PRÉVISION PHOTOVOLTAÏQUE · REPRÉSENTATION DES DONNÉES
Prévoir la puissance électrique directement à partir de son historique évite de reconstruire toute la chaîne rayonnement–panneaux–onduleur. Mais une journée de mesures n’est pas nécessairement une journée d’informations indépendantes.
La question scientifique : quelle représentation de cet historique conserve l’information utile à la prévision, à un coût compatible avec le modèle et son déploiement ?
English version · Code MATLAB et protocole
Lire la figure. En haut, la puissance AC réellement mesurée à Palaiseau montre la répétition du cycle solaire et la variabilité des journées. À gauche, les corrélations entre les 48 retards montrent que les entrées ne sont pas indépendantes. À droite, la PCA décrit la variance représentée par un nombre croissant de composantes. Ces trois regards sont complémentaires ; aucun ne mesure à lui seul la qualité d’une prévision.
Source : jeu public Palaiseau, PV_ELM_pred/data.zip. Analyse descriptive pédagogique, distincte des résultats du manuscrit. La présence de nuits contribue aussi à la structure observée.
Pour un gestionnaire de batterie, une installation en autoconsommation ou un opérateur de réseau, la grandeur d’intérêt est souvent la puissance électrique effectivement disponible. La voie indirecte prévoit le rayonnement, le transpose sur le plan des panneaux puis modélise la conversion électrique. Elle demande des informations sur l’orientation, la température, les pertes et le fonctionnement de l’installation.
La voie directe utilise la puissance passée comme trace intégrée de la réponse récente du système. Elle peut être pertinente lorsque cette mesure est fiable et que l’on cherche une prévision locale à court terme. Elle n’est pas une preuve que les données météorologiques seraient inutiles : le passé de la centrale ne révèle pas une perturbation atmosphérique encore lointaine.
Puissance livrée et ressource solaire ne sont pas interchangeables. Un nuage, un écrêtement d’onduleur, une limitation d’injection et une panne peuvent tous produire une baisse de puissance. Sans information sur l’état de l’installation, le modèle ne peut pas toujours distinguer leurs causes.
Avec une mesure toutes les 30 minutes, une fenêtre de 24 heures contient 48 valeurs. On peut représenter cette trajectoire par un vecteur x, puis calculer une représentation z de dimension d. Des variables calendaires connues à l’avance peuvent rester séparées pour informer le modèle sur l’heure et la saison.
Une projection linéaire comme la PCA cherche des directions de variation. Les méthodes de voisinage et de variétés cherchent à préserver certaines relations géométriques. Un autoencodeur apprend une transformation non linéaire. Ces objectifs ne sont pas équivalents ; leurs coûts de calcul et leurs conditions d’application à de nouvelles observations diffèrent aussi.
Le filtre géométrique examine la représentation sans faire intervenir la cible future : voisinages, distances et structure globale. Il peut aider à écarter une compression qui déforme fortement l’espace des observations.
Le wrapper prédictif demande si cette représentation permet réellement de prévoir la puissance à l’horizon choisi. Ici, l’ELM sert de prévisionniste pour comparer les représentations sous un protocole commun. Une information de faible variance peut devenir importante pour la cible : bien reconstruire le passé ne garantit pas de bien anticiper l’avenir.
La transformation et ses réglages sont ajustés sur l’apprentissage. La validation sert à choisir la dimension et les hyperparamètres. Le test chronologique reste réservé à l’évaluation finale. Il faut comparer les mêmes dates, le même horizon, le même traitement du jour et de la nuit, avec une référence sans réduction et des références de persistance clairement définies.
Il faut également compter la transformation. Une projection linéaire de 48 vers 4 coordonnées stocke déjà 192 coefficients, avant le prévisionniste et les constantes de normalisation. Un encodeur non linéaire peut coûter davantage. Le bon objet de comparaison est la chaîne complète, pas seulement la dimension à son entrée.
Le projet compare sept familles : PCA, Kernel PCA, Isomap, Locally Linear Embedding, Laplacian Eigenmaps, Diffusion Maps et autoencodeur, avec un regard géométrique et un regard prédictif. L’intérêt est de rendre explicite le compromis entre information conservée, prévision et coût de représentation.
Le manuscrit associé, dont Hassen Bouzgou est premier auteur, est non soumis. Aucun classement ni résultat chiffré inédit de ce manuscrit n’est publié sur cette page. Le dépôt fournit le protocole et un exemple public ; la transférabilité dépend du site, de l’horizon et de la qualité de l’historique.
Explorer le code et ses conditions de réutilisation · Suite : dimensionner le modèle à déployer · Revenir au parcours des recherches
Équipe du manuscrit, dans l’ordre du document : Hassen Bouzgou, Gabriel Chesnoiu, Claudio Francesco Nicolosi, Adrien Chatel, Gilles Notton, Lionel Menard, Cyril Voyant. Manuscrit non soumis ; Cyril Voyant est l’auteur de cette explication pédagogique.
L’ELM est une méthode antérieure à ces études : Guang-Bin Huang, Qin-Yu Zhu et Chee-Kheong Siew, Extreme learning machine: Theory and applications (2006). Notre démarche concerne son évaluation et son usage en prévision ; elle ne revendique pas l’invention de l’ELM.
Pour situer les méthodes de réduction : Laurens van der Maaten, Eric Postma et Jaap van den Herik, Dimensionality Reduction: A Comparative Review (rapport, 2009). La boîte à outils de Laurens van der Maaten est une dépendance du dépôt ; ses conditions de licence restent distinctes de celles du code du projet.