الخلاصة:
Résumé
La prévision de la production électrique des énergies renouvelable notamment l’énergie éolienne
constitue une partie très importante dans l’intégration aux réseaux électriques, ce faisant, il contribue à
réduire le fonctionnement des centrales électriques conventionnelles, ce qui conduit à réduire le coût de
production électrique et préserver l'environnement car il s'agit d'une énergie propre, gratuit et renouvelable.
Dans ce travail nous avons développé des programmes qui calculent l’erreur de prévision à court terme
en utilisant les méthodes statistiques classiques telles que la régression, et des méthodes d’intelligence
artificielle basées sur les réseaux de neurones. Les méthodes classiques dépendent du modèle mathématique,
mais les méthodes de réseaux de neurones ne dépendent que des données historiques avec une prévision
précise, sachant que la production électrique dépend du vitesse du vent, de la saisonnalité.
Abstract
The forecast of the electricity production of renewable energies in particular of wind energy
constitutes a very important part in the integration into the electricity grids, in doing so, it contributes to
reduce the operation of the conventional plants, which leads to reducing the cost of production. electricity
and preserve the environment because it is clean, free and renewable energy.
In this work we have developed some programs that calculate the short-term eletrical prodution
forecasting error using classical statistical methods such as regression and artificial intelligence techniques
such as neural networks. Conventional methods depend on the mathematical model where neural network
methods depends only on historical data with good forecasting accuracy, knowing that the eletrical
prodution depends on wind speed and seasonality.
ملــخـص
يشكل التنبؤ باإلنتاج الكهربائي للطاقات المتجددة وخاصة محطات التوليد المعتمدة على طاقة الرياح عامال مهًما جدًا في
مساهمة هذه المحطات في تزويد الشبكات الكهربائية بالطاقة ، وبذلك يساهم في خفض تشغيل محطات الطاقة الكهربائية التقليدية ، مما
يؤدي إلى تقليل تكلفة إنتاج الكهرباء وكذا المحافظة على البيئة كونها طاقة نظيفة ومتجددة.
في هذا العمل قمنا بتطوير برامج لحساب أخطاء التنبؤ على المدى القصير باستخدام األساليب اإلحصائية الكالسيكية مثل االنحدار
الخطي وطرق الذكاء االصطناعي القائمة على الشبكات العصبية. تعتمد الطرق الكالسيكية على النموذج الرياضي، لكن أساليب الشبكة
العصبية تعتمد فقط على البيانات التاريخية مع التنبؤ الدقيق، مع العلم أن إنتاج الكهرباء يعتمد على سرعة الرياح وفصول السنة.