The horizon changes the comparison / L’horizon change la comparaison. Figure 6 of the public author version: average normalized errors over 68 SIAR stations, from 30 to 360 minutes. Circles and dashed lines show nRMSE; squares and solid lines show nMAE. The BLEND variants are compared with persistence and other references under the study protocol; these averages do not imply that a model wins at every station. Source: arxiv.org/html/2602.18949v3. Full research team and publication below.
Cyril Voyant · 18 October 2026
English · Français ci-dessous
Accounting for daily phase improves persistence forecasts on the solar series studied, with differences widening at longer lead times. In our Applied Mathematical Modelling paper, BLEND supplies this baseline directly from raw irradiance, without normalising observations by an external clear-sky model.
The starting point is physical and statistical: irradiance does not have the same statistical properties throughout the day. Part of their evolution repeats with the cycle. Simply carrying the latest observation forward misses that structure. BLEND operators combine immediate memory with phase-aligned recurrence. The weight between the two is set for each phase of the cycle. Its MSE-optimal value, written with cyclic means, deviations and correlations, is close to a one-line least-squares fit on past cycles. The simplified coefficient λ = (1 + ρ)/2, also set for each phase from the local correlation ρ, is an approximation under the correlation assumptions of Remark 17, whose performance depends on the horizon. The resulting forecast has an explicit analytical construction rather than a hidden layer fitted to predict the target.
Validation combines controlled simulations with measurements from 68 Spanish stations. It compares persistence variants with more elaborate reference methods. On measured data, cyclostationary adjustments reduce errors relative to their naive counterparts; the paper also evaluates inter-model differences with Wilcoxon tests. Error distributions also reveal how performance varies across stations and forecast horizons.
The practical contribution is an interpretable, inexpensive analytical baseline against which to assess a trained model. Weights are estimated from historical observations in closed form, without iterative optimisation. Cyclic statistics and correlations therefore require appropriate estimation. BLEND does not outperform every optimised method; autoregressive or learned predictors can do better under some conditions. Public MATLAB code makes the protocol inspectable and supports testing whether this simplicity transfers to another series. That test is more informative than assuming that additional modelling complexity must improve the forecast. The paper’s evidence concerns the studied datasets, rather than a universal ranking of forecasting methods.
Introduire la phase quotidienne dans une prévision de persistance améliore les résultats sur les séries solaires étudiées, avec des écarts qui s’accentuent aux horizons plus longs. Dans notre travail publié dans Applied Mathematical Modelling, BLEND fournit cette référence directement sur l’éclairement brut, sans normalisation par un modèle externe de ciel clair.
Le point de départ est physique et statistique : les propriétés de l’éclairement ne restent pas identiques au cours de la journée. Leur évolution se répète en partie avec le cycle. Une persistance qui reporte simplement la dernière observation ne représente pas cette structure. Les opérateurs BLEND associent mémoire immédiate et récurrence alignée sur la phase ; le poids entre les deux est fixé pour chaque phase du cycle : sa valeur optimale au sens de l’erreur quadratique, écrite avec les moyennes, écarts-types et corrélations cycliques, est proche d’un ajustement par moindres carrés sur les cycles passés. Le coefficient simplifié λ = (1 + ρ)/2, lui aussi fixé pour chaque phase à partir de la corrélation locale ρ, est une approximation sous les hypothèses de corrélation de la remarque 17, dont les performances dépendent de l’horizon.
La validation associe simulations contrôlées et mesures de 68 stations espagnoles. Elle compare les variantes de persistance et des références plus élaborées. Sur les observations, les ajustements cyclostationnaires réduisent les erreurs par rapport à leurs homologues naïfs ; le travail évalue aussi les différences entre modèles par des tests de Wilcoxon. Les distributions d’erreur montrent aussi le comportement selon l’horizon et la station.
L’intérêt pratique est une référence analytique, lisible et peu coûteuse, à laquelle confronter un modèle appris. Les poids sont estimés sur les observations passées en forme fermée, sans optimisation itérative. Les statistiques cycliques et les corrélations doivent donc être estimées correctement. BLEND ne gagne pas contre toutes les méthodes optimisées ; des modèles autorégressifs ou appris peuvent faire mieux dans certaines conditions. Le code MATLAB public permet de reproduire le protocole et de tester si cette simplicité convient à une autre série, au lieu de supposer que toute complexité supplémentaire sera utile.
Reference / Référence collective : Cyril Voyant, Candice Banes, Luis Garcia-Gutierrez, Gilles Notton, Milan Despotovic et Zaher Mundher Yaseen. Symmetry-constrained forecasting of periodically correlated energy processes. Applied Mathematical Modelling 157, 116988 (2026). DOI · texte intégral auteur · code MATLAB · archive code.
All research news · About the author · Methods and code
The corrected MATLAB benchmark separates 6,000 observations for estimation from 6,000 for evaluation, with common forecast targets. It compares 21 references over five horizons and 10 synthetic realisations. The figure and table below report day-and-night nRMSE, normalised by the mean of the evaluated observations.
BLEND least squares per phase reaches mean nRMSE 0.3020, 0.3975, 0.4447, 0.4880 and 0.4954 at 1, 2, 3, 6 and 9 steps, compared with 0.5021 for cyclic persistence. Its weight is estimated by least squares in closed form, without iterative optimisation. These estimates are not identical to the finite-sample moments estimator in general.
CLIPER on the clear-sky index has the lowest mean errors here. This is consistent with a synthetic signal constructed as clear sky multiplied by correlated noise. CLIPER on climatological anomalies also performs well without a clear-sky reference. Ten realisations of one generator do not establish a universal ranking or reproduce the paper’s SIAR experiments.
Archived code v1.1.1 · Full results, figures and CSV · Step-by-step calculation
Le benchmark MATLAB corrigé sépare 6 000 observations pour l’estimation et 6 000 pour l’évaluation, avec des cibles de prévision communes. Il compare 21 références, cinq horizons et dix réalisations synthétiques. La figure et le tableau ci-dessous présentent le nRMSE jour et nuit, normalisé par la moyenne des observations évaluées.
BLEND par moindres carrés par phase atteint un nRMSE moyen de 0,3020, 0,3975, 0,4447, 0,4880 et 0,4954 à 1, 2, 3, 6 et 9 pas, contre 0,5021 pour la persistance cyclique. Son poids est estimé par moindres carrés en forme fermée, sans optimisation itérative. En échantillon fini, cette estimation n’est pas en général identique à l’estimation par moments.
CLIPER sur l’indice de ciel clair obtient ici les plus faibles erreurs moyennes, ce qui est cohérent avec un signal synthétique construit comme le produit du ciel clair par un bruit corrélé. Sans ciel clair, CLIPER sur anomalies climatologiques est également performant. Dix réalisations d’un seul générateur ne démontrent pas un classement universel et ne reproduisent pas les expériences SIAR du papier.
Archive du code v1.1.1 · Résultats complets, figures et CSV · Calcul détaillé