An AI-Based Decision-Support Pipeline for Day-Ahead Photovoltaic Forecasting

Imaginez que vous essayiez de deviner la quantité d'énergie qu'une ferme solaire produira demain. Ce n'est pas seulement un jeu de devinettes ; c'est un casse-tête à enjeux élevés pour notre avenir. Nous vivons dans un monde qui tente de passer des centrales électriques sales et enfumées à une électricité propre, alimentée par le soleil. Mais le soleil est un ami capricieux. Il se cache derrière les nuages, change avec les saisons et disparaît la nuit. Pour que cette énergie propre fonctionne, nous devons savoir exactement quelle puissance sera disponible avant même que le soleil ne se lève. C'est le travail de la « prévision photovoltaïque ».

Considérez cela comme essayer de prédire combien de personnes assisteront à une fête. Si vous vous trompez, vous risquez de manquer de nourriture (pas assez de puissance pour les voitures électriques) ou d'en avoir trop en trop (énergie gaspillée). Les scientifiques utilisent deux méthodes principales pour faire ces suppositions. La première est la « physique », qui consiste à utiliser une carte et une boussole pour calculer où le soleil devrait se trouver en se basant sur les mathématiques et la rotation de la Terre. La seconde est l'« apprentissage automatique » (machine learning), qui est comme un étudiant super intelligent qui observe des milliers de fêtes passées pour voir les modèles de changement météorologique. Habituellement, nous pensons que plus l'étudiant est complexe, meilleur est son pronostic. Mais et si l'étudiant regardait la mauvaise carte ? Et si la carte était décalée d'une heure ? C'est le problème délicat que cet article aborde : comment construire une prévision fiable quand nous ne disposons pas d'années de données parfaites, et quand nos cartes et nos horloges ne sont même pas forcément d'accord ?

Le décalage des prévisions solaires

Cet article traite d'une équipe de chercheurs qui s'est rendue dans une toute nouvelle station de recharge pour véhicules électriques à Southampton, au Royaume-Uni, pour résoudre un casse-tête très spécifique. Cette station, appelée FEVER, possède des panneaux solaires pour alimenter ses chargeurs, mais elle est nouvelle. Elle ne possède qu'environ un an de données, et certaines de ces données sont manquantes ou désordonnées. Les chercheurs voulaient construire un système d'IA capable de prédire la puissance solaire pour les prochaines 24 heures, heure par heure, afin d'aider à la gestion de la station de recharge.

Ils ont découvert que le plus gros problème n'était pas que leurs modèles d'IA étaient trop simples, mais que les données étaient légèrement « désynchronisées ». Imaginez essayer de cuisiner un gâteau alors que votre recette dit « mélanger à 9h00 », mais que l'horloge de votre four est réglée sur 8h00. Vous mélangeriez la pâte une heure trop tôt, et le gâteau serait un désastre. Les chercheurs ont découvert que les mesures de puissance solaire de la station et les données météorologiques provenant d'Internet public étaient décalées de exactement une heure. Lorsqu'ils ont corrigé ce « décalage d'horodatage », leurs suppositions simples basées sur la physique se sont nettement améliorées, passant d'une correspondance de 42 % à 60 % avec la réalité. Cependant, les modèles d'IA sophistiqués étaient si flexibles qu'ils pouvaient largement ignorer cette erreur et tout de même donner des résultats corrects, bien qu'ils ne soient pas parfaits.

L'approche de l'« Équipe de Cuisine »

Au lieu de s'appuyer sur un seul type de modèle d'IA, l'équipe a décidé de construire une « équipe de cuisine » composée de différents modèles, chacun ayant une spécialité différente. Ils n'ont pas simplement lancé un grand réseau de neurones sur le problème ; ils ont essayé cinq approches différentes :

1. Le Penseur Linéaire : Un modèle simple qui recherche des relations de lignes droites.
2. Le Détecteur de Motifs : Un modèle qui devient performant pour trouver des motifs complexes et non linéaires dans les données.
3. Le Spécialiste du « Ciel Clair » : Un modèle qui calcule d'abord la puissance qui serait disponible lors d'une journée parfaite sans nuages, puis essaie de deviner comment les nuages réduiront ce montant.
4. L'Expert Horaire : Un modèle qui possède 24 « cerveaux » différents, un pour chaque heure de la journée, car le soleil se comporte différemment à 7h00 du matin qu'à 14h00.
5. Le Lecteur d'Images : Un modèle qui regarde les données météorologiques comme une image (une grille de jours et d'heures) pour repérer le mouvement des nuages.

