Intelligent Forecasting and Control Strategies for Multi-Source Renewable Energy Systems

Abstract

The integration of multi-source renewable energy systems into smart grids remains chal- lenging due to the intermittent nature of renewable sources, load variability, and the need for efficient control and stability. This thesis proposes an intelligent framework integrating forecasting, control, and energy management to enhance the performance and reliability of hybrid renewable systems. The first contribution focuses on solar irradiation forecasting, which provides the foun- dation for intelligent decision-making in hybrid systems. Deep learning and machine learn- ing techniques CNN, LSTM, CNN–LSTM, and SVM are employed to predict short-term solar irradiance with high accuracy, allowing better planning and real-time adaptation of control strategies. The second contribution addresses maximum power point tracking (MPPT), where three intelligent controllers ANFIS with subtractive clustering, a GWO based controller, and an IT2FL controller are developed to maximize PV energy extraction under rapidly changing conditions. The third contribution concerns battery State of Charge (SOC) estimation, achieved through a Cascade Forward Neural Network (CFNN) model capable of handling nonlin- earities and temporal variations. The proposed SOC estimator improves accuracy and ensures optimal energy utilization and battery health. Finally, an Energy Management System (EMS) based on hybrid metaheuristic algo- rithms GWOPSO and ALO is designed to maintain DC bus voltage stability and manage power flow between PV, wind, and storage units. Simulation results demonstrate that the proposed AI-driven framework outperforms conventional approaches in terms of forecasting accuracy, MPPT efficiency, SOC reliabil- ity, and EMS stability, contributing to the realization of intelligent and sustainable smart grids.

L’intégration des systèmes hybrides à sources d’énergie renouvelable dans les réseaux in- telligents demeure un défi en raison du caractère intermittent des ressources renouvelables, de la variabilité de la charge et de la nécessité d’un contrôle efficace et stable. Cette thèse propose un cadre intelligent intégrant la prévision, le contrôle et la gestion énergétique afin d’améliorer les performances et la fiabilité des systèmes hybrides. La première contribution concerne la prévision de l’irradiation solaire, qui constitue la base de la prise de décision intelligente dans les systèmes hybrides. Des techniques d’ap- prentissage profond et d’apprentissage automatique CNN, LSTM, CNN LSTM et SVM sont utilisées pour prédire l’irradiation solaire à court terme avec une grande précision, permettant une meilleure planification et une adaptation en temps réel des stratégies de contrôle. La deuxième contribution traite du suivi du point de puissance maximale (MPPT), où trois contrôleurs intelligents ANFIS avec partitionnement soustractif, un contrôleur basé sur le GWO, et un contrôleur IT2FL sont développés afin de maximiser l’extraction de puissance photovoltaïque sous des conditions rapidement variables. La troisième contribution est liée à l’estimation de l’état de charge (SOC) des batteries, réalisée à l’aide d’un modèle Cascade Forward Neural Network (CFNN) capable de gérer les non-linéarités et les variations temporelles. L’estimateur proposé améliore la précision et garantit une utilisation énergétique optimale et une meilleure durée de vie des batteries. Enfin, un système de gestion de l’énergie (EMS) fondé sur des algorithmes méta- heuristiques hybrides GWOPSO et ALO est conçu pour maintenir la stabilité de la tension du bus CC et gérer les flux d’énergie entre les unités PV, éoliennes et de stockage. Les résultats de simulation montrent que le cadre intelligent proposé dépasse les ap- proches conventionnelles en termes de précision de prévision, d’efficacité MPPT, de fiabi- lité SOC et de stabilité EMS, contribuant ainsi au développement de réseaux intelligents durables et autonomes.