Two-Stage Photovoltaic Forecasting: Separating Weather Prediction from Plant-Characteristics

Cet article propose une méthode de prévision photovoltaïque en deux étapes qui sépare la prédiction météorologique des caractéristiques de la centrale, démontrant que l'erreur de prévision augmente significativement lors de l'utilisation de modèles météorologiques plutôt que d'observations satellites, tout en identifiant des distributions statistiques adaptées pour modéliser ces erreurs.

L'essentiel

Imaginez que vous essayez de prédire combien d'eau va couler d'un robinet dans votre maison demain. Pour le faire, vous avez besoin de deux choses :

1. La météo : Va-t-il pleuvoir ? (Cela affecte la pression de l'eau).
2. Votre robinet : Est-il vieux ? Est-il un peu bouché ? Est-il orienté vers le sud ? (Cela affecte comment l'eau sort).

C'est exactement ce que font les auteurs de cet article, mais au lieu de l'eau, ils parlent d'électricité solaire (panneaux photovoltaïques).

Voici une explication simple de leur travail, avec quelques images pour mieux comprendre :

1. Le Problème : On mélange tout !

Jusqu'à présent, les experts essayaient de prédire l'électricité solaire en utilisant une seule "boîte noire". Ils prenaient une prévision météo et la donnaient à un ordinateur, qui sortait un chiffre.

• Le souci : Si la prévision était fausse, on ne savait pas pourquoi. Est-ce que la météo s'est trompée ? Ou est-ce que le modèle de calcul du panneau était mauvais ?
• L'analogie : C'est comme si un chef cuisinier ratait un plat et qu'on ne savait pas si c'est à cause des tomates avariées (la météo) ou parce qu'il a mal coupé les oignons (le panneau).

2. La Solution : Découper la recette en deux

Les auteurs ont décidé de séparer le problème en deux étapes distinctes, comme si on avait deux chefs différents :

• Le Chef Météo (Le Prévisionniste) : Son seul travail est de prédire le soleil et la température. Il utilise des super-satellites et des modèles mathématiques complexes (appelés HRRR) pour dire : "Demain, il y aura 500 watts de soleil par mètre carré".
• Le Chef Panneau (Le Spécialiste du Site) : Lui, il ne regarde pas le ciel. Il connaît votre maison par cœur. Il sait que vos panneaux sont un peu sales, qu'il y a un arbre qui fait de l'ombre à 14h, et que vos panneaux chauffent vite. Il prend la prédiction du "Chef Météo" et dit : "Ok, avec 500 watts de soleil, mon panneau spécifique va produire X énergie".

3. Ce qu'ils ont découvert (Les surprises)

En séparant les deux, ils ont appris des choses fascinantes :

• La météo est souvent trop optimiste : Le modèle météo a tendance à surestimer un peu le soleil (comme si le chef météo disait "il y a du soleil" alors qu'il y a un petit nuage).
• L'erreur explose quand on utilise la météo : Quand ils ont utilisé les vraies mesures du sol (la "vérité absolue") pour entraîner le "Chef Panneau", l'erreur était très faible (environ 2,8 %). Mais dès qu'ils ont utilisé la prévision météo (qui contient des erreurs), l'erreur a augmenté de 11 % à 68 % selon l'endroit !
  • L'image : C'est comme si votre GPS vous disait "tournez à droite" (la météo), mais que la route était bloquée. Votre voiture (le panneau) ne peut pas y aller, et vous finissez en retard. Plus la route est loin de chez vous, plus le GPS peut se tromper.

4. La forme de l'erreur : Ce n'est pas une cloche parfaite

En science, on imagine souvent que les erreurs suivent une courbe en forme de cloche (la courbe de Gauss), où la plupart des erreurs sont petites et les grosses erreurs sont très rares.

• La réalité : Les auteurs ont découvert que les erreurs réelles ressemblent plus à une montagne avec des pics très pointus et des "queues" longues.
• L'analogie : Imaginez une cloche de gymnastique. La plupart du temps, vous atterrissez au milieu. Mais parfois, vous glissez très loin sur le côté. Les modèles classiques ne prévoient pas ces "glissades lointaines". Les auteurs suggèrent d'utiliser des mathématiques plus complexes (distributions de Student ou hyperboliques) pour mieux gérer ces surprises.

