Browsing by Author "BOUSLAH Imad Eddine"

Now showing 1 - 1 of 1
  • Thumbnail Image
    ItemOpen Access
    Prédiction A Court Terme d’Irradiance Solaire Horizontale Globale Par La Méthode D’ensemble De Vecteur A Support Machine
    (University of M'sila, 2024-07-22) TERRAFI Youcef; BOUSLAH Imad Eddine; ENC/ Mezaache Hatem
    FR Au cours des dernières années, l'énergie solaire est considérée comme l'une des sources d’énergie renouvelable essentielle dans le monde, l'énergie solaire est une source d'énergie qui est dépendante du soleil. L'irradiation solaire dépend fortement des conditions météorologiques qui sont variables et incontrôlables. Par conséquent, la prévision du rayonnement solaire joue un rôle clé pour intégrer les ressources d'énergie solaire dans le réseau électrique. Pour cette raison plusieurs techniques de prévision ont été proposées dans la littérature. Dans ce cadre l'objectif principale de ce travail est d'inventer un modèle pour la prévision d'irradiation solaire horizontale globale qui seras basé sur la méthode d'ensemble de vecteurs à support machine. Pour l'évaluation des performances du modèle de prédiction proposé nous avons choisis comme critère les métriques suivantes : Erreur quadratique moyenne normalisée (RMSE), Erreur absolue moyenne (MAE), le coefficient compétence de prédiction (FS) et le coefficient de détermination (R²). EN In recent years, solar energy has been considered one of the essential renewable energy sources worldwide. Solar energy is a source of power that depends on the sun. Solar irradiation heavily depends on weather conditions, which are variable and uncontrollable. Consequently, predicting solar radiation plays a key role in integrating solar energy resources into the electrical grid. For this reason, several forecasting techniques have been proposed in the literature. In this context, the main objective of this work is to develop a model for predicting global horizontal solar irradiation based on the ensemble method of support vector machines. To evaluate the performance of the proposed prediction model, we have chosen the following metrics: Normalized Mean Squared Error (RMSE), Mean Absolute Error (MAE), Forecast Skill (FS), and the coefficient of determination (R²).