Etudiant : TABIT IMANE

Filière : Master Matériaux Avancés et Applications (M2A)

Encadrant : Pr. AQACHMAR ZINEB

Annèe : 2026

Résumé : Ce travail s'inscrit dans le domaine de l'intelligence artificielle appliquée aux énergies renouvelables. L'objectif principal est de développer et de comparer deux modèles d'apprentissage automatique pour la prédiction de la production d'énergie solaire photovoltaïque : la Régression Linéaire et la Forêt Aléatoire (Random Forest). Les expérimentations ont été réalisées en Python sous l'environnement Jupyter Notebook, en utilisant les bibliothèques Pandas, NumPy, Matplotlib et Scikit-learn. Le jeu de données, téléchargé depuis la plateforme Kaggle, comprend 4 213 observations et 21 variables météorologiques. Trois variables explicatives ont été sélectionnées : la température à 2 mètres au-dessus du sol, l'humidité relative et l'angle d'incidence solaire. La variable cible est la puissance générée (kW). Les données ont été divisées en 80% pour l'entraînement et 20% pour le test. Les résultats montrent que le modèle Random Forest surpasse la Régression Linéaire avec un coefficient de détermination R² = 0,645 contre 0,466, une erreur absolue moyenne MAE de 398,95 kW contre 604,56 kW, et un RMSE de 569,49 kW contre 698,14 kW. L'analyse de l'importance des variables révèle que l'angle d'incidence est le facteur le plus déterminant (~65%), suivi de l'humidité relative et de la température. Ces résultats confirment la supériorité du Random Forest pour modéliser les relations non linéaires entre les variables météorologiques et la production photovoltaïque. Des perspectives d'amélioration incluent l'intégration de variables supplémentaires et le recours aux architectures de Deep Learning de type LSTM.