The Forecaster : Utilisation de l'apprentissage automatique pour prévoir la consommation et la production d'énergie

"Il est difficile de faire des prédictions - surtout en ce qui concerne l'avenir."- Robert Storm Petersen

Prédire l'avenir peut être difficile, mais c'est souvent nécessaire pour gérer une entreprise. Les prévisions énergétiques sont d'une importance capitale dans les opérations quotidiennes du marché. Les prévisions à court terme impliquent généralement des horizons de prévision allant de quelques minutes à quelques jours. Les fournisseurs d'énergie et les gestionnaires de réseaux de distribution bénéficient de prévisions précises de la demande et de la production d'énergie car ils peuvent orchestrer de manière optimale leurs actifs flexibles pour atteindre leurs objectifs commerciaux.

Le module Forecaster de Hive Platform calcule des prévisions stochastiques à court terme de la consommation d'énergie et de la production photovoltaïque agrégées, en utilisant les méthodes d'apprentissage automatique les plus avancées disponibles. Stochastique signifie que nous ne prédisons pas seulement la "forme" de la courbe de charge dans le temps, mais que nous calculons également des intervalles de confiance autour de cette courbe. Les intervalles de prédiction sont essentiels lorsqu'il s'agit d'applications de gestion des risques, comme la prévision du pic de consommation quotidien ou mensuel et l'activation efficace des mécanismes d'écrêtement des pointes.

Comment cela fonctionne-t-il ?

Il n'y a pas de boule de cristal (malheureusement). Au lieu de cela, le Forecaster de la plateforme Hive prédit la consommation et la production futures en apprenant ce qui s'est passé dans le passé et en utilisant les informations disponibles dans le futur. Le prévisionniste est constitué d'un ensemble de modèles d'apprentissage automatique formés sur un riche ensemble de données et continuellement réinformés par celles-ci.

Les données introduites dans ces modèles comprennent le signal électrique lui-même, les prévisions météorologiques numériques (température, rayonnement solaire, vitesse et direction du vent, humidité et des tas d'autres paramètres), les informations sur la saisonnalité (l'heure de la journée, le jour de la semaine, le mois de l'année, etc.), les jours fériés, les vacances scolaires et les événements personnalisés (fermetures, nuits blanches, grands événements, événements religieux, etc.)

La météo est reine

La météo est de loin le facteur externe le plus important qui affecte la consommation et la production d'énergie. C'est pourquoi Hive Power a décidé de mener une étude interne pour examiner et sélectionner le fournisseur de prévisions météorologiques numériques le plus performant. Un critère important que nous avons pris en compte était la disponibilité des prévisions météorologiques historiques. De nombreux fournisseurs de prévisions météorologiques n'archivent pas et ne stockent pas leurs prévisions. Or, les prévisions météorologiques historiques sont d'une importance cruciale pour former un modèle de prévision énergétique. Pour être robuste et fiable, un modèle doit être entraîné sur le même type de données que celles qui seront utilisées au moment de l'inférence. Pour comprendre ce point, pensez à ce qui suit. Si nous formons le modèle sur des observations météorologiques réelles, le modèle apprendra à faire confiance aux signaux météorologiques jusqu'à un certain niveau. Lorsque nous utilisons ce modèle pour prédire l'avenir, nous devons remplacer les observations météorologiques par des prévisions météorologiques, qui ne seront pas exactes à 100 % selon la définition de la prédiction. Par conséquent, le modèle donnera trop de poids aux prévisions météorologiques et se trompera lui-même. À l'inverse, si nous formons le modèle aux prévisions météorologiques, il apprendra à moins se fier aux paramètres météorologiques et à commettre moins d'erreurs au moment de l'inférence. Toujours sceptique ? Essayez vous-même. Certains de nos scientifiques les plus méfiants l'ont fait et ont trouvé exactement ce à quoi ils s'attendaient.

Repère des prévisions météorologiques

Nous avons examiné une douzaine de fournisseurs différents, filtré ceux qui ne répondaient pas à nos critères et retenu cinq finalistes. Nous leur avons ensuite demandé un échantillon de leurs données pour établir un point de référence. Nous avons demandé une année de prévisions horaires de la température au niveau du sol et du rayonnement solaire générées pour un seul endroit aux alentours de minuit et couvrant une période de 24 à 48 heures, ce qui correspond à l'horizon de prévision typique de nos modèles de prévision énergétique. Nous avons comparé ces prévisions aux observations locales réelles et avons été stupéfaits de découvrir les performances supérieures de Meteomatics. Dans les figures ci-dessous, nous montrons quelques résultats. Dans la figure 1, nous avons tracé la distribution de l'écart entre la température observée et la température prédite. Dans la figure 2, nous avons superposé les cinq distributions pour une comparaison plus aisée. Une situation similaire a été trouvée pour les paramètres de rayonnement solaire. Il était alors clair pour nous que les prévisions météorologiques numériques de Meteomatics étaient les plus précises et les mieux calibrées.

Figure 1 - Distribution de l'écart entre la température au sol observée et prédite pour cinq fournisseurs météo différents. Les lignes verticales en pointillés indiquent la moyenne de chaque distribution (seule l'erreur moyenne de Meteomatics est centrée sur zéro). L'erreur absolue moyenne (MAE) est indiquée sur chaque graphique (plus elle est faible, mieux c'est).

Figure 2 - Les mêmes distributions d'erreurs de la figure 1 superposées (après estimation de leur densité de noyau). La courbe de Meteomatics est la plus étroite et la seule qui soit centrée sur le zéro.

Le début d'un partenariat stratégique

"Nous étions à la recherche d'un guichet unique capable de nous fournir des données météorologiques actualisées et détaillées couvrant l'Europe, qui devaient être facilement accessibles via une API RESTful. Nous avons pris un certain temps pour évaluer plusieurs fournisseurs de prévisions météorologiques numériques. Le choix n'a pas été facile en raison de notre liste de critères exigeants, mais Meteomatics a rempli toutes les conditions et a dépassé nos attentes. Nous recherchions un fournisseur qui couvre le monde entier, en mettant l'accent sur l'Europe et plus particulièrement sur les Alpes, qui sont une région difficile en matière de prévisions météorologiques à haute résolution. Notre propre exercice d'évaluation comparative des prévisions a clairement montré que Meteomatics était le prévisionniste le plus précis, en particulier à court terme. Nous avons été heureux de découvrir la riche pléthore de paramètres météorologiques standard et avancés qu'offre l'API de Meteomatics. Nous sommes ravis d'avoir choisi Meteomatics comme fournisseur de données météorologiques et nous prévoyons un partenariat long et fructueux avec eux", a déclaré Gianluca Corbellini, directeur général de Hive Power.

Vous pouvez en savoir plus à ce sujet dans le dernier communiqué de presse de Meteomatics : https://www.meteomatics.com/en/meteomatics-and-hive-power-agree-strategic-partnership/. Restez à l'écoute pour un prochain webinaire (26 octobre 2021) où Hive Power et Meteomatics vous guideront dans un examen approfondi de la façon dont les prévisions météorologiques numériques informent les modèles de prévision énergétique.