Énergie
Prévision de production photovoltaïque à J+1
Le moteur produit une prévision horaire de production pour le lendemain, avec une fourchette d'incertitude et une estimation en euros du coût des écarts. La prévision par apprentissage s'applique aux centrales dont la télémétrie est raccordée ; les autres restent sur le modèle physique. Sur 23 jours de vraies données d'onduleur, la persistance, méthode simple de référence, reste meilleure.
Contexte
Un grand groupe de l'énergie exploite des centrales solaires et doit annoncer la veille la production du lendemain ; chaque écart a un coût.
Le problème
Savoir si l'apprentissage automatique améliore vraiment la prévision par rapport à un bon modèle physique, avec des données disponibles la veille seulement.
Ce que nous avons construit
Un moteur de prévision déployable en conteneur (modèle physique, gradient boosting, modèle de fondation pour séries temporelles, combinaison choisie sur validation), une fourchette P10-P90 calibrée, un modèle de coût des écarts, une API et un écran de pilotage intégré à la plateforme du client. Protocole figé avant évaluation et rapport généré par le code.
Étapes
- 01Collecte des prévisions météo de la veille et des données de référence ouvertes
- 02Entraînement et sélection sur validation, jeu de test gelé
- 03Rapport généré automatiquement, test sur vraie télémétrie d'onduleur
- 04Livraison du moteur et de l'écran à l'équipe de déploiement
Hébergement et modèles
Moteur en conteneur Docker, destiné au cloud OVHcloud du client ; données météo ouvertes (archives de prévisions de la veille, ERA5) ; modèles LightGBM et Chronos-2, sans GPU ; briefings optionnels par un modèle Qwen de vision.
Services mobilisés
L'IA dans vos applications · Forward Deployed Engineers
Nous ne nommons un client qu'avec son accord écrit. Les budgets et les résultats détaillés de nos missions restent confidentiels.