Abonnez-vous à DeepL Pro pour traduire des fichiers plus volumineux.

Visitez www.DeepL.com/pro pour en savoir plus.

Énergie renouvelable 216 (2023) 119043

Listes des contenus disponibles sur ScienceDirect

Énergies renouvelables
Page d'accueil du journal : www.elsevier.com/locate/renene

Une approche de prévision solaire régionale utilisant des réseaux adversaires

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
1.1. Contexte
L'énergie solaire est l'une des alternatives les plus viables aux
combustibles fossiles car elle est respectueuse de l'environnement et
inépuisable [1]. Cependant, la nature intermittente et stochastique de la
ressource solaire empêche l'utilisation optimale de l'énergie solaire et
pose des problèmes aux réseaux électriques [2]. La production
d'énergie photovoltaïque dépend fortement des variations de
l'irradiation solaire, c'est-à-dire (1) de la variabilité déterministe induite
par la rotation de la terre et son mouvement orbital autour du soleil, et
(2) de la variabilité stochastique induite par le mouvement orbital
autour du soleil.
(2) la variabilité stochastique causée par des processus atmosphériques
tels que les transitoires de nuages. Dans le premier cas, l'irradiation
solaire présente des tendances diurnes et saisonnières prévisibles,
comme le montrent les figures 1(a) et 1(b).
(b). Par exemple, en été, l'angle du soleil est le plus élevé lorsque
l'hémisphère nord est incliné vers le soleil. Ainsi, le soleil fournit plus
d'énergie à la surface de la terre et l'irradiation solaire moyenne est de
plus élevé que celui des autres saisons. De même, l'irradiation solaire
présente également une tendance diurne qui résulte de la rotation de la
terre.
Dans le second cas, l'irradiation solaire devient non stationnaire en
raison de ses comportements plus stochastiques et de ses changements
rapides causés par les nuages en mouvement. Cette intermittence
induite par les nuages peut provoquer ce que l'on appelle l'effet
d'ombrage partiel dans les systèmes photovoltaïques, ce qui entraîne un
déséquilibre de la fréquence, une violation des limites de tension et un
dysfonctionnement des dispositifs de protection, en particulier dans les
zones où la pénétration des systèmes photovoltaïques est élevée [3].
Récemment, l'expansion des systèmes photovoltaïques distribués à
petite échelle fonctionnant derrière le compteur a connu un essor
considérable. Du point de vue des opérateurs de réseau, ces
générateurs d'énergie photovoltaïque sont "invisibles", ce qui signifie
que leur production d'énergie n'est pas systématiquement surveillée en
temps réel au niveau opérationnel du réseau électrique. Néanmoins,
l'électricité produite par ces unités contrebalance effectivement les
besoins en électricité des consommateurs, modifiant ainsi le profil
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].

photovoltaïques de chaque grappe partagent une irradiation solaire

La capacité PV BTM augmentant, il est crucial de prévoir la
identique et d'autres paramètres. Cette approche présente l'avantage de
production d'énergie PV BTM pour maintenir l'équilibre entre l'offre et
prendre en compte de manière explicite les caractéristiques uniques de
la demande d'énergie [5]. Par conséquent, des prévisions et des
chaque système. Cependant, elle présente des défis dans le contexte de
estimations fiables et précises de la production d'énergie
la prévision des systèmes photovoltaïques distribués, car la disponibilité
photovoltaïque distribuée et des ressources solaires sont nécessaires
des données sur les systèmes photovoltaïques est souvent limitée ou
pour améliorer le fonctionnement du système électrique et l'utilisation
incomplète.
de l'énergie solaire.
En revanche, l'approche de mise à l'échelle est plus adaptée au
scénario dans lequel seules des données partielles sur la puissance
1.2. Travaux connexes
photovoltaïque sont connues, par exemple, les données de certains
systèmes photovoltaïques représentatifs peuvent être utilisées pour
En relation symbiotique avec le développement de la technologie
estimer la production totale de la région [12]. Lorenz et al [13] ont
de l'énergie solaire, les prévisions solaires sont devenues l'un des sujets
utilisé des modèles physiques et des techniques de mise à l'échelle pour
les plus importants dans ce domaine [7]. Cependant, la plupart des
générer des prévisions régionales de points photovoltaïques pour un
études existantes sont consacrées à la prévision de la puissance de
horizon de prévision allant jusqu'à deux jours, dans l e but de fournir
sortie des centrales photovoltaïques individuelles, lorsque les mesures
des données sur la consommation d'énergie.
de production et les données météorologiques locales sur le site sont
disponibles. Un nombre encore limité de travaux se concentre sur
l'estimation de la production régionale d'électricité des systèmes
photovoltaïques distribués.

1.2.1. Prévisions solaires régionales

Les prévisions solaires régionales sont des prévisions de la quantité
d'irradiation solaire ou de la production d'énergie photovoltaïque qui
sera disponible dans une région ou une zone spécifique sur une période
donnée. L'étendue d'une région intéressée peut varier en fonction de la
densité des installations photovoltaïques, de l'infrastructure du réseau,
des conditions météorologiques et des objectifs spécifiques des
applications de prévision. Les approches de prévision de la puissance
photovoltaïque régionale peuvent être regroupées en approches
ascendantes et ascendantes, en fonction de la disponibilité des données
requises sur les systèmes photovoltaïques [8].
La prévision ascendante consiste à prévoir la production d'énergie
photovoltaïque dans une zone donnée en agrégeant les prévisions pour
les sites photovoltaïques individuels. Cette méthode est
particulièrement adaptée à l'agrégation de tous les systèmes
photovoltaïques individuels lorsque leurs spécifications sont connues
(par exemple, l'emplacement et la capacité) et à la compréhension des
effets localisés dans les analyses régionales. Comme indiqué dans [9],
la production régionale d'énergie photovoltaïque peut être estimée en
prédisant chaque installation photovoltaïque dans la région concernée à
l'aide de modèles physiques bien définis combinés à des données sur
l'irradiation et les conditions météorologiques. De même, le California
Independent System Operator (ISO) a collecté toutes les données
relatives à la puissance photovoltaïque et les a combinées avec des
données d'irradiation à haute résolution et des prévisions
météorologiques pour estimer la contribution totale des systèmes
photovoltaïques distribués dans son réseau [10]. Dans [11], les
chercheurs ont utilisé des stratégies de regroupement et de fusion pour
regrouper les systèmes photovoltaïques présentant des conditions
météorologiques et géographiques similaires. Ils ont ensuite utilisé le
modèle d'ensemble analogique pour prédire la puissance
photovoltaïque régionale en partant de l'hypothèse que les systèmes
2
H. Wen et al. Énergie renouvelable 216 (2023)
des prévisions précises de la production d'énergie photovoltaïque au 119043
niveau régional. Pour utiliser efficacement cette approche, il est
essentiel de sélectionner soigneusement un sous-ensemble de
systèmes photovoltaïques et d'effectuer des comparaisons avec des
données de comptage sur un nombre statistiquement significatif de
sites servant de référence. Cela permet d'obtenir des évaluations
précises et fiables des performances prévues. Le problème de la
mauvaise représentation est examiné dans [14,15], où les données
d'un large échantillon de systèmes photovoltaïques ont été introduites
dans des modèles photovoltaïques. Dans [16], des intervalles de
confiance flous sont utilisés pour traiter les incertitudes dans les
données d'entrée. Cette approche offre l'avantage de recueillir des
données à partir d'un nombre limité de sites dans la région, plutôt que
d'exiger une surveillance continue de tous les sites.
Dans les cas où les données spécifiques pour les systèmes
individuels ne sont pas disponibles mais que les données régionales
agrégées sur l'énergie photovoltaïque sont accessibles, il est possible
de traiter les prévisions régionales comme une simple tâche de
prévision de séries temporelles en prédisant directement les données
agrégées sur la production d'énergie photovoltaïque à l'aide de
modèles statistiques. Par exemple, dans [17], les données provinciales
de production d'énergie électrique peuvent être obtenues à partir du
portail de données ouvertes d u régulateur espagnol Red Eléctrica
Española. Les auteurs utilisent des réseaux neuronaux profonds pour
estimer plusieurs quantiles conditionnels sur la production régionale
d'électricité renouvelable avec des variables NWP maillées couvrant
la région d'intérêt. Si aucune donnée n'est disponible pour les
systèmes photovoltaïques individuels ou la région, les prévisions
d'irradiation solaire peuvent être transformées en puissance sur la base
de la capacité installée estimée [18]. Par exemple, Lorenz et al [19]
ont introduit une méthodologie qui prédit efficacement l'irradiation
solaire sur la base des prévisions météorologiques, ce qui permet de
l'appliquer à la prévision régionale de la production d'électricité
photovoltaïque pour 11 sites situés en Allemagne.
Outre les méthodes utilisant les données de puissance
photovoltaïque et les prévisions météorologiques, des modèles basés
sur l'image peuvent être utilisés pour évaluer les ressources en énergie
solaire à l'aide de données de télédétection par satellite. Une étude
utilise un système d'information géographique (SIG) pour générer des
cartes de rayonnement solaire afin d'évaluer la distribution mensuelle
et annuelle du rayonnement solaire pour la première fois à Oman, ce
qui aide les décideurs politiques à établir efficacement un marché de
l'énergie solaire viable [20]. En outre, les cartes de puissance solaire
sont produites en utilisant un petit ensemble de systèmes PV mesurés
dans [21], et peuvent ensuite être utilisées en conjonction avec
d'autres sources de données (telles que les données météorologiques
ou l'imagerie satellitaire) pour une prévision plus précise de la
production PV solaire distribuée totale d'une région entière.
Néanmoins, la qualité des cartes d'énergie solaire dépend largement
de la distribution et de la densité des centrales photovoltaïques. Dans
les régions où les systèmes photovoltaïques sont peu nombreux ou
non observés, il est difficile de générer des cartes d'énergie solaire qui
décrivent avec précision la production photovoltaïque.

