Modèle de prévision de la vitesse du vent multi-échelle basé sur un algorithme d’évasion amélioré pour l’optimisation de la décomposition empirique modale à filtrage variant dans le temps

Pourquoi il est important de prévoir le vent

À mesure qu’une part croissante de notre électricité provient des parcs éoliens, maintenir l’alimentation dépend de la capacité à prévoir la force du vent pour les prochaines minutes et heures. Si les prévisions sont erronées, les gestionnaires de réseau doivent s’employer à rééquilibrer l’offre et la demande, ce qui peut gaspiller de l’énergie propre ou mettre en péril la continuité d’alimentation. Cet article présente une nouvelle méthode pour prédire la vitesse du vent avec plus de précision, en particulier sur les horizons temporels courts qui sont cruciaux pour la commande en temps réel du réseau.

Démêler des signaux éoliens confus

La vitesse du vent mesurée à une turbine est un mélange de rafales rapides, de variations plus lentes et de tendances douces à long terme. Les méthodes traditionnelles de prévision traitent souvent ce mélange comme un flux unique, ce qui complique la détection de motifs clairs par les modèles informatiques. Les auteurs commencent par séparer les données brutes de vent en plusieurs couches, chacune représentant une échelle temporelle différente du mouvement. Cela se fait au moyen d’une technique appelée décomposition empirique modale à filtrage variant dans le temps, qui agit comme un tamis intelligent : elle sépare le bruit à haute fréquence, les oscillations de fréquence moyenne et les tendances basse fréquence pour que chacune puisse être étudiée et prédite indépendamment.

Apprendre à un algorithme à échapper aux mauvaises solutions

Cependant, ce tamis intelligent ne fonctionne bien que lorsque ses réglages sont adéquats. Choisir ces paramètres manuellement ou avec des méthodes de recherche standard peut être lent et peu fiable, surtout pour des données éoliennes complexes et fortement variables. Pour y remédier, les auteurs conçoivent un « algorithme d’évasion amélioré », inspiré de la façon dont des foules trouvent des sorties dans un bâtiment inconnu. L’algorithme part de nombreuses configurations possibles, les mélange avec une dose d’aléa contrôlé, puis pousse progressivement les options les plus faibles vers de meilleures. En ajoutant une initialisation chaotique, une réserve évolutive de candidats d’élite, des étapes de mutation ciblées et un mécanisme qui attire la population vers les meilleures solutions, l’algorithme amélioré converge plus rapidement et de façon plus fiable que plusieurs concurrents populaires.

Des outils différents pour des mouvements différents

Une fois le signal de vent fragmenté en composantes haute, moyenne et basse fréquence, l’équipe attribue à chacune un outil de prévision distinct. La composante la plus turbulente et à haute fréquence est confiée à un réseau profond avancé, spécialisé dans la mémorisation de changements rapides et complexes au fil du temps. Les variations plus douces de fréquence moyenne sont prises en charge par un modèle à mémoire plus modeste, qui équilibre flexibilité et stabilité. La composante basse fréquence, presque de type tendance, est confiée à un réseau neuronal léger qui s’entraîne rapidement et évite le surapprentissage du bruit. Après que chaque élément a été prédit séparément, les prévisions sont recombinées pour produire une prévision unique de la vitesse du vent en fonction du temps.

Mettre le modèle à l’épreuve

Pour vérifier si cette approche multicouche est réellement utile en pratique, les auteurs utilisent des données détaillées d’un parc éolien du Xinjiang, en Chine, avec des mesures prises toutes les 15 minutes à plusieurs hauteurs. Ils comparent leur système à une gamme de modèles de prévision populaires, depuis des réseaux neuronaux simples jusqu’à des méthodes d’apprentissage profond de pointe. Sur des horizons allant d’un pas de prévision à 15 pas—couvrant près de quatre heures—le nouveau modèle produit systématiquement des erreurs plus faibles. Notamment, pour une prévision à 15 pas, il conserve une meilleure adéquation à la réalité qu’un modèle profond unique performant : son erreur croît plus lentement et il évite la dégradation rapide qui affecte souvent les prévisions à plus long terme.

Ce que cela signifie pour les réseaux électriques futurs

Concrètement, l’étude montre que traiter le vent comme un signal à plusieurs couches—et assortir chaque couche au bon type de moteur de prévision—peut donner aux opérateurs de réseau une vision plus précise et plus stable du court terme. L’algorithme d’optimisation amélioré garantit que l’étape de séparation du signal est finement ajustée, tandis que le mélange de prédicteurs spécialisés empêche les erreurs d’exploser à mesure que l’horizon de prévision s’allonge. Ensemble, ces progrès peuvent aider les systèmes électriques à intégrer davantage d’énergie éolienne sans sacrifier la fiabilité, facilitant ainsi la transition vers des réseaux électriques plus propres et plus résilients.

Citation: Zheng, H., Wu, Q., Lv, X. et al. Multi-scale wind speed prediction model based on improved escape algorithm for optimizing time-varying filtering empirical modal decomposition. Sci Rep 16, 4958 (2026). https://doi.org/10.1038/s41598-026-35505-6

Mots-clés: énergie éolienne, prévision des énergies renouvelables, décomposition de séries temporelles, modèles d’apprentissage profond, stabilité du réseau électrique