Un modèle de prévision photovoltaïque à court terme multi-étapes basé sur un algorithme de migration de baleines amélioré

Pourquoi il est important de prédire la production solaire

À mesure que de plus en plus de foyers, d'entreprises et de villes adoptent l'énergie solaire, connaître la quantité d'électricité que produiront les panneaux solaires dans les prochaines minutes ou heures devient crucial. Si la prévision est erronée, les gestionnaires de réseau doivent improviser pour maintenir l'alimentation, ce qui engendre des coûts supplémentaires et parfois l'utilisation de combustibles fossiles. Cet article présente une méthode plus intelligente pour effectuer des prévisions à court terme de la production solaire, à la fois plus précise et plus stable que de nombreuses approches existantes.

Les hauts et les bas de l'énergie solaire

Les panneaux solaires sont à la merci de la météo. Les nuages passagers, la brume, les variations saisonnières et les averses soudaines font fluctuer la production d'électricité de manière complexe. Les outils de prévision traditionnels reposent soit fortement sur des modèles physiques simplifiés des panneaux solaires, soit uniquement sur des données historiques. Les modèles physiques peuvent ne pas rendre compte des particularités du terrain, tandis que les méthodes purement statistiques peinent lorsque les données sont bruitées ou fortement irrégulières. En conséquence, elles fonctionnent souvent mal lors des changements rapides d'ensoleillement — précisément quand les opérateurs ont le plus besoin de prévisions fiables.

Décomposer un signal chaotique en parties plus propres

Pour maîtriser ce chaos, les auteurs nettoient d'abord les données brutes de production solaire avant d'essayer de les prévoir. Ils utilisent une technique appelée décomposition modale variationnelle, qui divise la courbe de puissance originale et irrégulière en plusieurs composantes plus lisses, chacune capturant des motifs à différentes échelles temporelles. Cette séparation réduit le bruit aléatoire et met en évidence des régularités cachées. Plutôt que d'obliger un modèle à apprendre à partir d'une courbe embrouillée, la méthode lui fournit un ensemble de blocs de construction plus propres et plus stables.

Permettre aux machines d'apprendre des motifs et de s'auto-ajuster

Une fois le signal décomposé, l'étude met en œuvre un système d'apprentissage en deux volets. La première partie est un réseau neuronal convolutionnel unidimensionnel, qui excelle à repérer des motifs locaux et des tendances dans les séries temporelles. La seconde est un moteur d'apprentissage léger appelé kernel extreme learning machine, qui transforme rapidement ces motifs extraits en prévisions numériques. Ensemble, ce modèle hybride combine une forte capacité de reconnaissance des motifs avec des prédictions rapides et efficaces. Toutefois, ses performances dépendent fortement de quelques réglages internes clés, appelés hyperparamètres, qui sont généralement difficiles à ajuster manuellement.

Emprunter des idées aux migrations de baleines pour optimiser le modèle

Pour choisir automatiquement ces réglages cruciaux, les auteurs introduisent un « algorithme de migration de baleines amélioré ». Inspiré par les déplacements collectifs et l'exploration océanique des baleines à bosse, cet algorithme considère chaque jeu candidat d'hyperparamètres comme une baleine en quête de meilleurs lieux d'alimentation. Il combine exploration globale et recherche locale fine, aidé par une randomisation contrôlée et des mouvements de type saut, pour éviter de rester coincé sur de mauvaises solutions. Au fil des itérations, les « baleines » migrent vers des combinaisons d'hyperparamètres qui minimisent les erreurs de prévision, apprenant ainsi au modèle comment s'auto-régler.

Mettre la méthode à l'épreuve

L'équipe évalue leur approche complète — combinant décomposition du signal, modèle d'apprentissage hybride et optimiseur inspiré des baleines — sur des données réelles de deux centrales solaires en Chine, l'une de 50 MW et l'autre de 35 MW, couvrant des périodes d'hiver et d'été. Ils la comparent à neuf alternatives, y compris des réseaux neuronaux classiques, des machines à vecteurs de support, des prédicteurs à pas unique et des hybrides plus simples. Le nouveau modèle suit non seulement les courbes quotidiennes globales, mais reproduit aussi beaucoup mieux les pics et creux abrupts. Sur plusieurs mesures d'erreur, il produit systématiquement des écarts plus faibles et un ajustement plus serré aux sorties réelles, avec des valeurs de qualité d'ajustement autour de 97 % et 92 % pour les deux sites.

Ce que cela signifie pour l'usage quotidien de l'énergie

Pour un public non spécialiste, l'essentiel est que les auteurs proposent un « bulletin météo » de la production solaire plus fiable. En nettoyant les données, en utilisant une architecture d'apprentissage légère mais puissante et en laissant une routine de recherche inspirée de la nature affiner le système, ils améliorent sensiblement la prévision à court terme de l'électricité fournie par les panneaux solaires. De meilleures prévisions facilitent l'équilibrage entre sources renouvelables et conventionnelles, réduisent les coûts d'exploitation et soutiennent un réseau électrique plus propre et plus résilient. La même stratégie pourrait aussi être adaptée à d'autres problèmes de prévision complexes, de l'énergie éolienne aux charges industrielles, voire à l'analyse de signaux médicaux.

Citation: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

Mots-clés: prévision de la production solaire, énergie photovoltaïque, apprentissage automatique, algorithmes d'optimisation, réseau d'énergie renouvelable