1.2.2. Prévisions solaires génératives

Soutenu par le développement récent du matériel informatique et
la croissance exponentielle des données disponibles, l'apprentissage
profond (DL) a connu un grand succès dans de nombreux domaines
industriels et académiques. Dans la communauté solaire, les
chercheurs ont également utilisé des modèles d'apprentissage profond
tels que les réseaux neuronaux récurrents (RNN) pour les prévisions
solaires, c'est-à-dire pour faire des prévisions en traitant des données
séquentielles et en apprenant les dépendances temporelles dans les
séries chronologiques. Récemment, des modèles génératifs, p a r
e x e m p l e des réseaux neuronaux génératifs, ont été utilisés pour la
prévision solaire.

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

À la lumière des motivations ci-dessus, une nouvelle approche

générative est proposée pour prédire la variation de l'irradiation solaire
régionale afin d'estimer la production d'énergie photovoltaïque
distribuée. Cette méthode utilise le krigeage spatial pour générer des
données d'entrée basées sur des images, à savoir des cartes d'irradiation
solaire (SIM) avec des données d'irradiation dérivées de satellites.
Ensuite, un GAN multi-échelle pré-entraîné génère les SIM de l'étape
suivante à partir d'une séquence d'entrée des 5 images précédentes. Les
images SIM prédites peuvent être transformées en sorties individuelles
de puissance photovoltaïque à n'importe quel endroit de la région, ce
qui rend cette méthode particulièrement adaptée aux services publics
pour estimer les systèmes photovoltaïques non observés. À notre
connaissance, il s'agit du premier travail qui utilise le GAN pour les
prévisions solaires régionales. À la lumière de ce qui précède, les
contributions scientifiques de cette étude peuvent être résumées
comme suit :
4
H. Wen et al. spatiale de 2 km, comme le montre la figure Énergie2(b). Nous216
renouvelable utilisons
(2023) les
• Enfin, les SIM prédits peuvent être utilisés pour estimer la 119043
données de 2018-2019 comme ensemble d'apprentissage et les données
puissance photovoltaïque distribuée dans cette région. Il permet
de 2020 pour les tests hors échantillon. En outre, les valeurs nulles
de prévoir la production photovoltaïque individuelle en
pendant la nuit sont supprimées et les valeurs diurnes de 06h00 à
extrayant la série temporelle d'irradiation prédite à n'importe
18h00 sont préservées. La figure 2(c) montre un exemple de GHI
quel emplacement géographique et en la convertissant en
dérivé du satellite à l'un des endroits.
données photovoltaïques à l'aide d'un modèle de conversion de
Pour éliminer la tendance diurne des données d'irradiation solaire,
l'irradiation en puissance. Une étude de cas permet de vérifier
nous utilisons l'indice de ciel clair (CSI) pour générer des SIM au lieu
l'efficacité de notre approche sur des données de production
d'utiliser directement les valeurs GHI. Cette étape est très importante
photovoltaïque réelles, ce qui la rend prometteuse pour des
pour la génération des SIM, car elle garantit la cohérence des SIM en
applications pratiques.
ce qui concerne la "clarté" plutôt que l'irradiation solaire.
Le reste de ce document est organisé comme suit. La section 2
décrit les données de l'expérience. La section 3 présente l'approche de
prévision solaire proposée avec une explication détaillée. La section 4
présente les résultats de l'expérience avec des discussions, suivie de la
conclusion et des travaux futurs à la section 5.

2. Description des données

2.1. Données sur l'irradiation solaire

Les données publiques de haute qualité sur les ressources solaires

sont fondamentales et cruciales pour les technologies solaires. Elles
permettent de prédire avec précision la production des systèmes
photovoltaïques et facilitent le déploiement des technologies d'énergie
solaire dans les systèmes photovoltaïques. La NSRDB est une compilation
complète de données horaires et semi-horaires, comprenant les trois
principales mesures du rayonnement solaire, à savoir l'irradiation
horizontale globale (GHI), l'irradiation normale directe (DNI) et
l'irradiation horizontale diffuse (DHI), ainsi que les données
météorologiques qui l'accompagnent [31]. La version actuelle du
NSRDB est construite par des techniques de modélisation utilisant
des mesures multicanaux obtenues à partir de satellites
géostationnaires, alors que les versions précédentes s'appuyaient sur
des données nuageuses et météorologiques provenant principalement
d'aéro- ports. L'inclusion d'un nombre suffisant de sites
géographiquement diversifiés, ainsi que la prise en compte
méticuleuse des échelles temporelles et spatiales, garantissent une
représentation précise des climats régionaux de rayonnement solaire
dans le NSRDB.
Il existe deux méthodes couramment appliquées pour obtenir des
données sur les sources solaires à partir de modèles : (a) une approche
empirique qui met en corrélation les observations au sol et les
mesures par satellite, et (b) une approche basée sur la physique qui
prend en compte le rayonnement reçu par le satellite et génère des
extractions pour estimer les nuages et le rayonnement de surface.
Alors que les méthodes empiriques ont traditionnellement été utilisées
pour calculer le rayonnement de surface, les progrès de l'informatique
plus rapide ont rendu les modèles physiques réalisables [32]. Le
modèle solaire physique (PSM) développé par le NREL calcule le
GHI à l'aide de mesures de chan- tiers visibles et infrarouges
provenant du système GOES (Geostationary Operational
Environmental Satellites). La NSRDB actuelle contient plusieurs
ensembles de données avec différentes résolutions spatiales et
temporelles. Les données sont générées par une version améliorée de
PSM V3 et présentent une meilleure corrélation avec les données
mesurées au sol [33].
Dans cet article, nous utilisons le jeu de données couvrant les régions
de l'Asie, de l'Australie et du Pacifique avec une résolution de 2 km × 2
km et 10 minutes pour la période 2018-2020. Les données sont
régulièrement quadrillées avec une résolution spatiale d'environ
0,02◦ en latitude et en longitude. En particulier, une zone de 24 × 24 km2 en
Brisbane montré dans la Fig. 2(a), qui est situé entre les latitudes 27.36◦
et 27.58◦ Sud et Longitudes 152.91◦ et 153.15◦ Est, est choisi.
comme la région intéressante pour les prévisions en raison de la forte
pénétration des systèmes photovoltaïques distribués. Dans cette
région, il y a 156 points de mesure de l'irradiation solaire (points
rouges) répartis uniformément dans cette région avec une résolution
5
H. Wen et al. Énergie renouvelable 216 (2023)
119043

