Résumé Technique : UniWind

Énoncé du Problème

La prévision de la puissance éolienne à l'avance pour le lendemain est cruciale pour l'exploitation rentable des systèmes électriques, car les décisions du marché de l'électricité doivent être prises avant la livraison de la puissance. Contra\à l'enseignement classique des séries temporelles, cette tâche repose fortement sur les conditions météorologiques futures plutôt que sur les schémas de puissance historiques. Cependant, la puissance observée d'un parc éolien est un signal entrelacé comprenant la puissance physiquement disponible, les effets environnementaux locaux et les états opérationnels latents (ex. : arrêts et délestages).

Les approches existantes font face à deux limitations principales :

1. Modèles Physiques : Bien qu'ils fournissent des contraintes fiables via des biais inductifs basés sur la physique, ils peinent à s'adapter aux facteurs endogènes spécifiques au site (ex. : circulation induite par le terrain) et aux états opérationnels latents, ce qui entraîne une faible généralisation entre les différents parcs éoliens.
2. Modèles Fondés sur les Données : Ces méthodes capturent des corrélations empiriques riches mais confondent souvent les effets météorologiques avec les écarts induits par l'état. Par conséquent, elles manquent de robustesse sous diverses conditions opérationnelles et ne parviennent pas à distinguer si les écarts de puissance proviennent de changements météorologiques ou d'interventions opérationnelles cachées.

Le défi central consiste à construire un modèle qui sépare explicitement la dépendance des conditions météorologiques du potentiel de puissance physique, et plus encore, de la puissance réalisée sous des interventions d'états cachés, tout en équilibrant les principes physiques universels et l'adaptation spécifique au site.

Méthodologie : UniWind

UniWind est un modèle de routage d'état informé par la physique, conçu pour découpler la puissance physiquement disponible des écarts opérationnellement induits. Le cadre se compose de trois étapes séquentielles :

1. Estimateur de Prior Physique

Ce module construit un a priori physique calibré pour le site, représentant le potentiel de génération idéal sous des conditions météorologiques données.

• Normalisation Physique : Il applique un ajustement de la vitesse du vent sensible à la densité ($\tilde{v} = v(\rho/\rho_0)^{1/3}$) pour s'aligner avec la relation de l'énergie éolienne $P \propto \rho v^3$.
• Déformation Monotone Conditionnée par le Site : Pour s'adapter à des sites spécifiques sans violer les lois physiques, le modèle utilise une fonction de déformation monotone apprenable paramétrée par des caractéristiques du site ($c$). Cela mappe la vitesse du vent équivalente en vitesse de vent effective, préservant l'ordre des vitesses de vent.
• Courbe de Puissance Physique Partagée : Une courbe lisse et apprenable capture la structure physique commune de la génération éolienne (proche de zéro avant la vitesse de coupure, croissance non linéaire et saturation). Cette courbe est normalisée par des ancres conditionnées par le site (de type vitesse de coupure et de type vitesse nominale).
• Contrainte de Limite Supérieure : L'a priori est façonné comme une enveloppe supérieure douce de la génération disponible. Une fonction de perte garantit que l'a priori couvre la puissance observée tout en restant serré lors du fonctionnement régulier, évitant ainsi la surestimation.

2. Encodeur d'État Latent

Ce module infère les états opérationnels inobservables et variables dans le temps en analysant les écarts entre la puissance observée et l'a priori physique.

• Encodage d'État Historique : Il construit des jetons d'état à partir de la puissance historique, de l'a priori physique, des résidus et de leurs différences temporelles. Ceux-ci sont encodés en plongements (embeddings) d'états historiques.
• Récupération d'État Futur : Utilisant un mécanisme similaire à l'attention, le modèle traite les plongements météorologiques futurs comme des requêtes (queries) et les plongements météo/états historiques comme des clés (keys) et des valeurs (values). Cela permet de récupérer les plongements d'états latents futurs en transférant des motifs provenant de contextes météorologiques historiques similaires.
• Affinement : Un réseau de neurones convolutifs temporels (TCN) causal affine la séquence d'états combinée, la fusionnant avec les caractéristiques météorologiques pour produire les plongements d'états finaux.

3. Correcteur de Puissance Sensible à l'État

Cette étape transforme l'a priori physique en prévisions de puissance réalisée en appliquant des corrections spécifiques à l'état.

