Une prévision qui se souvient du cycle express
Un panneau solaire sur un toit produit peu de courant le matin, beaucoup à midi, et se tait la nuit. Le vent ne souffle pas non plus au hasard : il est souvent plus fort le matin et le soir que le jour. Les gestionnaires du réseau ont besoin de savoir à l'avance combien d'énergie sera disponible dans une heure ou trois, afin de démarrer les centrales de secours à temps ou de stocker l'électricité dans des batteries.
La méthode de prévision habituelle est « comme maintenant, donc après » : si le soleil brille fort, on suppose qu'il brillera aussi fort dans une heure. Mais cela ne fonctionne pas quand le jour laisse place au soir ou quand le vent tombe. La nouvelle formule s'adapte au rythme circadien : elle ne compare pas simplement la valeur actuelle avec la valeur passée, mais la valeur actuelle avec celle observée à la même heure de la journée, hier ou quelques jours plus tôt. C'est comme un jardinier expérimenté qui sait qu'il faut arroser les concombres non pas « quand c'est sec », mais chaque soir après le coucher du soleil.
Les tests sur des données réelles de centrales solaires et éoliennes ont montré que la nouvelle méthode est plus précise que l'ancienne, surtout à des horizons de plusieurs heures. Cela signifie que l'on peut garder moins de turbines à gaz en réserve et faire davantage confiance aux prévisions d'énergie renouvelable.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2602.18949
Time series in energy systems, such as solar irradiance, wind speed, or electrical load, are characterized by strong diurnal and seasonal periodicities. Accurate forecasting requires accounting for time varying statistical properties that stationary or classical persistence models cannot capture. A family of analytical forecasting operators for cyclostationary processes is introduced, extending persistence through a closed form coefficient $$\tilde{\lambda}(t,\tau)=\tfrac{1}{2}\bigl(1+\rho(t,\tau)\bigr)$$, where $$\rho(t,\tau)$$ denotes the local correlation between the current observation and its phase aligned time lag ($$\tau$$). This formulation preserves periodic variance and covariance, achieving a symmetry induced reduction of effective degrees of freedom. The resulting operator defines a training free analytical limit of persistence under periodic non stationarity. Validation on synthetic cyclostationary signals and empirical renewable energy datasets demonstrates consistent accuracy gains over classical persistence, particularly at multi hour horizons. By embedding temporal symmetry into the prediction process, the framework provides a physically interpretable, reproducible, and computationally minimal baseline for forecasting periodic processes across energy and complex systems.
L'énergie solaire qui atteint la Terre en une heure dépasse la consommation mondiale d'énergie sur une année entière — le problème est seulement de savoir précisément quand et combien elle sera disponible.