Une méthode probabiliste de prévision horaire à l’échelle d’une heure pour la puissance PV solaire, non paramétrique et adaptative basée sur l’inférence conforme

Pourquoi de meilleures prévisions solaires sont importantes

À mesure que de plus en plus de foyers, d’entreprises et de services publics se tournent vers les panneaux solaires pour produire de l’électricité propre, les réseaux doivent composer avec une ressource qui varie au rythme des nuages. Les opérateurs de réseau ont besoin de savoir non seulement quelle puissance solaire est susceptible d’être disponible dans une heure, mais aussi dans quelle mesure cette prévision est incertaine. Cet article présente une nouvelle façon d’ajouter des « barres d’erreur » aux prévisions de court terme de la production solaire afin que les planificateurs puissent maintenir l’alimentation tout en se fiant davantage au soleil.

Passer d’estimations uniques à des prévisions conscientes du risque

Les prévisions solaires traditionnelles réduisent souvent l’avenir à un seul chiffre, par exemple « 2,5 kilowatts l’heure prochaine ». En réalité, la production solaire fluctue avec la météo et l’heure de la journée, et les décisions du réseau — comme la quantité de puissance de secours à planifier — dépendent de la confiance que l’on accorde à ces chiffres. Les approches modernes utilisent donc la prévision probabiliste : au lieu d’une valeur unique, elles fournissent une plage de résultats probables accompagnée d’une indication de la fréquence à laquelle la valeur réelle devrait se situer dans cette plage. Cette étude se concentre sur des prévisions à une heure pour des panneaux sur toit d’une université à Wrocław, en Pologne, en s’appuyant sur cinq années de données historiques. L’objectif est de produire des intervalles de prédiction à la fois fiables (ils contiennent la valeur réelle la plupart du temps) et précis (les intervalles sont aussi étroits que possible, évitant des plages inutilement larges).

Une manière plus intelligente d’ajuster l’incertitude

La technique centrale explorée ici est l’inférence conforme adaptative, ou ACI. En termes simples, ACI enveloppe n’importe quel modèle de prévision — ici un réseau profond appelé LSTM empilé — et examine les erreurs récentes de prédiction pour décider de la largeur du prochain intervalle de prédiction. Si les prédictions récentes se sont révélées peu fiables, ACI élargit automatiquement l’intervalle ; si elles ont été précises, il le resserre. L’ACI standard toutefois suppose que les données évoluent de manière relativement homogène dans le temps. La production solaire ne l’est pas : chaque nuit, la production tombe à zéro, et les premiers rayons du matin ressemblent peu à ce qui s’est passé la veille au soir. Ce cycle diurne marche‑arrêt peut faire dériver le paramètre d’ajustement d’ACI, gonflant les intervalles au fil du temps.

Réinitialiser chaque jour pour repartir à zéro

Pour corriger cette inadéquation, les auteurs introduisent un simple mais puissant ajustement : ils réinitialisent le paramètre interne de « non‑couverture » de l’ACI au début de chaque journée. Conceptuellement, cela dit à l’algorithme d’oublier les longues heures peu informatives d’obscurité et de se recalibrer uniquement sur le comportement diurne. Le LSTM de base continue d’apprendre des motifs sur des années de données, y compris les variations saisonnières et les formes quotidiennes typiques, mais la couche ACI n’autorise plus les zéros nocturnes à fausser son estimation de l’incertitude. Cette réinitialisation quotidienne empêche les intervalles de devenir inutilement larges après des séquences de périodes à faible information et permet à la méthode de s’adapter rapidement aux conditions d’ensoleillement de chaque jour, qu’elles soient claires, nuageuses ou très variables.

Comment la nouvelle méthode se compare

L’étude compare quatre manières d’exprimer l’incertitude autour des prévisions solaires : l’ACI modifiée, un modèle profond entraîné pour prédire directement plusieurs quantiles (régression quantile profonde), une version bayésienne du LSTM qui estime l’incertitude en interne, et un algorithme puissant basé sur les arbres appelé CatBoost, réglé pour la prédiction de quantiles. Les tests sont effectués sur une année de données inédites. L’ACI modifiée atteint la meilleure fiabilité, ses intervalles contenant la puissance réelle environ 91 % du temps, proche de la cible visée, tout en conservant une largeur d’intervalle modérée. Le LSTM bayésien arrive en seconde position en fiabilité mais produit des intervalles un peu plus larges. CatBoost fournit les intervalles les plus serrés mais rate plus souvent les valeurs réelles, sous‑estimant l’incertitude. La régression quantile profonde obtient les pires résultats au global, combinant une couverture plus faible, des intervalles plus larges et des scores de pénalité plus élevés. Fait important, l’ACI améliorée réalise ses bonnes performances avec un coût informatique additionnel minime par rapport au modèle LSTM de base.

Ce que cela signifie pour les réseaux solaires futurs

Concrètement, ce travail montre qu’une meilleure prise en compte du rythme jour‑nuit peut améliorer sensiblement la qualité des estimations de risque de la production solaire. En réinitialisant sa calibration chaque matin, l’ACI modifiée fournit des bandes de confiance à la fois fiables et raisonnablement étroites, facilitant la planification des réserves, le commerce d’énergie et l’intégration d’une plus grande part de solaire sans réagir de manière excessive à l’incertitude. Parce que l’ACI est agnostique au modèle et ne dépend pas de prévisions météorologiques détaillées, les auteurs soutiennent que ce schéma de réinitialisation quotidienne pourrait s’appliquer largement à d’autres installations solaires et outils de prévision, offrant une méthode robuste et fondée sur les données pour faire du soleil un partenaire plus prévisible dans les systèmes énergétiques de demain.

Citation: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

Mots-clés: prévision de la puissance solaire, prédiction probabiliste, quantification de l’incertitude, inférence conforme, réseaux d’énergie renouvelable