Contribution to the development of numerical methods using Artificial Neural Network for characterizing the solar potential in Algeria Contribution au développement de méthodes numériques utilisant les réseaux de neurones artificiels pour la caractérisation du gisement solaire en Algérie

Algeria has the largest solar potential in the Mediterranean and has one of the highest solarpotential in the world with 169 440 TWh / year, which is 5000 times the national electricityconsumption. Because of its intermittent nature, this resource is inserted only to a limitedextent in electricity networks. To increase the share of solar energy in the energy balance andallow better management of its production, it is necessary to know precisely the solarpotential available at a short time to take into account all these stochastic variations. Littlesolar data is available, the objective of this work is to estimate it in the hourly time and 5-minutes times step. We set two objectives: to estimate solar radiation inclined from themeasured horizontal solar radiation and estimated it from more easily and frequentlymeasured meteorological data. A literature review has highlighted the effectiveness ofartificial intelligence techniques and specifically artificial neural networks to perform thistask. We note as well as the tilted global radiation, according as the 5-minute time an ANNfour intervals sky states and three inputs is the most efficient with RMSE of 1.97%. At thehourly time step, a three-input RNA provides these data with a RMSE of 1.78%. Forestimating the global horizontal radiation, the number of input parameters being very high(10) and the number of significant RNA structures (1023), we applied a prior method ofmutual information to perform a selection of variable.The results obtained by this selection was not conclusive, a exhaustive test was performed. Itemerged that it was possible to estimate the horizontal global radiation from differentcombination of parameters with an error of at around 19% in 5-minutes time step and 13.7%at the hourly time step. L’Algérie possède le potentiel solaire le plus important du bassin méditerranéen et disposed’un des gisements solaires les plus élevés au monde avec 169.440 TWh/an, soit 5000 fois laconsommation nationale en électricité. A cause de son caractère intermittent, cette ressourcen'est insérée que de manière limitée au sein des réseaux électriques. Pour augmenter la part del’énergie solaire dans le bilan énergétique et permettre une meilleure gestion de sa production,il convient de connaître précisément le potentiel solaire disponible et ce à un pas de temps finpour en prendre en compte toutes ces variations stochastiques. Les données solaires étant peudisponibles, l’objectif de ce travail est de les estimer au pas de temps horaire et 5-minutes.Nous nous sommes fixés deux objectifs : estimer le rayonnement solaire incliné à partir durayonnement solaire horizontal mesuré, puis estimer ce dernier à partir de donnéesmétéorologiques plus facilement et fréquemment mesurées. Une étude bibliographique a misen exergue l’efficacité des techniques d'intelligence artificielle et plus précisément desréseaux de neurones artificiels pour réaliser cette tâche. On retiendra ainsi que pour lerayonnement global incliné, au pas du temps de 5 minutes, un RNA à quatre intervallesd’états du ciel et trois entrées est le plus performant avec une RMSE de 1,97%. Au pas detemps de l'heure, un RNA à trois entrées permet d’obtenir ces mêmes données avec uneRMSE de 1.78%. Pour l’estimation du rayonnement global horizontal, le nombre deparamètres d’entrée étant très élevé (10) et le nombre de structures de RNA importante(1023), nous avons appliqué au préalable une méthode d’information mutuelle pour réaliserune sélection de variable. Les résultats obtenus par cette sélection n’ayant pas été probants, untest exhaustif a été effectué. Il est ressorti qu’il était possible d’estimer le rayonnement globalhorizontal à partir de différentes combinaisons de paramètres avec une erreur qui se situe auxalentours de 19% au pas du temps de 5 minutes et 13,7% au pas du temps de l'heure.