Prévision PV : réduire la dimension

Read the full article in English · Version française ci-dessous

Auteurs et fondements scientifiques

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.

Comprendre la prévision solaire · 20 octobre 2026 · Lecture accessible

Une journée de mesures contient beaucoup de valeurs. Elle ne contient pas forcément autant d’informations indépendantes. Réduire la dimension, c’est chercher une représentation plus compacte, puis vérifier qu’elle reste utile pour prévoir.

Pourquoi prévoir le PV directement ?

Pour piloter une batterie ou anticiper une injection sur le réseau, la grandeur utile est souvent la puissance électrique réellement délivrée par l’installation. Une voie consiste à prévoir le rayonnement solaire, à le transposer sur le plan des panneaux, puis à modéliser sa conversion électrique. Une autre consiste à prévoir directement la production future à partir de la production passée.

Cette approche directe évite de reconstruire toute la chaîne de conversion pour cette tâche. La mesure intègre déjà la réponse récente des panneaux et de l’onduleur. Elle ne rend pas la météo inutile : les observations du ciel, les satellites ou les prévisions météorologiques peuvent apporter une information absente du seul passé de la centrale.

Production et ressource solaire ne sont pas interchangeables. Une baisse de production peut venir d’un nuage, mais aussi d’un écrêtement, d’une panne ou d’une maintenance. Prévoir la puissance livrée n’est donc pas mesurer le potentiel solaire disponible.

Pourquoi réduire l’historique ?

Imaginons un modèle recevant toutes les demi-heures de la veille. Certaines valeurs voisines évoluent ensemble : les traiter comme des informations entièrement distinctes peut multiplier les entrées sans apporter autant de signal utile. La réduction de dimension construit un petit nombre de coordonnées qui résument cette trajectoire.

Une image simple : plusieurs photographies presque identiques d’un même objet ne donnent pas nécessairement plusieurs points de vue nouveaux. Mais supprimer une photographie peut aussi faire perdre un détail décisif. La compression doit donc être évaluée, et non supposée bénéfique.

Deux questions à garder séparées

• La forme est-elle préservée ? Un filtre géométrique examine les voisinages et les distances avant de choisir un modèle de prévision.

• La prévision reste-t-elle bonne ? Une approche « wrapper » évalue la représentation avec un prévisionniste, ici un Extreme Learning Machine (ELM).

Une représentation fidèle à la géométrie n’est pas automatiquement la meilleure pour prédire. Le dépôt compare notamment PCA, méthodes de variétés et autoencodeur, avec ces deux regards complémentaires.

Exemple chiffré : 48 entrées deviennent 4 coordonnées

Prenons une journée mesurée toutes les 30 minutes : le modèle reçoit 48 valeurs de puissance. Une représentation à 4 coordonnées lui donne 12 fois moins d’entrées. Ce facteur décrit la dimension, pas une accélération mesurée.

Pour une couche de 100 neurones, cela représente 4 800 poids d’entrée contre 400, hors biais, poids de sortie et éventuelles variables calendaires. Mais il faut ajouter la transformation : une projection linéaire de 48 vers 4 coordonnées stocke elle-même 192 coefficients, auxquels peuvent s’ajouter centrage et normalisation. Une réduction non linéaire peut coûter davantage.

Enfin, supposons une RMSE de 100 W sans réduction et de 102 W avec réduction, sur les mêmes dates de test : le compromis est une erreur augmentée de 2 % contre une représentation plus compacte. Est-ce acceptable ? Cela dépend du besoin. Ces valeurs sont illustratives, pas les résultats du manuscrit.

Ce qu’il faut vérifier avant de conclure

Ajuster la transformation sur le passé disponible seulement, réserver des dates futures au test et comparer les mêmes horizons. Conserver une prévision sans réduction et des références simples. Examiner aussi le coût de la transformation : une entrée plus petite ne garantit pas que la chaîne complète soit plus légère.

La méthode dépend du site, de l’horizon et de la qualité des données. Elle ne résout ni l’absence d’historique d’une nouvelle centrale, ni une rupture de fonctionnement non documentée.

Explorer le travail collectif

Cette page explique le logiciel pv-dimensionality-reduction, associé au travail de Hassen Bouzgou, Gabriel Chesnoiu, Claudio F. Nicolosi, Adrien Chatel, Gilles Notton, Lionel Menard et Cyril Voyant. Hassen Bouzgou est premier auteur du manuscrit, non soumis à ce stade. Aucun résultat chiffré inédit du manuscrit n’est publié ici.

Le dépôt MATLAB contient un exemple Palaiseau et un mode de vérification rapide. Le code du projet est sous licence MIT ; la bibliothèque drtoolbox embarquée conserve ses propres conditions non commerciales.

Voir le code MATLAB et le protocoleSuite : quel modèle déployer ?

English summary

Direct PV power forecasting targets delivered electrical power from its own history. Dimensionality reduction compresses redundant lagged inputs; geometric fidelity and predictive usefulness must be evaluated separately. Include the cost of the transform, prevent future-data leakage, and document curtailment and plant changes. This is a software explainer for collaborative, ongoing research, not a published journal result.