Des chercheurs ont développé une méthode de prévision de l’irradiance solaire basée sur la sélection de caractéristiques pour améliorer le fonctionnement des systèmes photovoltaïques autonomes. L’approche utilise un réseau hybride à mémoire longue courte terme bidirectionnelle pour prévoir l’irradiance solaire, puis applique les données prévues pour estimer l’angle d’inclinaison optimal des panneaux photovoltaïques, contribuant ainsi à augmenter la puissance de sortie.
La prévision de l’irradiance solaire est importante car la puissance de sortie photovoltaïque dépend directement de la quantité d’énergie solaire atteignant un panneau. Dans les systèmes PV autonomes, des prévisions précises peuvent aider les opérateurs à comprendre la disponibilité probable de l’énergie solaire et à prendre de meilleures décisions concernant la configuration et le fonctionnement du système. Lorsque la prévision est médiocre, les systèmes PV peuvent fonctionner moins efficacement, en particulier dans les environnements où le soutien du réseau est limité ou indisponible.
L’angle d’inclinaison d’un module PV est un autre facteur clé de la production d’énergie. Un panneau qui n’est pas orienté efficacement peut recevoir moins d’irradiance solaire qu’il ne le pourrait sous un meilleur angle, réduisant ainsi la puissance de sortie même lorsque la ressource solaire est disponible. Déterminer l’angle d’inclinaison optimal, ou OTA, peut donc être une étape importante pour améliorer les performances des systèmes PV.
La nouvelle étude relie ces deux tâches en utilisant les données prévues d’irradiance solaire pour déterminer l’angle d’inclinaison optimal. Selon l’article, les chercheurs utilisent d’abord un réseau hybride à mémoire longue courte terme bidirectionnelle, ou Bi-LSTM, pour prévoir l’irradiance solaire. Les modèles Bi-LSTM sont utiles pour la prévision de séries temporelles car ils peuvent apprendre des motifs séquentiels à la fois vers l’avant et vers l’arrière, aidant à capturer les relations dans les données météorologiques et d’irradiance.
Une étape de sélection de caractéristiques est utilisée pour identifier les paramètres d’entrée qui améliorent la précision de la prévision de l’irradiance solaire. Ceci est important car toutes les variables d’entrée disponibles ne contribuent pas également à la qualité de la prédiction. Sélectionner des caractéristiques plus informatives peut réduire la complexité inutile et aider le modèle de prévision à se concentrer sur les facteurs les plus pertinents pour le comportement de l’irradiance solaire.
Après avoir prévu l’irradiance solaire, l’étude estime l’angle d’inclinaison optimal du module PV en appliquant les données prévues au modèle d’irradiance solaire ASHRAE. ASHRAE fait référence à l’American Society of Heating, Refrigerating and Air-Conditioning Engineers. En combinant une prévision par apprentissage automatique avec un modèle physique d’irradiance, la méthode vise à relier la prédiction basée sur les données avec les décisions pratiques d’orientation des panneaux PV.
Les chercheurs ont comparé les performances du réseau hybride Bi-LSTM avec les données observées d’irradiance solaire et avec les modèles de prévision existants rapportés dans la littérature. Ils ont également évalué l’impact de l’angle d’inclinaison optimal en comparant l’irradiance solaire reçue sur des surfaces inclinées et horizontales. Cette comparaison permet de montrer si l’amélioration de la prévision et la sélection de l’angle d’inclinaison se traduisent par une meilleure capture physique de l’énergie, plutôt que par une simple amélioration numérique de la prédiction.
Le travail a été mis en œuvre expérimentalement en utilisant une installation de module PV au Thiagarajar College of Engineering à Madurai, Tamil Nadu, Inde. Selon l’article, l’angle d’inclinaison optimal obtenu par la méthode proposée a produit une puissance de sortie PV plus élevée que les autres approches d’angle d’inclinaison rapportées dans la littérature. L’étude indique également que la méthodologie proposée a atteint une puissance de sortie PV plus élevée à la fois en simulation et en expérimentation.
Une validation supplémentaire sera encore nécessaire dans différents climats, saisons, types de modules PV, contraintes de montage et architectures de systèmes autonomes. Néanmoins, l’étude offre une forte indication que la prévision d’irradiance avec sélection de caractéristiques peut soutenir un fonctionnement PV plus efficace lorsqu’elle est couplée à une estimation de l’angle d’inclinaison optimal. Pour les systèmes photovoltaïques autonomes, de telles méthodes pourraient aider à améliorer la puissance de sortie et rendre l’utilisation de l’énergie solaire plus fiable dans les applications hors réseau et d’énergie distribuée.
Article : Feature selection-based irradiance forecast for efficient operation of a stand-alone PV system – Journal : Green Energy and Intelligent Transportation – Méthode : Experimental study – DOI : Lien vers l’étude
Source : Beijing Institute of Technology
