Comment évaluer une prévision solaire face à la persistance

Comparez le modèle à la persistance sur les mêmes cibles, le même horizon et le même périmètre, donnez plus d'une norme d'erreur, puis testez la différence. Le rapport entre l'erreur du modèle et celle de la persistance dit ce que le modèle apporte. Les métriques NICEᵏ (Voyant et al., 2025) construisent ce rapport pour les normes d'ordre un, deux et trois.

Cyril Voyant · Mines Paris – PSL, Centre O.I.E. · 2 novembre 2026

Repères de lecture. La MAE est la moyenne des erreurs absolues ; la RMSE est la racine de la moyenne des erreurs au carré et donne plus de poids aux grandes erreurs. La nRMSE rapporte la RMSE à la moyenne des observations évaluées. AR désigne l’autorégression ; ELM (extreme learning machine) ajuste les poids de sortie en gardant une couche cachée aléatoire fixe. Dans les formules NICE, l’indice p désigne la persistance ; la p-value statistique d’un test est une autre quantité. sCV décrit la variabilité du signal et F combine variabilité et dépendance temporelle.

La marche à suivre

  1. Nommer la référence. Dire quelle persistance est utilisée : dernière observation, persistance de l'indice de ciel clair (smart persistence), ou référence qui tient compte de la phase comme BLEND. Sans cela, un score de compétence dit peu de chose.
  2. Garder les mêmes cibles. Même site, même période, même horizon et mêmes instants pour le modèle et la référence.
  3. Annoncer le périmètre. Jour seul, ou jour et nuit. Inclure la nuit change la population évaluée et la normalisation.
  4. Donner plusieurs normes. La MAE et la RMSE ne pèsent pas les grandes erreurs de la même façon. Garder les erreurs absolues à côté des scores relatifs.
  5. Tester la différence. Comparer les distributions d'erreurs entre stations ou périodes, par exemple avec un test de Wilcoxon.
  6. Décrire le signal. Une grande erreur ne veut pas dire la même chose sous un ciel régulier et avec un éclairement très fluctuant. sCV et F caractérisent la variabilité et la prévisibilité avant de comparer des algorithmes.

NICE, un exemple complet

NICE¹ = MAE / MAEp et NICE² = RMSE / RMSEp, où p est la persistance simple au même horizon. NICE³ utilise la racine cubique de la moyenne des erreurs absolues au cube. NICEΣ combine les trois.

Un prédicteur utile se situe entre 0 et 1. Au-dessus de 1, le modèle fait moins bien que le plus simple des prédicteurs, ou il y a un problème numérique ou autre.

Dans l'étude publiée, à l'horizon de trente minutes, un ELM et un modèle autorégressif ont la même nRMSE médiane arrondie, 0,19. NICEΣ donne 0,75 contre 0,77. Sur ce protocole, le test donne p < 0,001 pour NICEΣ et p = 0,0591 pour la nRMSE. La validation combine des simulations de Monte-Carlo et 68 stations SIAR en Espagne.

Limites

Ces valeurs concernent ce protocole et ces distributions. Elles ne mesurent pas la valeur économique d'un gain et ne classent pas les méthodes en général.

À lire et à utiliser

Références

  1. Cyril Voyant, Milan Despotovic, Luis Garcia-Gutierrez, Rodrigo Amaro e Silva, Philippe Lauret, Ted Soubdhan, Nadjem Bailek. NICEᵏ metrics: Unified and multidimensional framework for evaluating deterministic solar forecasting accuracy. Sustainable Energy Technologies and Assessments 83, 104588 (2025).
  2. Cyril Voyant, Alan Julien, Milan Despotovic, Gilles Notton, Luis Antonio Garcia-Gutierrez, Claudio Francesco Nicolosi, Philippe Blanc, Jamie Bright. Stochastic coefficient of variation: Assessing the variability and forecastability of solar irradiance. Renewable Energy 256, 123913 (2026).
  3. Dazhi Yang, Stefano Alessandrini, Javier Antonanzas, Fernando Antonanzas-Torres et al.. Verification of deterministic solar forecasts. Solar Energy 210 (2020).
  4. Ricardo Marquez, Carlos F. M. Coimbra. Proposed Metric for Evaluation of Solar Forecasting Models. Journal of Solar Energy Engineering 135.