HAL Id: jpa-00245557
https://hal.archives-ouvertes.fr/jpa-00245557
Submitted on 1 Jan 1987
HAL
is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire
HAL, estdestinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Ajustement des données d’insolation d’Alger par un modèle Markovien du premier ordre
A. Maafi, A. Adane, A. Ouabdesselam
To cite this version:
A. Maafi, A. Adane, A. Ouabdesselam. Ajustement des données d’insolation d’Alger par un modèle
Markovien du premier ordre. Revue de Physique Appliquée, Société française de physique / EDP,
1987, 22 (6), pp.425-430. �10.1051/rphysap:01987002206042500�. �jpa-00245557�
Ajustement des données d’insolation d’Alger par
unmodèle Markovien
du premier ordre
A. Maafi
(*),
A. Adane(**)
et A. Ouabdesselam(*)
Ecole Nationale
Polytechnique,
Département d’Electronique, Avenue Pasteur, El Harrach(Alger),
Algérie(Reçu
le 2 juin 1986, révisé le 2février
1987, accepté le 3 mars1987)
Résumé. - Les données
journalières
d’insolationenregistrées
àAlger
de 1972 à 1982, ont faitl’objet
d’uneanalyse statistique.
Parcomparaison
des fractions d’insolationSS/SSo
à une suite de valeurs de seuilSg,
on trouve que le rayonnement solaired’Alger
peut être décrit par un processus de Markov dupremier
ordre à deux états. Le meilleur
ajustement
de ce modèle est obtenu pour un seuilglobal Sgo égal
à 0,43.Abstract. - The
daily
insolation data recorded atAlgiers
from 1972 to 1982, have beenstatistically analysed.
In
comparing
the insolation ratiosSS/SSo,
to a sequence of threshold valuesSg,
it is found that the solar radiation ofAlgiers
can be well describedby
a first-order two state Markovian process. The best fit of this model is obtained when theglobal
thresholdSgo
isequal
to 0.43.Classification
Physics
Abstracts02.50 - 86.30J - 92.60
1. Introduction.
La conversion de
l’énergie
solaire sous une formeadaptée
à nos besoins enénergie
pose leproblème
de la modélisation du
rayonnement
solaire.En
effet, l’optimisation
des dimensions dessystè-
mes solaires nécessite une évaluation correcte des
paramètres
utiles du fluxd’énergie
solaire. Une bonneapproche
de calcul de la taille d’ungénérateur
solaire et de ses organes de
stockage
consiste àélaborer un modèle
probabiliste qui
tiennecompte
de deux états du climat : le beau temps et le mauvaistemps.
Un certain nombre d’études[1, 2],
baséespour la
plupart
sur des modèlesstochastiques
ou surles travaux de modélisation des séries
temporelles
deBox et Jenkins
[3],
ont étédéveloppées
dans ce sens.Mais,
elles ont été surtoutappliquées
soit à laprédiction météorologique [1],
soit à la conversionthermodynamique
del’énergie
solaire[2].
Dans le cas de la conversion
photovoltaïque,
laplupart
des utilisateurs se basent sur des modèlessimplifiés
de l’irradiation solaire pour déterminer le nombre de panneaux solaires et lacapacité
des(*)
Ecole NationalePolytechnique.
(**)
Institutd’Electronique,
U.S.T.H.B.organes de
stockage [4].
Mais avec de telsmodèles,
lesproblèmes
destockage d’énergie
demeurent malrésolus. En
particulier,
lesapproximations
mises enjeu
dans ces modèles fontqu’on
ne sait pas encore bien minimiser lerapport coût/performance.
Onpeut alors se demander si un modèle d’irradiation
solaire,
élaboré àpartir
de processusstochastiques,
peut être
appliqué
à la conversionphotovoltaïque
etconduire à de meilleurs résultats.
Les
premières
études du caractèrestochastique
durayonnement solaire sont dues à B. J. Brinkworth
[5].