• Conditionnement par Contexte de Site : Les caractéristiques du site et les statistiques de puissance historique sont encodées et injectées dans les plongements d'état pour tenir compte des caractéristiques persistantes du site.
• Routage Supervisé par État : Un routeur assigne chaque pas de temps à l'un des trois experts d'état opérationnel : Régulier, Délestage (Curtailment) ou Arrêt (Shutdown). Le routage est supervisé par des étiquettes de priorité d'état dérivées du comportement de la puissance éolienne (et non d'annotations opérationnelles de vérité terrain).
• Correction d'Expert Bornée : Chaque expert applique un mécanisme de correction distinct :
  • Arrêt : Définit la sortie à zéro.
  • Délestage : Apprend un ratio de limite supérieure.
  • Régulier : Apprend une correction multiplicative sous la limite de capacité nominale.
    La prévision finale est une agrégation pondérée par le routage des sorties des experts bornés.

Contributions Clés

1. Cadre Unifié : Propose UniWind, le premier modèle qui factorise explicitement la prévision de la puissance éolienne à l'avance pour le lendemain en un potentiel physique piloté par la météorologie et une génération réalisée dépendante de l'état.
2. A Priori Physique Calibré pour le Site : Développe un Estimateur de Prior Physique qui combine des structures d'énergie éolienne partagées avec une calibration monotone conditionnée par le site et une régularisation de limite supérieure physique, évitant la rigidité des formules fixes et le surapprentissage des méthodes fondées sur les données non contraintes.
3. Modélisation d'État Latent : Introduit un Encodeur d'État Latent et un Correcteur de Puissance Sensible à l'État pour modéliser les états opérationnels inobservables. Le système récupère les représentations d'états futurs à partir des motifs météo-états historiques et applique des corrections bornées supervisées par la connaissance.
4. Validation Empirique : Réalise des expériences approfondies sur plus de 20 jeux de données réels de parcs éoliens, démontrant une précision et une robustesse supérieures dans les configurations "full-shot" et "cross-farm zero-shot".

Résultats Expérimentaux

Les auteurs ont évalué UniWind sur 24 jeux de données réels provenant du Royaume-Uni et de trois provinces chinoises (Shandong, Shanxi, Anhui), utilisant des données à intervalles de 15 minutes.

• Performance Full-Shot : UniWind a obtenu la meilleure performance sur tous les jeux de données représentatifs et toutes les métriques (MAE et RMSE) par rapport aux modèles physiques, aux bases statistiques (LightGBM, XGBoost), aux modèles de séries temporelles (PatchTST, iTransformer) et aux modèles spécifiques aux énergies renouvelables. Par exemple, sur le jeu de données SD_A, UniWind a réduit la MAE à 12,05 contre 14,90 pour LightGBM et 28,64 pour PowerCurve.
• Performance Zero-Shot : Dans les configurations zero-shot inter-parcs (entraînement sur tous les jeux de données sauf la cible), UniWind a largement surpassé les modèles de fondation spécifiques à l'éolien (WindFM) et les modèles de fondation de séries temporelles génériques (Chronos-2, Moirai). Cela indique que la combinaison de covariables NWP futures avec des a priori physiques transférables est plus efficace qu'un pré-entraînement purement spécifique au domaine ou générique.
• Robustesse : Sous diverses conditions (vent faible/fort, états réguliers/anormaux), UniWind a systématiquement surpassé les modèles de référence, particulièrement dans les états "anormaux" où les autres modèles peinaient à distinguer les changements météorologiques des interventions opérationnelles.

Signification et Revendications

L'article affirme que UniWind comble une lacune critique dans la prévision de la puissance éolienne en séparant explicitement le potentiel de génération physique de la puissance réalisée dépendante de l'état. En intégrant des contraintes informées par la physique avec un routage d'état latent, le modèle évite les pièges des formules physiques fixes (qui manquent d'adaptabilité) et des approches purement fondées sur les données (qui confondent les effets physiques et opérationnels). Les auteurs soutiennent que cette approche permet une prévision à l'avance pour le lendemain plus précise et robuste, essentielle pour une exploitation fiable des systèmes électriques et la prise de décision sur les marchés de l'électricité. Les résultats suggèrent que la modélisation explicite de la chaîne de dépendance, de la météorologie au potentiel physique, puis à la réalisation médiée par l'état, est une étape nécessaire pour faire progresser la prédiction éolienne au-delà des méthodes actuelles de l'état de l'art.