Quelle référence une prévision solaire doit-elle battre ? Quand le deep learning vaut-il la peine ?

Commencez par la persistance, puis une référence qui connaît la phase, une autorégression et un apprentissage frugal. Gardez un réseau profond seulement s'il apporte un gain mesuré sur le même protocole. Le deep learning peut valoir la peine. Il doit le montrer face à des références qui ne coûtent presque rien.

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.

Quoi tester, dans l'ordre

  1. La persistance simple. La dernière valeur observée : la référence minimale de toute prévision.
  2. Une référence qui connaît le cycle. La persistance de l'indice de ciel clair, ou BLEND, qui combine la mémoire immédiate et la valeur à la même phase du cycle. BLEND part de l'éclairement brut et ses poids ont une forme analytique (Voyant et al., 2026).
  3. Une autorégression. Estimée par moindres carrés sur les valeurs récentes.
  4. Un apprentissage frugal. Une Extreme Learning Machine (Huang, Zhu et Siew, 2006) garde une couche cachée aléatoire et calcule analytiquement ses poids de sortie.
  5. Un réseau profond. LSTM, U-Net ou plus grand, avec le même découpage, les mêmes horizons et le même budget de réglage.

Deux résultats, de cours et publié

Ajaccio, année de test 2007, à une heure (cours UE14). La nRMSE de jour vaut 22,0 % pour la smart persistence, 21,3 % pour AR(2) et 20,5 % pour un ELM. Les marches sont petites, et chacune est mesurée.

Système électrique corse, six ans de données horaires (Applied Energy, 2026). Un ELM à sorties multiples est comparé à la persistance, à des formulations à sortie unique et à un LSTM avec un budget de réglage réaliste. À une heure, la nRMSE vaut 0,179 pour la production solaire.

Ce qui compte comme un gain

  • Les mêmes cibles, le même périmètre et le même horizon pour tous les modèles.
  • Des lignes d'apprentissage séparées des lignes d'évaluation, mise à l'échelle comprise.
  • Une différence testée entre stations ou périodes, pas seulement une moyenne.
  • Les coûts donnés avec l'erreur : paramètres, temps d'apprentissage, ce que l'appareil peut stocker.

Limites

Ces résultats concernent les données et les protocoles étudiés. BLEND ne dépasse pas toutes les méthodes optimisées ; des prédicteurs autorégressifs ou appris peuvent faire mieux dans certaines conditions. Rien ici n'est un classement universel.

À lire et à utiliser

Références

  1. Cyril Voyant, Candice Banes, Luis Garcia-Gutierrez, Gilles Notton, Milan Despotovic, Zaher Mundher Yaseen. Symmetry-constrained forecasting of periodically correlated energy processes. Applied Mathematical Modeling 157, 116988 (2026).
  2. Cyril Voyant, Milan Despotovic, Luis Garcia-Gutierrez, Mohammed Asloune, Yves-Marie Saint-Drenan, Jean-Laurent Duchaud, Ghjuvan Antone Faggianelli, Elena Magliaro. Short-term forecasting of energy production and consumption using extreme learning machine: A comprehensive MIMO based ELM approach. Applied Energy 410, 127599 (2026).