SOLAR RADIATION PREDICTION USING MACHINE LEARNING

Abstract

This thesis presents a prediction study of the different components of the solar radiation using artificial neural networks (ANN). The results of this study are crucial for the design and sizing of any solar energy system. A series of experimental hourly measurements of year variables were available for this study. Models (ANN) with different structures, in particular, different combinations of inputs as well as other numbers of hidden neurons, have been set up. To evaluate these models, the regression coefficient (R2) and the error estimators Relative Root Mean Square Error (RRMSE) and Mean Square Error (MSE) were used. Random Forest (RF) and Gradient Boosting Machine (GBM) and Deep Neural Network (DNN), Long Short Term Memory (LSTM) were compared with Bidirectional LSTM to generate horizontal hourly global solar radiation from less expensive exogenous variables. The results show BI-LSTM superiority with 8 entries. The test of this model to produce accurate forecasts offers good accuracy (R²=0.999, MSE = 0.85 and RRMSE = 0.69%). Using different sizes of the learning sample we showed that from one year of data, our model gives satisfactory results. A comparison of our results with the literature confirmed that our models (ANN) exceed other estimation methods and that the proposed models ensure an authentic prediction of the different components of hourly solar irradiation from endogenous and exogenous variables that are more available and less expensive.

Résumé Cette mémoire présente une étude prédictive des différentes composantes de la rayonnement solaire utilisant des réseaux neuronaux artificiels (RNN). Les résultats de cette étude sont cruciaux pour la conception et le dimensionnement de tout système d’énergie solaire. Une série de mesures horaires expérimentales de variables de huit ans était disponible pour cette étude. Des modèles (RNN) avec différentes structures, en particulier, différentes combinaisons d’entrées ainsi que différents nombres de neurones cachés ont été mis en place. Pour évaluer ces modèles, on a utilisé le coefficient de régression (R2) et les estimateurs d’erreur Erreur quadratique moyenne relative (RRMSE) et Erreur quadratique moyenne (MSE). On a comparé Random Forest (RF) et Gradient Boosting Machine (GBM) et Deep neural Network (DNN), Long Short Term Memory (LSTM) avec Bidirectional LSTM pour générer un rayonnement solaire mondial horaire horizontal à partir de variables exogènes moins coûteuses. Les résultats montrent une supériorité BI-LSTM avec 8 entrées. Le test de ce modèle pour produire des prévisions authentiques montre une bonne précision (R²=0,999, MSE = 0,85 et RRMSE = 0,69 %). En utilisant différentes tailles de l’échantillon d’apprentissage, nous avons montré qu’à partir d’une année de données, notre modèle donne des résultats satisfaisants. Une comparaison de nos résultats avec la littérature a confirmé que nos modèles (RNN) dépasser les autres méthodes d’estimation et que les modèles proposés assurent une prédiction authentique des différentes composantes de l’irradiation solaire horaire à partir de variables endogènes et exogènes plus disponibles et moins coûteuses. ملخص تقدم هذه الرسالة دراسة تنبؤ للمكونات المختلفة للإشعاع الشمسي باستخدام شبكات عصبية اصطناعية ). RNA( إن نتائج هذه الدراسة تشكل أهمية حاسمة في تصميم أي نظام للطاقة الشمسية وتحجيم حجمه .وقد توفرت لهذه الدراسة سلسلة من القياسات التجريبية بالساعة لمتغيرات ثماني سنوات . وتم إعداد نماذج ) RNA( ذات هياكل مختلفة، وخاصة تركيبات مختلفة من المدخلات فضلاً عن أعداد مختلفة من الخلايا العصبية المخفية .لتقييم هذه النماذج، تم استخدام معامل الانحدار ) R2( ومقدرات الأخطاء النسبة للخطأ المتوسط الحسابي للجذر المتوسط ) RMSE( وخطأ مربع المتوسط ). MSE( تمت مقارنة الغابة العشوائية ) RF( وماكينة تعزيز التدرج ) GBM( والشبكة العصبية العميقة )DNN( ، الذاكرة طويلة الأجل ) LSTM( مع تقنية LSTM ثنائية الاتجاه لتوليد إشعاع شمسي عالمي بالساعة أفقي من المتغيرات الخارجية الأقل تكلفة .وتظهر النتائج تفوق بي إل تي سي مع - 8 مداخل . إن اختبار هذا النموذج لإنتاج توقعات حقيقية يبين دقة جيدة =0.999²R( ، MSE = 0.85 ، ). RMSE = 0.69% باستخدام أحجام مختلفة من عينة التعلم التي أظهرنا أنه من عام واحد من البيانات يقدم نموذجنا نتائج مرضية .وقد أكدت مقارنة النتائج التي تحققناها بالمؤلفات أن نماذجنا تتجاوز أساليب التقدير الأخرى وأن النماذج المقترحة تضمن التنبؤ الحقيقي بالمكونات المختلفة للإشعاع الشمسي بالساعة من المتغيرات الداخلية والخارجية الأكثر توافراً وأقل تكلفة .