

39
 Chapitre VI : Application et Résultats

application des paramètres statistiques (RMSE, MAPE, R, MBE), ce travail permet de

constater l'efficacité du programme.
VI.6.1. Représentation des paramètres statistiques RMSE, R, MBE et MAPE:
Nous montrons les paramètres statistiques dans des graphiques à travers les trois modèles.
Ces graphiques définissent de petites comparaisons entre modèles en termes de paramètres
statistiques.
VI.6.2. Courbes d’irradiation solaire estimé et collecté

Figure.4.8 : Coefficient de corrélation de modèle

VI.7. Conclusion :

Dans ce chapitre, nous avons donné une description détaillée de notre travail. Le
programme dispose d’une interface pour la formation (apprentissage) et les tests, nous avons
choisi trois villes à tester, et afficher le résultat d’une courbe comparez entre l’irradiance
estimée et collecté. Après discussion des valeurs des résultats, notre travail donne de bons
résultatsd’essai.

40
Conclusion générale
Plupart des recherches se sont concentrées Jusqu'à présent sur la prévision du
rayonnement solaire, plutôt que sur la prévision de la production d'énergie solaire. Cependant,
la conversion du rayonnement solaire en énergie solaire est loin d'être anodine. L'énergie
solaire est influencée par des facteurs tels que la température, le vent ou les panneaux solaires
utilisés, ajoutant une couche supplémentaire de complexité par rapport au rayonnement
solaire.
Le rayonnement solaire qui arrive au sol se décomposer en deux parties, l’une provient
directement du soleil (direct), l’autre a été diffusée par l’atmosphère (diffus). L'atmosphère et
le sol émettent tous deux un rayonnement distinct.. La connaissance de ces divers
rayonnements permet a réussi à bien l'utiliser. L’énergie solaire est l'énergie dérivée du soleil.
L’approche que nous avons développée dans ce mémoire est conçue pour l’estimation du
rayonnement solaire atteignant le sol à l’échelle de toutes les 24 heures la journée du 1er
janvier 2016 au 31 décembre 2020 en utilisant les informations extraites de SODA
(Assimilation Simple des Données Océaniques).
L’objectif de notre étude est de développer un modèle neuronal qui pourra être utilisé pour
prédire l’irradiation solaire global. On a utilisé différents paramètres d’entrées ont été étudié
en vue de choisir le plus performent, et utilisée trois modèle pour estimer l’irradiation solaire
global et ce en comparant l’irradiation solaire global prédite par chacun des modèles
développés avec l’irradiation solaire collecté. Nous basant pour l’évaluation de la
performance de ces modèles sur plusieurs critères des indicateurs statistiques.
On à utilisée neuf paramètres d'entrées la température, Pression atmosphérique, humidité
relative, vitesse des vents, déclinaison, hauteur angulaire maximale du soleil pour obtenir sur
le résultat désiré.
On peut dire que notre programme a donné des très bons résultats et les résultats trouvés
indiquent que la méthode appliquée pour l’estimation est très efficace. On a trouvé que le
model 3 est le meilleur dans la ville de Timimoun avec R=0.9305, et le model 1 est le
Supérieur dans la ville de Lagouat avec R=0.9276, et le model 2 est le préférable dans la ville
de Oran avec R=0.9245.
Les perspectives : Cette étude, comme toute autre, comporte certaines limites qui pourraient
faire l’objet d’amélioration lors de futurs travaux.
 L’estimation du rayonnement à partir des 09 paramètres d'entrée peut être n'est pas
suffisante ou efficace.
 Utilisé d’autre type de RNA par exemple RBF, les réseaux d’ondelettes ou la Logique
floue avec les réseaux de neurone.
 Utilise d’autre technique pour l’estimation comme algorithme génétique.
 Estimer irradiation solaire diffuse ou direct au lieu irradiation solaire global.
 Fait l’estimation par d’autre paramètres d’entrée par exemple l’indice de clarté, jour de
l‘année, duré du jour.
Bibliographie
[1] S.Michelle, «Réseaux de neurones », support de cours, (2001).
[2] Kadous Djamila, Utilisation des réseaux de neurones comme outil du datamining :
Génération de modèle comportemental d’un processus physique à partir de données,
Université de Tlemcen, (2012).
[3] Miloudi.Lalia, « Méthodes heuristiques appliquées à l’optimisation du contrôle de
L’orientation d’un panneau solaire photovoltaïque », thèse présenté pour l’obtention du
Diplôme de doctorat en université M’Hamed Bougara -Boumerdes, (2017).
