How forecastable is the sun?

Cyril Voyant · 18 October 2026

English · Français ci-dessous

Across 68 Spanish weather stations, our forecastability indicator F retains an inverse relationship with forecast error, examined across ten models and 24 horizons. This result, published in Renewable Energy, supports characterising the signal before comparing algorithms: a large error means something different for a regular sky than for a strongly fluctuating irradiance series.

The study introduces two complementary indicators. The stochastic coefficient of variation, sCV, measures fluctuations relative to a dynamic clear-sky reference. Its theoretical range from zero to one supports interpretation under the framework’s assumptions. F adds information about temporal dependence through autocorrelation. Two series with similar variability can therefore retain different amounts of memory, leaving different amounts of useful information for prediction.

Validation combines one hundred synthetic cyclostationary series with observations from the SIAR network. Simulations allow controlled changes to signal properties; weather stations test the diagnosis against measured conditions. The association between F and forecast errors also appears at individual stations, rather than being solely a consequence of network aggregation. Under extreme synthetic variability, that association can become nonlinear.

For an operator or researcher, the contribution is diagnostic: compare forecasting difficulty, select meaningful baselines and interpret a score in context. It can inform a discussion of forecast risk before choosing a more elaborate model. F is neither a calibrated confidence interval nor a promise of financial savings. Overirradiance events and the quality of the clear-sky reference also require attention. The study measures aspects of inherent forecastability; it does not remove atmospheric uncertainty or establish an operational benefit for every energy system. Those benefits require a separate decision-based evaluation.

Le ciel change, mais à quel point reste-t-il prévisible ?

Sur 68 stations météorologiques espagnoles, notre indice de prévisibilité F conserve une relation inverse avec l’erreur de prévision, examinée sur dix modèles et 24 horizons. Ce résultat publié dans Renewable Energy montre l’intérêt de caractériser le signal avant de comparer les algorithmes : une erreur élevée ne raconte pas la même histoire sur un ciel régulier et sur une série très fluctuante.

Le travail introduit deux indicateurs complémentaires. Le coefficient de variation stochastique, sCV, mesure les fluctuations en les rapportant à une référence dynamique de ciel clair. Son intervalle théorique de zéro à un facilite l’interprétation, sous les hypothèses du cadre. F ajoute une information de dépendance temporelle issue de l’autocorrélation. Deux séries de variabilité comparable peuvent ainsi conserver des mémoires différentes : l’une laisse davantage d’information exploitable pour prévoir.

La validation combine cent séries synthétiques cyclostationnaires et les observations du réseau SIAR. Les simulations permettent de faire varier les propriétés du signal ; les stations permettent de confronter le diagnostic à des situations réelles. La relation entre F et les erreurs apparaît aussi à l’échelle des stations, et ne se réduit donc pas à un effet d’agrégation du réseau. Sous forte variabilité synthétique, elle peut devenir non linéaire.

Pour un utilisateur, l’apport est un diagnostic : comparer la difficulté de prévision, choisir des références et interpréter un score dans son contexte. F n’est ni un intervalle de confiance calibré ni une promesse de gain économique. Les événements de sur-éclairement et la qualité du modèle de ciel clair demandent aussi de l’attention. L’étude propose une mesure de la prévisibilité ; elle ne supprime pas l’incertitude atmosphérique.

Paper, authors and resources / Références

Reference / Référence collective : Cyril Voyant, Alan Julien, Milan Despotovic, Gilles Notton, Luis Antonio Garcia-Gutierrez, Claudio Francesco Nicolosi, Philippe Blanc et Jamie Bright. Stochastic coefficient of variation: Assessing the variability and forecastability of solar irradiance. Renewable Energy 256, 123913 (2026). DOI · article éditeur en accès ouvert.

All research news · About the author · Methods and code