Les chercheurs ont ensuite utilisé une astuce ingénieuse appelée « empilement » (stacking). Imaginez un enseignant demandant à cinq étudiants différents de résoudre un problème de mathématiques. Au lieu de simplement choisir celui qui a la meilleure réponse, l'enseignant regarde comment chaque étudiant a réussi les tests d'entraînement et leur attribue un « poids de vote ». Si le « Détecteur de Motifs » est généralement juste lors des journées nuageuses, il reçoit plus de voix. Si l'« Expert Horaire » est excellent pour les prédictions matinales, il reçoit plus de voix pour le matin. La prévision finale est une moyenne pondérée de tous leurs pronostics.

Les Résultats : Plus Intelligent, Pas Seulement Plus Grand

L'équipe a testé son système de deux manières. Premièrement, ils ont mélangé les jours de manière aléatoire (comme on mélange un jeu de cartes) pour voir si les modèles apprenaient les règles générales. Deuxièmement, ils ont utilisé un test plus strict appelé « origine glissante » (rolling-origin), qui simule la vie réelle : ils ont entraîné le modèle sur des données passées et lui ont demandé de prédire le futur, jour après jour, sans regarder en avant.

Voici ce qu'ils ont trouvé :

• L'Équipe Gagne : L'équipe de modèles « empilés » a battu n'importe quel modèle individuel. Dans le test de mélange aléatoire, l'équipe a réduit l'erreur d'environ 32 % par rapport à une méthode de « persistance intelligente » (qui ajuste la production de la veille en fonction des conditions de ciel clair attendues). Dans le test plus strict de la vie réelle, elle a tout de même amélioré l'erreur de 9 % par rapport à cette même base de persistance intelligente.
• La Physique Compte : L'approche du « Ciel Clair » a été très utile. En apprenant à l'IA à d'abord comprendre l'« enveloppe solaire » (la puissance maximale possible basée sur la position du soleil) et ensuite à simplement deviner l'effet de la météo, les modèles ont appris plus vite et ont fait de meilleures prédictions.
• La Météo à Court Terme est la Clé : L'ingrédient le plus important pour une bonne prévision n'était pas les mathématiques complexes de la position du soleil, mais plutôt de savoir ce que faisait la météo il y a une heure et dans une heure. Les nuages se déplacent vite, et connaître leur voisinage immédiat a aidé l'IA à deviner où ils iraient ensuite.

Pourquoi cela Importe

L'article suggère que pour les nouveaux sites solaires où nous ne disposons pas d'années de données parfaites, nous n'avons pas besoin d'attendre une base de données massive pour construire une bonne prévision. En corrigeant les erreurs de données simples (comme le décalage d'une heure de l'horloge), en utilisant la physique pour guider l'IA et en combinant différents types de modèles, nous pouvons obtenir des prédictions fiables beaucoup plus tôt.

Cependant, les auteurs précisent avec prudence que ce n'est pas une solution miracle. Le test de l'« origine glissante » a montré que lorsque la météo change de manières que le modèle n'a pas encore rencontrées (comme un changement de saison), la précision chute. Cela suggère que bien que le système soit excellent pour un usage immédiat, il doit encore continuer à apprendre à mesure que de nouvelles données arrivent. L'étude prouve qu'un pipeline bien organisé — corriger les horloges, utiliser les bonnes caractéristiques et écouter une équipe de modèles diversifiés — est souvent plus puissant que d'utiliser simplement le modèle d'IA le plus vaste et le plus complexe. C'est un rappel que dans le monde de l'énergie verte, parfois, la meilleure façon de prédire l'avenir est de s'assurer que vos données présentes sont parfaitement alignées.