Techniques de prédiction d’énergie par apprentissage automatique pour une gestion optimisée de l’énergie dans un micro-réseau
| dc.contributor.author | Ammour Hassina | |
| dc.date.accessioned | 2025-04-15T12:21:22Z | |
| dc.date.available | 2025-04-15T12:21:22Z | |
| dc.date.issued | 2024-07-02 | |
| dc.description | 78 p. : ill. ; 30 cm. (CD-Rom) | |
| dc.description.abstract | La gestion efficace de l'énergie en temps réel est cruciale pour la transition vers un système énergétique durable et résilient. Cette étude se concentre sur la prévision précise de la production d'énergie renouvelable, notamment solaire, ainsi que sur la prévision de la consommation énergétique. Ces prévisions sont essentielles pour optimiser l'utilisation des ressources disponibles, assurer l'équilibre entre l'offre et la demande, et garantir la stabilité des réseaux électriques. L'énergie solaire, caractérisée par sa variabilité due aux conditions météorologiques, à la saisonnalité et à la localisation géographique, nécessite des modèles de prévision fiables pour maximiser son intégration et sa gestion efficace dans le réseau. Anticiper la consommation énergétique est également vital pour éviter les pics de demande et les déséquilibres dans la distribution de l'électricité. Les techniques d'apprentissage automatique, comme les modèles de forêt aléatoire, d'arbre de décision et XG Boost, offrent des outils puissants pour la modélisation et la prédiction de la production d'énergie solaire et de la consommation énergétique. Ces modèles sont capables de traiter des ensembles de données complexes, d'identifier les relations non linéaires et de fournir des prévisions précises. Leur efficacité et robustesse ont été prouvées dans divers contextes opérationnels. | |
| dc.identifier.citation | Energie renouvelable | |
| dc.identifier.other | MAST.ETH.61-23 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/27262 | |
| dc.language.iso | fr | |
| dc.publisher | FGEI.UMMTO | |
| dc.subject | Energie renouvelable | |
| dc.subject | Apprentissage automatique | |
| dc.subject | Prédiction d’énergie | |
| dc.subject | Micro réseau | |
| dc.subject | Modèle de régression | |
| dc.subject | Intelligence artificielle. | |
| dc.title | Techniques de prédiction d’énergie par apprentissage automatique pour une gestion optimisée de l’énergie dans un micro-réseau | |
| dc.type | Thesis |