Académique Documents
Professionnel Documents
Culture Documents
Énergies renouvelables
Page d'accueil du journal : www.elsevier.com/locate/renene
génératifs
avec des cartes d'irradiation solaire
Haoran Wen aYang Du b,∗Xiaoyang Chen a, Eng Gee Lim a, Huiqing Wen a, Ke Yan c
a École de technologie avancée, Université Xi'an Jiaotong-Liverpool, Chine
b Collège des sciences et de l'ingénierie, Université James Cook, Australie
c Collège d'ingénierie mécanique et des véhicules, Université de Hunan, Chine
ARTICLEINF OA B S T R A C T
Mots-clés : La nature intermittente et stochastique des ressources solaires entrave l'intégration de l'énergie solaire dans les systèmes
Prévision solaire régionale électriques modernes. Les prévisions solaires sont devenues un outil important pour une meilleure intégration de
Carte d'irradiation solaire l'énergie photovoltaïque (PV), une conception efficace du marché et un fonctionnement fiable du réseau. Néanmoins, la
Réseau contradictoire génératif
plupart des méthodes de prévision solaire existantes sont dédiées à l'amélioration de la précision des prévisions au
Estimation PV
niveau du site (par exemple, pour les centrales photovoltaïques individuelles) sans tenir compte des impacts causés par
la pénétration accumulée des systèmes photovoltaïques distribués. Pour résoudre ce problème, cet article propose une
nouvelle approche générative pour les prévisions solaires régionales en considérant une région géographique entière à
une échelle spatiale flexible. Plus précisément, nous créons pour la première fois des cartes d'irradiation solaire (SIM)
pour les prévisions solaires en utilisant l'interpolation spatiale de Kriging avec des données d'irradiation solaire dérivées
de satellites. Les SIM séquentiels fournissent une vue d'ensemble de la façon dont l'intensité solaire varie dans le temps
et sont ensuite utilisés comme entrées pour un réseau accusatoire génératif multi-échelle (GAN) afin de prédire les SIM
de l'étape suivante. Les cadres SIM générés peuvent être transformés en production d'énergie photovoltaïque grâce à un
modèle irradiance-puissance. Une étude de cas est menée dans une zone de 24 × 24 km de Brisbane pour valider la
méthode proposée en prédisant à la fois l'irradiation solaire et la production des systèmes photovoltaïques derrière le
compteur (BTM) à des endroits non observés. L'approche démontre une précision comparable en termes de prévision de
l'irradiation solaire et de meilleures prévisions de la production d'énergie photovoltaïque par rapport aux modèles de
prévision conventionnels, avec une compétence de prévision moyenne la plus élevée de 10,93 ± 2,35 % pour tous les
systèmes photovoltaïques derrière le compteur. Elle peut donc être utilisée pour faciliter l'évaluation de l'énergie solaire
et le contrôle du système électrique dans une région à forte pénétration.
1. Introduction plus élevé que celui des autres saisons. De même, l'irradiation solaire
présente également une tendance diurne qui résulte de la rotation de la
1.1. Contexte terre.
Dans le second cas, l'irradiation solaire devient non stationnaire en
L'énergie solaire est l'une des alternatives les plus viables aux raison de ses comportements plus stochastiques et de ses changements
combustibles fossiles car elle est respectueuse de l'environnement et rapides causés par les nuages en mouvement. Cette intermittence
inépuisable [1]. Cependant, la nature intermittente et stochastique de la induite par les nuages peut provoquer ce que l'on appelle l'effet
ressource solaire empêche l'utilisation optimale de l'énergie solaire et d'ombrage partiel dans les systèmes photovoltaïques, ce qui entraîne un
pose des problèmes aux réseaux électriques [2]. La production déséquilibre de la fréquence, une violation des limites de tension et un
d'énergie photovoltaïque dépend fortement des variations de
dysfonctionnement des dispositifs de protection, en particulier dans les
l'irradiation solaire, c'est-à-dire (1) de la variabilité déterministe induite
zones où la pénétration des systèmes photovoltaïques est élevée [3].
par la rotation de la terre et son mouvement orbital autour du soleil, et
Récemment, l'expansion des systèmes photovoltaïques distribués à
(2) de la variabilité stochastique induite par le mouvement orbital
petite échelle fonctionnant derrière le compteur a connu un essor
autour du soleil.