/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.

l'intensité. Le CSI est défini comme le rapport entre l'irradiation 3. Méthodologie

mesurée (𝐼) et l'irradiation par ciel clair (𝐼cs) dans une atmosphère de
ciel clair :
CSI = GHI mesuré
GHI en ciel
clair
où les valeurs GHI pour le ciel clair sont calculées en utilisant le
modèle de ciel clair d'Ineichen-Perez [34] qui prend en compte la
turbidité de Linke. Étant donné que certaines valeurs de GHI dépassées
rendent le CSI anormalement élevé, nous limitons les valeurs du CSI à
une plage de (0, 1,2) afin de réduire les prédictions inattendues. La
figure 2(d) montre un exemple de CSI correspondant.
3.1. Le cadre régional de prévision solaire proposé
(1)
Contrairement aux méthodes conventionnelles de prévision solaire
qui prévoient les
sélectionné 30 systèmes photovoltaïques d'une capacité comprise entre
4 kW et 13,08 kW dans cette région à des fins de validation et de
démonstration. La figure 2(b) montre la répartition géographique des
systèmes photovoltaïques sélectionnés (carrés bleus) sur la base de leurs
informations de coordination.

2.2. Données de sortie PV

Pour valider l'effet de la méthode, nous utilisons les résultats de la

prévision pour l'estimation de la puissance photovoltaïque de BTM.
Les données de production photovoltaïque proviennent de
PVOutput.org, une plateforme en ligne largement utilisée qui permet
aux utilisateurs de suivre et de partager les données de performance
des systèmes photovoltaïques en temps réel. Cet article exploite la
richesse des données pour la recherche empirique afin d'étudier et
d'évaluer la production régionale d'énergie photovoltaïque de la BTM
en fonction de la localisation géographique, de la taille du système et
des conditions environnementales. Dans cette optique, nous avons
6
H. Wen et al. Énergie renouvelable 216 (2023)
L'objectif du cadre de prévision proposé est de prédire le 119043
rayonnement solaire d'une région entière en générant d'autres SIM
sans variables exogènes. La figure 3 illustre le processus général du
cadre de prévision solaire régional proposé. Il se compose de trois
étapes : (1) le traitement des données et la génération de SIM,
(2) la formation et les prévisions contradictoires, et (3) la conversion
de l'irradiation en puissance.

3.2. Création de SIM à l'aide du krigeage spatial

Dans un premier temps, nous créons des cartes d'irradiation solaire

à l'aide de l'in- terpolation par krigeage. La création de cartes SIM
pour une région donnée implique la création de graphiques décrivant
la distribution géographique de l'intensité de l'irradiation solaire dans
cette région. Le krigeage est une méthode d'interpolation pondérée
basée sur un processus géostatistique qui produit une surface estimée
à partir d'un ensemble d e points mesurés. Elle suppose que la
distance ou la direction entre les points d'échantillonnage reflète une
corrélation spatiale et détermine les valeurs pour les emplacements
inconnus.
Étant donné la série temporelle d'irradiation solaire 𝑰(𝑡) à un
ensemble de lieux 𝐬 ∈ R𝑑 , la relation spatio-temporelle des
observations de l'irradiation solaire dans l'ensemble de la zone de
l'étude.

7
H. Wen et al. Énergie renouvelable 216 (2023)
119043

La région intéressée peut être représentée comme suit

) )}⊤
ℐ = {𝑰 (𝐬1 ; 𝑡1 , ... , 𝑰 (𝐬 ; 𝑡 (2)
𝑛 𝑛
où 𝑛 est le nombre d'emplacements pour lesquels des données sur
l'irradiation solaire sont disponibles. Lorsque le pas de temps 𝑡𝑛 à
chaque emplacement est identique, nous pouvons décomposer ℐ en :
}⊤
ℐ = {𝑰(1) , 𝑰(2) , ... , 𝑰(𝑚) (3)

{( ) ( ) ( )}
(𝑘) 𝑰= 𝐼 𝐬1 ; 𝑡𝑘 , 𝐼 𝐬2 ; 𝑡𝑘 , ... , 𝐼 𝐬𝑛 ; 𝑡𝑘 (4)

où 𝑘 ∈ {1, ... , 𝑚} est l'indice temporel et 𝑚 est le nombre de pas de

temps. Nous déterminons ensuite la résolution spatiale des données
interpolées et créons la grille de maillage des coordonnées pour faire
correspondre les valeurs interpolées aux coordonnées correspondantes.
𝐬 ⋯ 𝐬 (𝑥 , 𝑦 ) ⋯ (𝑥 , 𝑦 )
⎡⎢ 1 ⎡⎢ 1 1 𝑝 𝑝
𝑞 ⎤⎥ ⎤⎥
D=⋮ ⋱ ⋮ = ⋮ ⋱ ⋮
⎢ ⎥ ⎢(𝑥𝑝, 𝑦𝑝) ⋯ (𝑥𝑝𝑞 , 𝑦𝑝𝑞 )⎦⎥
⎣𝐬𝑝⋯ 𝐬 𝑝 𝑞 ⎣ ⎦

où 𝑝 et 𝑞 sont respectivement les nombres de latitudes et de longitudes

interpolées. Le nombre total de coordonnées interpolées est égal à
𝑝 × 𝑞 = 𝑅𝑜𝑏𝑠.∕𝑅𝑖𝑛𝑡𝑒𝑟. × 𝑛 où 𝑅𝑜𝑏𝑠. et 𝑅𝑖𝑛𝑡𝑒𝑟. dénotent respectivement.
Compte tenu de la grille de coordonnées, la valeur estimée pour un
emplacement non desservi 𝐬0 peut être obtenue en calculant la somme
pondérée des observations proches, comme indiqué ci-dessous :
𝑛
∑
∗ 𝐼(𝐬0) = 𝛬 × 𝑰(𝐬𝑖, 𝑡𝑘) = 𝜆𝑖𝐼(𝑥𝑖, 𝑦𝑖, 𝑡𝑘) (5)
𝑖=1
∑𝑛

