A Novel Hybrid VMD-TCN-BiGRU Model for Solar Irradiation Prediction Using Long-Term Monthly Meteorological Data

Résumé technique : Un nouveau modèle hybride VMD-TCN-BiGRU pour la prédiction de l'irradiation solaire

Énoncé du problème
L'énergie solaire est un composant critique de la transition mondiale vers une énergie durable, pourtant son intégration dans les systèmes énergétiques est entravée par la nature intermittente de l'irradiation solaire (IS). La prévision précise de l'IS est essentielle pour les décisions d'investissement, la stabilité du réseau et le fonctionnement efficace des systèmes photovoltaïques (PV). Bien que diverses méthodes d'apprentissage automatique (ML) et d'apprentissage profond (DL) aient été appliquées à la prédiction de l'IS, la littérature existante repose souvent sur des modèles classiques ou manque d'architectures hybrides puissantes capables de gérer la non-linéarité d'ordre élevé et la non-stationnarité inhérentes aux données météorologiques à long terme. Le défi consiste à développer un modèle capable d'extraire efficacement les dépendances temporelles et les composantes de fréquence à partir de jeux de données météorologiques complexes afin d'obtenir une précision de prédiction supérieure.

Méthodologie
Cette étude propose un nouveau cadre d'apprentissage profond hybride intégrant la Décomposition en Modes Variationnels (VMD), les Réseaux Convolutifs Temporels (TCN) et les Unités Récurrentes à Portes Bidirectionnelles (BiGRU). Le modèle a été appliqué pour prédire l'IS mensuelle pour le district de Karapınar à Konya, en Turquie, en utilisant des données météorologiques à long terme (janvier 1984 – décembre 2025) provenant de NASA POWER.

L'architecture proposée fonctionne via quatre étapes séquentielles :

1. Prétraitement des données : Les données brutes d'IS subissent une transformation logarithmique ($x(t) = \log(1+y(t))$) pour atténuer les effets des pics soudains et du bruit, suivie d'une normalisation dans l'intervalle $[0, 1]$.
2. Décomposition basée sur la VMD : Le signal prétraité est décomposé en $K=6$ Fonctions de Mode Intrinsèque (IMF) uniques. Cette étape isole les structures linéaires et non stationnaires, permettant aux couches suivantes d'identifier des motifs périodiques uniques au sein de bandes de fréquences spécifiques.
3. Moteur hiérarchique TCN-BiGRU : Chaque composante IMF est traitée en parallèle par un bloc d'apprentissage profond :
   • Couche TCN : Utilise des convolutions causales dilatées pour capturer les dépendances temporelles à long terme avec un champ récepteur étendu, extrayant des caractéristiques hiérarchiques des IMF.
   • Couche BiGRU : Traite les caractéristiques issues du TCN dans les directions directe et inverse pour capturer les relations temporelles bidirectionnelles, évitant la perte de données et atténuant les problèmes de disparition du gradient courants dans les RNN standards.
4. Agrégation et reconstruction : Les prédictions pour chacune des six IMF sont additionnées pour reconstruire le signal final. Une transformation logarithmique inverse ($\exp(x) - 1$) est appliquée pour convertir la sortie vers les unités d'origine ($kW\cdot h/m^2/jour$).

Évaluation comparative
Les performances du modèle hybride VMD-TCN-BiGRU proposé ont été rigoureusement comparées à huit algorithmes établis : XGBoost, Light Gradient Boosting Machine (LGBM), Réseau de Neurones Convolutifs (CNN), Arbre de Décision (DT), Long Short-Term Memory (LSTM), Elastic Net (ENet), Extreme Learning Machine (ELM) et Histogram-Based Gradient Boosting (HGB). Tous les modèles ont été entraînés sur une répartition 80/20 du jeu de données en utilisant des stratégies d'optimisation d'hyperparamètres identiques.

Résultats clés
L'étude a utilisé de multiples métriques d'évaluation, incluant l'Erreur Quadratique Moyenne (MSE), l'Erreur Quadratique Moyenne (RMSE), l'Erreur Absolue Moyenne (MAE), l'Erreur Absolue en Pourcentage (MAPE), le Coefficient de Détermination ($R^2$) et la Déviation de Prédiction Résiduelle (RPD).

• Réduction de l'erreur : Le modèle hybride proposé a obtenu les taux d'erreur les plus bas parmi les neuf modèles, avec un MSE de 0,0593, un RMSE de 0,2434, un MAE de 0,1879 et un MAPE de 4,14 %.
• Pouvoir explicatif : Le modèle a atteint la valeur $R^2$ la plus élevée de 0,9849, indiquant qu'il a réussi à modéliser presque toute la variabilité du jeu de données.
• Fiabilité (RPD) : Le modèle a obtenu une valeur RPD de 8,137, surpassant nettement le modèle suivant (XGBoost à 6,037). Un RPD supérieur à 8,0 suggère que le modèle est hautement fiable pour des applications pratiques.
• Stabilité et généralisation : Une analyse de validation croisée à 10 plis a confirmé la stabilité du modèle, avec des valeurs $R^2$ allant de 97,05 % à 99,34 % à travers les plis, démontant sa robustesse contre le surapprentissage.
• Distribution de l'erreur : Les analyses par histogramme et par densité de probabilité ont révélé que les erreurs du modèle proposé étaient le plus concentrées autour de zéro avec la moindre dispersion, tandis que les autres modèles présentaient des queues d'erreur plus larges et une déviation plus grande.

Signification et revendications
Les auteurs affirment que le modèle hybride VMD-TCN-BiGRU représente une avancée significative dans la prédiction de l'IS en répondant aux limites des modèles à architecture unique. L'étude soutient que l'intégration de la VMD sépare efficacement le bruit et les composantes de signaux complexes, tandis que la combinaison TCN-BiGRU exploite à la fois l'extraction de caractéristiques locales et l'apprentissage temporel bidirectionnel.

L'article conclut que cette approche hybride offre une précision et une fiabilité supérieures aux méthodes standards de ML et de DL (incluant les CNN et les LSTM) pour les prévisions d'IS mensuelles à long terme. Les auteurs positionnent le modèle comme un outil supérieur pour la gestion de l'énergie, la planification du réseau et l'optimisation des systèmes PV, particulièrement dans les régions à fort potentiel solaire comme Karapınar. La recherche souligne que la combinaison spécifique de la décomposition de signal et de l'apprentissage profond bidirectionnel est la clé pour atteindre ce niveau de précision de 98,5 %. Les travaux futurs suggérés par les auteurs incluent le test du modèle dans différentes zones climatiques et l'exploration de son application à d'autres sources d'énergie renouvelable comme l'éolien.