Résumé de Présentation
Prédiction de la production de l'Énergie Solaire avec
RNN
Présenté par : Nada Banasr, Rahma Said, Noor Bouzayeni, Maram Rhayem, Zaineb
Znaidi
Université de Carthage — ISG Bizerte | Année universitaire 2025-2026
1. Architecture du RNN — Qu'est-ce qu'un RNN ?
Un Réseau de Neurones Récurrent (RNN) est un réseau de neurones profond spécialement
conçu pour traiter des données séquentielles ou des séries temporelles. Sa particularité
fondamentale est la connexion récurrente, qui lui permet de conserver une mémoire des
informations précédentes.
Les 3 composantes internes d'une cellule RNN (cellule Elman) :
• Poids d'entrée (W_xh) : transforment l'entrée courante x_t
• Poids récurrents (W_hh) : assurent la mémoire en reliant l'état caché précédent
• Biais (b_h) + optionnellement poids de sortie (W_hy) pour produire une prédiction
Fonctionnement en 3 étapes :
• Étape 1 — Combinaison linéaire : a_t = W * x_t + W_h * h_(t-1) + b_h (projection de
l'entrée + mémoire passée + biais)
• Étape 2 — Application de la non-linéarité : h_t = tanh(a_t) → le nouvel état caché
devient la nouvelle mémoire
• Étape 3 — Calcul de la sortie (si nécessaire) : y_t = activation(W_hy * h_t + b_y)
La fonction d'activation tanh :
La tangente hyperbolique borne les valeurs entre -1 et 1. Elle aide à stabiliser
l'apprentissage et évite que les valeurs ne deviennent trop grandes.
La connexion récurrente et l'état caché :
La connexion récurrente est ce qui distingue fondamentalement un RNN d'un réseau
classique. Sans elle, chaque entrée serait traitée indépendamment et l'information
temporelle serait perdue. L'état caché h_t est un vecteur qui résume toute l'histoire de la
séquence jusqu'au pas de temps actuel. Sa dimension détermine la capacité de mémoire du
réseau.
2. Quand utiliser un RNN ?
Les RNN ne sont pas toujours la meilleure solution. Leur utilisation se justifie principalement
lorsque les données présentent une structure séquentielle où l'ordre et la dépendance
temporelle sont importants.
3 caractéristiques fondamentales des problèmes adaptés aux
RNN :
• Séquentialité : l'ordre des éléments compte. Exemple : dans une phrase, changer
l'ordre des mots change le sens.
• Dépendances contextuelles : le passé influence le présent et le futur. Exemple : la
production solaire d'aujourd'hui dépend du soleil et de la météo d'hier.
• Longueurs variables : le RNN peut gérer des entrées de tailles différentes. Exemple :
phrases ou séries temporelles de longueurs variées.
Domaines d'excellence des RNN :
• Séries temporelles : prédire des valeurs futures (météo, finance, énergie). Ils
capturent les tendances, la saisonnalité et les dépendances temporelles.
• NLP (traitement du langage naturel) : traduction, analyse de sentiments, génération
de texte.
• Audio et musique : reconnaissance vocale, identification de locuteurs, génération
musicale.
Guide de décision (arbre de décision) :
• Données NON séquentielles → utiliser MLP, forêts aléatoires, etc.
