The increase in the consumption of energy year after year emphasizes the importance of power production by photovoltaic (PV) systems. Despite an increase in the use of PV systems, accurate solar power [kWh] daily harvest predicting data are not readily available. Accurate predicted solar power data is necessary because the data is helpful to designers who need to optimally size a PV panel before installation. Moreover, accurately predicted max dc power can indicate whether the PV panel is operating efficiently and economically or not. This thesis develops an approach to predict max solar power based on a Linear Regression model. The approach, which ia a simple regression was implemented using measured data on a response variable, a max solar power (Pmax), and predictor variables such as Global Horizontal (GH), Plane of Array (PA), Short Circuit Current (Isc), Open Circuit Voltage (Voc), and Panel Temperature (Temp). The statistical results of the linear regression model produced reasonable values which agreed with those of the measured data from the solar panel. / text

L'intégration de la production des énergies renouvelables intermittentes dans le mix énergétique est aujourd'hui limitée à un seuil de 30 % de la puissance totale produite. Cette mesure vise à assurer la sécurité de l'alimentation électrique des réseaux insulaires en France. La levée de ce verrou technique ne pourra se faire qu'en apportant des solutions au caractère intermittent des sources d'énergies éolienne et photovoltaïque. Les difficultés énergétiques auxquelles sont confrontés aujourd'hui les milieux insulaires préfigurent celles que rencontreront la planète à plus ou moins long terme. Ces territoires sont des laboratoires uniques pour éprouver les nouvelles technologies de stockage, de gestion et de prévision de l'énergie. La contribution de ce travail de thèse se focalise sur la prévision du rayonnement solaire global à différents horizons de temps car la puissance photovoltaïque produite découle directement de l'intensité du rayonnement solaire global. Dans un premier temps, l'étude bibliographique a permis de classer les modèles de prévision numériques et les modèles de prévision statistiques en fonction de la résolution spatiale et temporelle. Par ailleurs, elle montre que les meilleurs performances sont obtenues avec les modèles hybrides. Dans un deuxième temps, un modèle de prévisions à court terme (J+1) est proposé avec le modèle Weather Research and Forecasting (WRF) et un réseau de neurone bayésien. L'hybridation de ces deux méthodes améliore les performances de prévisions à J+1. Dans un troisième temps, un modèle de prévision à très court terme (t+h) est proposé avec le modèle hybride de Kalman. Cette méthode produit d'une part une prévision énergétique et d'autre part une prévision multi-horizon. La comparaison de la performance de ces modèles avec la méthode de référence dite de persistance montre une amélioration de la qualité de la prévision. Enfin, la combinaison du filtre de Kalman avec le modèle numérique WRF permet une mise en œuvre opérationnelle de la prévision. / The integration of intermittent renewable energy in the energy mix is currently limited to a threshold of 30% of the total power being produced. This restriction aims at ensuring the safety of the power input. The elimination of this technical obstacle will be possible with solutions to energy intermittence of wind and solar energy. The energy issues which islands are facing today prefigure global problems in a more or less long term. These territories constitute unique laboratories for testing new technologies of storage, management and forecasting of energy. The contribution of this thesis focuses on the forecasting of global horizontal irradiance at different time horizons. Indeed, the generated PV power stems directly from the intensity of the global horizontal irradiance. First, the review of solar irradiance forecasting methods allows to classify numerical weather models and statistical forecasting methods depending on spatial and temporal resolution. Moreover, it shows that best performance is obtained with hybrid models. Second, a short-term forecast model (day ahead forecast) is developed with the Weather Research and Forecasting model (WRF) and a Bayesian neural network. The hybridization of these methods improves the day ahead forecast performance. Third, a model for forecasting the very short term is developped with the Kalman hybrid model. This method offers on the one hand an energy forecasting and on the other hand a multi-horizon forecast. Comparing the performance of the aforesaid with the reference method, namely the persistence method, shows an improvement of the quality of the forecasts. Combining the Kalman filter with the WRF numerical model allows an operational implementation of the forecast.

This thesis uses the results of analysis of data recorded at a solar monitoring station in West Texas and the knowledge from an existing solar radiation estimation model to develop a methodology to predict the energy output from a panel at a site using only partial radiation data - global horizontal radiation measurements. The prediction using partial data is validated against estimates acquired using the complete radiation data and constraints are defined for accurate prediction. The methodology presented in this thesis can be used to accurately predict the solar power/energy incident on a collector at any location possessing global horizontal radiation measurements. / text