(2) la variabilité stochastique causée par des processus atmosphériques considérable. Du point de vue des opérateurs de réseau, ces
tels que les transitoires de nuages. Dans le premier cas, l'irradiation générateurs d'énergie photovoltaïque sont "invisibles", ce qui signifie
solaire présente des tendances diurnes et saisonnières prévisibles, que leur production d'énergie n'est pas systématiquement surveillée en
comme le montrent les figures 1(a) et 1(b). temps réel au niveau opérationnel du réseau électrique. Néanmoins,
(b). Par exemple, en été, l'angle du soleil est le plus élevé lorsque l'électricité produite par ces unités contrebalance effectivement les
l'hémisphère nord est incliné vers le soleil. Ainsi, le soleil fournit plus besoins en électricité des consommateurs, modifiant ainsi le profil
d'énergie à la surface de la terre et l'irradiation solaire moyenne est de global de la charge électrique nette [4]. Comme l'accumulation de
∗ Auteur correspondant.
Adresse électronique : Yang.du@jcu.edu.au (Y. Du).
https://doi.org/10.1016/j.renene.2023.119043
Reçu le 25 octobre 2022 ; Reçu sous forme révisée le 1er juin 2023 ; Accepté le 14 juillet 2023.
Disponible en ligne le 18 juillet 2023
0960-1481/© 2023 Les auteurs. Publié par Elsevier Ltd. Il s'agit d'un article en libre accès sous licence CC BY-NC-ND (http://creativecommons.org/licenses/by- nc-
nd/4.0/).
H. Wen et al. Énergie renouvelable 216 (2023)
119043
/ig. 1. Variabilité de l'irradiance solaire : (a) variation saisonnière avec des valeurs moyennes journalières, (b) variation diurne avec des valeurs infimes le 12 avril 2018 à Golden, Colorado,
et (c) une vue zoomée de 13h30 à 14h30 le même jour. Les données proviennent du National Renewable Energy Laboratory (NREL) Baseline Measurement System [6].
3
H. Wen et al. Énergie renouvelable 216 (2023)
119043
L'architecture des réseaux génératifs (RNN) et des réseaux adversaires • Cet article propose une approche générative de prévision de
(GAN) est employée dans le domaine de la prévision solaire. l'irradiation solaire au niveau régional, là où les méthodes
Contrairement aux RNN, le principe sous-jacent des approches conventionnelles échouent. Il étend les prévisions de petites zones
génératives est d'apprendre la distribution des données d'apprentissage aux prévisions régionales en générant le profil solaire d'une région
et d'essayer de générer des données suivant cette distribution. Ainsi, entière à une échelle géographique et une résolution spatiale
les modèles GAN sont utilisés pour générer des données synthétisées flexibles.
sur l'irradiation solaire ou la puissance photovoltaïque afin de faciliter • Contrairement à d'autres approches génératives formées sur des
l'apprentissage d'autres modèles DL. Par exemple, Jiang et al. Wang et séries temporelles, nous créons une nouvelle source de données
al. [22] ont utilisé un GAN pour générer des données d'entraînement basée sur l'image pour le modèle de prévision génératif, c'est-à-
pour la classification météorologique et la prévision de la puissance dire les SIM, qui fournissent une vue intuitive et visualisée de la
photovoltaïque à la tête du jour, et Khodayar et al. [23] ont proposé un façon dont l'irradiation solaire varie au niveau régional. Les SIM
GAN évolutif pour générer des échantillons de données à partir des séquentiels sont créés en interpolant les séries temporelles
densités de probabilité obtenues à partir de chaque nœud d'un graphe. d'irradiation dérivées du satellite qui contiennent à la fois des
Debnath et al [24] ont introduit une méthode d'augmentation des informations temporelles et spatiales.
données de séries temporelles pour résoudre le problème de la rareté
des données dans les prévisions solaires multi-variables. Dans [25],
l'auteur a utilisé des GAN pour modéliser les incertitudes dans
différents scénarios de prévision pour la production stochastique
d'énergie photovoltaïque.
En outre, les GAN peuvent également être combinés à d'autres
méthodes de prévision pour améliorer les performances de la prévision
[26,27]. Huang et al [26] ont proposé une prévision des séries
temporelles basée sur les GAN. La principale contribution de ce travail
réside dans la modification du générateur, dans lequel les couches
convolutives sont remplacées par un modèle de régression (c.-à-d.
Conv1D) pour l'extraction des caractéristiques temporelles et par une
Bi-LSTM pour les prédictions. De même, le discriminateur compare la
prédiction (fausse) et la vérité de terrain (réelle) pour améliorer le
générateur. Dans [28], les auteurs utilisent d'abord un ensemble de
transformateurs d'ondelettes pour décomposer la série temporelle GHI
en signaux de sous-fréquence. Les GAN sont ensuite utilisés comme
modèles de prévision pour chaque sous-signal et les prédictions pour
chaque sous-signal sont reconstruites. Au lieu d'utiliser la rétro-
propagation, un algorithme évolutionnaire basé sur l'algorithme de la
libellule est utilisé comme méthode d'apprentissage, qui est ensuite
optimisée par une modification adaptative en trois phases. Outre les
séries temporelles, les architectures génératives font également preuve
d'une capacité puissante dans les prévisions basées sur les images.
