Prédire avec précision l'intensité du rayonnement solaire (SI) est essentiel pour la planification de l'électricité et le choix des sites photovoltaïques. Avec le développement d'ordinateurs à haute performance et de dispositifs de stockage de grande capacité, les modèles d'apprentissage en profondeur basés sur les données ont suscité un vif intérêt dans le domaine de la prédiction de SI, cependant, la nature "boîte noire" des modèles d'apprentissage profond avec le manque d'interprétation physique limite leur crédibilité dans des situations spécifiques. Afin d'améliorer l'interprétabilité du modèle sans compromettre la précision de la prédiction et la structure du modèle, sans accroître la complexité de calcul, un modèle basé sur les réseaux de mémoire à long terme et court terme (LSTM) a été construit. Sa performance a augmenté de 8,07% par rapport au réseau neuronal traditionnel et a montré une meilleure capacité de traitement des valeurs aberrantes. En utilisant l'algorithme de propagation corrélée de manière stratifiée (LRP), les facteurs influant sur la sortie du modèle ont été évalués dans le temps et l'espace, renforçant ainsi l'interprétabilité du modèle. Les résultats de la recherche montrent que ce modèle, tout en garantissant des performances, présente une bonne interprétabilité, où l'intensité historique du rayonnement, les caractéristiques temporelles (comme le jour, la semaine, le mois), les angles d'élévation solaire (comme le lever et le coucher du soleil), la couverture nuageuse, la durée du rayonnement, la température et le point de rosée sont des facteurs principaux influençant la prédiction de l'intensité du rayonnement solaire.

Prédiction de l'intensité du rayonnement solaire, apprentissage en profondeur, interprétabilité, algorithme LRP, LSTM