Une prévision qui se souvient du cycle express

Original: "Symmetry-Constrained Forecasting of Periodically Correlated Energy Processes"
arXiv:2602.18949 · 2026-02-21 · CC BY 4.0 · 1 min
Une nouvelle méthode pour prédire l'ensoleillement et le vent plus précisément que les anciennes.

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.

La formule ne nécessite pas d'apprentissage sur de grandes données. Elle fonctionne immédiatement, sans ordinateurs puissants, et donne un résultat facile à vérifier à la main.

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.

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.

\tilde{\lambda}(t,\tau)=\tfrac{1}{2}\bigl(1+\rho(t,\tau)\bigr)
Le coefficient de prévision est égal à la moitié de la somme de un et de la corrélation locale entre la valeur actuelle et la valeur décalée d'un temps τ, en tenant compte de la phase du cycle journalier. Si la corrélation est maximale (1), le coefficient vaut 1 — la prévision répète le passé ; s'il n'y a pas de corrélation (0), le coefficient vaut 0.5 — la prévision fait la moyenne.
Scientifiques
Enrico FermiLudwig BoltzmannMax PlanckHenri PoincaréClaude ShannonFred Lawrence Whipple
Notions
Analogue forecast probabilistic forecast temps réel processus stochastiques stochastique symétrie de renversement du temps climat conservation de l'énergie stabilité thermodynamique analyse automatisée seasonal forcing Hurst exponent symétrie automatisation précision de prédiction forecasting énergie libre opérateur produit predictability drought