MODELISATION DU COMPORTEMENT DE LA VITESSE DU VENT PAR LES RESEAUX DE NEURONES ARTIFICIELS

Télécharger le fichier pdf d’un mémoire de fin d’études

Caractérisation horizontale de la vitesse du vent [9], [10]

La puissance énergétique moyenne disponible de l’éolien, associée à une circulation d’une masse d’air de vitesse <V> et agissant sur une surface A d’une hélice s’écrit [9] : 〈P〉 1 ..A.V 3 (1.1).
Où désigne la masse volumique de l’air qui varie avec la latitude et la température du lieu. Dans la plupart des cas, elle est considérée 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), évaluée à partir d’un traitement statistiquedes données brutes du vent et du calcul des fréquences de vitesse [10].

Variations des paramètres de WEIBULL

Les paramètres k et C de WEIBULL [11] caractérisentla distribution du vent tant aux sens qualitatif que quantitatif.

Densité de probabilité de la distribution ed WEIBULL en fonction de C

Le facteur de forme k détermine l’allure de la densité de probabilité de WEIBULL. Une valeur élevée de k implique une distribution étroite avec du vent concentré autour d’une valeur, alors qu’une faible valeur de k implique du vent largement dispersé. Ces propriétés sont mises en évidence sur la figure 1.2.7, en faisant varier la valeur de k pour C fixée à 6.

Gisement éolien a Madagascar

Dans cette partie de notre travail, nous allons faire la synthèse des travaux menés par le MEM et VERGNET en matière gisement éolien à Madagascar.

Etude du gisement éolien [18].

A partir des données recueillies, durant dix années(Janv. 75 – Déc. 84), dans 25 stations synoptiques équipées d’anémographes et cinq stationnon dotées d’anémographe concernant des mesures horaires de la force et la direction du vent, l’étude statique s’est portée sur des :
· variations moyennes horaires et mensuelles (en m/s).
· vitesse maximale par mois (en m/s).
· fréquences de la vitesse du vent par moi (en %).
· vitesse classée en heure.
· coefficients caractéristiques de distribution de WEIBULL.
· fréquences de la direction du vent (en %).
· fréquences des calmes (en %).
Ces études ont été faites à partir de la fonction ed WEIBULL qui donne une bonne approximation analytique pour la représentation théorique de la fréquence de distribution des vitesses du vent. Le tableau N° 3 nous résume les caractéristiques du site étudié, l’unité de la limite de BETZ étant le kWh/m.

Problématique de la prédiction du vent

L’une des plus grandes applications des réseaux deneurones se situe dans le domaine de la prédiction. En effet les réseaux de neurones sont rèst commodes pour les tâches de prédiction pour des raisons suivantes [5] :
· les réseaux de neurones apprennent à l’aide d’exemples et par des expériences .
· les réseaux de neurones peuvent généraliser, c’està-dire,- d’après les données présentées, ils peuvent inférer correctement des données inaperçues .
· les réseaux de neurones réalisent de bonnes approximations fonctionnelles.
· les réseaux de neurones sont non linéaires. On saitque les systèmes réels sont non linéaires. C’est pour cette raison qu’ils sont trèsutilisables pour modéliser un outil de prédiction.
La prédiction de vent pour un période de temps donnée est très utile pour la construction d’un futur site d’énergie renouvelable. Nous avons besoin de cette prédiction pour différents besoins comme planifier et gérer une construction, pour prédire la puissance de sortie des turbines de vent. La variation de la puissance du vent peut causer les fluctuations dans la tension et la fréquence de la machine. Ou bien quand soudain la puissance de vent s’interrompt à cause de vent excessif, cela peut causer de grands dommages sur les unités de puissance.
Nous savons que le vent dans la nature est extrêmement incertain dans le temps et dans l’espace et pour cette raison aucune technologie n’est assez efficace. Le vent est un des paramètres météorologiques les plus difficiles à prédire. Les caractéristiques de vent qui influent sur le profil de vent sont la vitesse et la direction. Si par exemple on peut prédire quelle est la variation de vitesse du vent dans le temps, on pourra modéliser des turbines de vent beaucoup plus performantes.

Réseaux de Neurones Artificiels

Notre objectif consiste entre autre d’appliquer la théorie des réseaux de neurones pour la prédiction de la vitesse du vent en fonction d’autres paramètres météorologiques. Aussi, nous commençons par définir nos RNA à partir des RNA exi stants.

Historique

Un réseau de neurones artificiel dit formel est un modèle de calcul dont l’inspiration venait d’un modèle neuronal biologique, c’est-à-dire du modèle d’un cerveau humain. Le cerveau humain est composé d’un grand nombre de cellules nerveuses et chaque cellule nerveuse contient des neurones. Ces neurones ont une partie cellulaire et une partie « noyau ». 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 traitée, elle est envoyée vers l’axone. Et la jonction entre deux neurones s’appelle synapse. La figure 2.1 montre un neurone au niveau biologique.
Des dispositifs nommés neurones formels inspirés sur ce modèle sont utilisés en informatique dans le domaine de l’intelligence artificielle pour modéliser et résoudre des problèmes complexes. Ils comportent N entrées ayant chacune un poids synaptique, une fonction de transfert et une sortie qui sert à son tour d’entrée à d’autres neurones similaires. Dans la cellule nerveuse humaine, la synapse correspond au poids d’un neurone artificiel, le corps cellulaire, à une fonction de transfert et l’axone à un élément ed sortie (voir figure 2.2).