[4] S. Faysal et B. Abderrahmane « Reconnaissance des chiffres manuscrits par les SVM »
Mémoire de licence, Université Ahmed Draïa D’Adrar, (2015).
[5] A. Rebiai, «Une Approche Hybride Pour La Reconnissance D’ecriture Arabe
Manuscrite», Mémoire de magister. Universite de Constantine, (2007).
[6] TRAHI.Fatiha mémoire magister rayenement estimation par reaseau de neurone
[7] J, Bernard. « Energie solaire calculs et optimisation », Ellipse Edition
Marketing,(2004).
[8] Daoudi Ahmed, Hadadji Moustafa, « Calcule du rayonnent solaire pour une surface
Inclinée (cas d’un site situé à Ouargla) », mémoire d’ingénieur d’état, Université Kasdi
Merbah Ouargla, (2009).
[9] Raud René, « Capteur solaire thermique concentrateur a conduite manuelle »,
Association SOLEIL & VAPEUR, (2007).
[10] Chiba Younes, « Etude de l'utilisation d'un bassin d'eau comme capteur solaire »,
Mémoire magister en génie climatique, université M’entouré Constantine, (2005).
[11] P.Bessemoulin, J. Oliviéri, « le rayonnement solaire et sa composante ultraviolette »,
La météorologie 8e série, (2000).
[12] Benatiallah, D, Benatiallah. A, Bouchouicha, K. ET Nasri. B. «Prédiction du
Rayonnement solaire horaire en utilisant les réseaux de neurone artificiel», Algérien J.
Env. Sc. Technology, (6), pages 1236-1245. (2020)
[13] Benatiallah, D., Benatiallah, A., Bouchouicha, K., Hamouda, M. et Nasri. B. « Un
Modèle empirique d'estimation du rayonnement solaire dans le Sahara algérien »,
American Institute of Physics, (7), pp. 710–727.( 2018).
[14] Bouchouicha, K., Bailek, N., Bellaoui, M. et Oulimar, B. Comparaison de l'intelligence
Artificielle et des modèles empiriques pour l'estimation de la production d'énergie d'une
Central solaire photovoltaïque de 20 MWc au milieu saharien de l'Algérie, international
Journal of Energy Sector Management, Springer, Cham, pp.195-203.( 2020).
[15] Raza, MQ. Mithulananthan, N. et Summerfield, A. Prévision de la puissance de sortie
Solaire en utilisant un cadre d'ensemble avec des prédicteurs neuronaux et une
Combinaison adaptative bayésienne, Sol Energy, (166), pp. 26–41.( 2018).
[16] Yadav, A.K. ET Chandel, S.S. Prédiction du rayonnement solaire à l'aide de techniques
De réseaux neuronal artificiel: une revue, Renew.Soutenir.
 Energy Rev., (33), pp.772-781.(2014).
[17] Jain, S.K., Nayak, C.P. et Sudheer, K.P. Modèles pour estimer l'évapotranspiration à
L’aide de réseaux de neurones artificiels et leur interprétation physique, Hydrol,
Process. (22), pp. 2225-2234.( 2008).
[18] Stone, RJ. Procédure statistique améliorée pour l'évaluation des modèles d'estimation du
Rayonnement solaire, Solar Energy, (89), pp. 51–91. (1993).
[19] F.S. Tymvois, C.P. Jacovides, S.C. Michaelides, C. Scouteli, «Étude comparative des
Métodologies Angströms et des réseaux de neurones artificiels dans l'estimation du
rayonnement solaire global» Énergie solaire, (2005).
[20] Tarahi.Fatiha, «prédiction de l'irradiation solaire globale pour la région de Tizi-Ouzu par
Les réseaux de neurones artificiels», mémoire présenté pour l'évaluation du diplôme de
Magister en université Mouloud Mammeri- Tizi-ouzu, (2011).
[21] C, Fröhlich. « World radiometric reference», World Meteorological Organization,
Commission for instruments and methods of observation, report WMO 490, (1978).
[22] M, Capderou. Atlas solaire de l’Algérie, O.P.U, Alger, (1985).
[23] Anne Labouret et Michel Villoz. « Energie solaire photovoltaïque », Edition Le
Moniteur, (2005).
[24] Zouache.Foudil « Etude de la concentration solaire sur les performances des systèmes
Photovoltaïque », mémoire de magister en électronique, université de Constantine,
(2009).
[25] Meziani.Fariza « Détermination du gisement solaire par traitement d’images MSG »,
Mémoire de magister en électronique, université Mouloud Maameri de Tizi Ouzou.
[26] M.R. Yaïche, S.M.A. Bekkouche, « Conception et Validation d’un Programme sous
Excel pour L’estimation du Rayonnement Solaire Incident en Algérie ». Cas d’un Ciel
Totalement Clair, Revue des Energies Renouvelables Vol, (2008).
[27] BELOUAFI Lalla Moulati & SAIDI Karima « Estimation de l’énergie d’un capteur
solaire à partir de réseau de neurones artificiels »Mémoire de fin d’étude, en vue de
l’obtention du diplôme de Master en informatique (2017 /2018).
[28]Henri p.Gavin, Département de génie civil et environnemental université de duke (18
septembre 2020).