Il a trouvé que lescaractéristiques séquentielles
des données
journalières
d’irradiationglobale,
mesu-rées en
Grande-Bretagne,
peuvent être correctementreprésentées
à l’aide d’un modèleautorégressif
dupremier
ordre. Le mêmetype
de résultat a été obtenu par U. Amato et al. en Italie[6].
L’étude dessystèmes thermodynamiques
faite par R. Lestienne[7]
a montré que les données d’insolation du Sud de la Francepouvaient
êtreégalement
décrites à l’aided’un modèle en chaîne de Markov du
premier
ordre.Dans cet
article,
nousprésentons
le modèle enchaîne de Markov du
premier
ordre à deux états quenous avons mis au
point
àpartir
des données d’ensoleillementd’Alger.
Ces données ont été mesu-rées au
voisinage
del’Aéroport d’Alger
sur unepériode
allant de 1972 à 1982.Article published online by EDP Sciences and available at http://dx.doi.org/10.1051/rphysap:01987002206042500
426
2. Modélisation du
rayonnement
solaire par un pro-cessus de Markov.
2.1 FORMULATION GÉNÉRALE. -
Soient 01
l’étatde beau temps et
4>0
l’état de mauvais temps. Lafigure
1 montre que les transitionspossibles
entreces deux états sont au nombre de
quatre. Appelons Xj
la variable aléatoirequi prend
l’une des valeurs 1ou 0 selon
qu’au j-ième jour
letemps
soit beau ou mauvais. Dans le cas d’une chaîne de Markov dupremier
ordre[8],
la matrice de transition est par définition :avec :
Fig. 1. - Transitions
possibles
entre les deux états~1 et
çb 0.
2.2 LA MÉTHODE D’AJUSTEMENT. - Les données que nous avons
utilisées,
ont étéenregistrées
à laStation
Météorologique
de Dar El Beida(Alger) pendant
lapériode
1972/82. Ellescomprennent
essentiellement des mesuresjournalières
d’insolation et d’irradiationglobale,
effectuéesrespectivement
àl’aide d’un
héliographe
deCampbell
et d’un solari- mètre horizontal. Celles-ci ont faitl’objet
d’untraitement sur ordinateur et d’une
analyse statistique approfondie,
effectuée mois par mois cumulés sur onze ans.Au
préalable,
chacune des durées d’ensoleillement SS a été divisée par la duréeastronomique SSo
=2
Arccos (-
tan L . tanD ) (où
L est la latitude du15
( )(
lieu et
D,
ladéclinaison).
Cetteopération permet
desoustraire les données d’insolation à l’influence des variations saisonnières. Les fractions d’insolation ainsi obtenues sont ensuite
comparées
à une valeurde référence
Sg, comprise
entre 0 et1, appelée
seuilde
fraction
d’insolation. Celui-ci divise la totalité des donnéesSS/SSo
en deux sous-ensembles. L’unce
regroupe les valeurs
SS SSo S
et l’autre se compose de toutes les donnéesSS S..
Lesystème
météoro-logique
associé à ces fractionsd’insolation, comporte
donc deux états :0 1
eteo. L’état 0 1 correspond
àSS SSo Sg. Par contre, le système
se trouve à l’état
o
0 SI
Sso S9,
Quand on se fixe le seuil dans un mois donné cumulé sur la
période 1972/82,
on trouve que les fractions d’insolationSS SSo 5g peuvent
être classéesen suites
ininterrompues d’états 01.
Ces dernièresqui
necomportent
que destransitions 03A61 ~ 03A61,
sontpar définition des
séquences « 03A61
». Demême,
les valeursSS SSo Sg
ce induisent des chaînesd’états 03A60, appelées séquences
«03A60
». Celles-ci ne comprennent que desétapes 03A60 ~ 03A60. L’analyse
de ces donnéespermet
de dénombrer lesséquences
de climat de même durée et de dresser leshistogrammes N1(k)
etN0(k) qui
donnent lafréquence
desséquences respectives « 03A61 »
et« 03A60 »
en fonction de leurdurée
k, exprimée
en nombre dejours.
