Des chercheurs de la North Carolina State University ont démontré des techniques capables d'améliorer les prévisions de production solaire à J+1 de jusqu'à 13 % par rapport au modèle de prévision individuel le plus performant de manière constante. Les prévisions à J+1 sont particulièrement cruciales pour les opérateurs de réseau, car elles éclairent les décisions de planification du marché et d'engagement des unités — le processus par lequel les centrales électriques sont désignées pour fonctionner afin de répondre à la demande anticipée — prises 24 heures à l'avance. Les résultats, publiés dans le Journal of Cleaner Production, soulignent également le rôle déterminant que jouent les variables régionales dans la conception de modèles de prévision précis.

« À mesure que la pénétration du solaire continue d'augmenter, l'incertitude des prévisions devient une considération clé pour les planificateurs énergétiques et les opérateurs de réseau qui doivent équilibrer l'offre et la demande », a déclaré Anderson De Queiroz, professeur agrégé de génie civil, de la construction et de l'environnement à NC State et co-auteur de l'article. « Nos résultats démontrent que la combinaison de plusieurs modèles basés sur l'apprentissage automatique peut fournir des prédictions plus robustes et contribuer à améliorer la fiabilité de l'intégration du solaire dans les systèmes électriques. »

Pour établir une référence, l'équipe de recherche a d'abord évalué deux grandes catégories de modèles de prévision : les modèles statistiques, qui identifient les schémas historiques, et les approches basées sur les réseaux de neurones artificiels, qui sont mieux adaptées à la capture des relations temporelles non linéaires. À partir de ces catégories, l'équipe a sélectionné sept modèles à tester.

Les modèles ont été évalués à l'aide de données météorologiques et de production d'énergie solaire couvrant la période de 2019 à 2022, provenant de deux services publics californiens : l'Imperial Irrigation District (IID) et le Los Angeles Department of Water and Power (LADWP). La Californie est le leader aux États-Unis en termes de capacité solaire installée, ce qui en environnement particulièrement pertinent pour étudier les défis de prévision associés à une forte pénétration solaire.

« Nous voulions utiliser les modèles pour trouver la relation entre les données météorologiques et la production d'énergie solaire », a déclaré Yen-Hsi Chou, chercheuse postdoctorale à NC State et auteure correspondante de l'article. « Mais le résultat le plus intéressant a été qu'aucun modèle unique n'a été le meilleur dans tous les cas. Nous avons choisi le modèle le plus régulièrement performant, BiLSTM, comme référence et avons constaté qu'en combinant les prévisions de différents modèles individuels, nous pouvions améliorer davantage les performances de prévision de plus de 10 % dans certains cas, ce qui est assez impressionnant. »

Les chercheurs ont testé deux approches d'ensemble. La première, la moyenne pondérée, combine les prévisions de modèles spécifiques à chaque emplacement, entraînés séparément, et attribue un poids plus important aux modèles les plus performants. La seconde, appelée multi-entrée, permet à chaque modèle d'intégrer des données météorologiques provenant de plusieurs emplacements géographiques.

Les résultats ont varié de manière significative selon la région. La moyenne pondérée a apporté des améliorations allant jusqu'à 11 % pour l'IID, tandis que l'approche multi-entrée a permis des améliorations de prévision allant jusqu'à 13 % pour le LADWP.

« L'une des principales leçons de ces travaux est qu'il n'existe pas de stratégie de prévision universelle qui fonctionne aussi bien partout », a déclaré De Queiroz. « Comprendre les caractéristiques de chaque région et tirer parti des informations provenant de plusieurs modèles et emplacements est extrêmement important pour développer des outils de prévision à la fois précis et utiles pour soutenir la prise de décision associée aux opérations réelles du réseau. »

« Dans l'ensemble, nos résultats indiquent que les méthodes d'ensemble ont effectivement le potentiel d'améliorer davantage les prédictions par rapport à un modèle individuel, mais les méthodes doivent être testées et ajustées pour la région spécifique où elles seront utilisées », a ajouté Chou.

La recherche a été soutenue en partie par la National Science Foundation. Les autres contributeurs de NC State à l'article incluent Arundhuti Haldar, doctorante au Département de génie électrique et informatique, et Shubh Nisar, ancien étudiant diplômé en informatique.

L'article complet est disponible dans le Journal of Cleaner Production via ScienceDirect.