Sélection de caractéristiques non linéaires et architecture hybride basée sur l'apprentissage profond pour la prédiction de la puissance photovoltaïque

Dans le cadre des ambitions de réduction des émissions de carbone et de neutralité, la production d'énergie photovoltaïque (PV) a connu une forte croissance ces dernières années dans le monde, atteignant près de 900 GW fin 2024 en Chine. Bien que l'énergie solaire offre une alternative propre aux combustibles fossiles, sa production est intrinsèquement variable en raison d'interactions complexes entre l'irradiation, la température, l'humidité, la vitesse du vent et d'autres facteurs météorologiques. Les exploitants des réseaux PV exigent désormais des prévisions à très court terme (15 min-4 h à l'avance) avec une précision d'au moins 90 % et des prévisions à l'avance pour la journée avec une précision de plus de 85 % afin de maintenir la stabilité du réseau et de faciliter l'acheminement de l’électricité. Malgré le déploiement de systèmes de prévision sur de multiples sites photovoltaïques, les méthodes existantes peinent à répondre à ces critères rigoureux, en particulier pour les prévisions à un jour. L'un des principaux défis consiste donc à sélectionner les variables météorologiques les plus pertinentes à partir d'une série de facteurs connexes sans accroître la complexité du modèle ou la sensibilité au bruit.Pour résoudre ce problème, nous proposons un algorithme de sélection des caractéristiques non linéaires CCC-NLC, développé sur la base du coefficient de corrélation de Chatterjee (CCC). En combinant des stratégies adaptatives de réduction et d'extension de la fenêtre temporelle, CCC-NLC capture les dépendances complexes entre la sortie PV et les entrées météorologiques, en réduisant la redondance et en améliorant la pertinence des caractéristiques par rapport aux techniques de sélection linéaire traditionnelles. Sur la base des résultats de l'analyse de corrélation non linéaire et compte tenu de la relation complexe entre les facteurs météorologiques et la puissance photovoltaïque, ainsi que des lacunes des modèles avancés actuels dans la capture efficace des interactions multivariées et des dépendances à long terme, cette étude propose un modèle de fusion de caractéristiques à double composantes, DBSGCformer, qui intègre la convolution globale structurée (SGC) avec iTransformer. La composante iTransformer se concentre sur la modélisation des séquences de variables pour améliorer les interactions multivariées, tandis que la composante SGC utilise des noyaux de convolution décroissants pour capturer efficacement les dépendances à long terme. Des expériences approfondies de robustesse des hyperparamètres et des tests de dépendance à long terme ont été effectuées sur dix bases de données publiques ont permis de valider les modèles et de démontrer que DBSGCformer atteint des performances globales nettement supérieures à celles de huit modèles de prévision de séries temporelles traditionnels (dont iTransformer etTimesNet). Une fois les modèles validés, ils ont été utilisés dans le cadre d’une collaboration avec une compagnie d'électricité publique en Chine, ils ont été testés dans un système de prévision en temps réel couvrant les centrales photovoltaïques de trois provinces. La plateforme proposée automatise l’intégration des données, les prévisions à très court terme et à un jour d'avance, l’analyse et la visualisation des résultats, tout en respectant les seuils de précision réglementaires.De manière générale, ce travail de recherche a permis de fournir une solution complète d’optimisation de la production d’énergie PV allant de l'analyse des caractéristiques non linéaires des données, à la modélisation hybride et modèles de prédiction, jusqu’au au déploiement, faisant progresser l'intégration fiable de l'énergie photovoltaïque à grande échelle dans les réseaux modernes.