D’après
le modèle Markovien dupremier ordre,
la
probabilité
pourqu’une séquence
de beautemps
commençant par l’état~1
ait unelongueur
dek
jours,
est :avec
A1 = p10 exp(- Lnpll)
et al = -LnPII .
De
même,
laprobabilité
pourqu’une séquence
demauvais temps débutant par l’état
r#o
dure kjours,
s’écrit :
avec
Ao
= polexp (- Ln poo )
et ao = -Ln poo . L’analyse
des donnéesSS/SSo en
fonction du seuilmontre que ce dernier
présente
une valeurparticu-
lière
Sgo(03A61) correspondant
à une distribution Markovienne despoints {03BA,N1(k)}.
Dans ce cas,ces
points
serépartissent
selon une loiexponentielle,
définie à une constante
près
parl’expression (2),
etl’état
03A6
1 devient un état de beautemps çb 1.
Demême,
il existe une valeurremarquable Sgo(03A60) du
seuil
qui permet d’ajuster
le nuage depoints {k, N0(k)}
à la loi deprobabilité (3).
Parsuite,
l’état
00 correspondant
est un état de mauvaistemps 0 0.
On voit donc que le seuilSg
est unparamètre
essentiel car il permet
d’ajuster
le modèle Markovienaux données d’insolation.
2.3 TEST DE L’AJUSTEMENT. -
L’ajustement
estbeaucoup plus
aisé à réaliserquand
les ordonnées sont à échelleslogarithmiques.
Aux donnéesexpéri-
mentales
N1 (k )
etN 0 (k ),
ilcorrespond
alors desquantités
dutype y (k )
=Ln N (k ) (en
faisant abs- traction des indices 1 et0).
D’autrepart,
en prenant lelogarithme
desprobabilités (2)
et(3),
on a desdroites de la forme :
Les
paramètres
a,,Al,
ao etAo
peuvent être estimés par la méthode des moindrescarrés,
en minimisant la somme :où Uk est
l’écart-type
de la série desséquences
N
(k).
Le calcul montre que
l’expression (5)
suit une loide x 2,
du type~2n-l-1 (où n
est le nombre d’observa- tions et 1 est le nombre dedegrés
deliaison) [9].
Onen déduit que les
paramètres d’ajustement
peuvent êtreexprimés
en fonction de la moyennemensuelle,
cumulée sur onze ans, des
grandeurs k, k2, Ln
N(k)
et k. Ln N
(k).
D’où :Soient
Xi 2 le
test del’ajustement
desséquences
debeau
temps
etX6,
celui desséquences
de mauvaistemps. Quand on minimise ces
quantités,
on obtientrespectivement
les seuilsSgo(~21)
etS&, (~20).
L’esti-mation de la taille de
systèmes
solairesrequiert
unevaleur
unique
du seuil.Aussi,
vaut-il mieux effectuerun test de
X 2 global.
Comme les événements(2)
et(3)
sontindépendants,
il estpossible
d’additionner les valeurs~21
etX6.
Le test del’ajustement
est alorsréalisé avec la somme
~2 = ~21 + ~20.
La somme(5)
est minimum pour une valeur
particulière S,
duseuil : celle
qui
donne la meilleureadaptation possi-
ble du modèle Markovien aux données d’ensoleille- ment.
3. Traitement des données
expérimentales.
Les données d’insolation
d’Alger
ont été traitées par ordinateur afin de déterminer les valeurs mensuelles du seuiloptimum Sgo,
des différentesprobabilités
detransition et du coefficient de corrélation entre deux états consécutifs du climat.
