Mémoires MASTER (EEA)

Permanent URI for this collection

http://172.16.16.5:4000/handle/123456789/206

Browse

Browsing Mémoires MASTER (EEA) by Author "BENNEDJAI Soumaya (Encadrant)"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Impact de la variation de la charge sur le moteur asynchrone Dans le cas de désalignement
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA, 2024) ROUAINIA Teber; TIGANI Abdallah; BENNEDJAI Soumaya (Encadrant); REKIK Badri (Encadrant)
    Dans ce travail, nous abordons l’effet de variation de la charge sur le moteur asynchrone en cas d’erreur d’alignement. Le premier chapitre a porté sur l’introduction de l’entreprise de stage et a présenté les développements et les défis les plus importants rencontrés par le groupe Sonelgaz dans le domaine de l’énergie mondiale. Dans les chapitres II et III, nous avons étudié l’art du diagnostic et les concepts de prévention et de maintenance dans les machines électriques. Dans l’étude expérimentale, nous avons traité l’impact de la variation de la charge sur le moteur asynchrone dans le cas de défaut de par l’analyse des signaux traités de la manière basée sur l’étude des vecteurs de Park.
  • Thumbnail Image
    Item
    Prévision de la production d'énergie solaire à court terme à l'aide des réseaux LSTM et des données météorologiques
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA, 2025) MALAOUI Nour El Houda; GHENNAM Hibat Rahman; BENNEDJAI Soumaya (Encadrant)
    Ce mémoire traite la prévision de la production de l'énergie solaire, il nécessite des outils capables de le prédire avec précision, malgré sa dépendance aux conditions météorologiques. Dans ce travail, un réseau de neurones LSTM est utilisé afin de représenter et de prédire à court terme la production d’énergie photovoltaïque à partir de données historiques. Une base de données réelle a été utilisée, prétraitée, normalisée, puis exploitée pour entraîner le modèle. Les résultats obtenus démontrent la fidélisation des variations journalières de la production solaire par le modèle LSTM avec des erreurs faibles et une forte corrélation avec les valeurs réelles, ce qui confirme son utilité pour des applications pratiques.