Un cadre hybride TimeGAN–xLSTM–Transformer pour la prévision de la production photovoltaïque sous des conditions environnementales complexes

Pourquoi de meilleures prévisions solaires comptent

À mesure que de plus en plus de maisons, d’entreprises et même des villes entières se raccordent à l’énergie solaire, maintenir l’alimentation électrique devient un défi de prévision. Le soleil peut être gratuit, mais il est aussi capricieux : nuages, brume, variations de température et saisons changeantes font fluctuer la production solaire. Les gestionnaires de réseau doivent savoir, plusieurs heures à l’avance, combien d’électricité produiront les centrales solaires afin d’équilibrer l’offre et la demande de manière sûre et économique. Cet article présente un nouveau cadre d’intelligence artificielle (IA) qui apprend à partir des données passées et peut même créer de nouvelles données réalistes pour rendre les prévisions solaires beaucoup plus fiables dans des conditions météorologiques réelles et complexes.

La croissance du solaire face au chaos météorologique

L’expansion rapide des installations photovoltaïques (PV) en Chine reflète une tendance mondiale : l’énergie solaire devient un pilier des systèmes électriques modernes. Contrairement aux centrales au charbon ou au gaz, la production PV ne peut pas être simplement augmentée à la demande ; elle dépend de l’atmosphère. Des nuages peuvent apparaître, du brouillard persister ou l’air se réchauffer et s’amincir, autant d’éléments qui font varier la production des panneaux. Pour maintenir la stabilité du réseau, les opérateurs s’appuient sur trois grands types de prévisions : des prédictions à valeur unique, des intervalles de valeurs probables et des scénarios probabilistes complets. Les outils traditionnels exigent souvent de vastes jeux de données historiques et peinent à gérer des événements rares mais critiques, comme des chutes ou pics soudains de production. Ils ont aussi du mal à saisir les relations imbriquées entre ensoleillement, température, humidité et production au fil du temps.

Apprendre à une IA à inventer des journées solaires réalistes

La première idée clé de ce travail est d’« augmenter » le jeu de données au lieu d’en accepter les limites. Les auteurs utilisent un modèle appelé TimeGAN, conçu spécifiquement pour les séries temporelles, afin de générer des enregistrements solaires synthétiques qui ressemblent et se comportent comme des enregistrements réels. TimeGAN apprend comment la production PV évolue pas à pas en tandem avec des facteurs météorologiques tels que l’ensoleillement et la température. Après entraînement, il peut produire de nouvelles séquences partageant les mêmes motifs, y compris des fluctuations extrêmes qui peuvent être rares dans les données originales. Des tests visuels montrent que les données synthétiques recoupent étroitement les mesures réelles, tant dans les détails locaux que dans la distribution globale. Lorsqu’un modèle de prédiction simple est entraîné sur ce jeu de données enrichi, ses erreurs diminuent fortement, confirmant que ces journées solaires « imaginées » aident l’IA à mieux généraliser à des conditions inédites.

Mêler les à-coups à court terme et les tendances à long terme

Le deuxième pilier du cadre est un mélange ingénieux de deux modèles d’apprentissage de séquences puissants. Une forme étendue de Long Short-Term Memory, baptisée xLSTM, gère la structure fine de la production solaire. Contrairement aux versions standard, xLSTM utilise des structures mémoire enrichies et plusieurs échelles temporelles, ce qui lui permet de suivre les changements rapides — comme un nuage de passage — ainsi que les variations plus lentes sur plusieurs heures ou jours. Au‑dessus de cela, les auteurs placent un module Transformer, une architecture renommée pour ses succès dans les modèles de langage. Le Transformer met en évidence les relations entre des pas temporels éloignés, décidant efficacement quels instants passés importent le plus pour prédire l’avenir. Ensemble, ces composants forment une chaîne : TimeGAN enrichit les données d’entraînement, xLSTM extrait des caractéristiques temporelles stratifiées et le Transformer les pèse globalement pour produire des prévisions précises.

Tester le modèle sur de véritables fermes solaires

Les chercheurs valident leur approche en utilisant six mois de données provenant d’un vrai cluster PV distribué du State Grid chinois, échantillonnées toutes les 15 minutes et comprenant la production, la température, l’humidité et le niveau d’ensoleillement. Ils comparent leur cadre hybride TimeGAN–xLSTM–Transformer à des modèles LSTM et Transformer plus conventionnels. Les résultats sont saisissants : le nouveau modèle réduit l’erreur quadratique moyenne d’environ 48 % et l’erreur absolue moyenne d’environ 44 % par rapport aux meilleurs baselines traditionnels. Son erreur en pourcentage descend autour de 2,7 %, et l’avantage de l’augmentation des données par TimeGAN est net — les modèles entraînés sans données synthétiques performent bien moins, en particulier face à des fluctuations brusques de la production solaire.

Ce que cela signifie pour l’usage quotidien de l’électricité

En termes simples, l’étude montre que la combinaison de données « imaginées » réalistes et d’une conception IA en couches peut rendre les prévisions solaires beaucoup plus fiables, même lorsque la météo fait des siennes. Pour la vie quotidienne, de meilleures prévisions signifient moins de coupures, moins d’énergie de secours gaspillée provenant de combustibles fossiles et une intégration plus fluide des énergies renouvelables au réseau. À mesure que les installations solaires se multiplient en ville comme à la campagne, des outils tels que ce cadre hybride TimeGAN–xLSTM–Transformer peuvent aider les systèmes électriques à planifier l’avenir avec davantage de confiance, nous rapprochant d’un avenir énergétique plus propre et bas en carbone.

Citation: Chu, B., Shu, J., Zhao, C. et al. A hybrid TimeGAN–xLSTM–Transformer framework for photovoltaic power forecasting under complex environmental conditions. Sci Rep 16, 8782 (2026). https://doi.org/10.1038/s41598-026-36073-5

Mots-clés: prévision de la production solaire, énergie photovoltaïque, apprentissage profond, données de séries temporelles, intégration des énergies renouvelables