𝜆𝑖 = 1 (6)
𝑖=1

où 𝐼∗ (𝐬0) est l'estimation, 𝑥𝑖 et 𝑦𝑖 sont les coordonnées à l'emplacement

𝑠𝑖, et 𝛬 = {𝜆1, ... , 𝜆𝑛} est le vecteur de poids représentant les poids des 𝑛
/ig. 3. Le cadre de prévision solaire régional proposé.
voisins 𝐬𝑛. En outre, en exigeant que la somme de tous les poids soit égale à
un dans l'équation (6), l'estimation est garantie sans biais. Un seul
peut ainsi être supérieur à un ou inférieur à zéro, ce qui permet de
renforcer l'influence (𝜆 > 1) ou d'exercer une influence négative (𝜆 <
0) sur des observations spécifiques.
Le modèle théorique de variogramme ajusté aux données est utilisé
pour dériver les poids de la structure de covariance spatiale. Pour
obtenir les poids pour un lieu non observé, un ensemble d'équations
appelé système d'équations de krigeage (KES) est formulé [35]. En
partant de l'hypothèse que les erreurs de prédiction sont nulles et de
l'équation (6), les équations de krigeage finales peuvent être écrites
{ ∑ suit :(
comme ) ( )
𝑁
𝜆𝑗 𝛾 𝐬𝑖 - 𝐬𝑗 + 𝛼 = 𝛾 𝐬𝑖 - 𝐬0
∑𝑗=1
𝑁 (7)
𝜆𝑖 =1
𝑖=1

où 𝛼 est le multiplicateur de Lagrange pour la résolution du KES. Il est

/ig. 4. (a) Imagerie satellite Himawari-8 de l'est de l'Australie le 15 décembre 2019 à
9h30 (heure locale) ; (b) Brisbane. Un pixel plus blanc indique des nuages plus épais
sur la zone, associés à une valeur CSI plus faible ; (c) observations d'irradiance solaire
dérivées du satellite NSRDB ; (d) SIM interpolés (une couleur plus foncée avec des
valeurs 𝑘𝑡 plus faibles indique des zones plus ombragées et vice versa.).
8
possible d'obtenir la meilleure estimation linéaire et sans biais en
minimisant la variance d'estimation soumise à l'équation (6). Ainsi, le
krigeage est souvent a p p e l é le meilleur estimateur linéaire sans
biais (BLUE). Enfin, l'estimateur optimisé produit une interpolation
lisse car les estimations proches des observations s'approchent très
doucement des valeurs observées. Un exemple de SIM interpolé est
illustré à la figure 4(d).
Dans cette étude, des SIM de différentes résolutions spatiales sont
produits à des fins de comparaison, comme le montre la figure 5. Cela
permet une évaluation visuelle des effets sur l'interpolation résultante.
Les SIM de résolution spatiale supérieure à 0,5 km sont visuellement
identiques, tandis que les SIM de résolution 1 km et 0,5 km ont des
détails relativement grossiers et des contours non dissimulés. Par
conséquent, nous utilisons une résolution spatiale raisonnable de
0,2 km pour les SIM interpolés en tenant compte à la fois de la qualité de
l'image et du coût du calcul. Les trames SIM du modèle de prévision sont
ensuite enregistrées sous forme d'images d'une dimension fixe de 128 ×
128 pixels. La figure 4 donne une idée intuitive de la façon dont les
données satellitaires sont converties en SIM.
H. Wen et al. Énergie renouvelable 216 (2023)
119043

9
H. Wen et al. Énergie renouvelable 216 (2023)
119043

/ig. 5. Effet de la résolution spatiale sur les SIM interpolés.

3.3. Prévisions régionales à l'aide des SIM 3.3.2. Formation contradictoire

L'objectif de l'apprentissage contradictoire est d'entraîner un
À ce stade, un réseau accusatoire génératif est formé à l'aide des trames discriminateur 𝐷 qui classe correctement les images prédites et les
SIM. Étant donné une séquence d'entrée de SIM 𝑴𝑡-𝑛 = {𝑀𝑡-𝑛, 𝑀𝑡-𝑛+1, ... , images réelles de l'ensemble de données, comme indiqué dans la
𝑀𝑡}, le processus de prédiction peut être formulé comme suit : section précédente. Le discriminateur est également un réseau
convolutionnel multi-échelle et prend une séquence d'images où seule
𝑴 =f(𝑴𝑛)
𝑡+̂ 𝑚 𝑡- (8) la dernière image peut être réelle ou générée par 𝐺 et le reste des
images provient toujours de l'ensemble de données. Cela permet au
discriminateur pour utiliser les informations temporelles et le générateur
où 𝑴̂ 𝑡+𝑚 = {𝑀̂ 𝑡+1 , 𝑀̂𝑡+2 , ... , 𝑀̂ 𝑡+𝑚 } ∈ R𝑝×𝑞×𝑚 est un vecteur des
pour
produisent des SIM qui sont en corrélation temporelle avec la séquence
d'entrée. Jusqu'à
Les SIM prédits et f(⋅) est le modèle génératif de prévision. Chaque
simplifier le processus de formation, la sortie du discriminateur est
valeur d'un pixel sur la valeur prédite des SIM indique une avance de 1
à𝑚. simplement exprimée en deux classes :
{
prédiction CSI à un endroit spécifique. Les valeurs des pixels sont
ensuite
Les données ont été comparées aux coordonnées interpolées aux 0 = 𝐷(𝐺(𝑋))
(11)
endroits correspondants et ont été retransformées en valeurs GHI en 1 = 𝐷(𝑌 )
multipliant le GHI par ciel dégagé comme un
processus inverse de (1). Après avoir spécifié l'objectif de formation, nous pouvons
respectivement optimiser les poids du générateur 𝛩𝑔 et les poids du
3.3.1. Modèle de prévision discriminateur 𝛩𝑑 en effectuant une minimisation par descente
La prévision de la prochaine étape de la trame SIM nécessite une stochastique de gradient (SGD) avec les fonctions de perte suivantes. La
représentation précise de l'évolution de l'image en termes de contenu et fonction de perte contradictoire que nous utilisons pour former 𝐷 est :
Échelle de 𝑁
de dynamique. Le modèle génératif
Les réseaux adversaires (GAN) sont des modèles génératifs non G𝐷 (𝑋, 𝑌 ) = )
𝑎𝑑𝑣 ∑ 𝓁𝑏𝑐𝑒 (𝐷𝑘(𝑋𝑘,
𝑘=1
𝑌𝑘), 1 (12)
supervisés proposés par [36] et qui ont connu un grand succès dans les )
tâches de vision artificielle telles que la génération d'images et la + 𝓁𝑏𝑐𝑒 (𝐷𝑘(𝑋𝑘, 𝐺𝑘(𝑋)), 0
prédiction vidéo [37]. Un GAN typique
se compose de deux modèles : un modèle génératif (𝐺) et un modèle où 𝑁scale est le nombre total d'échelles de l'image et 𝓁𝑏𝑐𝑒 est le code binaire.
discriminatif (𝐺). la perte d'entropie croisée qui est définie comme suit :
(𝐷) qui sont tous deux des réseaux neuronaux convolutifs (CNN), ∑ ) ( ) ( )
𝓁 (𝑌 𝑌̂
𝑏𝑐𝑒, ) = -
𝑌̂ log (𝑌𝑖 + 1𝑖 - 𝑌̂ log 1𝑖 - 𝑌 (13)
comme illustré à la figure 6. Le générateur fait correspondre des 𝑖
𝑖
signaux de bruit
l'espace des suivant𝑧laà distribution 𝐺(𝑧 ; 𝛩𝑔) ∼ 𝑃𝑔 où 𝛩𝑔 est le
aléatoires
données
poids du
images générateur.𝑌 Ainsi,
concaténées = {𝚢1il, peut
... , 𝚢𝑚}
être entraîné à prédire
à partir d'une une ou
séquence 𝑋
plusieurs
d'images où 𝑌𝑖 ⊂ {0, 1} et 𝑌̂ ∈ [0, 𝑖 1]. Pendant l'apprentissage de 𝐷, les poids de 𝐺

