fr 
en
es
de
NEXT : Technologie de l'algorithme
Un algorithme de Machine Learning
MÉTHODE K-NN
Next utilise une méthodologie d’apprentissage statistique d’ensemble développée en interne.
L’algorithme de NEXT repose sur une méthodologie d’apprentissage statistique d’ensemble de type k-nearest neighbours (kNN).
L'algorithme de NEXT combine plusieurs sources de données d’entrée complémentaires pertinentes à différentes échelles spatiales et temporelles (NWP, satellite, mesures in situ). Il recherche des motifs similaires à la situation météorologique actuelle dans l’historique des données, à l’aide d’une méthode d’estimation avancée de la similarité entre deux situations météorologiques développée en interne.
L’algorithme a vocation à repousser les limites de l’état de l’art en prenant en entrée non pas seulement la donnée brute des différentes sources, mais également les données transformées à l’aide de modèles standard habituellement proposées en tant que telle sur le marché.
Ainsi, NEXT prend nativement en entrée une combinaison de plusieurs modèles météo, ainsi que des prévisions de cartes d’irradiance issues de l’imagerie satellite combinée avec des techniques de prévision robustes et éprouvées telle que le CMV (Cloud Motion Vector).
Un algorithme capable de réaliser des prévisions de production directement.
NEXT est capable de réaliser des prévisions d’irradiance horizontale ou tiltée, mais aussi directement des données de production.
NEXT Advanced, sa version la plus performante, intègre une remontée des mesures du site en temps réel. Elles sont exploitées par l’algorithme, ce qui permet de réaliser des prévisions constamment à jour par rapport aux dernières observations.
Tout ceci permet à NEXT Advanced de combiner la précision apportée par l’état de l’art de la prévision mono-source de données dans un algorithme unique capable d’affecter des poids pertinents à ses sources pour tous les horizons de temps, de manière seamless, tout en étant constamment calibré sur les données réelles remontées par les capteurs sur site.
Dans sa version standard, NEXT fonctionne sans remontée de données du site, avec une performance équivalente à Next Advanced, sur les horizons moyen à long-terme.
PROBABILISTE
NEXT génère des prévisions d’ensemble probabilistes du P5 au P95.
La technologie utilisée par NEXT fonctionne par recherche de similarité dans l’historique de la combinaison des données d’entrée. Elle permet de générer des prévisions d’ensemble probabilistes par nature calibrées sur la valeur cible à prédire.
En effet, cette méthode permet d’identifier un ensemble d’instants dans l’historique pour lesquels les prédicteurs indiquaient une situation météorologique similaire. Par conséquent, toute l’incertitude liée à la variabilité des observations qui peuvent être obtenues pour une même situation est contenue dans cet ensemble d’observations. On ne se contente donc pas de modéliser explicitement l’incertitude liée à l’erreur sur les paramètres du modèle tel que c’est classiquement fait par les méthodes de bootstrap ou d’ensemble NWP, mais bien l’incertitude totale du modèle, y compris celle liée au biais de modèle.
L’algorithme est paramétré pour fournir nativement des quantiles probabilistes allant du P5 au P95 par incrément de 5% très bien calibrés sur les quantiles réels observés sur les mesures (ou les données satellites dans le cas du mode sans données in-situ).
En utilisant NEXT, un gestionnaire d’actifs est garanti d’avoir accès à des quantiles de prédiction fiable représentant la vraie variabilité et incertitude des données sur site, permettant de constituer des scénarios de production réalistes.
Publications associées
évaluez les performances de NEXT
Contrôle qualité & performance
Contactez-nous pour réaliser un test comparatif avec votre solution de prévision existante ou créez votre site gratuitement pour un essai de 14 jours.
Une évaluation exhaustive des propriétés de l’algorithme et de la qualité des prévisions est en cours de réalisation sur les stations appartenant au réseau BSRN (Baseline Solar Radiation Network). Le but de cette évaluation est d’amenant des résultats de performance de manière transparente et reproductible afin d’’aider les utilisateurs de prévision à choisir le fournisseur le plus adapté à leur besoin.
