Prévoir la production photovoltaïque à J+1 : ce que montrent 23 jours de données réelles d’onduleur

Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 25 octobre 2026.

En bref

La prévision photovoltaïque décrite par TW3 Partners associe production horaire du lendemain, incertitude et coût des écarts ; sur 23 jours de données d’onduleur, la persistance reste meilleure. Cette fiche non datée présente un moteur qui combine un modèle physique, du gradient boosting et un modèle de fondation pour séries temporelles, avec une sélection sur validation. Il produit une fourchette P10 à P90 calibrée et une estimation du coût des écarts en euros. L’apprentissage s’applique aux centrales dont la télémétrie est raccordée ; les autres restent sur le modèle physique. La fiche mentionne LightGBM et Chronos-2, sans GPU, ainsi qu’un protocole figé avant l’évaluation. TW3Cast, présenté plus loin, constitue un travail de recherche voisin et n’est pas utilisé dans cette réalisation.

1. Pourquoi la prévision de la veille pour le lendemain a-t-elle un coût ?

L’exploitant concerné doit annoncer la veille sa production du lendemain, et les écarts avec la production réelle ont un coût. C’est le contexte décrit dans la fiche de réalisation de TW3 Partners, non datée, pour un grand groupe de l’énergie exploitant des centrales solaires.

La question du projet est précise : l’apprentissage automatique améliore-t-il la prévision par rapport à un bon modèle physique, avec les seules données disponibles la veille ? Cette contrainte fait partie de la comparaison. Elle fixe ce que le moteur peut connaître au moment où l’exploitant prépare son annonce.

Pour cadrer un projet comparable, nous recommandons de partir de la décision d’exploitation : qui utilise la prévision, à quel moment elle doit être disponible et comment les écarts seront évalués. Le critère d’acceptation du moteur devrait être écrit avec l’équipe qui porte cette décision. Nous recommandons aussi de distinguer dans le rapport la précision de production et l’évaluation du coût des écarts, afin de pouvoir examiner chaque résultat avec ses propres hypothèses.

2. Qu’a-t-on construit ?

Le livrable décrit dans la fiche non datée de TW3 Partners est un moteur déployable en conteneur, accompagné d’une API et d’un écran de pilotage intégré à la plateforme du client. La combinaison des modèles est choisie sur validation.

Pour une direction des systèmes d’information, nous recommandons de vérifier séparément le calcul et son interface lors de la réception. Pour le calcul, il s’agit de retrouver la version du modèle et les données utilisées. Pour l’interface, l’équipe d’exploitation devrait pouvoir retrouver la prévision correspondant à sa centrale et à l’échéance attendue.

3. Qu’est-ce qu’une fourchette P10 à P90, et pourquoi la calibrer ?

Une fourchette P10 à P90 désigne l’intervalle central contenant nominalement 80 % de la distribution prévue, selon le support d’Oscar Alves, du Bureau of Meteorology, présenté au séminaire ECMWF de septembre 2019. Il s’agit d’une lecture de la distribution annoncée par le modèle. Pour l’exploitant, la fourchette donne ainsi une information sur l’incertitude autour de la production attendue.

La calibration concerne l’accord entre les probabilités annoncées et les fréquences observées. Dans une explication publiée le 16 février 2017, l’ECMWF décrit ainsi une prévision probabiliste bien calibrée comme une information fiable sur la fréquence relative d’un événement. Appliqué à une fourchette, ce principe conduit à vérifier la fréquence à laquelle la production mesurée tombe effectivement dans l’intervalle prévu.

La fiche non datée de TW3 Partners annonce une fourchette calibrée, sans publier son taux de couverture mesuré. Nous recommandons donc de demander, lors de la recette, un rapprochement entre les intervalles émis et les mesures correspondantes, accompagné de la période évaluée. Nous proposons de présenter ce contrôle à côté de l’erreur de la prévision centrale, pour que l’exploitant puisse examiner les deux résultats ensemble.