Dans [29], les auteurs utilisent le modèle GAN en combinaison avec
d'autres techniques de prétraitement pour prédire l'irradiation solaire
horaire annuelle sur les façades des bâtiments à l'aide d'images de type
fish-eye. Dans [30], la couverture nuageuse peut être prédite en
produisant les futures images d'une séquence d'images du ciel à l'aide
du GAN. Néanmoins, les nuages sont des objets très déformables dont
les formes changent continuellement et des difficultés subsistent dans
l'estimation des nuages et la conversion des images du ciel en ombres
et en irradiance projetées au sol. Ces travaux sont encore consacrés à
l'amélioration de la précision des prévisions spécifiques à un site, sans
aborder les problèmes des prévisions au niveau régional.
1.3. Contributions
/ig. 2. La zone cible à Brisbane, Australie : (a) imagerie satellite, (b) emplacements géographiques des points de données. Les points rouges indiquent les endroits où l'irradiation
solaire est disponible (observée) et les carrés bleus sont les systèmes PV BTM pour l'estimation (non observée), (c) variation quotidienne de l'irradiation solaire à un endroit
observé, et (d) les valeurs CSI correspondantes.
7
H. Wen et al. Énergie renouvelable 216 (2023)
119043
{( ) ( ) ( )}
(𝑘) 𝑰= 𝐼 𝐬1 ; 𝑡𝑘 , 𝐼 𝐬2 ; 𝑡𝑘 , ... , 𝐼 𝐬𝑛 ; 𝑡𝑘 (4)
𝜆𝑖 = 1 (6)
𝑖=1
9
H. Wen et al. Énergie renouvelable 216 (2023)
119043
10
les entrées.
H. Wen et al. La prédiction à une échelle inférieure est utilisée comme G𝑔𝑑𝑙
∑ 𝛼 renouvelable 216 (2023)
Énergie
(𝑌̂ , 𝑌 ) =|| 𝚢𝑖,𝑗 -𝚢 𝑖-1,𝑗 ||̂ 𝑖,𝑗 -𝚢̂ ||
𝑖-1,𝑗119043
entrée pour l'outil de calcul de la
𝑖,𝑗 (15)
à une échelle supérieure. Nous définissons 𝑢𝑘 comme l'opérateur de mise à 𝛼
l'échelle vers la taille 𝑠𝑘 (c'est-à-dire 𝑠1 = 4 × 4, 𝑠2 = 8 × 8, 𝑠3 = 16 × 16 et + 𝚢- 𝚢- 𝚢̂- 𝚢̂
𝑠4 = 32 × 32). ⋅ est une fonction absolue. Par conséquent, la perte
La prédiction de la taille 𝑠𝑘 peut être obtenue en prédisant || 𝑖,finale
𝑗-1 𝑖,𝑗 | 𝑖,𝑗-1
utilisée 𝑖,𝑗 ||
récursivement
de à partir
taille inférieure de de manière concaténée, ce qui
à 𝑠𝑘-1 où 𝛼 ≥ 1 et
s'écrit par : pour former le gène|ra|tor est une perte combinée composée des pertes
) précédentes.
les pertes (9), (14) et (15)
𝑌̂𝑘= 𝐺 (𝑋)
𝑘 = 𝑢 (𝑌̂𝑘) 𝑘-1 ) + 𝐺 (𝑌̂)
𝑘 (𝑋𝑘, 𝑢𝑘 𝑘-1 )
′ (10) :
où 𝑋𝑘 et 𝑌𝑘 désignent les images réduites de taille 𝑠𝑘 et 𝐺′ est un 𝐺
𝑘 G(𝑋, 𝑌 ) = 𝜙advG𝑎𝑑𝑣(𝑋, 𝑌 ) + 𝜙𝓁𝑝 G𝑝(𝑋, 𝑌 ) + 𝜙𝑔𝑑𝑙G𝑔𝑑𝑙(𝑋, 𝑌 ) (16)
réseau qui prédit un cadre de cours de 𝑌𝑘 - 𝑢𝑘(𝑌𝑘-1) en apprenant de
𝑋𝑘. L'architecture du modèle multi-échelle est présentée à la figure 6 et avec les paramètres 𝜙𝑎𝑑𝑣 = 0,05, 𝜙𝓁𝑝 = 1, et 𝜙𝑔𝑑𝑙 = 1 selon [38]. Les premier
au tableau 1. et troisième termes de (16) sur le côté droit améliorent la netteté
11
H. Wen et al. Énergie renouvelable 216 (2023)
119043
Tableau 1
L'architecture du modèle accusatoire génératif multi-échelle.
