L’énergie solaire jouant un rôle croissant dans l’approvisionnement mondial en électricité, il est essentiel d’assurer des prévisions précises de la production d’énergie photovoltaïque (PV) pour équilibrer l’offre et la demande d’énergie. Une nouvelle étude publiée dans « Advances in Atmospheric Sciences » examine comment l’apprentissage automatique et les techniques statistiques peuvent affiner ces prévisions en corrigeant les erreurs des modèles météorologiques.
Les prévisions météorologiques sont un élément clé des modèles de prévision de l’énergie photovoltaïque, mais elles contiennent souvent des erreurs systématiques qui nuisent à leur précision. Des chercheurs de l’Institut de statistique de l’Institut de technologie de Karlsruhe ont examiné différentes façons d’améliorer ces prévisions en appliquant des techniques de post-traitement à différents stades du processus de prévision.
Leur étude a testé trois stratégies : l’ajustement des prévisions météorologiques avant qu’elles n’entrent dans les modèles photovoltaïques, l’affinement des prévisions de puissance après coup et l’utilisation de l’apprentissage automatique pour prévoir la puissance solaire directement à partir des données météorologiques.
« Les prévisions météorologiques ne sont pas parfaites et ces erreurs se répercutent sur les prévisions relatives à l’énergie solaire », explique Nina Horat, auteur principal de l’étude. « En ajustant les prévisions à différents stades, nous pouvons améliorer de manière significative la qualité des prévisions de production d’énergie solaire. »
Les résultats de l’étude révèlent que le post-traitement améliore davantage les prévisions de production d’énergie solaire lorsqu’il est appliqué aux prévisions de production d’énergie plutôt qu’aux données météorologiques. Alors que les modèles d’apprentissage automatique sont généralement plus performants que les méthodes statistiques traditionnelles, leur avantage dans ce cas était limité, probablement en raison des données d’entrée disponibles. L’étude a également montré que l’inclusion de l’heure de la journée en tant que facteur était cruciale pour la précision.
« L’une de nos principales conclusions est l’importance de l’heure de la journée », ajoute Sebastian Lerch, auteur correspondant de l’étude. « Nous avons constaté des améliorations majeures lorsque nous avons formé des modèles distincts pour chaque heure de la journée ou lorsque nous avons introduit l’heure directement dans les algorithmes. »
Une approche prometteuse consiste à ignorer complètement les modèles photovoltaïques traditionnels et à utiliser un algorithme d’apprentissage automatique pour prédire la puissance solaire directement à partir des données météorologiques. Cette méthode présente un avantage pratique : elle ne nécessite pas de connaissances détaillées sur la conception d’une installation solaire, mais elle a besoin de données météorologiques et de performances historiques pour l’apprentissage.
Cette recherche ouvre la voie à de futures études visant à affiner davantage les approches d’apprentissage automatique, à intégrer d’autres variables météorologiques et à étendre les analyses à plusieurs centrales solaires. Les énergies renouvelables continuant à se développer, l’amélioration des techniques de prévision sera essentielle pour garantir la stabilité et l’efficacité du réseau électrique.
Légende illustration : Une ferme solaire – Crédit Tom fisk
Article : « Improving Model Chain Approaches for Probabilistic Solar Energy Forecasting through Post-processing and Machine Learning » – DOI: 10.1007/s00376-024-4219-2
