Recherche sur une méthode de prévision à court terme de la production photovoltaïque basée sur HPO-VMD-BiLSTM

Pourquoi de meilleures prévisions solaires sont importantes

À mesure que davantage de foyers, d'entreprises et de villes adoptent les panneaux solaires pour produire de l'électricité propre, un nouveau défi apparaît : le soleil n'est pas constant. Les nuages passagers, les saisons qui changent et les tempêtes soudaines font que la production solaire varie d'une minute à l'autre. Les gestionnaires de réseau doivent équilibrer l'offre et la demande en temps réel ; s'ils ne peuvent pas prévoir ces fluctuations, ils risquent de gaspiller de l'énergie, de surcharger des équipements ou de recourir à des centrales de secours à combustibles fossiles. Cet article présente une méthode plus intelligente pour prévoir la production à court terme d'une ferme solaire, visant à rendre l'énergie solaire plus fiable et plus facile à intégrer aux systèmes électriques courants.

Voir l'image complète des variations météorologiques

La production solaire dépend non seulement de l'ensoleillement, mais d'un ensemble de conditions météorologiques telles que la couverture nuageuse, l'humidité et la température. De nombreux outils de prévision existants n'utilisent qu'un seul de ces signaux, souvent l'ensoleillement total, ce qui fait perdre des détails importants. Les auteurs commencent par construire un portrait météorologique riche pour chaque jour dans une ferme solaire à Alice Springs, en Australie. Pour chaque jour, ils calculent des statistiques simples — par exemple la fréquence des pics d'ensoleillement, l'amplitude des variations et l'asymétrie du profil — pour plusieurs variables météorologiques. Ils regroupent ensuite les jours en types, comme ensoleillé, nuageux ou pluvieux, en utilisant une version améliorée d'une méthode de clustering standard. Plutôt que de traiter chaque caractéristique météorologique comme également importante, leur méthode ajuste le poids de chaque caractéristique en fonction de son degré d'aléa ou d'ordre au fil du temps. Cela conduit à des groupements météorologiques plus réalistes et garantit que le modèle de prévision s'entraîne sur des jours véritablement comparables.

Maîtriser les signaux solaires bruyants

Même au sein d'un même type de temps, les données de puissance solaire sont irrégulières et cahoteuses. De petits bancs de nuages ou des rafales de vent introduisent des sauts brusques qui compliquent l'apprentissage de motifs stables par un algorithme de prévision. Pour y remédier, l'étude applique une étape de traitement du signal qui décompose les données brutes de puissance en plusieurs composantes plus simples. Chaque composante représente un type de fluctuation différent, des oscillations rapides aux tendances plus lentes. Une innovation clé est que l'algorithme qui réalise cette décomposition ne dépend plus de réglages manuels ; à la place, un processus de recherche inspiré du comportement chasseur–proie sélectionne automatiquement la meilleure façon de diviser le signal. En laissant l'ordinateur adapter ces paramètres internes aux données réelles, les auteurs réduisent les approximations et obtiennent des composantes plus propres et plus stables pour l'étape de prévision.

Laisser le modèle apprendre du passé et du futur

Une fois les données regroupées par type de temps et lissées en composantes, intervient le moteur de prévision. Les auteurs utilisent un type de réseau de neurones particulièrement adapté aux séries temporelles, qui lit les données dans les deux sens le long de la chronologie. En termes simples, ce modèle apprend que la production solaire d'aujourd'hui dépend non seulement de ce qui s'est passé juste avant un instant donné, mais aussi de motifs qui deviennent apparents plus tard dans la journée. Chaque composante décomposée du signal de puissance, ainsi que ses principales entrées météorologiques, est fournie à ce modèle. Là encore, la méthode de recherche chasseur–proie est utilisée pour régler les paramètres internes du modèle — comme le nombre de neurones ou la vitesse d'apprentissage — afin qu'il capture des relations complexes sans rester bloqué dans une solution médiocre ni suradapter le bruit. Les prévisions de toutes les composantes sont ensuite recombinées en une prédiction finale de la production solaire totale.

Mettre la méthode à l'épreuve

L'équipe a testé son approche avec des données réelles provenant d'une installation solaire de 5,8 kilowatts à Alice Springs sur deux ans, échantillonnant la puissance et les conditions météorologiques toutes les cinq minutes. Ils ont choisi trois jours représentatifs — ensoleillé, nuageux et pluvieux — et entraîné leur modèle en utilisant plusieurs jours aux schémas météorologiques très similaires. La nouvelle méthode a été comparée à une gamme d'outils courants, y compris des réseaux neuronaux traditionnels, des modèles de séries temporelles plus simples et d'autres approches hybrides qui n'utilisaient que le regroupement météo ou que la décomposition du signal. Pour chaque méthode, ils ont mesuré l'écart entre les prédictions et les valeurs réelles de puissance solaire. Sur les trois types de temps, la nouvelle méthode hybride a réduit les erreurs moyennes d'environ un tiers à près de la moitié par rapport aux modèles standards, tout en s'entraînant plus rapidement que la plupart des alternatives plus complexes.

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

En termes simples, l'étude montre que combiner un regroupement météo plus fin, un nettoyage soigneux des signaux et un modèle d'apprentissage réglé automatiquement peut rendre les prévisions de production solaire à court terme à la fois plus précises et plus robustes. Pour les gestionnaires de réseau, de meilleures prévisions leur permettent de planifier avec plus de confiance, d'activer ou de désactiver d'autres centrales de façon plus efficace et de réduire le gaspillage. Pour les collectivités qui investissent dans le solaire, ce type de prévision aide à faire de la technologie une composante plus fiable du mix énergétique. Les auteurs notent toutefois que des types de météo plus variés et des données de qualité inférieure devront être explorés dans des travaux futurs, et leurs résultats pointent vers des outils de prévision capables de suivre la croissance du solaire, passant d'une option prometteuse à un pilier central de l'approvisionnement électrique mondial.

Citation: Li, J., Li, L., Du, Q. et al. Research on short-term prediction method of photovoltaic power based on HPO-VMD-BiLSTM. Sci Rep 16, 13541 (2026). https://doi.org/10.1038/s41598-026-44708-w

Mots-clés: prévision de la production solaire, intégration photovoltaïque au réseau, prévision énergétique basée sur la météo, apprentissage automatique pour l'énergie, stabilité des énergies renouvelables