Générateur 𝐺1 𝐺2 𝐺3 𝐺4
Nombre de cartes (128, 256, 128) (128, 256, 128) (128, 256, 512, 256, 128) (128, 256, 512, 256, 128)
Taille du noyau conv. (3, 3, 3, 3) (5, 3, 3, 5) (5, 3, 3, 3, 5) (7, 5, 5, 5, 5, 7)
Discriminateur 𝐷1 𝐷2 𝐷3 𝐷4
Nombre de cartes (64) (64, 128, 128) (128, 256, 256) (128, 256, 512, 128)
Taille du noyau conv. (3) (3, 3, 3) (5, 5, 5) (7, 7, 5, 5)
Taille de la couche FC (512,256) (1024,512) (1024,512) (1024,512)
des images prédites et le second terme augmente la similarité avec la pouvons donc tester les poids sur des images de n'importe quelle taille.
vérité terrain. Nous fixons le taux d'apprentissage 𝜌𝐷 à 0,02 pour entraîner le
discriminateur, et nous fixons 𝜌𝐺 à 0,04 au départ et à 0,005 au fil du temps
Comme nous tirons parti de la technique d'apprentissage par transfert,
pour entraîner le générateur.
nous utilisons un réseau génératif multi-échelle pré-entraîné et nous
l'affinons sur nos propres ensembles de données de parcelles 32 × 32
recadrées de manière aléatoire dans les séquences d'images d'entrée. Pour
s'assurer que la plupart des parcelles présentent suffisamment de
mouvement, nous supprimons les SIM par temps clair et par temps
couvert qui sont visuellement cohérents dans le temps, mais la taille de
l'ensemble de données peut encore être considérablement augmentée en
recadrant les images de sorte que nous disposions de suffisamment de
données pour éviter un ajustement excessif. L'utilisation de patchs 32 ×
32 s'explique par le fait qu'une taille plus importante entraînera un
problème de mémoire saturée, car la taille de sortie des couches
entièrement connectées (FC) du discriminateur dépend de la taille de
l'image d'entrée et peut augmenter très rapidement. Par exemple, pour une
taille d'image d'entrée de 64 × 64, en passant de 128 cartes de
caractéristiques à une couche entièrement connectée avec 512 nœuds, nous
avons besoin d'une connexion avec 64 ∗ 64 ∗ 128 ∗ 512 = 268, 435,
456 poids. Cependant, nous n'avons besoin que du discriminateur pour
l'apprentissage, et le réseau générateur est entièrement convolutif, nous
12
H. Wen et al. Énergie renouvelable 216 (2023)
3.4. Conversion de l'éclairement énergétique en puissance 119043
13
H. Wen et al. Énergie renouvelable 216 (2023)
119043
Tableau 2 Tableau 3
Paramètres du modèle irradiation-puissance. Comparaison de la précision des SIM prédits sur
Système de paramètres AC/DC Tilt Azimut Onduleur Réseau du l'ensemble de test.
système
capacité ratio angle angle l'efficacité perte type PSNR SD
Valeurs * 1.1 25◦ 26◦ 96% 10.1% Fixe Adversaire 18.6 0.81
Non contradictoire 16.3 0.67
Dernière entrée 17.9 0.86
15
H. Wen et al. Énergie renouvelable 216 (2023)
119043
/ig. 7. Prédictions des SIM générées par les modèles contradictoires et non contradictoires à différents jours.
/ig. 8. Diagramme de dispersion des prédictions produites par différents modèles de prévision. Les résultats montrent les valeurs moyennes des 10 points observés sélectionnés.
Tableau 4 présente des écarts types plus faibles que le LSTM, ce qui indique une
Résultats des prévisions d'irradiation solaire des différents modèles pour 10 points observés
performance plus stable à tous les endroits sélectionnés. Quant au
sur l'ensemble de test.
modèle sans entraînement contradictoire, il équivaut à un réseau
nMAE [%] nMBE [%] nRMSE [%] FS [%]
entièrement connecté en amont. On constate que ses performances en
Smart Pers. 14.2 ± 0.5 0.1 ± 0.0 26.4 ± 1.2 0.0
matière de prévision sont fortement réduites en raison de la similarité
Lasso 12.3 ± 0.3 0.2 ± 0.1 23.5 ± 0.5 11.8 ± 2.5
XGBoost 12.1 ± 0.2 -1.2 ± 0.1 22.9 ± 0.2 13.3 ± 2.8
et de la netteté moindres des SIM prédits.
