BLEND : une meilleure persistance sans entraîner de réseau neuronal
Une meilleure persistance, sans entraîner un réseau neuronal
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.
Code ouvert v1.1.1 : un benchmark hors échantillon
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
Article, auteurs et ressources
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.
Théorie complète, code et exemple exécutable (site des méthodes, en anglais) · Tous les récits · L'auteur