Prévision de la production photovoltaïque basée sur une stratégie de décomposition secondaire et un modèle hybride

Pourquoi des prévisions solaires plus intelligentes comptent

À mesure que davantage de foyers, d’entreprises et de gestionnaires de réseau se raccordent au solaire, le réseau électrique fait face à un nouveau défi : le soleil n’est jamais constant. Les nuages passagers, les saisons et les variations météo font fluctuer la production solaire d’une minute à l’autre. Les opérateurs de réseau doivent néanmoins maintenir l’alimentation et la sécurité des équipements, ils ont donc besoin de prévisions très précises et très rapides de la puissance que les panneaux photovoltaïques produiront dans les prochaines minutes. Cette étude présente une nouvelle méthode pour rendre ces prévisions ultra‑court terme bien plus précises, aidant les réseaux à fonctionner plus régulièrement et à mieux exploiter l’énergie propre.

Le parcours chaotique de l’énergie solaire

Les centrales solaires convertissent la lumière du soleil directement en électricité sans pièces mobiles, combustible ni cheminées. Cela les rend propres et fiables sur de longues années — mais pas toujours prévisibles d’un instant à l’autre. Leur production dépend fortement du climat local : nuages, brume, température, humidité et vent peuvent tous influer à la hausse ou à la baisse. Pour les opérateurs qui doivent en permanence équilibrer l’offre et la demande, cette volatilité complexifie et renchérit la programmation des centrales de secours, des batteries et des réserves. Les méthodes de prévision existantes s’appuient soit sur des modèles physiques du temps et des panneaux, soit sur des formules statistiques et de l’apprentissage automatique. Si ces approches fonctionnent raisonnablement bien sur des horizons d’heures ou de jours, elles peinent souvent à saisir les variations rapides et heurtées qui importent pour le contrôle minute par minute.

Décomposer un signal brouillé en éléments plus purs

Les auteurs abordent ce problème en remodélisant d’abord les données brutes de production solaire avant toute étape d’apprentissage. Plutôt que d’alimenter une courbe de puissance unique et bruitée dans un grand modèle, ils divisent le signal en plusieurs modules plus simples, chacun capturant un type de comportement différent. Une technique avancée appelée CEEMDAN sépare la série temporelle de puissance en plusieurs composantes aux rythmes distincts. Ces éléments sont ensuite regroupés en deux familles : des fluctuations rapides et saccadées et des tendances plus lentes et plus lisses. Les composantes les plus instables subissent un second affinage via une autre méthode (VMD), dont les paramètres internes ne sont plus choisis empiriquement mais automatiquement optimisés par un schéma inspiré du comportement de chasse d’une espèce d’oiseau. Ce processus de « décomposition » en deux étapes transforme une courbe emmêlée et difficile à prédire en sous‑signaux plus propres, chacun plus facile à traiter.

Deux voies d’apprentissage spécialisées

Une fois le signal solaire séparé en composantes rapides et lentes, le modèle affecte à chaque groupe un outil d’apprentissage adapté à son profil. Les composantes haute fréquence, qui varient rapidement et peuvent dériver dans le temps, sont confiées à un algorithme léger pouvant être mis à jour en ligne au fur et à mesure de l’arrivée de nouvelles données. Cette architecture lui permet de s’adapter rapidement aux changements brusques, comme une ligne de nuages traversant une centrale solaire. Les composantes basse fréquence, qui décrivent la montée et la descente plus générales de la puissance sur la journée, sont traitées par un système hybride combinant un réseau détecteur de motifs et un réservoir à forte mémoire. Une partie se concentre sur la détection de formes dans de courtes fenêtres de données, tandis que l’autre suit l’évolution de ces formes dans le temps. Enfin, les prévisions issues des deux branches sont recombinées pour former une prévision unique du pas de temps suivant.

Tests sous des ciels variés

Pour vérifier l’efficacité de ce schéma en conditions réelles, les chercheurs l’ont appliqué aux données de deux centrales très différentes : une à Ningxia, en Chine, et une autre dans le désert australien. Ces sites connaissent des climats et des saisons distincts, offrant un test exigeant de flexibilité. Les prévisions du nouveau modèle ont été comparées à un large éventail de méthodes concurrentes modernes, y compris des approches populaires de deep learning comme les réseaux récurrents, les convolutions temporelles et des architectures récentes basées sur les Transformers. Sur toutes les mesures de précision, et en particulier pour capter les montées et descentes abruptes, le cadre hybride décomposition‑plus‑apprentissage s’est imposé. Dans un test clé, il a expliqué environ 99,7 % de la variation de la production solaire, tout en réduisant les erreurs typiques bien en dessous de celles des meilleurs modèles de référence.

Ce que cela signifie pour le réseau

En termes simples, l’étude montre que traiter la production solaire comme un mélange de bruit rapide et de tendances plus lentes — et attribuer à chaque partie un moteur de prévision sur mesure — peut produire des prévisions à l’échelle des minutes beaucoup plus fiables que des modèles universels. Pour les opérateurs de réseau, de meilleures prévisions signifient moins de surprises, moins d’énergie de secours gaspillée et plus de confiance pour s’appuyer sur le solaire comme ressource principale. Avec le temps, ce type de prévision plus intelligente pourrait réduire les coûts d’exploitation, diminuer l’écrêtage de l’énergie propre et aider les réseaux à absorber des niveaux encore plus élevés d’énergies renouvelables sans compromettre la stabilité.

Citation: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

Mots-clés: prévision de la production solaire, énergie photovoltaïque, réseau intelligent, intégration des énergies renouvelables, modélisation de séries temporelles