LSTM 13.3 ± 1.5 1.2 ± 0.8 24.2 ± 1.5 8.3 ± 3.8 La figure 8 compare les résultats des prévisions générées par
Adversaire 13.8 ± 1.3 0.3 ± 0.9 24.5 ± 1.1 7.2 ± 3.2 différents modèles de prévision. Chaque sous-graphe montre les
Non contradictoire 19.5 ± 3.2 -12.4 ± 1.6 35.2 ± 3.4 -33.2 ± 10.3 valeurs moyennes pour les 10 points observés sélectionnés. La ligne
rouge signifie que les prévisions sont égales aux mesures. On observe
que les prédictions du Lasso et du XGBoost sont plus concentrées avec
peu de valeurs aberrantes, alors que le LSTM
nRMSE = et GAN ont davantage de prédictions éloignées de la ligne d'égalité, ce
𝑛
∑
√√√√ 1 qui indique des erreurs de prévision plus importantes et une
(𝑦𝑡 -𝑦̂𝑡)2∕𝑦̄ (24)
𝑛 𝑡=1
détérioration de la précision. Quant au modèle non contradictoire, il
présente un biais évident en dessous de la ligne d'égalité, ce qui
signifie que les prédictions sont généralement inférieures à la réalité.
où 𝑛 est le nombre de prédictions, 𝑦𝑡, 𝑦̂𝑡 et 𝑦̄ sont mesurés, et produisent un faible nMBE de -10,4 ± 1,6 %. La figure 9 montre
les valeurs prédites et moyennes au temps 𝑡, respectivement. la variation solaire prévue par différents modèles de prévision le 22
En outre, la compétence en matière de prévision (SF) est utilisée décembre 2020 en un point observé.
pour mesurer l'amélioration d'un modèle de prévision par rapport au
modèle de référence :
nRMSE 4.3. Prévision de la puissance photovoltaïque sur des sites non observés
compétence = 1 - (25)
nRMSEp
où nRMSEp est le nRMSE de la persistance intelligente. Dans cette section, nous évaluons le cadre de prévision en estimant
Les résultats des prévisions sont p r é s e n t é s dans le tableau 4, sous Lasso et le XGBoost et que le processus d'apprentissage est plus complexe.
forme de ''moyenne±écart-type'' pour les 10 sites. En général, on constate En ce qui concerne le GAN, sa précision de prévision est comparable à
que les modèles statistiques Lasso et XGBoost surpassent les autres en celle du LSTM, avec une compétence de prévision de 7,2 ± 3,2 %, ainsi
obtenant des compétences de prévision élevées de 11,8 ± 2,5 % et que d'autres mesures. Cependant, il
13,3 ± 2,8 % et en ayant des valeurs nMAE, nMBE et nRMSE plus
faibles. La capacité de prévision de la LSTM est de 8,3 ± 3,8 %, ce qui
est inférieur à celle des modèles statistiques. Cela s'explique probablement
par le fait que le LSTM nécessite plus de données d'apprentissage que le
16
la production
H. Wen et al. d'électricité des systèmes photovoltaïques distribués Énergie renouvelable 216 (2023)
119043
dans des lieux non observés. Nous sélectionnons 30 systèmes
photovoltaïques en toiture dans la région cible à des fins de validation
et nous supposons que les données historiques de production
photovoltaïque ne sont accessibles qu'aux propriétaires pour des
raisons de confidentialité et de sécurité. Par conséquent, ces systèmes
photovoltaïques fonctionnent derrière le compteur et leur production
d'électricité n'est pas surveillée par les services publics.
Une solution possible consiste à utiliser les données observées
pour déduire les comportements des systèmes PV voisins, étant donné
qu'ils sont corrélés dans l'espace et dans le temps et que les sorties
sont susceptibles de présenter des schémas similaires, comme le 𝑥
montre la figure 10. La relation entre les systèmes voisins 𝑝(𝑖) et
17
H. Wen et al. Énergie renouvelable 216 (2023)
119043
/ig. 9. Prédictions de l'irradiation solaire de différentes méthodes de prévision à un point d'observation le 22 décembre 2020.
/ig. 10. Courbes de puissance normalisées des 30 systèmes PV sélectionnés sur des sites non observés au 1er décembre 2020. La courbe rouge a la plus forte corrélation avec les
autres et est utilisée comme référence pour l'estimation.
10
productions
H. Wen et al. PV à d'autres endroits en nous basant sur l'approximation Énergie renouvelable 216 (2023)
119043
qu'ils ont les mêmes modèles que le PV-17 (méthode de décalage).
10
H. Wen et al. Énergie renouvelable 216 (2023)
119043
Tableau 5
Les résultats de la prévision de la puissance photovoltaïque par différents modèles de prévision.
