Tรฉlรฉcharger le fichier pdf d’un mรฉmoire de fin d’รฉtudes
Caractรฉrisation horizontale de la vitesse du vent [9], [10]
La puissance รฉnergรฉtique moyenne disponible de lโรฉolien, associรฉe ร une circulation dโune masse dโair de vitesse <V> et agissant sur une surface A dโune hรฉlice s’รฉcrit [9] : โฉPโช๏ ๏ฝ 1 .๏ฒ.A.V 3 (1.1).
Oรน๏ ๏ฒ dรฉsigne la masse volumique de lโair qui varie avec la latitude et la tempรฉrature du lieu. Dans la plupart des cas, elle est considรฉrรฉe commeconstante et avoisine, en moyenne la valeur de 1.25 kg/m3. Ainsi, la puissance disponible varie avec la vitesse cubique moyenne du vent (voir figure 1.1), รฉvaluรฉe ร partir dโun traitement statistiquedes donnรฉes brutes du vent et du calcul des frรฉquences de vitesse [10].
Variations des paramรจtres de WEIBULL
Les paramรจtres k et C de WEIBULL [11] caractรฉrisentla distribution du vent tant aux sens qualitatif que quantitatif.
Densitรฉ de probabilitรฉ de la distribution ed WEIBULL en fonction de C
Le facteur de forme k dรฉtermine lโallure de la densitรฉ de probabilitรฉ de WEIBULL. Une valeur รฉlevรฉe de k implique une distribution รฉtroite avec du vent concentrรฉ autour dโune valeur, alors quโune faible valeur de k implique du vent largement dispersรฉ. Ces propriรฉtรฉs sont mises en รฉvidence sur la figure 1.2.7, en faisant varier la valeur de k pour C fixรฉe ร 6.
Gisement รฉolien a Madagascar
Dans cette partie de notre travail, nous allons faire la synthรจse des travaux menรฉs par le MEM et VERGNET en matiรจre gisement รฉolien ร Madagascar.
Etude du gisement รฉolien [18].
A partir des donnรฉes recueillies, durant dix annรฉes(Janv. 75 โ Dรฉc. 84), dans 25 stations synoptiques รฉquipรฉes dโanรฉmographes et cinq stationnon dotรฉes dโanรฉmographe concernant des mesures horaires de la force et la direction du vent, lโรฉtude statique sโest portรฉe sur des :
ยท variations moyennes horaires et mensuelles (en m/s).
ยท vitesse maximale par mois (en m/s).
ยท frรฉquences de la vitesse du vent par moi (en %).
ยท vitesse classรฉe en heure.
ยท coefficients caractรฉristiques de distribution de WEIBULL.
ยท frรฉquences de la direction du vent (en %).
ยท frรฉquences des calmes (en %).
Ces รฉtudes ont รฉtรฉ faites ร partir de la fonction ed WEIBULL qui donne une bonne approximation analytique pour la reprรฉsentation thรฉorique de la frรฉquence de distribution des vitesses du vent. Le tableau Nยฐ 3 nous rรฉsume les caractรฉristiques du site รฉtudiรฉ, lโunitรฉ de la limite de BETZ รฉtant le kWh/m.
Problรฉmatique de la prรฉdiction du vent
L’une des plus grandes applications des rรฉseaux deneurones se situe dans le domaine de la prรฉdiction. En effet les rรฉseaux de neurones sont rรจst commodes pour les tรขches de prรฉdiction pour des raisons suivantes [5] :
ยท les rรฉseaux de neurones apprennent ร lโaide dโexemples et par des expรฉriences .
ยท les rรฉseaux de neurones peuvent gรฉnรฉraliser, c’estร -dire,- d’aprรจs les donnรฉes prรฉsentรฉes, ils peuvent infรฉrer correctement des donnรฉes inaperรงues .
ยท les rรฉseaux de neurones rรฉalisent de bonnes approximations fonctionnelles.
ยท les rรฉseaux de neurones sont non linรฉaires. On saitque les systรจmes rรฉels sont non linรฉaires. C’est pour cette raison qu’ils sont trรจsutilisables pour modรฉliser un outil de prรฉdiction.
La prรฉdiction de vent pour un pรฉriode de temps donnรฉe est trรจs utile pour la construction dโun futur site dโรฉnergie renouvelable. Nous avons besoin de cette prรฉdiction pour diffรฉrents besoins comme planifier et gรฉrer une construction, pour prรฉdire la puissance de sortie des turbines de vent. La variation de la puissance du vent peut causer les fluctuations dans la tension et la frรฉquence de la machine. Ou bien quand soudain la puissance de vent s’interrompt ร cause de vent excessif, cela peut causer de grands dommages sur les unitรฉs de puissance.