4. Comment séparer le choix du modèle et son évaluation ?

La réalisation sépare ces étapes par une sélection sur validation, un jeu de test gelé et un protocole figé avant l’évaluation. La fiche non datée de TW3 Partners indique aussi que le rapport est généré par le code et que le test porte sur de vraies données d’onduleur.

Les entrées mentionnées sont les prévisions météo de la veille et des données de référence ouvertes. La description technique cite des archives de prévisions ainsi qu’ERA5. La question posée au moteur reste celle de l’information disponible avant le jour de production.

Notre recommandation de méthode est de conserver, pour chaque prévision évaluée, l’heure de disponibilité des données météo et la version effectivement transmise au moteur. L’équipe chargée de la recette devrait pouvoir rejouer le calcul avec ces éléments. Elle peut ainsi vérifier que la comparaison correspond aux conditions prévues pour l’exploitation.

Nous recommandons également de conserver séparément le rapport de validation, qui motive le choix du modèle, et le rapport de test, qui mesure le système retenu. Toute modification issue de la lecture du test devrait ouvrir une nouvelle évaluation identifiée. La décision de déployer peut alors se référer à une version précise du moteur et au rapport qui lui correspond.

5. Que montrent les données réelles d’onduleur ?

Selon la fiche non datée de TW3 Partners, sur 23 jours de vraies données d’onduleur, la persistance, méthode simple de référence, reste meilleure. Ce constat porte sur la période évaluée dans la réalisation.

La persistance consiste à reprendre une observation récente comme prévision. Dans leur manuel de prévision publié par OTexts en 2021, Rob J. Hyndman et George Athanasopoulos présentent la méthode naïve, qui reprend la dernière observation, et sa variante saisonnière, qui reprend la dernière valeur de la même saison. Cette définition générale aide à comprendre le rôle d’une référence simple dans une comparaison de modèles.

Pour décider de la suite d’un projet comparable, nous recommandons de conserver cette référence dans les évaluations successives. Le rapport devrait permettre à l’exploitant de comparer les méthodes sur les mêmes observations et sur la même échéance. Nous recommandons aussi d’examiner les résultats par période et par centrale avant d’étendre le périmètre d’emploi du moteur.

Ce résultat ne permet pas de conclure que la persistance serait supérieure pour toute centrale ou toute saison. Nous recommandons de demander une amélioration mesurée sur le périmètre destiné au déploiement avant de retenir une méthode plus élaborée.

6. Quelles centrales relèvent de l’apprentissage ?

La prévision par apprentissage s’applique aux centrales dont la télémétrie est raccordée ; les autres restent sur le modèle physique. Cette répartition est décrite dans la fiche non datée de TW3 Partners.

La fiche mentionne la livraison du moteur et de l’écran à l’équipe de déploiement. Le moteur est conditionné dans un conteneur Docker, destiné au cloud OVHcloud du client. LightGBM et Chronos-2 sont annoncés sans GPU. Ces éléments décrivent le dispositif prévu pour cette réalisation.

Pour préparer une réception similaire, nous recommandons un inventaire des centrales indiquant le raccordement de la télémétrie et la méthode de prévision applicable. L’équipe d’exploitation devrait pouvoir retrouver cette information dans son suivi de déploiement. Nous proposons également de définir les contrôles à effectuer lors du raccordement d’une nouvelle centrale : disponibilité des mesures, correspondance avec les prévisions et validation du périmètre testé.

7. Que montre la recherche voisine TW3Cast ?

TW3Cast montre une autre manière de sélectionner des prévisions en réservant les données de test à l’évaluation. Dans leur publication arXiv du 16 septembre 2026, Nathan Thierry et André-Louis Rochet décrivent une table de sélection calculée sur la période d’entraînement, puis figée. Les décisions reposent sur un backtest découpé dans cette période. Le système n’utilise ni agent ni modèle de langage.