Site Métrique [%] Pers. Lasso XGBoost LSTM Déplace GAN Site Métrique [%] Pers. Lasso XGBoost LSTM Déplace GAN
ment ment
nMAE 12.34 11.42 11.23 12.513 15.69 11.74 nMAE 11.95 11.03 10.95 13.80 16.23 12.03
PV-1 nMBE 0.0 0.35 -0.12 -0.65 -12.42 0.55 PV-2 nMBE 0.0 0.28 0.15 -2.38 -5.31 1.49
nRMSE 24.21 22.92 23.17 23.84 27.32 22.64 nRMSE 25.59 23.10 23.42 24.56 27.35 22.87
Compétence - 5.33 4.30 1.53 -12.85 6.48 Compétence - 9.73 8.48 4.03 -6.88 10.63
nMAE 14.23 12.59 12.72 13.89 17.83 12.85 nMAE 13.56 12.21 12.04 11.94 15.31 12.74
PV-3 nMBE 0.0 0.21 -0.35 -3.25 5.29 2.41 PV-4 nMBE 0.0 0.53 -0.97 -1.04 -6.92 1.53
nRMSE 28.32 27.41 27.29 28.70 31.04 25.75 nRMSE 26.94 25.83 25.54 26.12 27.71 24.66
Compétence - 3.21 3.64 -1.34 -9.60 9.04 Compétence - 4.12 5.20 1.56 -2.86 8.52
nMAE 11.79 10.95 10.82 11.13 14.43 11.34 nMAE 11.43 10.72 10.28 10.93 14.21 11.03
PV-5 nMBE 0.0 0.32 -0.65 -2.34 -6.42 2.26 PV-6 nMBE 0.0 0.05 0.59 1.42 -3.42 1.48
nRMSE 25.94 25.41 24.89 26.31 28.74 24.28 nRMSE 25.22 23.89 23.62 26.17 27.12 22.37
Compétence - 2.04 4.05 -3.77 -10.79 6.40 Compétence - 5.24 6.34 4.52 -7.53 11.31
nMAE 12.87 11.16 11.05 12.53 15.43 13.29 nMAE 12.24 11.39 10.94 12.84 16.21 11.85
PV-7 nMBE 0.0 0.43 -0.31 -1.21 -10.20 -0.89 PV-8 nMBE 0.0 0.14 -0.23 -1.47 3.39 1.32
nRMSE 25.32 24.93 24.57 24.89 27.94 24.12 nRMSE 25.85 25.46 24.98 26.32 29.17 24.21
Compétence - 1.54 2.96 1.70 -10.35 4.74 Compétence - .51 3.37 -1.82 -12.84 6.34
nMAE 12.76 12.02 11.75 11.93 14.84 12.42 nMAE 13.74 13.49 13.04 13.42 15.31 12.98
nMBE 0.0 0.24 -0.52 -2.74 -6.13 2.43 nMBE 0.0 0.67 0.94 -3.92 -9.28 1.89
PV-9 PV-10
nRMSE 26.23 24.48 24.67 27.53 29.31 23.88 nRMSE 27.35 26.92 26.39 28.42 31.17 26.47
Compétence - 6.67 5.96 -4.96 -11.74 8.96 Compétenc - 1.57 3.51 -3.91 -13.97 3.22
e
5. Conclusion
12
H. Wen et al. Énergie renouvelable 216 (2023)
119043
/ig. 13. Diagramme en boîte des erreurs de prévision de la puissance photovoltaïque des différentes méthodes sur les 30 sites non observés : (a) nMAE, (b) nMBE, (c) nRMSE, et (d) Skill.
Les erreurs de prévision individuelles de chaque modèle sont représentées par des couleurs différentes.
Déclaration de contribution des auteurs du CRediT [14] Y.-M. Saint-Drenan, G. Good, M. Braun, A probabilistic approach to the es-
timation of regional photovoltaic power production, Sol. Energy 147 (2017) 257-
276.
Haoran Wen : Conceptualisation, Logiciel, Visualisation, Rédaction -
[15] Y.-M. Saint-Drenan, S. Vogt, S. Killinger, J.M. Bright, R. Fritz, R.W.E. Potthast,
version originale, Rédaction - révision et édition. Yang Du : Bayesian parameterisation of a regional photovoltaic model - Application to
Méthodologie, Investigation, Supervision, Rédaction - révision et édition. forecasting, Sol. Energy (2019).
Xiaoyang Chen : Méthodologie. Eng Gee Lim : Administration de [16] H.R. Shaker, D. Manfre, H. Zareipour, Forecasting the aggregated output of a large
projet, Ressources, Investigation. Huiqing Wen : Supervision, Rédaction fleet of small behind-the-meter solar photovoltaic sites, Renew. Energy 147 (2020)
1861-1869.