• Données séquentielles AVEC ordre temporel important ET beaucoup de données →
RNN simple ou LSTM
• Séquences très longues (>100 pas) → Transformer
• Séquences courtes à moyennes → LSTM/GRU
• Relations temporelles simples → Modèles statistiques (ARIMA)
3. Avantages et Inconvénients des RNN
Avantages Inconvénients
Traitement de séquences de longueur variable Vanishing/exploding gradient : difficultés pour
(jours avec durées d'ensoleillement différentes) les dépendances longues
Mémoire contextuelle : l'état caché résume le Difficulté avec les très longues dépendances
passé pour éclairer chaque prédiction (même les LSTM peinent au-delà de centaines
de pas)
Partage des paramètres : moins de paramètres, Entraînement lent et séquentiel : impossible de
réduction du surapprentissage paralléliser sur la dimension temporelle
4. Applications réelles des RNN
• Google Traduction : les RNN permettent la traduction automatique mot par mot en
conservant le contexte
• Finance — Prédiction boursière : analyse des séquences historiques de prix pour
prévoir l'évolution des cours
• Maintenance prédictive industrielle : analyse des données de capteurs pour prédire
les pannes avant qu'elles ne surviennent
• Voitures autonomes : analyse des mouvements passés pour prédire les trajectoires
et améliorer la sécurité routière
5. Application — Prédiction de production de l'énergie
solaire
Objectif
Prédire la production d'énergie solaire (en kW) pour les prochaines heures à partir de
données historiques de production, de données météorologiques (température, irradiation)
et de l'heure/jour.
Pourquoi c'est important ?
L'énergie solaire est intermittente : elle varie selon l'heure (jour/nuit), la saison (été/hiver) et
les conditions météo (nuages). Les gestionnaires de réseau ont besoin d'anticiper la
production pour éviter les coupures.
Dataset choisi — Solar Power Generation Data (Kaggle) :
• Période : 1 an (2020-2021)
• Fréquence : toutes les 15 minutes
• Nombre d'échantillons : 35 040
• Nombre de features : 7
Les 7 features du dataset :
• datetime : Date et heure
• temperature : Température ambiante (°C)
• irradiation : Rayonnement solaire (W/m²)
• humidity : Humidité (%)
• wind_speed : Vitesse du vent (m/s)
• cloud_cover : Couverture nuageuse (%)
• power_production : Production (kW) — CIBLE à prédire
6. Implémentation Keras
Pourquoi Keras ?
• Haut niveau : plus rapide à prototyper (adapté pour projet étudiant)
• SimpleRNN déjà implémentée et optimisée
• Bonne documentation et grande communauté
• Intégration naturelle avec NumPy/Pandas
• Visualisation des courbes d'apprentissage simple
Alternative possible : PyTorch (plus flexible mais plus verbeux)
Analyse des courbes d'apprentissage :
• Les courbes de Loss (MSE) et MAE diminuent ensemble pour train et validation
• Stabilisation autour de 30-40 époques
• La loss de validation ne remonte pas à la fin → PAS DE SURAPPRENTISSAGE
• Le modèle généralise bien sur de nouvelles données
Analyse des prédictions (5 jours de test) :
• Le modèle suit bien la tendance générale
• Les cycles journaliers (pic de production en milieu de journée) sont bien capturés
• Les pics de production sont identifiés
• Léger retard sur les changements brusques (nuages soudains)
• Difficulté sur les valeurs extrêmes
7. Résultats détaillés
Métrique Valeur Interprétation
R² 0.93 Excellent — Le modèle explique 93% de la
variance des données
MAE 1.19 kW Très bon — Erreur moyenne de seulement 1.19
kW
RMSE 2.17 kW Acceptable — Quelques erreurs plus
importantes sur les variations brusques
8. Conclusion, Limites et Améliorations
Ce qui a bien fonctionné :
• Capture des cycles journaliers grâce aux features cycliques (heure encodée)
• Pas de surapprentissage majeur
• Les prédictions suivent la tendance générale avec précision
Limites :
• Difficulté à prédire les pics extrêmes (changements brusques)
• Fenêtre temporelle de 6h insuffisante pour les cycles longs
• Modèle Simple RNN : moins puissant que LSTM ou GRU pour les longues
dépendances
Améliorations possibles :
• Utiliser un dataset plus long (plusieurs années)
• Ajouter des features supplémentaires (pression atmosphérique, vent, jours fériés)
• Optimiser les hyperparamètres via Grid Search ou Bayesian Optimization
• Tester un modèle LSTM ou GRU pour mieux gérer les dépendances longues