3.1 LE SEUIL GLOBAL ANNUEL. - Un pas de calcul de
0,1
suffit pourexplorer
les différentes valeurs de seuil(un
pasplus
faible rendrait le traitement des donnéesbeaucoup plus complexe
et legain
d’infor-mation serait
minime).
L’étude du seuil a donc étéeffectuée pour neuf valeurs de
Sg
allant de0,1
à0,9.
Les valeurs mensuelles
de Sgo qui
enrésultent,
correspondent
aux différentspoints
de la courbe dela
figure
2. On constate que celle-ci oscille autour de la moyenne annuelle du seuilglobal qui
vautf, = 0,43.
Comme les conditionsd’application
duthéorème central-limite sont
pratiquement
satisfai-tes, on a pour intervalle de confiance du seuil
global
de la
population-mère : {0,34 ; 0,51} (le risque
dese
tromper
étant de0,05).
Fig.
2. - Variation des moyennes mensuelles du seuil de fraction d’insolationSg
au cours de l’année.3.2 LES PROBABILITÉS DE TRANSITION. - Les élé- ments de matrice
pij peuvent
être évalués par recherche du maximum de vraisemblance. Considé-rons pour cela une
séquence quelconque
de climatqui
se composede p transitions ~1 ~ ~1, q
transi-tions ~1 ~ ~0,
rtransitions ~0 --+ 0
1 et s transitions~0 ~ ~0.
Laprobabilité
de passage de l’état initial de laséquence
vers son état final vautSi on tient
compte
des relations(le)
et(If)
dans428
cette
probabilité
et si on faitaH = aH
=0,
il~p11 ~p00
viendra :
p11, pio, Pol et Poo
sont les valeursrespectives
del’estimation des
paramètres
p11, plo,Poi et
poo. Les incertitudes commises sur ces estimations sont don- nées par des écartsquadratiques
de la forme :avec :
Les
probabilités
PlI etp00 (et
parsuite, Ulo
etpol)
sont estimées àpartir
desparamètres
p, q, r et squi
ont été extraits des données d’insolationd’Alger
mensuellement avecSgo ~ 0,43.
D’où lesdiagrammes
de lafigure
3. Ceux-cireprésentent
lesvariations au cours de l’année des moyennes
pondé-
rées
p11
etpoo.
Sur cesdiagrammes, chaque
valeurmensuelle de
pll ou
depoo a
été liée à un segment vertical dont lalongueur
estproportionnelle
àl’erreur d’estimation.
Fig.
3. - Evolution annuelle des moyennespondérées (par
l’erreurd’estimation)
desprobabilités
de transition pi, et Poo.3.3 LE COEFFICIENT DE CORRÉLATION. - Considé-
rons deux
journées j et j
+ nséparées
par un intervalle de njours
et soientXj
etXj + n,
lesvariables aléatoires associées aux deux
journées.
Leprocessus étant
stationnaire,
le calcul(développé
dans.
l’appendice A)
montre que le coefficient de corrélation linéaire est :Le
diagramme
de lafigure
4indique
commentévolue au cours de l’année le coefficient de corréla- tion
Cl
de deuxjournées
consécutives du climat de la zoned’Alger.
Fig.
4. - Variation au cours de l’année du coefficient de corrélationC1.
4.
Analyse
des résultats.D’après
lafigure 2,
le seuil passe par un maximumvers les mois de
janvier
et defévrier, puis
vers lesmois de
juillet
etd’août,
où il est voisin de0,5.
Il devient minimum et vautpratiquement 0,35
au cours despériodes
d’avril-mai etd’octobre-novembre.
Deux arguments
peuvent
êtreinvoqués
pourexpli-
quer l’allure de la courbe de la
figure
2 :- Les valeurs de
Sgo
ont été obtenues en disso-ciant les données
SS/SSo de façon
àoptimiser l’approximation
Markovienne dupremier
ordre àdeux états.
