Des chercheurs de l'Universidad Politécnica de Madrid et de l'Institut nicaraguayen d'études territoriales ont développé une technique pour faire des prédictions précises de l'irradiance solaire globale (GSI) à court terme à l'aide de réseaux de neurones artificiels (ANN).

L'étude introduit une nouvelle méthodologie basée sur des observations faites en parallèle par des capteurs voisins et des valeurs pour de multiples variables (température, humidité, pression, vent et autres estimations). Des expériences ont été menées en utilisant des réseaux de neurones artificiels avec différentes architectures et paramètres afin de déterminer lequel d'entre eux a généré les meilleures prédictions pour les différentes périodes étudiées.

Les résultats ont permis aux chercheurs de développer des modèles qui prédisent le GSI à court terme avec des taux d'erreur inférieurs à 20 %. Cela pourrait être utile aux entreprises qui gèrent à la fois des centrales solaires photovoltaïques et des centrales solaires thermiques pour estimer la capacité de production de leurs installations.

Un grand défi de la société moderne est l'utilisation efficace des ressources naturelles et la minimisation de l'impact environnemental en raison de l'augmentation de la demande et de la consommation d'énergie. Ainsi, énergie renouvelable, notamment l'énergie solaire, est devenue une solution à long terme avec un plus grand potentiel moins d'impact.

En particulier, l'énergie solaire photovoltaïque peut être raccordée aux réseaux de transport et de distribution, mais elle exige que l'offre et la demande d'énergie soient gérées de manière adéquate. Par conséquent, la prédiction du GSI en quelques heures et avec un taux d'erreur minimal est nécessaire pour estimer la production d'énergie attendue.

Diverses méthodes sont utilisées pour estimer l'irradiance solaire globale, y compris des prédictions numériques basées sur des emplacements et le temps complétées par divers modèles de correction, méthodes basées sur des images satellites qui enregistrent la nébulosité et estiment les pertes dans le modèle idéal. D'autres modèles sont basés sur des séries temporelles ou sur l'intelligence artificielle. Chaque méthode présente des avantages et des inconvénients. Par exemple, la prédiction par satellite s'est avérée universelle car elle fournit des estimations pour de grandes zones géographiques. Cependant, cela dépend de la disponibilité de telles images pour certaines régions de la planète et du pré-traitement des images, entre autres.

Dans le cas de prédictions basées sur des méthodes numériques, la dynamique de l'atmosphère est estimée de manière réaliste grâce à l'assimilation de données. Cependant, ils garantissent la stabilité générale de la prévision sur les événements météorologiques locaux. Jusque là, les méthodes basées sur l'intelligence artificielle n'utilisent que les variables d'entrée endogènes associées au site de la prédiction.

L'étude menée par les chercheurs de l'UPM et de l'INETER s'est concentrée sur l'hypothèse qu'il était possible d'améliorer la prévision à court terme de l'irradiance solaire globale grâce à la génération de modèles basés sur des réseaux de neurones artificiels utilisant jusqu'à 900 entrées qui montrent l'évolution des variables dans un contexte spatio-temporel proche.

Les résultats de la recherche montrent la capacité des modèles développés basés sur des réseaux de neurones artificiels à identifier à la fois des relations linéaires et non linéaires entre les variables. Les auteurs écrivent, "Cela nous a permis de prédire l'irradiance solaire mondiale à court terme avec une compétence de prévision significative et une erreur quadratique moyenne normalisée inférieure à 20 % par rapport au reste des modèles basés sur des réseaux de neurones artificiels. De plus, les méthodes développées nous ont permis d'identifier une relation entre les prédictions via une fenêtre de temps glissante d'une à trois heures et de quatre à six heures par rapport à la distance de référence de 55 km. Cela peut conduire à une ligne de recherche pour utiliser diverses distances de référence pour différentes fenêtres de curseur de prédiction. »

Ces résultats ont des applications pour les entreprises qui gèrent à la fois des centrales solaires photovoltaïques et des centrales solaires thermiques pour estimer la capacité de production de leurs installations comme l'exige la législation en vigueur, et les exploitants de réseaux électriques nationaux. Les deux domaines peuvent utiliser ces méthodes pour atteindre leurs objectifs plus efficacement, maximiser le retour sur investissement et ajuster la courbe de l'offre et de la demande.