- révision et édition. Ke Yan : Validation.
[17] A. Alcántara, I.M. Galván, R. Aler, Deep neural networks for the quantile
estimation of regional renewable energy production, Appl. Intell. (2022).
Déclaration d'intérêts concurrents [18] G. Reikard, Predicting solar radiation at high resolutions : A comparison of time
series forecasts, Sol. Energy 83 (2009) 342-349.
Les auteurs déclarent qu'ils n'ont pas d'intérêts financiers [19] E. Lorenz, J. Hurka, D. Heinemann, H.-G. Beyer, Irradiance forecasting for the
concurrents connus ou de relations personnelles qui auraient pu power prediction of grid-connected photovoltaic systems, IEEE J. Sel. Top. Appl.
Earth Obs. Remote Sens. 2 (2009) 2-10.
sembler influencer le travail présenté dans cet article.
[20] A. Gastli, Y. Charabi, Solar electricity prospects in oman using GIS-based solar
radiation maps, Renew. Sustain. Energy Rev. 14 (2) (2010) 790-797.
Remerciements [21] J. de Hoog, M. Perera, K. Bandara, D. Senanayake, S. Halgamuge, Solar PV maps
for estimation and forecasting of distributed solar generation, in : ICML 2021
AI University Research Centre (AI-URC), Chine, par l'intermédiaire Workshop on Tackling Climate Change with Machine Learning, 2021.
du Key Programme Special Fund (KSF-P-02) de la XJTLU et du fonds de [22] F. Wang, Z. Zhang, C. Liu, Y. Yu, S. Pang, N. Duić, M. Shafie-Khah, J.P. Catalao,
Generative adversarial networks and convolutional neural networks based weather
développement de la recherche de la XJTLU, Chine (RDF-17-01-28).
classification model for day ahead short-term photovoltaic power forecasting,
Energy Convers. Manage. 181 (2019) 443-462.
Références [23] M. Khodayar, S. Mohammadi, M.E. Khodayar, J. Wang, G. Liu, Convolutional
graph autoencoder : A generative deep neural network for probabilistic spatio-
[1] C. Breyer, D. Bogdanov, A. Gulagi, A. Aghahosseini, L.S. Barbosa, O. Koskinen, tempal solar irradiance forecasting, IEEE Trans. Sustain. Energy 11 (2) (2019) 571-
M. Barasa, U. Caldera, S. Afanasyeva, M. Child, et al, On the role of solar 583.
photovoltaics in global energy transition scenarios, Prog. Photovolt, Res. Appl. 25 [24] A. Debnath, G. Waghmare, H. Wadhwa, S. Asthana, A. Arora, Exploring genera-
(8) (2017) 727-745. tive data augmentation in multivariate time series forecasting : opportunities and
[2] M. Diagne, M. David, P. Lauret, J. Boland, N. Schmutz, Review of solar irradiance challenges, Solar-Energy 137 (2021) 52-560.
forecasting methods and a proposition for small-scale insular grids, Renew. Sustain. [25] C. Jiang, Y. Chen, Y. Mao, Y. Chai, M. Yu, Forecasting spatio-temporal renewable
Energy Rev. 27 (2013) 65-76. scenarios : a deep generative approach, 2019, arXiv preprint arXiv:1903.05274.
[3] S. Maharjan, D.S. Kumar, A.M. Khambadkone, Enhancing the voltage stability of [26] X. Huang, Q. Li, Y. Tai, Z. Chen, J. Liu, J. Shi, W. Liu, Time series forecasting for
distribution network during PV ramping conditions with variable speed drive loads, hourly photovoltaic power using conditional generative adversarial network and Bi-
Appl. Energy 264 (2020) 114733. LSTM, Energy 246 (2022) 123403.
[4] N. Haghdadi, A. Bruce, I. MacGill, R. Passey, Impact of distributed photovoltaic [27] F. Li, H. Zheng, X. Li, A novel hybrid model for multi-step ahead photo- voltaic
systems on zone substation peak demand, IEEE Trans. Sustain. Energy 9 (2) (2017) power prediction based on conditional time series generative adversarial networks,
621-629. Renew. Energy 199 (2022) 560-586.
[5] B.C. Erdener, C. Feng, K. Doubleday, A. Florita, B.-M. Hodge, A review of [28] F. Meng, Q. Zou, Z. Zhang, B. Wang, H. Ma, H.M. Abdullah, A. Almalaq, M.A.
behind-the-meter solar forecasting, Renew. Sustain. Energy Rev. 160 (2022) Mohamed, An intelligent hybrid wavelet-adversarial deep model for accurate
112224. prediction of solar power generation, Energy Rep. 7 (2021) 2155-2164.
