HAL Id: jpa-00245401
https://hal.archives-ouvertes.fr/jpa-00245401
Submitted on 1 Jan 1985
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Modélisation de l’irradiation solaire globale à l’aide de processus Arma : application à la prediction à faible pas
de temps (horaire), en vue de l’établissement de commandes optimales dans I’habitat
C. Bénard, E. Boileau, B. Guerrier
To cite this version:
C. Bénard, E. Boileau, B. Guerrier. Modélisation de l’irradiation solaire globale à l’aide de processus
Arma : application à la prediction à faible pas de temps (horaire), en vue de l’établissement de
commandes optimales dans I’habitat. Revue de Physique Appliquée, Société française de physique /
EDP, 1985, 20 (12), pp.845-855. �10.1051/rphysap:019850020012084500�. �jpa-00245401�
Modélisation de l’irradiation solaire globale à l’aide de processus Arma :
application à la prediction à faible pas de temps (horaire),
en vue de l’établissement de commandes optimales dans I’habitat
C. Bénard, E. Boileau et B. Guerrier
U.A. 871, Bât. 502, Campus Universitaire, 91405 Orsay Cedex, France (Reçu le 20 septembre 1984, révisé le 3 juillet 1985, accepté le 26 août 1985)
Résumé.
-Nous étudions la modélisation de la variable irradiation solaire globale au pas de temps de l’heure, en particulier dans le but de disposer d’un outil adapté aux problèmes d’optimisation de systèmes énergétiques (notam-
ment habitat). Les modèles utilisés sont de type Arma. La variable est tout d’abord centrée et normalisée et nous testons ici les conséquences sur la qualité de la modélisation d’une transformation supplémentaire qui rende la
variable réduite gaussienne.
Abstract
-Models of the hourly global solar radiation are presented, with a view to create the appropriate tool for optimizing energy systems (particularly buildings). We use Arma process. The variable is first transformed into a reduced variable and we analyse in this paper the consequences on the models reliability of a preliminary trans-
formation that makes the reduced variable Gaussian.
Classification
Physics Abstracts
92.60
1. Introduction.
1.1 SITUATION DU PROBLÈME : IMPORTANCE DES VARIA- BLES MÉTÉOROLOGIQUES POUR L’OPTIMISATION DE BÂTI-
Mentez L’optimisation d’un système énergétique
met en jeu plusieurs niveaux : choix, conception et
dimensionnement du système d’une part, commande optimale de ce système d’autre part. Lorsque les
variables météorologiques sont des entrées d’un
système, elles interviennent à ces deux niveaux. Il est alors nécessaire de disposer d’une représentation des
variables météorologiques adaptée au système éner- gétique et au problème étudié.
Dans le cas de l’établissement d’une commande
optimale, on est amené à résoudre une équation de la
forme :
=f(x, u, w) où x est le vecteur d’état carac-
térisant le système énergétique, u est le vecteur des
variables de commande et w représente les perturba-
tions extérieures et donc en particulier les variables météorologiques. Cette résolution se fait compte tenu d’un critère « de coût » que l’on cherche à minimiser
sur un horizon de temps D. Il est donc nécessaire de
disposer d’une représentation de l’évolution tempo- relle des perturbations météorologiques intervenant dans le terme w(t).
Le choix des variables météorologiques, du type de modèle et du pas de temps à considérer dépend du système envisagé : le modèle météorologique que
nous allons présenter ici est étudié en particulier en
vue d’optimiser la gestion de systèmes intégrés à
l’habitat (mur trombe ventilé, gain direct contrôlé, isolation dynamique...). Ce type de systèmes est très
sensible aux entrées météorologiques et les commandes que l’on calculera seront donc fortement dépendantes
des prédictions que l’on aura pu établir pour carac-
tériser w(t) : c’est donc à l’étude de ces entrées que
nous nous intéressons dans cet article.
Pour la mise en oeuvre de commandes sur ce type de systèmes, on peut envisager, au niveau météorolo-
gique, diverses possibilités :
-
la mesure de données météorologiques locales
à l’aide de quelques capteurs de mesure et l’utilisation d’un modèle de prédiction utilisant ces données locales ;
-
la connexion à un réseau météorologique régio-
nal qui délivrerait des prédictions établies à l’aide d’un ensemble important d’informations.