- Le nombre et le
type
deséquences « CPo»
et« ~1 » qui
endécoulent,
diffèrent d’un mois à l’autre.Les
probabilités
de transition décrites par lafigure 3,
varient aussi notablement avec les saisons et sontcaractéristiques
d’un climat méditerranéen.Ainsi la moyenne
pondérée
de laprobabilité
de beautemps qui
est minimum en décembre et vaut0,63,
devient maximum en
juillet-août
où elle estégale
à0,93.
D’autre part, les extrema de la moyennepondérée
de laprobabilité
de mauvaistemps
sont(p00)min
=0,13
au mois d’août et(p00)max
=0,54
enfévrier. Les variations de ul
et
dep00
ne font donc que traduire une améliorationgénérale
du climatlors de son évolution de l’hiver à
l’été, puis
de sadégradation
vers l’hiver suivant.La moyenne annuelle du coefficient de corrélation est
égale
à0,18 (voir Fig. 4).
Ce résultat est voisin des valeurs deC 1 publiées
dans la littérature[5, 7, 10]. Cependant,
on constate sur lafigure
4 que,malgré
la valeur élevée des erreursd’estimation,
ceparamètre
varie en fonction des saisons.Afin
d’apprécier
la validité dumodèle,
une compa- raison a été effectuée entre lesprobabilités
de beautemps (ou
de mauvaistemps,
selon lecas)
déduitesdirectement des données d’insolation et celles déter- minées à l’aide du modèle
Markovien,
enrégime
permanent
(voir Fig. 5). Ainsi,
lesprobabilités a priori
P(~1)
d’avoir unjour
de beautemps
et cellesP(~0)
d’avoir unjour
de mauvaistemps
ont étécalculées pour
chaque
mois de l’année. Sur lesdiagrammes
de lafigure 5,
ellescorrespondent
auxdifférents
points repérés
par des croix. On en déduitqu’en
moyenne au cours d’uneannée,
nous avons 263jours
de beautemps
et 102jours
de mauvaistemps :
cequi
reflète assez bien le type de climat de larégion d’Alger.
Parailleurs,
si on considère lerégime
permanent, laprobabilité
d’aboutir à un état de beautemps
estP (Xj = 1) = p01/(p01 + p10).
Demême,
laprobabilité
d’avoir du mauvais temps estP(Xj = 0) = p10/(p01 + P10).
Cesexpressions
ontété obtenues par résolution de
l’équation :
Fig.
5. -Comparaison
desprobabilités
de beau tempsP(~1)
et de mauvais tempsP(oo),
déduites du modèle Markovien auxprobabilités
a prioricorrespondantes
P
(~1)
et P(~0),
résultant de l’observation.(Les
cercles 0 repèrent les valeurs mensuelles deP(~1) et P(~0).
Lescroix + correspondent aux
probabilités P(~1) et P(~0).)
Après
estimation par maximum de vraisemblance desparamètres pij,
on obtient les valeurs mensuelles desprobabilités P(~1)
=P(Xj = 1)
etP(~0)
=P(Xj = 0 ), repérées
par despetits
cercles sur lafigure
5.La distribution des valeurs mensuelles de
P(~1)
et de
P(~1)
d’une part et celle deP(~0) et de
P
(~0)
d’autrepart
montrentqu’il
y a un bon accord entre les résultats du modèle et de l’observation.5. Conclusion.
La méthode
qui
vient d’êtredécrite,
permet de déterminer le seuil de fraction d’insolation alors quejusqu’à maintenant,
celui-ci semble avoir été choisiempiriquement
dans les différentes études de modé- lisation du rayonnement solaire[2, 7].