Nous savons que le vent dans la nature est extrรชmement incertain dans le temps et dans l’espace et pour cette raison aucune technologie n’est assez efficace. Le vent est un des paramรจtres mรฉtรฉorologiques les plus difficiles ร prรฉdire. Les caractรฉristiques de vent qui influent sur le profil de vent sont la vitesse et la direction. Si par exemple on peut prรฉdire quelle est la variation de vitesse du vent dans le temps, on pourra modรฉliser des turbines de vent beaucoup plus performantes.
Rรฉseaux de Neurones Artificiels
Notre objectif consiste entre autre dโappliquer la thรฉorie des rรฉseaux de neurones pour la prรฉdiction de la vitesse du vent en fonction dโautres paramรจtres mรฉtรฉorologiques. Aussi, nous commenรงons par dรฉfinir nos RNA ร partir des RNA exi stants.
Historique
Un rรฉseau de neurones artificiel dit formel est un modรจle de calcul dont l’inspiration venait dโun modรจle neuronal biologique, c’est-ร -dire du modรจle dโun cerveau humain. Le cerveau humain est composรฉ d’un grand nombre de cellules nerveuses et chaque cellule nerveuse contient des neurones. Ces neurones ont une partie cellulaire et une partie ยซ noyau ยป. La partie cellulaire se ramifie pour former ce que l’on nomme des dendrites. C’est par les dendrites que l’information s’achemine vers le corps de neurone. Une fois l’information traitรฉe, elle est envoyรฉe vers l’axone. Et la jonction entre deux neurones s’appelle synapse. La figure 2.1 montre un neurone au niveau biologique.
Des dispositifs nommรฉs neurones formels inspirรฉs sur ce modรจle sont utilisรฉs en informatique dans le domaine de lโintelligence artificielle pour modรฉliser et rรฉsoudre des problรจmes complexes. Ils comportent N entrรฉes ayant chacune un poids synaptique, une fonction de transfert et une sortie qui sert ร son tour d’entrรฉe ร d’autres neurones similaires. Dans la cellule nerveuse humaine, la synapse correspond au poids d’un neurone artificiel, le corps cellulaire, ร une fonction de transfert et l’axone ร un รฉlรฉment ed sortie (voir figure 2.2).
Structure des rรฉseaux de neurones
En gรฉnรฉral, les rรฉseaux de neurones peuvent รชtreractรฉrisรฉsca comme des modรจles de calculs apprenant, gรฉnรฉralisant et organisant des donnรฉes.
Un rรฉseau de neurones artificiel contient un grand nombre dโunitรฉs. Les neurones se communiquent entre eux en s’envoyant des signaux ร travers de liens, appelรฉes connexions synaptiques. En gรฉnรฉral le systรจme de neurones possรจde trois types des neurones comme lโindique la figure 2.3. Il sโagit de :
ยท neurones d’entrรฉe qui reรงoivent les donnรฉes.
ยท neurones de sortie qui envoient les donnรฉes par lasortie du systรจme.
ยท neurones cachรฉs tels que les signaux d’entrรฉe et desortie demeurent dans le systรจme.
La structure de ce neurone formel sโest inspirรฉe des รฉtudes descriptives du neurone biologique. Chaque neurone reรงoit des valeurs d’entrรฉes ou des signaux d’entrรฉe par le neurone en amont et les utilise pour calculer le signal de sortie qui se propage par les autres neurones. En concordance avec ce processus, les poids des connexions synaptiques notรฉ
โ Wnโ(Abrรฉviation de weight) doivent รชtre ajuster pour reprรฉsenter la force dela connexion. Sur la figure 2.4, nous pouvons voir la structure d’un neurone artificiel. Le neurone calcule la somme de ses entrรฉes puis cette valeur passe ร travers la fonction d’activation pour produire une sortie.