5. Pourquoi est-ce important pour nous ?

Aujourd'hui, beaucoup de gens ont des panneaux solaires et des voitures électriques. Pour que le réseau électrique fonctionne bien, il faut savoir exactement combien d'électricité va arriver.

• Si on se trompe, on doit allumer des centrales à charbon d'urgence (ce qui est cher et polluant) ou on risque de couper le courant.
• En séparant la météo du panneau, les ingénieurs peuvent mieux calculer les risques. Ils savent : "Ah, la météo a une petite erreur ici, donc je vais ajouter une marge de sécurité pour ne pas être pris au dépourvu."

En résumé

Cet article nous dit : "Ne mettez pas tous vos œufs dans le même panier."
Pour prédire l'énergie solaire, il faut regarder séparément ce que le ciel va faire et comment votre panneau va réagir. Cela permet de mieux comprendre les erreurs, de mieux gérer les risques, et au final, d'avoir une électricité plus propre et plus fiable.

Résumé technique

1. Problématique et Contexte

La gestion de l'énergie, notamment pour les marchés de l'électricité, les micro-réseaux et l'autoconsommation, dépend de prévisions de production photovoltaïque (PV) précises. Cependant, les approches actuelles souffrent de plusieurs limitations :

• Métriques insuffisantes : Les métriques classiques (MAE, RMSE) résument la précision globale mais masquent la structure de la distribution des erreurs (asymétrie, queues lourdes, dépendance temporelle), qui est cruciale pour l'optimisation stochastique.
• Manque de décomposition : La plupart des modèles hybrides combinent les prévisions météorologiques et les modèles de centrales sans analyser séparément la source de l'erreur (météo vs caractéristiques du site).
• Hypothèses erronées : De nombreuses études supposent des erreurs gaussiennes ou une augmentation monotone de la variance avec l'horizon de prévision, ce qui n'est pas toujours vérifié empiriquement.

L'objectif de cet article est de combler ces lacunes en décomposant la chaîne de prévision et en caractérisant empiriquement les distributions d'erreurs pour améliorer la prise de décision risquée.

2. Méthodologie : Une Approche en Deux Étapes

Les auteurs proposent un cadre de prévision décomposé en deux modules distincts, permettant d'isoler les sources d'erreur :

A. Modèle de Caractéristiques de la Centrale (Plant Characteristic Model)

Ce module mappe les conditions météorologiques vers la production électrique spécifique au site.

• Approche : Utilisation d'un ensemble (ensemble learning) de réseaux de neurones à propagation avant (MLP - Multi-Layer Perceptrons).
• Entrées :
  • Historique de la puissance (décalages temporels).
  • Données météorologiques (irradiation GHI, température, angle d'élévation solaire).
  • Note importante : Pour l'entraînement, ce modèle utilise des observations satellitaires (Solcast) considérées comme une "vérité terrain" parfaite, afin d'apprendre les spécificités du site (orientation, ombrage, albédo) sans être biaisé par les erreurs des modèles numériques de prévision (NWP).
• Architecture : Un ensemble de 200 MLPs avec deux couches cachées (90 et 80 neurones) utilisant l'activation ReLU. La prédiction finale est la moyenne des sorties de l'ensemble.

B. Modèle de Prévision Météorologique (Weather Forecast Model)

Ce module fournit les variables météorologiques d'entrée (irradiation et température).

• Source : Le modèle NWP HRRRv4 (High-Resolution Rapid Refresh) pour les États-Unis, considéré comme l'état de l'art pour les prévisions à court terme.
• Traitement : Le modèle NWP est traité comme une "boîte noire". Les auteurs comparent ses prévisions aux observations satellitaires (Solcast) et aux mesures au sol (réseau SOLRAD) pour quantifier les erreurs météorologiques pures.

C. Analyse des Erreurs

Les auteurs analysent les distributions d'erreurs pour chaque étape (modèle de centrale seul, modèle météo seul, et modèle combiné) sur des horizons de prévision de 24 heures. Ils testent l'ajustement de plusieurs distributions paramétriques (Normale, Student's t, Hyperbolique généralisée) et étudient l'autocorrélation temporelle des erreurs.