Dans leur classement recalculé à partir des résultats de GIFT-Eval datés du 14 septembre 2026, les auteurs situent TW3Cast au 3e rang sur 130 entrées selon le rang moyen MASE, mesure de précision ponctuelle utilisée dans l’étude. Sur cette même comparaison, le papier le situe au 8e rang selon la perte quantile pondérée et signale une calibration en retrait par rapport à sa précision ponctuelle. Ces positions décrivent le classement calculé dans le papier à cette date.

La réalisation photovoltaïque utilise LightGBM et Chronos-2 ; elle n’utilise pas TW3Cast. Nous rapprochons ici ces travaux sur le plan de la méthode d’évaluation : choisir avec les données prévues pour la sélection, puis examiner le système retenu sur le test. Nous recommandons aussi de regarder séparément la précision centrale et la qualité de l’incertitude annoncée.

FAQ

L’apprentissage automatique fait-il mieux qu’un modèle physique pour le photovoltaïque ?
La fiche non datée de TW3 Partners pose cette question, sans chiffrer l’écart avec le modèle physique. Elle indique que, sur 23 jours de vraies données d’onduleur, la persistance, méthode simple de référence, reste meilleure. Ce résultat doit rester attaché au périmètre évalué.

Qu’est-ce que la persistance ?
C’est une prévision qui reprend une observation récente. Le manuel de Hyndman et Athanasopoulos, OTexts, 2021 expose ce principe avec la méthode naïve et sa variante saisonnière. Elle fournit une référence à laquelle comparer les autres méthodes.

Pourquoi conserver un résultat défavorable à l’apprentissage ?
Nous recommandons de l’intégrer à la décision sur la méthode à retenir. Dans la fiche TW3 Partners, le résultat est publié avec un protocole figé avant l’évaluation et un rapport généré par le code.

Faut-il un GPU pour ce moteur ?
La fiche de la réalisation annonce LightGBM et Chronos-2 sans GPU. Cette indication concerne le moteur décrit.

Comment le coût des écarts est-il calculé ?
La fiche TW3 Partners annonce un modèle de coût des écarts et une estimation en euros, sans publier la méthode ni de montant. Pour cadrer un projet similaire, nous recommandons de faire valider les hypothèses de ce calcul par l’équipe métier.

TW3Cast est-il utilisé dans ce projet ?
Non. La réalisation utilise LightGBM et Chronos-2 ; la publication TW3Cast constitue un travail de recherche voisin.

Pour aller plus loin

• Prévision de production photovoltaïque à J+1 : fiche de la réalisation.
• TW3Cast : un système de prévision sans agent ni modèle de langage, 3e sur 130 à GIFT-Eval au 14 septembre 2026.
• Choisir un modèle de prévision sans regarder les données de test : le backtest découpé dans la période d’entraînement.
• Précision ou calibration : ce que révèle l’écart entre les deux rangs de TW3Cast.
• IA et optimisation des réseaux énergétiques : cas concrets et architecture.

Sources

• TW3 Partners, Prévision de production photovoltaïque à J+1, fiche non datée, consultée le 9 octobre 2026.
• Nathan Thierry et André-Louis Rochet, TW3Cast: A Frozen Router of Lightly Fine-Tuned Foundation Models for Time-Series Forecasting on GIFT-Eval, Selected Entirely on the Training Split, arXiv, 16 septembre 2026, notice et texte intégral consultés le 9 octobre 2026.
• Rob J. Hyndman et George Athanasopoulos, Forecasting: Principles and Practice, Some simple forecasting methods, OTexts, 2021, consulté le 9 octobre 2026.
• Oscar Alves, Bureau of Meteorology, Multi-week/seasonal prediction for agricultural applications in Australia, séminaire ECMWF de septembre 2019, page et support PDF consultés le 9 octobre 2026.
• ECMWF, Twenty-five years of ensemble forecasting, 16 février 2017, consulté le 9 octobre 2026.