[6] T. Stoffel, A. Andreas, NREL Solar Radiation Research Laboratory (srrl) : Baseline
[29] Y. Zhang, A. Schlueter, C. Waibel, SolarGAN : Synthetic annual solar irradiance
Measurement System (bms) ; Golden, Colorado (data), Tech. Rep., National
time series on urban building facades via Deep Generative Networks, Energy AI 12
Renewable Energy Lab.(NREL), Golden, CO (États-Unis), 1981.
(2023) 100223.
[7] L. Bird, M. Milligan, D. Lew, Integrating Variable Renewable Energy : Challenges
[30] G. Andrianakos, D. Tsourounis, S. Oikonomou, D. Kastaniotis, G. Economou,
and Solutions, Tech. Rep. NREL/TP-6A20-60451, National Renewable Energy
A. Kazantzidis, Sky image forecasting with Generative Adversarial Networks for
Laboratory (NREL), Golden, CO, USA, 2013.
cloud coverage prediction, in : 2019 10th International Conference on Information,
[8] J.G. da Silva Fonseca Junior, T. Oozeki, H. Ohtake, T. Takashima, K. Ogimoto,
Intelligence, Systems and Applications, IISA, IEEE, 2019, pp. 1-7.
Regional forecasts of photovoltaic power generation according to different data
[31] M. Sengupta, Y. Xie, A. Lopez, A. Habte, G. Maclaurin, J. Shelby, The national
availability scenarios : a study of four methods, Prog. Photovolt., Res. Appl. 23
solar radiation data base (NSRDB), Renew. Sustain. Energy Rev. 89 (2018) 51-60.
(2015) 1203-1218.
[9] T. Hoff, Behind-the-meter (BTM) PV forecast integration with load forecasting, in : [32] M. Sengupta, A. Weekley, A. Habte, A. Lopez, C. Molling, Validation of the
Utility Variable Generation Integration Group Forecasting Workshop, 2016. National Solar Radiation Database (NSRDB)(2005-2012), Tech. Rep., National
[10] J. Kleissl, Current state of the art in solar forecasting, 2010. Renewable Energy Lab.(NREL), Golden, CO (États-Unis), 2015.
[11] X. Zhang, Y. Li, S. Lu, H.F. Hamann, B.-M.S. Hodge, B. Lehman, A solar time [33] M. Sengupta, A. Habte, P. Gotseff, A. Weekley, A. Lopez, C. Molling, A.
based analog ensemble method for regional solar power forecasting, IEEE Trans. Heidinger, Physics-Based GOES Satellite Product for Use in NREL's National
Sustain. Energy 10 (2019) 268-279. Solar Radiation Database, Tech. Rep., National Renewable Energy Lab.(NREL),
[12] S. Killinger, D. Lingfors, Y.-M. Saint-Drenan, P. Moraitis, W.G. van Sark, J. Golden, CO (États-Unis), 2014.
Taylor, N.A. Engerer, J.M. Bright, On the search for representative characteristics [34] P. Ineichen, R. Perez, A new airmass independent formulation for the Linke
of PV systems : Data collection and analysis of PV system azimuth, tilt, capacity, turbidity coefficient, Sol. Energy 73 (3) (2002) 151-157.
yield and shading, Sol. Energy (2018). [35] J.-M. Montero, G. Fernández-Avilés, J. Mateu, Spatial and Spatio-Temporal
[13] E. Lorenz, T. Scheidsteger, J. Hurka, D. Heinemann, C. Kurz, Regional PV power Geostatistical Modeling and Kriging, John Wiley & Sons, 2015.
prediction for improved grid integration, Prog. Photovolt, Res. Appl. 19 (2011).
13
H. Wen et al. Énergie renouvelable 216 (2023)
119043
[36] I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. [38] M. Mathieu, C. Couprie, Y. LeCun, Deep multi-scale video prediction beyond
Courville, Y. Bengio, Generative adversarial nets, Adv. Neural Inf. Process. Syst. mean square error, 2015, arXiv preprint arXiv:1511.05440.
27 (2014). [39] J. Marcos, L. Marroyo, E. Lorenzo, D. Alvira, E. Izco, Power output fluctuations in
[37] A.X. Lee, R. Zhang, F. Ebert, P. Abbeel, C. Finn, S. Levine, Stochastic adversarial large scale PV plants : one year observations with one second resolution and a
video prediction, 2018, arXiv preprint arXiv:1804.01523. derived analytic model, Prog. Photovolt, Res. Appl. 19 (2) (2011) 218-227.
14