Aller au contenu principal
Energy Data Solutions
Menu

Doctorat

Métriques d'Évaluation de Prévisions - Article Scientifique

Cadre scientifique pour évaluer les prévisions solaires au-delà des métriques d’erreur moyenne, avec le Temporal Distortion Mix et une métrique de rampe pour mesurer les décalages temporels et les variations rapides d’irradiance.

  • 2017
  • Mines Paris - PSL
Métriques d'Évaluation de Prévisions - Article Scientifique

Contenu de l’article

L’article propose un cadre standardisé pour évaluer la précision des prévisions solaires. Il se concentre sur l’évaluation non seulement de l’amplitude des erreurs de prévision, mais aussi de leur timing et de leur capacité à capturer les variations solaires rapides.

Idée Clé

Les mesures d’erreur traditionnelles comme RMSE, MAE ou Bias négligent l’alignement temporel des prévisions avec les événements réels. Pour remédier à cela, les auteurs introduisent deux indicateurs complémentaires :

  • Temporal Distortion Mix (TDM) - quantifie l’avance ou le retard d’une prévision par rapport à la réalité.
  • Ramp Metric - mesure la capacité des prévisions à capturer les changements soudains d’irradiance solaire.

Notre démarche

2 Étapes du projet

  1. Étape 1 sur 2

    Méthode d'évaluation

    Le cadre méthodologique définit un processus clair et reproductible pour mesurer la qualité des prévisions.

    Préparation des données

    • Filtrer et valider les données d'éclairement solaire mesurées.
    • Regrouper les résultats par conditions météorologiques et saisons pour une analyse cohérente.

    Calcul des métriques

    • Calculer les métriques d'erreur traditionnelles (RMSE, MAE, Biais) pour l'exactitude générale.
    • Calculer le TDM pour évaluer l'alignement temporel entre les prévisions et les observations.
    • Calculer la métrique de rampe pour évaluer la précision avec laquelle les variations d'éclairement à court terme sont reproduites.
    • Visualiser les résultats à l'aide de graphiques radar pour une comparaison multidimensionnelle.
  2. Étape 2 sur 2

    Résultats et insights

    L'utilisation combinée de métriques standard et nouvelles offre une compréhension plus complète de la performance des prévisions.

    Valeur ajoutée des nouvelles métriques

    • Le TDM révèle si un modèle prédit systématiquement les événements trop tôt ou trop tard.
    • La métrique de rampe met en évidence la capacité de la prévision à répondre aux fluctuations rapides des nuages ou de l'éclairement.

    Ensemble, ces métriques exposent des faiblesses que les métriques d'erreur moyenne seules ne peuvent pas détecter.

Prévision Photovoltaïque Régionale par Deep Learning
R&DEDF · Paris

Prévision Photovoltaïque Régionale par Deep Learning

Prévision spatio-temporelle de la production photovoltaïque régionale à partir de séquences d’images Meteosat, avec un modèle ConvLSTM entraîné et évalué face aux mesures et à une référence de persistance.

Voir le projet
Synergie des données in-situ et satellites pour la prévision solaire
Doctorat2018Mines Paris - PSL

Synergie des données in-situ et satellites pour la prévision solaire

Fusion de données issues de caméras hémisphériques au sol et de satellites géostationnaires afin de reconstruire les nuages en 3D, d’estimer leurs ombres au sol et d’améliorer la prévision de l’éclairement solaire à très court terme.

Voir le projet