Prévision du rayonnement normal direct (DNI) par apprentissage automatique à partir de données satellites pour centrales solaires à concentration (CSP) avec stockage thermique (TES)

Pourquoi prévoir les heures d'ensoleillement est important

Alors que de plus en plus de pays misent sur le soleil pour alimenter leurs foyers et leurs industries, une grande question se pose : comment maintenir l'électricité quand le ciel change à la minute ? Les centrales solaires à concentration, qui utilisent des miroirs pour focaliser la lumière et stocker la chaleur, peuvent fournir de l'électricité même après la tombée de la nuit. Mais pour les faire fonctionner de manière efficace et économique, les exploitants doivent connaître à l'avance l'intensité du rayonnement solaire. Cette étude montre comment des données météorologiques satellitaires gratuites et l'apprentissage automatique moderne peuvent produire des prévisions d'ensoleillement pratiques et abordables, adaptées à ces centrales solaires de nouvelle génération.

Transformer les images spatiales en prévisions utiles

Les chercheurs se focalisent sur une grandeur clé appelée rayonnement normal direct, ou DNI — la part du rayonnement solaire qui se propage en ligne droite et peut être concentrée par des miroirs. Contrairement aux panneaux photovoltaïques classiques, ces centrales dépendent presque exclusivement du DNI, qui est très sensible aux nuages, à l'humidité et aux particules en suspension. Plutôt que d'installer des caméras et instruments au sol coûteux sur chaque site, l'équipe utilise les données du satellite géostationnaire Himawari-8, qui observe une grande partie de l'Asie toutes les dix minutes. À partir de ce flux d'images et de produits dérivés, ils extraient 17 variables, incluant différentes mesures du rayonnement, le type de nuage, la vapeur d'eau, la température et l'angle solaire, qu'ils injectent dans des modèles d'apprentissage automatique entraînés pour prédire le DNI à venir de 30 minutes à 6 heures.

Des algorithmes intelligents qui apprennent du ciel

Pour identifier l'outil de prévision le plus performant, les auteurs testent 24 approches d'apprentissage automatique et comparent leur précision, leur rapidité et leur coût informatique. Ils constatent qu'une technique appelée Ensemble Bagging Regression excelle pour les prévisions très court terme, en particulier à l'horizon de 30 minutes, où elle saisit des détails fins des changements récents. Pour des horizons plus longs, un modèle de régression par processus gaussien exponentiel se démarque. Ce modèle prédit non seulement le DNI futur mais fournit aussi une mesure intégrée d'incertitude, utile pour la planification. Sur des horizons allant jusqu'à six heures, le meilleur modèle conserve de bonnes performances, avec des erreurs suffisamment faibles pour être absorbées par la capacité tampon naturelle des systèmes de stockage thermique des centrales solaires à concentration.

Lire les signaux cachés de la météo

Au-delà de la précision, l'équipe cherche à comprendre ce qui pilote les prédictions du modèle. Ils utilisent une méthode d'IA explicable connue sous le nom de SHAP, qui attribue à chaque variable d'entrée une contribution à la prévision, un peu comme répartir équitablement l'addition entre convives. Cette analyse révèle que l'angle du soleil dans le ciel et les propriétés liées aux nuages sont les facteurs les plus influents sur de nombreux horizons temporels. Les versions ciel-dégagé des mesures d'ensoleillement — ce que serait le rayonnement sans nuages — jouent également un rôle majeur, ainsi que la température et de simples valeurs passées du DNI sur de faibles retards. L'air humide, l'ozone et l'humidité relative tendent à réduire le rayonnement attendu, surtout durant les mois d'été humides, tandis que des conditions claires et sèches en fin d'hiver et au début du printemps l'augmentent. Ces informations rassurent les exploitants : le modèle réagit à des signaux physiquement cohérents plutôt qu'à des artefacts cachés des données.

Des plaines plates aux vallées montagneuses

Un test clé consiste à vérifier si un modèle entraîné en un lieu peut être appliqué ailleurs. Les auteurs entraînent leur système sur un site à Bhagalpur, en Inde, puis l'appliquent à cinq autres emplacements en Asie du Sud, allant de plaines basses aux contreforts de l'Himalaya. Sur un terrain plus plat, comme Jhansi et Kharagpur, les prévisions restent très fiables, avec des niveaux d'erreur stables et peu de tendance systématique à la sur- ou sous-estimation. En revanche, les stations situées dans des paysages plus accidentés ou complexes, comme Makalu dans l'Himalaya, montrent de plus fortes variations de précision et de biais à certains décalages temporels. Ces schémas suggèrent que la topographie locale et des comportements météorologiques particuliers — comme une formation rapide des nuages autour des montagnes — peuvent mettre à l'épreuve un modèle purement satellitaire et nécessiter un ajustement supplémentaire.

Ce que cela signifie pour l'avenir de l'énergie solaire

Pour les exploitants de centrales solaires à concentration avec stockage thermique, l'étude livre un message pratique : ils n'ont peut-être pas besoin du matériel de prévision le plus coûteux et ultra-précis pour exploiter efficacement leurs installations. Grâce à l'effet lisseur naturel du stockage d'énergie thermique, un modèle satellitaire bien conçu avec des erreurs modérées peut néanmoins permettre de planifier en toute confiance la production des prochaines heures. En s'appuyant sur des données satellitaires gratuites et à large couverture et sur un apprentissage automatique interprétable, cette approche offre un moyen évolutif de réduire les coûts et d'abaisser le prix de l'électricité solaire dans les régions ensoleillées, notamment en Asie du Sud. Avec des raffinements supplémentaires tenant compte des montagnes, des aérosols et des régimes météo locaux, de tels systèmes de prévision pourraient devenir une technologie centrale pour un réseau solaire plus fiable.

Citation: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

Mots-clés: prévision solaire, centrales solaires à concentration, données satellites, apprentissage automatique, stockage d'énergie thermique