Papier accepté dans la revue Solar Energy (IF>2)

Forecasting of preprocessed daily solar radiation time series using neural networks


Papier accepté dans la revue Solar Energy (IF>2)
Cet article retrace les manipulations qui nous ont permis de statuer sur le preprocessing des datas fait en amont de la partie Perceptron multicouches (PMC). Les réseaux de neurones (dont font partis les PMC) sont des prédicteurs dit "boite noire". Classiquement, ils sont conçus exclusivement par apprentissage à partir de mesures, et ne tiennent pas compte d’éventuelles connaissances a priori. En somme, il suffit de positionner une entrée, et il nous restitue une sortie. Les paramètres de ces réseaux (poids et biais), obtenus après apprentissage, n’ont aucune signification physique et ne peuvent pas être interprétés. En fait le même type de réseau peut permettre de prédire l'indice du CAC40 ou le rayonnement global. Le PMC permet de faire une régression non linéaire sur différents paramètres (analyse multivariéé). Pour faire une modélisation plus fine du rayonnement global, il est souvent nécessaire d'utiliser une modélisation semi-physique qui constitue une alternative très puissante. La méthodologie consiste à prendre en considération toutes les connaissances expertes disponibles concernant le processus à modéliser. On peut ainsi combiner les avantages des deux approches: la souplesse des modèles conçus par apprentissage et la lisibilité et l’intelligibilité des modèles de connaissances. Ce type de modèle est dit "Boite grise" (Apprentissage statistique ; G. Dreyfus et al ; Eyrolles, 2008). Dans notre cas la modélisation physique est utilisée pour stationnariser les datas par un rapport à la tendance (index ciel clair ou index de clarté) et permet d'obtenir des résultats plus intéressants.

solar_energy_2010.pdf solar_energy_2010.pdf  (1.35 Mo)



Rédigé par Cyril VOYANT le Lundi 20 Septembre 2010 à 20:46 | Lu 885 fois