Ces deux démarches peuvent d’ailleurs être utilisées de manière complémentaire : utilisation de données locales pour les faibles pas de temps (1 heure à quelques heures), utilisation de données synoptiques pour les pas de temps plus importants (passage d’un jour à l’autre...). L’étude présentée ici se situe dans la première démarche, soit le traitement et la modélisation de données météorologiques locales, à faible pas de
Article published online by EDP Sciences and available at http://dx.doi.org/10.1051/rphysap:019850020012084500
temps. Il est certain que la restriction de l’information
aux seules données locales limite la qualité des pré-
dictions que l’on peut obtenir. Cette solution présente cependant l’avantage d’une relative simplicité de mise
en oeuvre (utilisation de quelques capteurs de mesure
sur le site même, traitement très léger une fois que le modèle a été mis au point). Elle permet également d’adapter précisément le modèle au problème étudié,
en particulier au niveau pas de temps : en effet, les services météorologiques ne délivrent pas à l’heure actuelle de prédiction pour des pas de temps de l’ordre de une à quelques heures.
Le choix d’une méthode plus ou moins sophistiquée
pour l’évaluation de w(t) dépendra ensuite des divers
cas pratiques étudiés : c’est une comparaison des gains obtenus en utilisant, pour calculer la commande
optimale, ces différentes évaluations qui permettra de guider ce choix, en déterminant l’incidence de la
qualité de la prédiction sur les gains.
Les modèles météorologiques peuvent également
être utilisés dans l’étape de conception et dimension-
nement des systèmes : il s’agit alors de disposer d’un
outil résumant les caractéristiques statistiques inté-
ressantes du processus météorologique (et en parti-
culier les effets de corrélation temporelle) et permet-
tant la simulation de données météorologiques uti-
lisables ensuite comme entrée du système pour en tester le fonctionnement.
1.2 CHOIX DE LA VARIABLE.
-Pour les systèmes intégrés à l’habitat, les variables météorologiques qui
interviennent principalement sont le rayonnement solaire, la température et le vent (apport énergétique
et pertes). Nous nous intéressons ici à l’irradiation solaire globale, étudiée au pas de temps de l’heure,
c pas de temps étant adapté aux systèmes envisagés.
(La variable température, beaucoup plus stable, ne
pose pas grand problème aux pas de temps envisagés.
La variable vent est plus problématique et fera l’objet
d’une étude ultérieure). L’objectif final est de disposer
d’un modèle complet de ces trois grandeurs.
Dans une étude préalable [1], il a été montré que l’introduction des variables humidité, température
et pression dans les modèles de prédiction de l’irra-
diation solaire globale horaire à l’intérieur d’une même journée n’en améliorait pas de façon très significative à qualité : nous nous limiterons donc ici à la seule variable irradiation, pour le modèle au
pas de temps horaire interne à la journée. Nous
noterons dans la suite G cette variable (unité : J/m2
et heure).
1. 3 MODÈLE.
-Les modèles utilisés sont de type Arma [2]. La variable G est tout d’abord stationnarisée
partiellement par centrage et réduction afin d’éliminer les fluctuations lentes saisonnières.
Dans une première étude [3], les modèles avaient été construits à partir de la variable centrée réduite. Une étude des distributions pour les différentes heures et
différents mois de l’année montre qu’il n’est, dans la plupart des cas, pas possible de considérer la distri- bution de la variable réduite comme gaussienne.
Nous avons par conséquent effectué une transforma- tion sur la variable réduite, afin de la rendre gaus- sienne, et donc mieux adaptée aux modèles employés (voir 2. 4). Le but de cette étude est de tester la néces-
sité d’une telle transformation, selon l’utilisation recherchée (simulation ou prédiction). En effet, cette opération a le désavantage d’alourdir les modèles
simples utilisés jusqu’ici, et ne permet pas de conserver,
au niveau de l’entrée météorologique irradiation, le
caractère linéaire des modèles. Or, si le système énergétique lui-même peut être modélisé à l’aide d’un filtre linéaire, l’utilisation d’un modèle stochastique
linéaire à l’entrée permet de déduire analytiquement
certaines propriétés statistiques de la sortie. Notam- ment la variable caractérisant la sortie peut s’écrire
également, après réduction, comme filtrée linéaire d’une variable gaussienne.
2. Construction de la variable réduite.
2.1 DONNÉES UTILISÉES.
-Les données utilisées au cours de cette étude sont les données de rayonnement solaire global fournies par la Météorologie Nationale
pour le site de Trappes, de l’année 1965 à l’année 1976, soit 12 ans de données.
Les données horaires sont constituées par l’inté-
grale de l’éclairement sur une surface horizontale
sur une période d’une heure.
Nous noterons Ga,j,h ces données avec
a
=indice de l’année 1 a 12
j
=indice du jour 1 j 365 (les 29 février ont été éliminés)
h
=indice de l’heure 1 h 16
avec
Ga,j,1
=intégration de 4 H à 5 H (TSV)
Ga,j,2 = intégration de 5 H à 6 H (TSV)
Ga,j,1 6
=intégration de 19 H à 20 H (TSV)
unité : j/M2 et heure.