= restent fixes. De même, en gardant 𝛩𝑑 fixe, nous pouvons apprendre

{𝚡1, ... , 𝚡𝑛} en minimisant la distance 𝓁𝑑 (par exemple, avec 𝑑 = 1 ou 𝑑 = 𝛩𝑔 à partir de l'échantillon d'entrée (𝑋, 𝑌 ) en minimisant la perte
2). contradictoire :
Échelles de 𝑁
entre la trame prédite et la trame réelle :
𝑑 𝑏𝑐𝑒
G 𝑑(𝑋, 𝑌 ) = 𝓁 (𝐺(𝑋),
𝑑 ‖ -𝑌)
𝑌 ) = (𝐺(𝑋) ‖
𝑑 (9) G𝐺 ∑𝐿
(𝑋, 𝑌 ) = 𝑘=1 (𝐷 𝑘 (𝑋 ,𝑘 𝐺 𝑘
)) )
Dans le même temps, le discriminateur apprend à faire la distinction 𝑎𝑑𝑣 (𝑋 𝑘 , 1 (14)
entre les
et l'image réelle en estimant la probabilité que 𝑌 vienne de l'extérieur. Cependant, la seule minimisation de cette perte fait que les trames
à partir de l'ensemble de données au lieu d'être produit par le générateur générées 𝑌̂
𝐺(𝑋). peuvent tromper 𝐷 autant que possible mais peuvent être différentes des
Dans ce travail, une version multi-échelle du modèle génératif images réelles
proposé pour la prédiction vidéo [38] est utilisée dans le cadre d'un 𝑌 . Pour pallier ce problème, une pénalisation de la distance 𝓁𝑑 est
apprentissage par transfert pour prédire les SIM du pas de temps introduite comme contrainte supplémentaire pour améliorer la similarité
en utilisant la perte G𝑑. Dans [38], les auteurs ont proposé une nouvelle
suivant. Ce modèle est conçu pour résoudre le problème des fonction de perte appelée Gradient Differ-
dépendances à courte distance dans les convolutions en raison de la La perte de gradient (GDL), qui pénalise directement les différences de
taille limitée des niches, de sorte qu'il apprend des représentations gradient entre la prédiction et la vérité de terrain en tenant compte de
internes à différentes échelles. Le modèle génératif multi-échelle prend l'intensité des pixels voisins sur chaque image, est définie comme suit :
quatre tailles d'images différentes en tant que la perte de gradient (GDL) est la différence entre la prédiction et la
vérité de terrain : -𝚢

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

/ig. 6. Architecture du GAN multi-échelle.

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

Enfin, les SIM prédits sont utilisés pour l'estimation de la puissance

photovoltaïque. À cette fin, les valeurs des SIM prédites sont associées
à des coordonnées géographiques correspondantes, de sorte que les
prédictions à n'importe quel endroit puissent être extraites de la carte.
Ensuite, les valeurs CSI extraites sont retransformées en valeurs GHI
en multipliant le GHI en ciel clair comme processus inverse dans l'Eq.
(1) :

𝐺𝐻𝐼prediction = 𝐶𝑆𝐼prediction × 𝐺𝐻𝐼clear-sky (17)

Pour la validation, des prévisions de puissance photovoltaïque sont

nécessaires. Comme le résultat du modèle ci-dessus est l'irradiation
solaire, les prévisions GHI doivent être converties en données de
puissance PV à l'aide d'un modèle de conversion de l'irradiation en
puissance. Une conversion directe de l'irradiation en puissance peut
être t r o u v é e dans [39], qui prend en compte la taille du système
PV et le rapport de la puissance nominale PV à l'irradiation standard.
𝐾
𝑃 (𝑠) = ⋅ 𝐺(𝑠) (18) √
( 𝑠∕(2𝜋 ⋅ 0.02))𝑠 + 1
où 𝑃 (𝑠) et 𝐺(𝑠) désignent respectivement la puissance PV et les
données GHI dans le domaine des fréquences, 𝐾 est le rapport entre la
puissance nominale PV et l'irradiance standard de 1000 W∕m2 , et 𝑆 est
la surface du système PV. Eq. (18)

