Please use this identifier to cite or link to this item: http://dspace.univ-relizane.dz/home/handle/123456789/536
Full metadata record
DC FieldValueLanguage
dc.contributor.authorDAHMANI Abdennasser-
dc.date.accessioned2024-12-02T09:52:49Z-
dc.date.available2024-12-02T09:52:49Z-
dc.date.issued2023-
dc.identifier.urihttp://dspace.univ-relizane.dz/home/handle/123456789/536-
dc.description.abstractL’objectif présenté à ce travail est de prédire l’irradiation solaire globale horaire (ISGH) reçue sur une surface horizontale en utilisant les algorithmes d’intelligence artificielle et plus précisément des machines à vecteur de support (MVS) et réseaux de neurones artificiels (RNA) pour réaliser cette tâche. Ce travail est composé de deux contributions distinctes. Dans la première contribution, une méthodologie a été développée dans le but d'optimiser le réseau neuronal artificiel de type perceptron multicouche (ANN-MLP), et une machine à vecteurs de support avec un noyau de fonction de base radiale (SVM-RBF) a été utilisée pour modéliser l'irradiation solaire horaire en utilisant des données comprenant plusieurs paramètres météorologiques collectés dans deux villes en Algérie (Bouzaréah, Tamanrasset) choisies pour couvrir différents climats. Les résultats obtenus ont montré que le modèle SVM-RBF était meilleur que le modèle ANN-MLP avec l'algorithme d'apprentissage Broyden-Fletcher-Goldfarb-Shanno (BFGS) pour prédire l'irradiation horizontale globale avec un coefficient de corrélation R de 0,99 et une erreur quadratique moyenne (RMSE) de 38,70 Wh/m2 pour la phase totale. La deuxième contribution consiste à développer un modèle de bootstrap réseaux de neurones agrégés (BRNA) valable pour la prédiction de l’irradiation solaire horaire sur la ville de Bouzaréah. La base de données comprenant plusieurs Paramètres météorologiques mesurés a été fournie par Centre de Développement des Énergies Renouvelables (CDER) Bouzaréah– Algérie. Les résultats obtenus sont très satisfaisants et très précis avec un coefficient de corrélation de 0.9680, une racine erreur quadratique moyenne (REQM) de 62,4856 Wh/m2 et une erreur standard de prédiction (ESP) de 12.79 %. Les résultats obtenus indiquent que le modèle bootstrap réseaux de neurones agrégés (BRNA) est mieux adapté et plus résistant pour prédire l'irradiation solaire globale horaire reçue sur une surface horizontale.en_US
dc.subjectIntelligence artificielleen_US
dc.subjectModélisationen_US
dc.subjectIrradiation solaireen_US
dc.subjectEtude comparativeen_US
dc.titleContribution à la modélisation de l’irradiation solaire par l’intelligence artificielle. Etude comparativeen_US
dc.typeThesisen_US
Appears in Collections:Sciences et Technologies



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.