Taabani , KawtherLahsasna , Adel2025-11-062025-11-062025http://dspace.univ-skikda.dz:4000/handle/123456789/5335Ce mémoire porte sur la prévision à court terme de la production d’énergie photovoltaïque (PV) à l’aide d’algorithmes d’apprentissage automatique. En raison de la variabilité des conditions météorologiques, la prévision précise de la production solaire est un enjeu clé pour la stabilité des réseaux électriques et l’optimisation de la gestion énergétique. Trois modèles supervisés ont été étudiés : la régression par vecteurs de support (SVR), XGBoost, et Random Forest Regressor (RF). Les données utilisées proviennent d’un système PV réel, avec des mesures enregistrées toutes les 5 minutes. Un prétraitement rigoureux a été appliqué : nettoyage, transformation des variables temporelles et normalisation. L’évaluation des modèles a été réalisée à l’aide de trois indicateurs : MAE, RMSE et R². Le modèle Random Forest s’est révélé le plus performant, atteignant un R² de 0,999996. Les résultats obtenus montrent que l’application rigoureuse de méthodes de machine learning, combinée à un traitement soigné des données, permet d’obtenir des prévisions très fiables. Ce travail apporte une contribution concrète à l’amélioration de l’intégration des énergies renouvelables dans les réseaux et à la planification énergétique intelligentefrMémoire de Master