13
H. Wen et al.
Tableau 2
Paramètres du modèle irradiation-puissance.
Système de paramètres AC/DC Tilt Azimut Onduleur Réseau du
système
capacité ratio angle angle l'efficacité perte type
Valeurs * 1.1 25◦ 26◦ 96% 10.1% Fixe
indique que la variabilité devient inversement proportionnelle à l a
racine carrée de la surface du système PV.
Dans ce cas, les systèmes photovoltaïques sont des systèmes
distribués sur de petites surfaces.
Ils sont plus vulnérables aux petites variations d'irradiation que les
systèmes photovoltaïques à grande échelle. En outre, en raison de la
dispersion géographique des systèmes PV
la diversité de la variabilité de l'irradiation peut être considérablement
réduite.
dans les profils de puissance PV. Ce modèle pourrait donc entraîner
des erreurs plus importantes pour les systèmes photovoltaïques
distribués.
Pour établir des prévisions plus précises, nous utilisons le modèle
SAM (System Advisor Model) du National Renewable En- ergy
Laboratory, qui tient compte de divers paramètres. Il est mis en œuvre à
l'aide de PySAM, une interface Python pour les modèles trouvés dans
le noyau de simulation SAM. En raison du manque de spécifications
du système, nous utilisons des valeurs fixes pour le rapport CA/CC,
l'angle de tuile, l'efficacité de l'onduleur, la perte du système et le type
de réseau en tenant compte à la fois de la simplicité et de la
disponibilité. Pour l'angle d'azimut, nous supposons que les systèmes
PV sont orientés à un angle d'inclinaison égal à la latitude du site pour
une production d'énergie maximale. Selon une étude menée par
Selon l'Université du Queensland, la valeur idéale pour les panneaux
solaires sur les toits de Brisbane est de 26◦ , avec une orientation nord.
Cette approximation n'affecte que la quantité totale d'énergie
photovoltaïque produite, mais n'a que peu d'impact sur la façon dont
l'énergie photovoltaïque est produite.
car elle est dominée par la variation de l'irradiation solaire. Les
paramètres spécifiques du modèle sont indiqués dans le tableau 2.
4. Expériences
Pour valider pleinement l'efficacité de la méthode proposée, nous
réalisons trois expériences sur la prédiction des SIM, la prévision de
l'irradiation solaire et l'estimation de la production photovoltaïque.
Tout d'abord, nous utilisons le modèle génératif pour prévoir
l' irradiance solaire régionale en produisant des SIM à partir d'une
séquence de cadres chronologiques. Ensuite, nous évaluons les
performances de prévision en comparant les SIM prédits avec les
prédictions d'autres points de référence à des endroits observés. Enfin,
nous vérifions l'effet de notre méthode en estimant la production de 30
systèmes photovoltaïques BTM sur des sites non observés.
4.1. Prédiction des SIM
Dans cette section, nous prédisons les SIM de l'étape suivante en
utilisant le modèle génératif multi-échelle avec une séquence de cinq
images d'entrée. Nous comparons les résultats avec les images
générées sans utiliser la formation publicitaire et la dernière image de
la séquence d'entrée. L'idée d'utiliser la copie de la dernière entrée est
équivalente au modèle persistant, mais pour toute la région d'intérêt.
Le modèle non contradictoire peut être considéré comme un réseau
entièrement convolutif dont l'objectif est d'étudier la contribution de la
perte contradictoire dans les tâches de prédiction du SIM.
Pour évaluer la qualité des SIM prédits, nous calculons tout d'abord
l'indice de qualité des SIM.
Rapport signal/bruit maximal (PSNR) entre la vraie trame 𝑌 et la trame de
référence.
prédiction 𝑌̂ :
14
Énergie renouvelable 216 (2023)
119043
Tableau 3
Comparaison de la précision des SIM prédits sur
l'ensemble de test.
PSNR SD
Adversaire 18.6 0.81
Non contradictoire 16.3 0.67
Dernière entrée 17.9 0.86
qui est une méthode d'évaluation couramment appliquée pour la
génération d'images et qui est définie comme suit :
max2
( )
𝑌̂
SD = 10 log10 1 ∑ ) (20)
𝑖 ∇ 𝑌 𝑗 - (∇ 𝑌̂ +
𝑖 ∇ 𝑌̂ )|
∑
𝑁 𝑖| 𝑗 𝑌+
(∇ 𝑗
où ∇𝑖 𝑌 = 𝑌𝑖,𝑗| - 𝑌𝑖-1,𝑗 et ∇
| 𝑗 𝑌 = 𝑌𝑖,𝑗 - 𝑌𝑖,𝑗-1
| . Une |différence de netteté
plus importante signifie une meilleure qualité de la prédiction.
Les mesures quantitatives sur l'ensemble de test sont indiquées dans
le tableau 3. Les résultats indiquent que le modèle contradictoire est
plus performant que le modèle non contradictoire en termes de PSNR
et de SD, et qu'il obtient le score PSNR le plus élevé de 18,6.
Cependant, son score SD est légèrement inférieur à celui de la copie de
la dernière image de la séquence d'entrée, car la netteté des prédictions
contradictoires est détériorée par l'introduction d'une valeur de
la norme 𝓁1 qui utilise les valeurs médianes des prédictions des pixels
individuels.
La figure 7 montre les SIM prédits à la fois par les adversaires et par
ceux qui ne le sont pas.
des modèles adversaires sur quatre jours différents. Nous constatons
que la prédiction du modèle contradictoire est visuellement plus proche
de la vérité de terrain dans les zones en mouvement. Comme prévu, le
score de similarité de l'image est plus élevé, mais le score de netteté est
légèrement inférieur à celui de la dernière image d'entrée en raison de
la détérioration des contours des zones en mouvement. En revanche,
les résultats non contradictoires semblent plus statiques et flous en
raison de l'absence de processus d'apprentissage contradictoire, ce qui
se traduit par une détérioration supplémentaire des scores PSNR et SD.
4.2. Prévision de l'irradiation solaire sur les lieux d'observation
Dans cette section, nous comparons l'efficacité de notre méthode de
prévision sur des sites observés, ce qui signifie que les données historiques
d'irradiation solaire de 10 sites aléatoires sur l'ensemble des points de
données (points rouges dans la figure 2) sont utilisées pour la validation.
Outre les résultats des modèles adversaires et non adversaires, nous
présentons également deux modèles statistiques, à savoir l'opérateur de
sélection et de réduction des moindres absolus (Lasso), l'Extreme Gradient
Boosting (XGBoost) et un modèle d'apprentissage automatique - la
mémoire à long terme (LSTM) - en tant que modèles de référence. Ils sont
exclusivement formés et validés sur les mêmes données dans les 10 lieux
sélectionnés. Les modèles Lasso et XGBoost sont disponibles dans une
bibliothèque d'apprentissage automatique scikit-learn en Python et
peuvent être facilement entraînés avec une petite quantité de données pour
obtenir des prévisions précises.
Pour évaluer la performance des prévisions, nous utilisons le
modèle de persistance intelligente comme modèle de référence. Il
repose sur l'hypothèse que l'irradiation future restera inchangée au
cours de l'hori- zon de prévision suivant et permet d'obtenir une grande
précision dans les périodes de faible variation de l'irradiation. La
prédiction de la persistance intelligente est simplement égale à :
𝑘(cs) ⋅ 𝐼(cs) (21)
𝑦̂𝑡+𝜏 =
𝑡 𝑡+𝜏
où 𝑘(cs) est
𝑡
CSI, 𝐼(cs) est
𝑡+𝜏
l'irradiation du ciel clair à l'horizon suivant 𝑡 + 𝜏.
H. Wen et al. Dans ce travail, nous considérons troisÉnergie
mesures d'erreur216
renouvelable couramment
(2023)
max2
PSNR(𝑌 , 𝑌̂ ) = 10 log 10
119043
𝑌̂
(19) utilisées pour évaluer les prévisions d'irradiation solaire et de puissance
photovoltaïque, à savoir la mesure normalisée de l'irradiation solaire et
de la puissance photovoltaïque, la mesure de l'irradiation solaire et de la
puissance photovoltaïque.
1 ∑𝑁 )2 erreur moyenne absolue (nMAE), erreur moyenne de biais normalisée
𝑁 𝑖=0
(𝑌 - 𝑌̂ (nMBE), et
l'erreur quadratique moyenne normalisée (nRMSE). Elles sont
𝑖 𝑖 données par :
où max𝑌̂ est la valeur maximale possible du pixel de l'image et 𝑛
1∑
est égal à 1 puisque les images sont normalisées. Un score PSNR plus nMAE = |𝑦𝑡 - (22)
élevé indique une plus grande similarité entre deux images. 𝑛 𝑡=1
𝑦̂𝑡|∕𝑦̄ ∑𝑛
En outre, nous mesurons la différence de netteté (SD) entre 𝑌 et nMBE = 1
la prédiction 𝑌̂ (𝑦𝑡 - 𝑦̂𝑡)∕𝑦̄ (23)
sur la base de la différence de gradients entre deux 𝑛
𝑡=1

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.
/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.
/ig. 11. Décalage temporel entre PV-22 et PV-25 le 1er décembre 2020. Les séries
temporelles de la sortie PV sont présentées dans la figure du haut et la fonction de
corrélation croisée (CCF) est présentée ci-dessous.
10
Énergie renouvelable 216 (2023)
119043
𝑦 𝑝peut être mesurée par des coefficients de corrélation. À titre
(𝑖)
d'exemple, la figure 11 montre la corrélation croisée entre deux systèmes
PV-22 et PV-25 (distants d'environ 3,42 km) le 1er décembre 2020. Une
corrélation maximale de 0,776 est observée à un décalage temporel de +20
min. Cela indique que la variation de la puissance PV à PV-22 peut
entraîner des variations similaires à PV-25 20 minutes plus tard ce jour-là.
Par conséquent, nous calculons le coefficient de corrélation de Pearson
(PCC) pour toutes les paires de systèmes PV afin de trouver le coefficient
de corrélation maximal, qui est défini comme suit :
∑(𝑝(𝑖) - 𝑝̄ )(𝑝(𝑖)-𝑝 ̄)
𝑥 𝑥 𝑦 𝑦
𝛾= √ (26)
𝑥
∑(𝑝 (𝑖) - 𝑝̄ )2(𝑝(𝑖) - 𝑝̄ )2
𝑥 𝑦 𝑦
La figure 12 illustre les PCC calculés pour chaque site
photovoltaïque. On constate que la plupart des systèmes sont en
corrélation les uns avec les autres, mais que certains d'entre eux ont
une faible corrélation pour diverses raisons telles que les différentes
spécifications des panneaux, l'ombrage et même l'accumulation de
poussière. Par exemple, le PV-30 est géographiquement proche du PV-
27, mais ils ont un PCC inférieur de 0,87 comparé à celui de 0,9 entre
le PV-30 et le PV-18, même s'ils sont plus éloignés. Dans cette étude,
nous avons choisi d'observer le PV-17 comme système de référence
dans le meilleur des cas, car il présente le PCC le plus élevé (0,873).
Une corrélation plus élevée indique une plus grande possibilité de
similarité. Par conséquent, nous pouvons simplement estimer les
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

