Improving Sub-seasonal Weather Forecasts for Energy

L'expansion mondiale de l'énergie éolienne nécessite des prévisions sous-saisonnières précises (3-6 semaines) pour l'intégration au réseau et la planification énergétique. La descente d'échelle statistique établit des relations entre les configurations atmosphériques à grande échelle et les conditions de vent locales, permettant d'étendre les capacités prévisionnelles au-delà des limites de la prévision météorologique numérique directe. Toutefois, les approches actuelles se heurtent à trois défis majeurs : une compréhension insuffisante des mécanismes de prévisibilité non linéaires, une préservation inadéquate des corrélations spatiales dans la quantification des incertitudes, et l'absence de cadres méthodologiques reliant les améliorations météorologiques aux bénéfices énergétiques éoliens. Cette thèse traite ces défis par le biais de trois études interconnectées, progressant des fondements théoriques vers les applications pratiques. La première étude compare la régression linéaire multiple et les réseaux de neurones convolutifs pour la prévision éolienne sous-saisonnière en Europe. Les résultats montrent que les méthodes non linéaires offrent une capacité prédictive supérieure, notamment sur les régions océaniques, bien que ces avantages s'amenuisent au-delà de la troisième semaine. L'introduction de perturbations stochastiques corrige efficacement la sous-dispersion des ensembles, permettant aux modèles statistiques de surpasser les références dynamiques après la troisième semaine. Néanmoins, l'hypothèse d'indépendance spatiale de ces perturbations déforme les structures de corrélation atmosphériques. La deuxième étude développe quatre méthodes avancées de quantification d'incertitude : réseau neuronal stochastique (SNN), réseau neuronal quantile (QNN), réseau neuronal auto-encodeur variationnel (VNN) et réseau neuronal de diffusion (DNN). Les métriques de vérification traditionnelles par maille échouent à distinguer leurs représentations d'incertitude spatiale, rendant nécessaire une vérification spatiale approfondie incluant l'analyse des motifs et des spectres énergétiques. L'analyse révèle des caractéristiques distinctes : SNN génère un excès d'énergie aux petites échelles, QNN produit un lissage spatial, VNN présente une sous-dispersion, tandis que DNN atteint un équilibre optimal grâce à un processus de débruitage itératif préservant des structures de corrélation réalistes. La troisième étude valide ces méthodes dans des applications éoliennes pratiques, en examinant leurs performances après conversion non linéaire vent-puissance. Cette transformation génère des effets dépendants de la gamme de vitesses qui interagissent différemment avec chaque mécanisme d'incertitude. Malgré ces effets non linéaires, les performances relatives se maintiennent lors du passage de la prévision de vitesse de vent au facteur de capacité, DNN conservant sa supériorité dans la préservation des corrélations spatiales, essentielle pour évaluer la complémentarité éolienne. L'évaluation économique démontre des bénéfices opérationnels quantifiables lors d'événements critiques, l'agrégation spatiale confirmant l'importance des structures de corrélation pour les stratégies de diversification géographique. Cette thèse fait progresser la prévision éolienne sous-saisonnière tout en démontrant des bénéfices concrets pour l'intégration des énergies renouvelables. Les résultats indiquent que les perturbations simples suffisent pour l'incertitude ponctuelle, alors que les applications nécessitant une évaluation des corrélations spatiales tirent un bénéfice substantiel des méthodes avancées. Ces avancées accompagnent l'expansion des exigences d'intégration renouvelable, les systèmes éoliens s'étendant sur des régions plus vastes et requérant une caractérisation réaliste des incertitudes pour assurer des opérations fiables.