L’ajustement
des données d’insolationd’Alger
par un modèle Markovien du
premier
ordre à deuxétats confirme bien le caractère
stochastique
durayonnement solaire. Pour une meilleure
prédiction
de l’évolution de l’ensoleillement
pendant l’année,
ilserait intéressant d’étendre cette étude à différentes
régions
et de dresser des cartes mensuelles desparamètres
du modèle.Nos
résultats,
laissent entrevoir lapossibilité d’appliquer
ce modèle àl’optimisation
de la taille desystèmes
solaires.Mais,
si on doit faire intervenir le fluxglobal
d’irradiation solaire - comme c’est le caspour le dimensionnement de convertisseurs
photo- voltaïques
à orientation fixe - il faudraitadapter
lemodèle en
conséquence.
Remerciements.
Nous remercions bien vivement le Dr R. Lestienne pour ses
précieux
conseils et l’Office National de laMétéorologie
pour avoir misgracieusement
à notredisposition
les données d’ensoleillementd’Alger.
Appendice
A.Cet
appendice
est unexposé
de la méthode d’évalua- tion de la corrélationqui
existe entre letype
de temps observé pour deuxjournées séparées
par un intervalle de njours.
Le coefficient de corrélation linéaire est par définition :
Le processus Markovien considéré étant station-
naire,
on a :E[Xj+n]
=E [Xj ]
et03C3 Xj+n
=03C3 Xj.
Dansce cas, le coefficient de corrélation devient :
430
avec :
La loi de
probabilité
de la variable aléatoireXi
est l’ensemble des deuxcouples {0,
P(Xj = 0)}
et {1,
P(Xj = 1)}.
Parsuite,
on aura :D’autre part, on a par définition :
Cette
expression
se réduit à :p1i)
étant déduit del’équation pn-1.p = p n,
onobtient la relation de réccurence :
avec :
Par
suite,
onpeut
écrire que :Il
vient, après
calcul :Par
ailleurs,
si on tientcompte
du fait queE[Xl]
=E[Xj], l’expression (A.3)
devient :En combinant les relations
(A.2), (A.4), (A.11)
et(A.12),
on trouve :Bibliographie
[1]
BOCH, G., BOILEAU, E. et BENARD, C., RevuePhys.
Appl.
16(1981)
237.ASTIER, R., DUHAMEL, C. et BENARD, C., Revue
Phys. Appl.
18(1983)
29.BENARD, C., BOILEAU, E. et GUERRIER, B., Revue
Phys. Appl.
20(1985)
845.BISHNOI, C. P. and SAXENA, K. K., Dev. Atm. Sci.
13
(1980)
197.MADSEN, H., SPLIID, H. and THYREGOD, P., J.
Clim.
Appl.
Meteo. 24(1985)
629.[2]
MEJON, M. J., BOIS, Ph. et LESTIENNE, R., RevuePhys. Appl.
15(1980)
113.[3]
Box, G. E. P. and JENKINS, G. M., Time SeriesAnalysis, Forecasting
and Control(ed.
HoldenDay,
SanFrancisco)
1976.[4]
DESVIGNES, F., Acta Electron. 5(1961)
315.BURESH, M., Photovoltaic
Energy Systems, Design
and Installation
(ed.
MacGraw Hill, NewYork)
1983.
BARRA, L., CATALANOTTI, S., FONTANA, F. and LAVORANTE, F., Solar
Energy
33(1984)
509.[5]
BRINKWORTH, B. J., SolarEnergy
19(1977)
343.[6]
AMATO, U., ANDRETTA, A., BARTOLI, B., COLUZZI, B., CUOMO, V. and SERIO C., Il Nuovo Cimento, 8C(1985)
248.[7]
LESTIENNE, R., LaMétéorologie
12(1978)
53.LESTIENNE, R., Revue
Phys. Appl.
14(1979)
139.[8]
CARTON, D., Processus aléatoires utilisés en rechercheopérationnelle (éd.
Masson,Paris)
1975.[9]
SAPORTA, G., Théories et méthodes de la statistique(éd. Technip, Paris)
1978.[10]
BARTOLI, B., COLUZZI, B., CUOMO, V., FRAN-CESCA, M. and SERIO, C., Il Nuovo Cimento 4C