Learning Long-Term Temporal Dependencies in Photovoltaic Power Output Prediction Through Multi-Horizon Forecasting

Résumé technique : Apprentissage des dépendances temporelles à long terme dans la prédiction de la production d'énergie photovoltaïque par la prévision multi-horizon

Énoncé du problème
L'expansion rapide de la capacité photovoltaïque (PV) solaire introduit des défis majeurs pour la stabilité du réseau en raison du caractère intermittent de l'irradiation solaire, piloté par les variations saisonnières et les changements météorologiques soudains. Bien que la prévision directe basée sur l'apprentissage profond utilisant des images du ciel au sol (GSI) soit devenue une approche dominante, la littérature existante est contrainte par deux limitations principales :

1. Focus sur un horizon unique : La plupart des modèles sont entraînés pour prédire une seule valeur future (prédiction ponctuelle) à un instant $T$ spécifique, échouant à exploiter les riches dépendances temporelles inhérentes à l'évolution des conditions solaires.
2. Évaluations spécifiques à l'architecture : La recherche repose souvent sur une seule architecture de réseau (par exemple, une variante spécifique de CNN) et sur de petits jeux de données, limitant la généralisabilité des conclusions concernant les performances des modèles.

La question de recherche centrale abordée est de savoir si un modèle d'apprentissage profond entraîné à prévoir simultanément plusieurs points temporels futurs peut capturer plus efficacement les dépendances temporelles complexes régissant les conditions solaires par rapport à l'estimation ponctuelle traditionnelle.

Méthodologie
Les auteurs proposent un cadre de prévision multi-horizon qui déplace le paradigme de l'estimation à un pas unique vers une optimisation conjointe sur une séquence de valeurs futures.

• Formulation du problème : La tâche est définie comme une fonction de mapping $\psi$ qui prend en entrée les images du ciel historiques ($I$) et les productions d'énergie PV historiques ($P$) sur une fenêtre $H$ avec un intervalle $\delta$ pour prédire les productions futures.
  • Point unique : Prédit la production PV à un instant futur spécifique $t + T$.
  • Multi-horizon : Prédit simultanément les productions PV pour toute la séquence de $t + 1$ à $t + T$.
• Indépendance de l'architecture : L'approche est conçue pour être agnostique à l'architecture. Les auteurs la valident en utilisant deux modèles de base distincts :
  1. SUNSET : Une architecture CNN spécialisée conçue pour la prévision immédiate de la puissance PV basée directement sur les images.
  2. MobileNet (v3 large) : Un réseau convolutif léger et pré-entraîné modifié pour accepter des entrées d'images séquentielles et des données PV historiques.
• Traitement des entrées : Les modèles ingèrent des images du ciel RGB séquentielles (15 minutes historiques à des intervalles de 1 minute) et des données de puissance PV historiques. Pour MobileNet, la couche d'entrée est modifiée pour gérer plusieurs trames d'images, et les couches entièrement connectées sont figées ou adaptées pour fusionner les caractéristiques d'images et de séries temporelles.
• Fonction objectif : Les réseaux sont entraînés en utilisant la perte d'erreur quadratique moyenne (MSE) sur tous les pas de temps prédits dans l'horizon.

Contributions clés

1. Démonstration de l'apprentissage des dépendances à long terme : L'article fournit des preuves expérimentales montrant que l'optimisation conjointe sur une séquence de valeurs futures permet aux réseaux de neurones profonds de mieux capturer les dépendances temporelles latentes inter-pas.
2. Amélioration indépendante de l'architecture : L'approche multi-horizon s'avère améliorer la précision à travers différentes conceptions de réseaux (SUNSET et MobileNet), la positionnant comme une stratégie d'amélioration générale plutôt que comme un remplacement d'architectures spécifiques.
3. Parsimonie computationnelle : La méthode atteint une précision supérieure avec une surcharge computationnelle négligeable. L'augmentation des paramètres entraînables est minime (par exemple, ~0,15 % pour SUNSET et ~0,4 % pour MobileNet) par rapport aux modèles à sortie unique.

Résultats expérimentaux
La méthodologie a été évaluée en utilisant le jeu de données SKIPP'D (Sky Images and Photovoltaic Power Generation Dataset), comprenant des images du ciel alignées et des journaux PV de 2017 à 2019 sous diverses conditions météorologiques (ensoleillé, partiellement nuageux, couvert).

• Métriques de performance : L'approche multi-horizon a constamment surpassé la prédiction ponctuelle en termes d'erreur quadratique moyenne racine (RMSE) et d'erreur absolue moyenne (MAE).
  • Sur le modèle SUNSET avec des entrées de 64×64, les améliorations du RMSE étaient de 9,01 % (horizon de 15 min), 5,6 % (horizon de 30 min) et 3,4 % (horizon de 60 min).
  • Des améliorations ont été observées tant pour les jours ensoleillés que pour les jours nuageux, avec des gains particulièrement significatifs les jours ensoleillés (par exemple, une amélioration du RMSE de 56,13 % sur un jour d'essai ensoleillé spécifique).
• Analyse statistique : Les modèles multi-horizon ont démontré des scores $R^2$ plus élevés et des lignes de régression plus proches de la ligne d'identité (ligne à 45 degrés), indiquant une meilleure adéquation et une meilleure généralisation.
• Analyse des mécanismes internes :
  • Gradients de poids : L'analyse des magnitudes des gradients a révélé que les modèles multi-horizon présentent un taux de convergence plus lent par rapport aux modèles ponctuels. Cela suggère que le réseau évite une « convergence prématurée » (coincé dans des minima locaux) et continue d'apprendre des caractéristiques complexes pendant une durée plus longue.
  • Diversité des filtres : L'analyse de similarité cosinus des filtres a montré que l'entraînement multi-horizon maintient une plus grande diversité des filtres, empêchant le réseau de s'effondrer vers des représentations de caractéristiques redondantes.

Portée et affirmations
L'article affirme que ce travail fournit une solution évolutive et efficace pour améliorer la résilience des réseaux électriques modernes. En passant de l'estimation ponctuelle à un cadre holistique multi-horizon, les auteurs démontrent que :

• Les modèles d'apprentissage profond peuvent mieux modéliser l'évolution des conditions solaires en évitant une convergence prématurée.
• Cette amélioration est obtenue sans coût computationnel significatif, la rendant hautement adaptée à l'intégration en temps réel dans le réseau.
• L'approche sert de mise à niveau robuste et indépendante de l'architecture pour les modèles de prévision existants, améliorant la précision prédictive sur tout l'horizon de prévision.

Les auteurs restent modestes concernant les implications futures, notant que les expériences actuelles sont limitées au jeu de données SKIPP'D (climat californien) et à des systèmes PV résidentiels à petite échelle. Ils suggèrent que les travaux futurs pourraient explorer des conditions météorologiques mondiales diversifiées, la variabilité spatiale à l'échelle des services publics, et l'intégration de variables météorologiques (humidité, vent) ou d'architectures basées sur les transformateurs.