ST-GAIN+: A Spatiotemporal Generative Adversarial Network for Missing Solar Irradiance Data Imputation

Dans le monde des énergies renouvelables, le soleil est la source d'énergie ultime, mais son rendement est notoirement capricieux. Des nuages dérivent dans le ciel, des capteurs tombent en panne et des lignes de communication se coupent, laissant des lacunes dans les données sur lesquelles les ingénieurs comptent pour gérer le réseau électrique. Ces pièces manquantes sont plus que de simples zones vides sur un graphique ; elles sont des trous dans les fondations de la planification énergétique moderne. Sans une image complète de la quantité de lumière solaire qui frappe une ferme solaire à n'importe quel moment donné, il devient difficile de prédire la quantité d'électricité qui sera générée, ce qui rend difficile l'équilibre entre l'offre et la demande ou le stockage efficace de l'énergie. Pendant des décennies, des scientifiques ont tenté de combler ces lacunes à l'aide de raccourcis mathématiques, mais ces méthodes traditionnelles peinent souvent lorsque les données manquantes sont étendues ou lorsque les motifs du soleil sont complexes et changent rapidement. Elles ont tendance à manquer les connexions subtiles entre différentes stations météorologiques ou ne parviennent pas à prendre en compte le fait qu'une lacune dans les données peut être plus qu'un simple nombre — elle pourrait représenter une incertitude significative dans le système.

Pour résoudre cela, une équipe de chercheurs a développé une nouvelle approche appelée ST-GAIN+, un système informatique sophistiqué conçu pour reconstruire les données solaires manquantes avec une précision et une confiance élevées. Au lieu de simplement deviner les nombres manquants en se basant sur des valeurs proches, ce système apprend les rythmes complexes du soleil en étudiant de vastes quantités de données réelles provenant de multiples localisations. Il fonctionne en simulant un processus compétitif où une partie du système tente de créer des données manquantes réalistes, tandis qu'une autre partie agit comme un juge strict, tentant de repérer les faux. À travers cet entraînement de va-et-vient, le système apprend à combler les blancs d'une manière indiscernable des observations réelles. Crucialement, contrairement aux anciennes méthodes qui fournissent une réponse unique et fixe, ce nouveau cadre calcule également à quel point il est sûr de sa supposition. Il fournit une mesure de confiance, indiquant aux gestionnaires d'énergie non seulement quelle est la valeur probable manquante, mais aussi quel degré de confiance ils peuvent accorder à ce nombre.

Les chercheurs ont testé ce système sur trois ensembles distincts de données solaires réelles, allant d'un site unique à Oman à de vastes réseaux à travers les États-Unis. Ils ont délibérément supprimé de larges segments de données pour simuler des pannes sévères, testant le système avec des taux de données manquantes atteignant 90 pour cent. Dans ces scénarios extrêmes, où seul un point de donnée sur dix subsistait, le système a continué à fonctionner avec une stabilité remarquable. Il a systématiquement produit des erreurs incroyablement faibles, restant bien en dessous du seuil qui perturberait la planification énergétique. L'étude a révélé que la capacité du système à comprendre à la fois le passage du temps et les relations entre différentes localisations était la clé de son succès. En combinant une méthode qui suit les modèles à long terme avec un mécanisme qui pondère l'importance de différents pas de temps et de différentes localisations, le modèle a pu récupérer le comportement du soleil même lorsque les données étaient presque totalement absentes.

Une partie importante de la recherche s'est concentrée sur la compréhension de la raison pour laquelle le système fonctionnait si bien. L'équipe a systématiquement retiré différentes parties du modèle pour voir quels composants étaient essentiels. Ils ont découvert que la capacité à estimer l'incertitude était le facteur le plus critique. Lorsque le système était forcé de deviner sans ce contrôle de confiance, sa précision chutait de manière spectaculaire et les erreurs devenaient beaucoup plus importantes. Cela suggère que le fait de savoir à quel point le modèle est incertain l'aide à prendre de meilleures décisions lorsque les données sont rares. L'étude a également montré que si le système gérait bien les emplacements uniques, il excellait véritablement lorsqu'il traitait de multiples sites répartis sur une région, prouvant qu'il pouvait efficacement utiliser les modèles météorologiques d'une station pour aider à combler les lacunes d'une autre.

Les conclusions suggèrent que cette nouvelle approche offre une solution robuste à un problème qui tourmente depuis longtemps les systèmes d'énergie renouvelable. En fournissant des reconstructions précises même lorsque les données sont sévèrement incomplètes, et en énonçant explicitement le niveau de confiance de ces reconstructions, le système offre un outil qui peut aider les opérateurs de réseau à prendre des décisions plus sûres et plus éclairées. Les chercheurs notent que, bien que leurs tests actuels se soient concentrés sur des données manquantes aléatoires, le cadre est conçu pour être adaptable. Les travaux futurs exploreront comment le système gère des types de pertes de données plus complexes et comment il peut être intégré directement dans les outils de prévision en temps réel. Pour l'instant, les résultats indiquent qu'une combinaison d'apprentissage antagoniste, de reconnaissance de formes profonde et d'estimation de l'incertitude constitue une nouvelle façon puissante de garantir que l'énergie du soleil est suivie de manière fiable, quels que soient la météo ou les capteurs.