3. Contributions Clés

1. Décomposition de l'erreur : Séparation explicite de l'erreur météorologique et de l'erreur de modélisation de la centrale, permettant d'identifier que l'erreur météo est souvent la source dominante de dégradation de la précision.
2. Caractérisation des distributions d'erreurs : Démonstration que les erreurs de prévision ne suivent pas une distribution gaussienne. Les distributions de Student's t et hyperboliques généralisées offrent un ajustement bien supérieur, capturant les queues lourdes et l'asymétrie.
3. Analyse de l'autocorrélation : Mise en évidence d'une forte autocorrélation temporelle des erreurs (ex: si l'erreur est faible à 13h, elle sera probablement faible à 14h), ce qui doit être pris en compte dans les modèles d'optimisation stochastique multi-périodes.
4. Validation empirique : Utilisation de données réelles sur deux systèmes PV distincts (Colorado et Nevada) avec des horizons de prévision réalistes (jour-ahead).

4. Résultats Principaux

• Performance du modèle de centrale (avec météo parfaite) :

  • L'erreur absolue moyenne (MAE) est d'environ 2,8 % de la puissance crête (≈ 28 W/kWp) pour les deux systèmes.
  • Les erreurs sont faiblement biaisées (sauf pour le système 1423 qui montre un sous-estimation due à un jeu de données d'entraînement plus petit).
  • Les distributions d'erreurs sont unimodales, avec une forte concentration autour de zéro et des queues lourdes (kurtosis élevé > 4,5).

• Impact de la prévision météorologique (HRRR) :

  • Le modèle HRRR présente un biais systématique positif (surestimation) de l'irradiation (GHI) d'environ 11,75 W/m² en moyenne.
  • L'erreur de température varie spatialement (biais positif de 3,88 °C pour le système 33, mais faible en moyenne régionale).
  • Contrairement aux hypothèses courantes, l'erreur ne augmente pas de manière monotone avec l'horizon de prévision sur plusieurs jours.

• Performance du modèle combiné :

  • L'utilisation des prévisions météo (au lieu des observations parfaites) dégrade significativement la précision :
    • Augmentation du MAE de 11 % pour le système 1423.
    • Augmentation du MAE de 68 % pour le système 33.
  • Cela démontre que la précision spatiale de la prévision météo est un facteur critique, souvent plus limitant que la modélisation de la centrale elle-même.
  • Le biais négatif du modèle de centrale (système 1423) est partiellement compensé par le biais positif de la météo, résultant en un biais combiné faible mais positif.

• Ajustement des distributions :

  • La distribution gaussienne (Normale) est rejetée pour de nombreux horizons (p-values < 0,05).
  • Les distributions Student's t et Hyperbolique généralisée s'ajustent beaucoup mieux aux données observées, offrant une représentation plus fidèle des risques de queue (tail risk).

5. Signification et Implications

Ce travail a des implications majeures pour l'optimisation stochastique et la gestion de l'énergie :

• Modélisation des risques : L'utilisation de distributions gaussiennes pour les erreurs de prévision PV conduit à une sous-estimation des risques extrêmes (queues lourdes). Les modèles d'optimisation doivent intégrer des distributions plus robustes (Student's t ou Hyperbolique).
• Stratégies de post-traitement : Puisque l'erreur météo est une source majeure d'incertitude, des stratégies de correction de biais (post-processing) sur les sorties NWP ou l'utilisation d'ensembles de modèles NWP sont recommandées.
• Dépendance temporelle : Les modèles de décision ne doivent pas traiter les erreurs de chaque heure comme indépendantes. L'autocorrélation temporelle doit être intégrée pour améliorer la fiabilité des stratégies de stockage et de marché.
• Généralisation : L'approche en deux étapes (météo + caractéristiques du site) peut être appliquée à d'autres énergies renouvelables (éolien) et à la prévision de charge, permettant une analyse fine des interactions entre les composants du modèle.

En résumé, l'article fournit des preuves empiriques solides pour passer d'une approche de prévision PV basée sur des métriques scalaires et des hypothèses gaussiennes à une approche probabiliste sophistiquée, décomposée et adaptée à la structure réelle des erreurs.