Des chercheurs de l'Université Carlos III de Madrid (UC3M) et de l'Université de Jaen (UJA) ont publié une étude faisant état d'un mélange optimal de modèles de prévision du rayonnement solaire avec lesquels ils sont capables de réduire de 25 l'erreur dans les prévisions à court terme (6 heures) % et 30%.

Le projet de recherche s'est concentré sur l'amélioration de la prévision du rayonnement solaire à court terme pour la péninsule ibérique, à l'échelle de la minute, une échelle horaire et une échelle journalière. Spécifiquement, cinq types de modèles ont été analysés :basés sur des chambres à nuages, des mesures, images satellites, prévisions météo, et un hybride des deux derniers. Dans ce but, les chercheurs ont sélectionné quatre stations météorologiques comme zones représentatives pour l'évaluation situées à Séville, Lisbonne, Madrid et Jaén.

Pendant deux ans, les deux groupes de recherche ont divisé leur travail en deux parties. D'une part, le groupe Evolutionary Computation and Neural Networks (EVANNAI) de l'UC3M s'est concentré sur l'application de techniques d'intelligence artificielle pour sélectionner le meilleur modèle ou combinaison de modèles pour chaque situation météorologique, lieu et horizon temporel, ainsi que l'obtention d'intervalles de prédiction pour estimer l'incertitude dans les prévisions. D'autre part, le groupe de modélisation de l'atmosphère et du rayonnement solaire (MATRAS) de l'UJA s'est concentré sur la conception et l'amélioration de différentes méthodes de prévision du rayonnement solaire, pour lesquels ils ont utilisé différentes méthodologies telles que les chambres à brouillard, images satellites et modèles météorologiques.

Le résultat le plus frappant obtenu dans cette recherche est que la combinaison optimale de modélisation réduit l'erreur de prévision d'environ 30 % par rapport aux meilleurs modèles à chaque horizon temporel. "C'est la première fois que cinq modèles indépendants sont comparés, et grâce à l'intelligence artificielle et au traitement mathématique, nous avons pu réduire la marge d'erreur à chaque horizon de prévision, ce qui représente une économie économique car elle réduit le coût d'intégration de l'énergie solaire, " a expliqué le coordinateur du projet David Pozo, professeur ordinaire de physique appliquée à l'UJA.

« L'utilisation de l'intelligence artificielle et notamment des techniques de machine learning permettent d'intégrer automatiquement et efficacement les prévisions des différents modèles, le modèle lui-même fournissant la meilleure prévision pour chaque horizon temporel. Par ailleurs, l'utilisation de techniques d'optimisation évolutive permet de quantifier l'incertitude pour chacune des prévisions. L'intégration de ces nouvelles techniques dans le contexte des énergies renouvelables a conduit à des améliorations importantes par rapport aux techniques initiales, " ont expliqué Inés M. Galván et Ricardo Aler, professeurs agrégés au Département d'informatique et de génie.

Les chercheurs ont déterminé le moment de l'horizon temporel pendant lequel chaque modèle est le plus fiable, tel qu'il se produit, par exemple, avec l'utilisation d'images satellitaires pendant les deux ou trois premières heures ou l'utilisation du modèle numérique de prévision météorologique après la quatrième ou la cinquième heure. Et entre autres choses, il a également conclu que la prévision à proximité des zones côtières est plus difficile, même dans la marge d'une heure.

Une partie de cette étude a fait l'objet de deux articles dans la revue scientifique Énergie solaire , et une autre partie est dans le processus de révision pour d'autres revues.