Structure des réseaux de neurones

En général, les réseaux de neurones peuvent êtreractérisésca comme des modèles de calculs apprenant, généralisant et organisant des données.
Un réseau de neurones artificiel contient un grand nombre d’unités. Les neurones se communiquent entre eux en s’envoyant des signaux à travers de liens, appelées connexions synaptiques. En général le système de neurones possède trois types des neurones comme l’indique la figure 2.3. Il s’agit de :
· neurones d’entrée qui reçoivent les données.
· neurones de sortie qui envoient les données par lasortie du système.
· neurones cachés tels que les signaux d’entrée et desortie demeurent dans le système.
La structure de ce neurone formel s’est inspirée des études descriptives du neurone biologique. Chaque neurone reçoit des valeurs d’entrées ou des signaux d’entrée 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 noté
‘ Wn’(Abréviation de weight) doivent être ajuster pour représenter 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 entrées puis cette valeur passe à travers la fonction d’activation pour produire une sortie.

Table des matières

CHAPITRE 1 : NOTIONS GENERALES SUR LE GISEMENT EOLIEN
1.1 Introduction
1.2 Origine du vent
1.3 Caractérisation horizontale de la vitesse du vent
1.3.1 Modèles d’ajustement
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 écart type
1.3.2.2 Facteur de puissance et indice de variation
1.3.3 Méthode d’ajustement
1.3.3.1 Méthodes de la moyenne et variance
1.3.3.2 Méthode de la vitesse moyenne et de la variabilité du vent
1.3.4 Variations des paramètres de WEIBULL
1.3.4.1 Densité de probabilité de la distribution de WEIBULL en fonction de C
1.3.4.2 Densité de probabilité de la distribution de WEIBULL en fonction de k
1.3.5 Potentiel énergétique éolien
1.3.5.1 Puissance énergétique disponible.
1.3.5.2 Potentiel énergétique éolien récupérable
1.3.5.3 Puissance éolienne moyenne utile
1.3.5.4 Puissance éolienne moyenne utilisable
1.3 Gisement éolien a Madagascar
1.3.1 Etude du gisement éolien
1.3.2 Atlas éolien de Madagascar par la société VERGNET
1.4 Conclusion
CHAPITRE 2 : RESEAUX DE NEURONES ARTIFICIELS
2.1 Introduction
2.2 Problématique de la prédiction du vent
2.3 Réseaux de Neurones Artificiels
2.3.1 Historique
2.3.2. Structure des réseaux de neurones
2.3.3 Architectures Réseau de neurones
2.3.3.1 Réseaux non bouclés
2.3.3.2 Réseaux bouclés 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 propriété de parcimonie
2.3.4 Phase D’apprentissage
2.3.4.1 Le mode non supervisé
2.3.4.2 Le mode supervisé
2.3.4.3 Algorithmes de minimisation
2.3.5 Généralisation
2.3.6 Le problème de surapprentissage
2.3.6.1 Définition 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 Théorème de bayes
2.3.7.2 Approche probabiliste appliquée à l’apprentissage neuronal
2.3.7.3 Distribution de probabilité a priori
2.3.7.4 Fonction de vraisemblance
2.3.7.5 Distribution de probabilité a posteriori
2.3.7.6 Approximation gaussienne du posterior
2.3.7.7 Détermination des hyperparamètres α et β
2.3.8 Critères de performances pour les modèles
CHAPITRE 3 : MODELISATION DU COMPORTEMENT DE LA VITESSE DU VENT PAR LES RESEAUX DE NEURONES ARTIFICIELS
3.1 Introduction
3.2 Modèles de réseaux de neurones statiques
3.2.1 Présentation du modèle neuronal classique
3.2.2 Organigramme du réseau classique
3.2.3 Résultats avec le modèle classique
3.2.4 Modélisation avec l’approche bayesienne
3.2.4.1 Organigramme de l’apprentissage bayesien
3.2.4.2 Résultats avec l’approche bayesienne
3.2.4.3 Recherche des modèles parcimonieux
3.2.4.4 Comparaison des performances des modèle bayesien et optimisé
3.3 Modèles de réseaux de neurones dynamiques
3.3.1 Quelques structures de modèles linéaires de base
3.3.1.1 Généralités
3.3.1.2 Modèle autorégressif à entrée exogène
3.3.1.3 Modèle autorégressif à moyenne mobile et entrée exogène
3.3.2 Structures de modèles non linéaires basés sur les réseaux de neurones
3.3.2.1 Modèle NNARX
3.3.2.2 Modèle NNARMAX
3.3.3 Résultats avec les réseaux dynamiques
3.3.3.1 Modèles avec NNARX
3.3.3.2 Modèles avec NNARMAX
3.4 Interprétations
3.5 Construction d’une base de données de la vitesse du vent
3.5.1 A partir des réseaux de neurones
3.5.2 A partir du système d’informations géographiques
3.6 Conclusion
CONCLUSION GENERALE
ANNEXES
REFERENCES BIBLIOGRAPHIQUES
REFERENCES WEBOGRAPHIQUES

Télécharger le rapport complet