PV pour une meilleure illustration. Le tableau 6 résume les résultats de la

prévision de la puissance PV de tous les systèmes PV sous forme de
"moyenne±std". Les modèles statistiques montrent généralement une
précision comparable avec une capacité de prévision de 3,31 ± 1,61 et
3,62 ± 1,52. Cependant, le LSTM et la méthode de décalage donnent des
résultats insatisfaisants qui sont moins bons que le modèle de persistance
simple, en particulier pour les événements à grande rampe. Au contraire,
l'approche proposée est plus performante que les autres, avec des erreurs
de prévision minimes et la compétence de prévision la plus élevée (10,93
± 2,35). La figure 13 montre les nMAE, nMBE, nRMSE et la capacité de
prévision des différentes méthodes dans un diagramme en boîte pour 30
sites PV. Les valeurs de chaque erreur pour un système PV sont
représentées sous forme de nuage de points pour une meilleure
visualisation. On constate que la méthode proposée peut prédire la
production d'énergie photovoltaïque sur des sites non observés avec la
plus grande précision.

5. Conclusion

Cet article s'intéresse principalement à la production de prévisions

régionales de l'irradiation solaire, comme pourraient l'exiger ces études
pour l'évaluation de l'énergie solaire dans les zones à forte pénétration.
Dans cet article, nous avons proposé une approche générative pour
prévoir la variation de l'irradiation solaire d'une région entière en
générant des SIM à l'aide d'un réseau accusatoire génératif (GAN)
multi-échelle. En outre, nous introduisons pour la première fois des
SIM pour les prévisions solaires, qui permettent de prévoir l'irradiation
/ig. 12. Matrice de corrélation des sorties
PV. solaire dans une zone géographique flexible et donnent une vue
intuitive de la façon dont l'irradiation solaire varie dans le temps. La
Tableau
6 supériorité de l'approche proposée peut être confirmée par des études
de cas par rapport à des modèles de référence et à des modèles
couramment utilisés pour les prévisions solaires. Plus précisément,
cette méthode permet d'obtenir
Résultats de la prévision de la puissance photovoltaïque dans des lieux non observés.
l'historique de la production d'électricité de l'utilisateur. Par conséquent,
nMAE [%] nMBE [%] nRMSE [%] FS [%]
nous utilisons les modèles précédents (Lasso, XGBoost et LSTM) pour
Pers. 11.61 ± 0.58 0.0 ± 0.0 22.97 ± 1.45 0.0
l'évaluation comparative en partant du principe que les modèles sont
Lasso 10.83 ± 1.34 0.89 ± 0.33 22.21 ± 0.63 3.31 ± 1.61
XGBoost 10.68 ± 1.26 0.81 ± 0.31 22.14 ± 0.51 3.62 ± 1.52
formés par les propriétaires des systèmes photovoltaïques. Le modèle
LSTM 12.19 ± 1.22 -0.42 ± 1.13 24.31 ± 1.56 -3.87 ± 2.81 non contradictoire n'est pas utilisé dans ce cas car il présente les plus
Déplacement 15.72 ± 2.91 3.71 ± 1.68 25.38 ± 2.42 -10.49 ± 5.42 mauvaises performances.
Adversaire 10.87 ± 0.92 1.54 ± 1.26 20.46 ± 0.75 10.93 ± 2.35 Le tableau 5 présente les résultats de la prévision de la puissance
photovoltaïque de chaque système photovoltaïque. En raison du nombre
limité de pages, nous n'incluons que les résultats de 10 systèmes
photovoltaïques.
En revanche, la prévision pour les systèmes photovoltaïques
individuels est relativement simple car elle peut être réalisée en
entraînant n'importe quel modèle de prévision de séries temporelles sur
11
La
H. Wenméthode
et al. proposée permet d'obtenir une précision de prévision Énergie renouvelable 216 (2023)
119043
concurrente sur des sites uniques, tout en tenant compte de la variation de
l'irradiation solaire au niveau régional de la zone concernée. En outre, la
méthode proposée surpasse les références dans l'estimation des résultats
des systèmes photovoltaïques BTM avec la compétence de prévision la
plus élevée de 10,93 ± 2,35 % sur des sites non observés. Elle peut
donc être considérée comme utile pour l'évaluation des ressources
solaires, la prise de décisions concernant le contrôle du système
électrique et la conception du marché de l'électricité.
La principale difficulté empêchant le déploiement pratique de
cette approche est l'indisponibilité des données satellitaires en temps
réel. Même si les données sont disponibles, la transformation des
données satellitaires en irradiation solaire au sol présente encore des
lacunes. Dans cette étude, nous ne considérons que les prévisions à un
pas, car l'horizon de prévision est limité par la résolution temporelle
des données d'entrée. Cependant, les prévisions à long terme sont
préférables dans les applications telles que le contrôle du taux de
rampe PV pour une meilleure performance. Dans nos travaux futurs,
nous continuerons à explorer les méthodes de prévision solaire
régionale en utilisant des modèles de pointe et diverses sources de
données, en considérant des horizons de prévision multiples avec une
résolution temporelle plus fine, et en les intégrant éventuellement à
des applications réelles.