|
Table des matiรจres
CHAPITRE 1 : NOTIONS GENERALES SUR LE GISEMENT EOLIEN
1.1 Introduction
1.2 Origine du vent
1.3 Caractรฉrisation horizontale de la vitesse du vent
1.3.1 Modรจles dโajustement
1.3.1.1 Distribution de WEIBULL
1.3.1.2 Distribution de RAYLEIGH
1.3.2 Etude statistique
1.3.2.1 Vitesse moyenne, vitesse cubique moyenne, variance et รฉcart type
1.3.2.2 Facteur de puissance et indice de variation
1.3.3 Mรฉthode dโajustement
1.3.3.1 Mรฉthodes de la moyenne et variance
1.3.3.2 Mรฉthode de la vitesse moyenne et de la variabilitรฉ du vent
1.3.4 Variations des paramรจtres de WEIBULL
1.3.4.1 Densitรฉ de probabilitรฉ de la distribution de WEIBULL en fonction de C
1.3.4.2 Densitรฉ de probabilitรฉ de la distribution de WEIBULL en fonction de k
1.3.5 Potentiel รฉnergรฉtique รฉolien
1.3.5.1 Puissance รฉnergรฉtique disponible.
1.3.5.2 Potentiel รฉnergรฉtique รฉolien rรฉcupรฉrable
1.3.5.3 Puissance รฉolienne moyenne utile
1.3.5.4 Puissance รฉolienne moyenne utilisable
1.3 Gisement รฉolien a Madagascar
1.3.1 Etude du gisement รฉolien
1.3.2 Atlas รฉolien de Madagascar par la sociรฉtรฉ VERGNET
1.4 Conclusion
CHAPITRE 2 : RESEAUX DE NEURONES ARTIFICIELS
2.1 Introduction
2.2 Problรฉmatique de la prรฉdiction du vent
2.3 Rรฉseaux de Neurones Artificiels
2.3.1 Historique
2.3.2. Structure des rรฉseaux de neurones
2.3.3 Architectures Rรฉseau de neurones
2.3.3.1 Rรฉseaux non bouclรฉs
2.3.3.2 Rรฉseaux bouclรฉs ou dynamique
2.3.3.3 Perceptrons Multicouches
2.3.3.3.1 Mise en oeuvre du perceptron multicouche
2.3.3.3.2 Approximation universelle
2.3.3.3.3 La propriรฉtรฉ de parcimonie
2.3.4 Phase Dโapprentissage
2.3.4.1 Le mode non supervisรฉ
2.3.4.2 Le mode supervisรฉ
2.3.4.3 Algorithmes de minimisation
2.3.5 Gรฉnรฉralisation
2.3.6 Le problรจme de surapprentissage
2.3.6.1 Dรฉfinition de surapprentissage
2.3.6.2 Biais et variance
2.3.6.2 Early stopping
2.3.6.2.2 Weight decay
2.3.7 Approche neuronale bayesienne
2.3.7.1 Thรฉorรจme de bayes
2.3.7.2 Approche probabiliste appliquรฉe ร lโapprentissage neuronal
2.3.7.3 Distribution de probabilitรฉ a priori
2.3.7.4 Fonction de vraisemblance
2.3.7.5 Distribution de probabilitรฉ a posteriori
2.3.7.6 Approximation gaussienne du posterior
2.3.7.7 Dรฉtermination des hyperparamรจtres ฮฑ et ฮฒ
2.3.8 Critรจres de performances pour les modรจles
CHAPITRE 3 : MODELISATION DU COMPORTEMENT DE LA VITESSE DU VENT PAR LES RESEAUX DE NEURONES ARTIFICIELS
3.1 Introduction
3.2 Modรจles de rรฉseaux de neurones statiques
3.2.1 Prรฉsentation du modรจle neuronal classique
3.2.2 Organigramme du rรฉseau classique
3.2.3 Rรฉsultats avec le modรจle classique
3.2.4 Modรฉlisation avec lโapproche bayesienne
3.2.4.1 Organigramme de lโapprentissage bayesien
3.2.4.2 Rรฉsultats avec lโapproche bayesienne
3.2.4.3 Recherche des modรจles parcimonieux
3.2.4.4 Comparaison des performances des modรจle bayesien et optimisรฉ
3.3 Modรจles de rรฉseaux de neurones dynamiques
3.3.1 Quelques structures de modรจles linรฉaires de base
3.3.1.1 Gรฉnรฉralitรฉs
3.3.1.2 Modรจle autorรฉgressif ร entrรฉe exogรจne
3.3.1.3 Modรจle autorรฉgressif ร moyenne mobile et entrรฉe exogรจne
3.3.2 Structures de modรจles non linรฉaires basรฉs sur les rรฉseaux de neurones
3.3.2.1 Modรจle NNARX
3.3.2.2 Modรจle NNARMAX
3.3.3 Rรฉsultats avec les rรฉseaux dynamiques
3.3.3.1 Modรจles avec NNARX
3.3.3.2 Modรจles avec NNARMAX
3.4 Interprรฉtations
3.5 Construction dโune base de donnรฉes de la vitesse du vent
3.5.1 A partir des rรฉseaux de neurones
3.5.2 A partir du systรจme dโinformations gรฉographiques
3.6 Conclusion
CONCLUSION GENERALE
ANNEXES
REFERENCES BIBLIOGRAPHIQUES
REFERENCES WEBOGRAPHIQUES
Tรฉlรฉcharger le rapport complet