Prévision de la production d'énergie solaire : une étude comparative des modèles Bi-LSTM, LSTM et XGBoost avec analyse des fonctions d'activation

La prévision précise de la production d'énergie solaire est essentielle pour garantir le fonctionnement stable et efficace des systèmes photovoltaïques (PV) connectés au réseau, surtout face à des variations climatiques. Cette recherche se concentre sur l'intégration des méthodologies d'apprentissage automatique (ML) et des paramètres climatiques pour prédire la génération d'énergie des panneaux solaires, avec un accent particulier sur le traitement des déséquilibres consommation-production. En s'appuyant sur un ensemble de données provenant de la plateforme Kaggle, l'étude est réalisée dans le contexte de l'Estonie, visant à optimiser l'utilisation de l'énergie solaire dans cette région géographique. L'ensemble de données, obtenu sur Kaggle, comprend des informations complètes sur les variables climatiques, y compris l'intensité lumineuse, la température et l'humidité, ainsi que la production d'énergie correspondante des panneaux solaires. En s'appuyant sur des algorithmes d'apprentissage automatique, y compris la régression XGBoost et les réseaux neuronaux, notre modèle vise à identifier des motifs et des relations complexes au sein des ensembles de données. En adaptant le modèle aux nuances climatiques de l'Estonie, nous cherchons à améliorer la précision des prévisions de production d'énergie et, par conséquent, à mieux gérer les défis associés aux déséquilibres consommation-production. De plus, la recherche examine l'adaptabilité du modèle proposé à des conditions climatiques variées, garantissant son applicabilité pour des efforts similaires dans d'autres localisations géographiques. La performance du modèle de prévision sera évaluée à l'aide de métriques d'erreur telles que l'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne racine (RMSE). Cette étude utilise un ensemble de données complet provenant de Kaggle et utilise des techniques d'apprentissage automatique avancées pour générer des informations précieuses. Ces informations peuvent éclairer le développement de politiques et de pratiques énergétiques durables, conduisant finalement à une infrastructure d'énergie renouvelable plus efficace et fiable.