Prévision photovoltaïque ultra-courte et interprétable avec modélisation temporelle multi-échelle et attention variable-par-variable

Pourquoi prévoir la production solaire à la minute près est important

À mesure que l’électricité provient davantage de panneaux solaires, les gestionnaires de réseau doivent constamment équilibrer la production avec la consommation. Des nuages soudains, des variations saisonnières et des changements météorologiques peuvent faire basculer la production solaire en quelques minutes, menaçant cet équilibre. Cet article présente une nouvelle méthode pour prévoir la production d’une grande centrale solaire avec une horizon de 15 minutes, visant à conserver la précision des prévisions sur les quatre saisons tout en rendant le raisonnement du modèle plus accessible à l’inspection humaine.

Repérer des motifs du soleil et de la météo à de multiples échelles temporelles

La production solaire est façonnée par des rythmes qui se déploient sur des minutes, des heures et des mois : la montée et la descente quotidienne du soleil, des éclats de nuages de courte durée et des changements saisonniers progressifs. Les outils de prévision traditionnels se concentrent souvent sur une seule de ces échelles ou les mélangent, ce qui peut conduire à d’importantes erreurs lorsque les conditions évoluent rapidement. La première partie du système proposé, appelée Multi-Scale Kolmogorov–Arnold Network (MKAN), s’attaque à cela en découpant les données passées en segments chevauchants de différentes durées. Chaque segment traverse un petit module mathématique flexible qui apprend comment la puissance réagit au motif récent à cette échelle. Ces vues spécifiques à chaque échelle sont ensuite recousues pour former un résumé riche du comportement de la centrale solaire au cours du passé récent.

Laisser les variables météorologiques « dialoguer » entre elles

La puissance solaire ne dépend pas d’une seule mesure comme l’intensité lumineuse ; elle résulte d’interactions complexes entre plusieurs facteurs, notamment la lumière directe et diffuse, la température, l’humidité, la pression et la production récente de la centrale. La seconde partie du cadre, appelée iTransformer, est conçue pour capter ces interactions en traitant chaque variable comme un « token » dans une conversation. Plutôt que de balayer pas à pas dans le temps, iTransformer regarde à travers les variables et utilise un mécanisme d’attention pour décider lesquelles doivent s’influencer le plus pour une prévision donnée. Ce focus variable-par-variable facilite, par exemple, la mise en évidence des situations où l’humidité module fortement l’effet de l’ensoleillement, ou lorsque le modèle s’appuie surtout sur la production récente parce que la météo est instable.

Combiner les deux idées en un moteur de prévision unique

Les auteurs connectent MKAN et iTransformer en série pour former le modèle MKAN-iTransformer. D’abord, MKAN transforme l’historique brut à résolution 15 minutes des variables météorologiques et de la production en caractéristiques temporelles multi-échelles qui séparent les fluctuations rapides des tendances plus lisses. Ensuite, iTransformer prend ces caractéristiques et utilise son mécanisme d’attention pour tisser ensemble les informations provenant des différentes variables, produisant une estimation finale de la puissance de la centrale 15 minutes dans le futur. Le système est entraîné et testé sur deux ans de données provenant d’une centrale solaire de 30 MW en Chine, en n’utilisant que les mesures diurnes entre 6h00 et 20h00. Les données sont séparées chronologiquement pour chaque saison afin d’imiter un déploiement réel, et le modèle est comparé à un large éventail d’alternatives, des réseaux récurrents classiques aux conceptions récentes basées sur Transformer et leurs variantes améliorées par KAN.

Performance au printemps, en été, en automne et en hiver

Sur presque toutes les saisons et mesures d’erreur, MKAN-iTransformer égalise ou surpasse les méthodes concurrentes. Au printemps et en automne — lorsque la météo change rapidement et que les courbes de puissance présentent des rampes irrégulières — il fournit les moindres erreurs quadratiques et les plus faibles erreurs moyennes, tout en expliquant plus de 94 % de la variation de la puissance. En hiver, un régime particulièrement difficile avec des angles solaires faibles et des oscillations rapides, le modèle réduit certaines mesures d’erreur de plus de moitié comparé à un Transformer standard et dépasse nettement les réseaux récurrents. L’été est en général plus facile pour la plupart des modèles, mais MKAN-iTransformer obtient néanmoins les plus faibles erreurs quadratiques, ce qui signifie qu’il limite mieux les grandes erreurs occasionnelles. Des études d’ablation rigoureuses montrent que l’utilisation seule de MKAN ou d’iTransformer n’explique pas entièrement ces gains ; c’est leur combinaison — temporalité multi-échelle plus attention croisée entre variables — qui assure la performance la plus stable selon les saisons.

Ouvrir la boîte noire pour les opérateurs énergétiques

Au-delà de la simple précision, les auteurs insistent sur l’interprétabilité. Parce que MKAN construit ses prédictions à partir de sommes de fonctions apprises simples, celles-ci peuvent être visualisées pour révéler comment le modèle réagit aux entrées à différents niveaux, par exemple en cas de faible ou de forte irradiance. Une décomposition multi-échelle du signal de puissance montre comment les tendances quotidiennes, les variations météo à moyen terme et les sauts rapides liés aux nuages sont séparés et traités. Parallèlement, les cartes d’attention d’iTransformer affichent comment l’importance change entre les variables selon les saisons : le rayonnement direct domine au printemps et en hiver, tandis que l’humidité et certaines mesures d’irradiance prennent de l’importance en été et en automne. Ces outils visuels aident les ingénieurs à comprendre pourquoi le modèle se comporte ainsi sous différents régimes atmosphériques, renforçant la confiance et facilitant le diagnostic lorsque les prévisions échouent.

Ce que cela signifie pour l’avenir de la prévision solaire

Concrètement, l’étude montre qu’il est possible de construire une prévision solaire à la fois « large » et « profonde » : large au travers des différents signaux météo, et profonde à travers de multiples échelles temporelles, tout en restant partiellement lisible par des humains. Pour les opérateurs de réseau, cela pourrait se traduire par des prévisions plus fiables à 15 minutes tout au long de l’année, moins de ruptures surprises de l’offre et une meilleure utilisation du stockage et des centrales de secours. Pour les chercheurs, MKAN-iTransformer offre une feuille de route pour combiner des briques interprétables avec des mécanismes d’attention puissants, ouvrant la voie à des outils de prévision non seulement précis mais aussi capables d’expliquer comment le soleil, les nuages et l’atmosphère conditionnent ensemble le flux d’électricité renouvelable.

Citation: Liu, L., Liu, M., Han, Z. et al. Interpretable ultra-short-term photovoltaic power forecasting with multi-scale temporal modeling and variable-wise attention. Sci Rep 16, 10336 (2026). https://doi.org/10.1038/s41598-026-39797-6

Mots-clés: prévision de la production solaire, réseaux photovoltaïques, modélisation des séries temporelles, variabilité saisonnière, IA interprétable