12
H. Wen et al.
/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
Haoran Wen : Conceptualisation, Logiciel, Visualisation, Rédaction -
version originale, Rédaction - révision et édition. Yang Du :
Méthodologie, Investigation, Supervision, Rédaction - révision et édition.
Xiaoyang Chen : Méthodologie. Eng Gee Lim : Administration de
projet, Ressources, Investigation. Huiqing Wen : Supervision, Rédaction
- révision et édition. Ke Yan : Validation.
Déclaration d'intérêts concurrents
Les auteurs déclarent qu'ils n'ont pas d'intérêts financiers
concurrents connus ou de relations personnelles qui auraient pu
sembler influencer le travail présenté dans cet article.
Remerciements
AI University Research Centre (AI-URC), Chine, par l'intermédiaire
du Key Programme Special Fund (KSF-P-02) de la XJTLU et du fonds de
développement de la recherche de la XJTLU, Chine (RDF-17-01-28).
Références
[1] C. Breyer, D. Bogdanov, A. Gulagi, A. Aghahosseini, L.S. Barbosa, O. Koskinen,
M. Barasa, U. Caldera, S. Afanasyeva, M. Child, et al, On the role of solar
photovoltaics in global energy transition scenarios, Prog. Photovolt, Res. Appl. 25
(8) (2017) 727-745.
[2] M. Diagne, M. David, P. Lauret, J. Boland, N. Schmutz, Review of solar irradiance
forecasting methods and a proposition for small-scale insular grids, Renew. Sustain.
Energy Rev. 27 (2013) 65-76.
[3] S. Maharjan, D.S. Kumar, A.M. Khambadkone, Enhancing the voltage stability of
distribution network during PV ramping conditions with variable speed drive loads,
Appl. Energy 264 (2020) 114733.
[4] N. Haghdadi, A. Bruce, I. MacGill, R. Passey, Impact of distributed photovoltaic
systems on zone substation peak demand, IEEE Trans. Sustain. Energy 9 (2) (2017)
621-629.
[5] B.C. Erdener, C. Feng, K. Doubleday, A. Florita, B.-M. Hodge, A review of
behind-the-meter solar forecasting, Renew. Sustain. Energy Rev. 160 (2022)
112224.
[6] T. Stoffel, A. Andreas, NREL Solar Radiation Research Laboratory (srrl) : Baseline
Measurement System (bms) ; Golden, Colorado (data), Tech. Rep., National
Renewable Energy Lab.(NREL), Golden, CO (États-Unis), 1981.
[7] L. Bird, M. Milligan, D. Lew, Integrating Variable Renewable Energy : Challenges
and Solutions, Tech. Rep. NREL/TP-6A20-60451, National Renewable Energy
Laboratory (NREL), Golden, CO, USA, 2013.
[8] J.G. da Silva Fonseca Junior, T. Oozeki, H. Ohtake, T. Takashima, K. Ogimoto,
Regional forecasts of photovoltaic power generation according to different data
availability scenarios : a study of four methods, Prog. Photovolt., Res. Appl. 23
(2015) 1203-1218.
[9] T. Hoff, Behind-the-meter (BTM) PV forecast integration with load forecasting, in :
Utility Variable Generation Integration Group Forecasting Workshop, 2016.
[10] J. Kleissl, Current state of the art in solar forecasting, 2010.
[11] X. Zhang, Y. Li, S. Lu, H.F. Hamann, B.-M.S. Hodge, B. Lehman, A solar time
based analog ensemble method for regional solar power forecasting, IEEE Trans.
Sustain. Energy 10 (2019) 268-279.
[12] S. Killinger, D. Lingfors, Y.-M. Saint-Drenan, P. Moraitis, W.G. van Sark, J.
Taylor, N.A. Engerer, J.M. Bright, On the search for representative characteristics
of PV systems : Data collection and analysis of PV system azimuth, tilt, capacity,
yield and shading, Sol. Energy (2018).
[13] E. Lorenz, T. Scheidsteger, J. Hurka, D. Heinemann, C. Kurz, Regional PV power
prediction for improved grid integration, Prog. Photovolt, Res. Appl. 19 (2011).
13
Énergie renouvelable 216 (2023)
119043
[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.
[15] Y.-M. Saint-Drenan, S. Vogt, S. Killinger, J.M. Bright, R. Fritz, R.W.E. Potthast,
Bayesian parameterisation of a regional photovoltaic model - Application to
forecasting, Sol. Energy (2019).
[16] H.R. Shaker, D. Manfre, H. Zareipour, Forecasting the aggregated output of a large
fleet of small behind-the-meter solar photovoltaic sites, Renew. Energy 147 (2020)
1861-1869.
[17] A. Alcántara, I.M. Galván, R. Aler, Deep neural networks for the quantile
estimation of regional renewable energy production, Appl. Intell. (2022).
[18] G. Reikard, Predicting solar radiation at high resolutions : A comparison of time
series forecasts, Sol. Energy 83 (2009) 342-349.
[19] E. Lorenz, J. Hurka, D. Heinemann, H.-G. Beyer, Irradiance forecasting for the
power prediction of grid-connected photovoltaic systems, IEEE J. Sel. Top. Appl.
Earth Obs. Remote Sens. 2 (2009) 2-10.
[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.
[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
Workshop on Tackling Climate Change with Machine Learning, 2021.
[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
classification model for day ahead short-term photovoltaic power forecasting,
Energy Convers. Manage. 181 (2019) 443-462.
[23] M. Khodayar, S. Mohammadi, M.E. Khodayar, J. Wang, G. Liu, Convolutional
graph autoencoder : A generative deep neural network for probabilistic spatio-
tempal solar irradiance forecasting, IEEE Trans. Sustain. Energy 11 (2) (2019) 571-
583.
[24] A. Debnath, G. Waghmare, H. Wadhwa, S. Asthana, A. Arora, Exploring genera-
tive data augmentation in multivariate time series forecasting : opportunities and
challenges, Solar-Energy 137 (2021) 52-560.
[25] C. Jiang, Y. Chen, Y. Mao, Y. Chai, M. Yu, Forecasting spatio-temporal renewable
scenarios : a deep generative approach, 2019, arXiv preprint arXiv:1903.05274.
[26] X. Huang, Q. Li, Y. Tai, Z. Chen, J. Liu, J. Shi, W. Liu, Time series forecasting for
hourly photovoltaic power using conditional generative adversarial network and Bi-
LSTM, Energy 246 (2022) 123403.
[27] F. Li, H. Zheng, X. Li, A novel hybrid model for multi-step ahead photo- voltaic
power prediction based on conditional time series generative adversarial networks,
Renew. Energy 199 (2022) 560-586.
[28] F. Meng, Q. Zou, Z. Zhang, B. Wang, H. Ma, H.M. Abdullah, A. Almalaq, M.A.
Mohamed, An intelligent hybrid wavelet-adversarial deep model for accurate
prediction of solar power generation, Energy Rep. 7 (2021) 2155-2164.
[29] Y. Zhang, A. Schlueter, C. Waibel, SolarGAN : Synthetic annual solar irradiance
time series on urban building facades via Deep Generative Networks, Energy AI 12
(2023) 100223.
[30] G. Andrianakos, D. Tsourounis, S. Oikonomou, D. Kastaniotis, G. Economou,
A. Kazantzidis, Sky image forecasting with Generative Adversarial Networks for
cloud coverage prediction, in : 2019 10th International Conference on Information,
Intelligence, Systems and Applications, IISA, IEEE, 2019, pp. 1-7.
[31] M. Sengupta, Y. Xie, A. Lopez, A. Habte, G. Maclaurin, J. Shelby, The national
solar radiation data base (NSRDB), Renew. Sustain. Energy Rev. 89 (2018) 51-60.
[32] M. Sengupta, A. Weekley, A. Habte, A. Lopez, C. Molling, Validation of the
National Solar Radiation Database (NSRDB)(2005-2012), Tech. Rep., National
Renewable Energy Lab.(NREL), Golden, CO (États-Unis), 2015.
[33] M. Sengupta, A. Habte, P. Gotseff, A. Weekley, A. Lopez, C. Molling, A.
Heidinger, Physics-Based GOES Satellite Product for Use in NREL's National
Solar Radiation Database, Tech. Rep., National Renewable Energy Lab.(NREL),
Golden, CO (États-Unis), 2014.
[34] P. Ineichen, R. Perez, A new airmass independent formulation for the Linke
turbidity coefficient, Sol. Energy 73 (3) (2002) 151-157.
[35] J.-M. Montero, G. Fernández-Avilés, J. Mateu, Spatial and Spatio-Temporal
Geostatistical Modeling and Kriging, John Wiley & Sons, 2015.
H. Wen et al.
[36] I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A.
Courville, Y. Bengio, Generative adversarial nets, Adv. Neural Inf. Process. Syst.
27 (2014).
[37] A.X. Lee, R. Zhang, F. Ebert, P. Abbeel, C. Finn, S. Levine, Stochastic adversarial
video prediction, 2018, arXiv preprint arXiv:1804.01523.
14
Énergie renouvelable 216 (2023)
119043
[38] M. Mathieu, C. Couprie, Y. LeCun, Deep multi-scale video prediction beyond
mean square error, 2015, arXiv preprint arXiv:1511.05440.
[39] J. Marcos, L. Marroyo, E. Lorenzo, D. Alvira, E. Izco, Power output fluctuations in
large scale PV plants : one year observations with one second resolution and a
derived analytic model, Prog. Photovolt, Res. Appl. 19 (2) (2011) 218-227.