Z . 2 VARIABLE RÉDUITE.
2.2. 1 Pour satisfaire les contraintes imposées par
l’emploi de modèles Arma nous avons cherché à
stationnariser la variable G a,j,h en tenant compte du phénomène journalier (variation de la hauteur du
soleil) et du phénomène saisonnier (variation de la
hauteur maximale).
On construit donc une nouvelle variable
où :
Gj,h caractérise le niveau moyen de G pour l’heure h
’
du jour j
03C3j,h caractérise l’amplitude des fluctuations autour de
ce niveau moyen pour l’heure h du jour j.
D’autre part, un travail antérieur [3] nous a conduit
à séparer l’échantillon de départ en deux sous-ensem-
bles définis à l’échelle de la journée : jour de beau
temps et jour de mauvais temps.
Nous avons été amenés à cette division en deux sous-ensembles par l’étude des coefficients de corré- lation : en effet, nous avons calculé à partir de tout
l’échantillon de départ les coefficients de corrélation pi, 1 _ i _ 5 où Pi caractérise la corrélation entre fheure k et k - i. (On constate que ces coefficients sont en première approximation indépendants de
l’heure k) [3]. Pi décroît en fonction de, 1, mais cette
décroissance est faible et le coefficient p5 reste élevé.
Une telle corrélation indique une tendance générale
à la stabilité au cours d’une journée. En effet, pour
un jour de beau (mauvais) temps stable, l’ensemble
des Ga,j,h est supérieur (inférieur) au niveau moyen
Gj,h ce qui conduit aux valeurs importantes des
pi pour les ordres élevés. La détermination d’un nom-
bre important de paramètres dans les modèles Arma pose un problème de précision : il nous a semblé pré-
férable de prendre en compte ce phénomène de sta-
bilité en considérant plusieurs types de jours. Les histogrammes de la variable réduite selon les diffé- rentes époques de l’année présentent un creux autour
de zéro [3]. La séparation en deux classes est donc apparue appropriée : les jours de beau temps (mauvais temps) sont définis par G,,@j >, Gj (G.@j Gj) où Gay
représente le rayonnement solaire global pour tout le jour j, et Gj son niveau moyen pour le jour j soit
On considérera donc dans la suite deux types de variable réduite :
cas beau temps
où
GB @ correspond à un jour beau temps
G Bh caractérise le niveau moyen dans le cas beau temps
,h caractérise l’amplitude des fluctuations autour de ce niveau moyen.
On a de même pour le cas mauvais temps :
Les coefficients de corrélation Pi calculés pour les
deux types de temps après coupure, décroissent effec- tivement beaucoup plus rapidement avec i (p 5 0,2).
2.2.2 Estimation de la moyenne et de l’écart qua-
dratique.
-Pour estimer la moyenne et l’écart qua-
dratique nous avons adopté dans cette étude une
méthode de lissage de l’estimation empirique par
une approximation en série de Fourier.
Soit
où NB représente le nombre d’années pour lesquelles
GBa,j,h existe (c’est-à-dire le nombre total d’années moins les années pour lesquelles j est jour de mauvais temps
ou pour lesquelles j correspond à une donnée man-
quante sur le fichier météorologique original).
Si l’on observe l’évolution de ( GBj,h> au cours de
l’année (1 j 365) on remarque :
-
une évolution saisonnière lente
-
des variations rapides d’un jour à l’autre que
ne peut expliquer un phénomène climatique et qui
sont dues à la taille réduite de l’échantillon (voir Fig. 1).
Pour ne conserver que l’évolution saisonnière,
nous avons donc lissé la courbe ( GBh z, pour chaque
heure h, à l’aide d’une approximation en série de
Fourier.
Cette méthode de lissage présente l’avantage de
condenser l’information sur la moyenne et l’écart
quadratique du processus à l’aide de quelques para- mètres. Elle évite également la réduction des écarts
Fig. 1. 2013 GMj,4 > et MMj,4 pour les mois de mai et juin.
[ GMj,4 > and MMj,4 for May and June.]
extrêmes de l’année qu’entraîne l’emploi d’une méthode
de moyenne glissante calculée sur un nombre de jours
assez élevés pour avoir un lissage correct.
Elle présente l’inconvénient de suivre difficilement certains phénomènes caractéristiques d’une courte période de l’année et pose problème pour les cas des début et fin de journées où le niveau de G est très faible : comme nous le verrons par la suite, nous
avons été amenés à éliminer ces heures extrêmes. Ceci n’est pas problématique car l’apport énergétique est
alors très faible et la précision des mesures météorolo- giques assez mauvaise.
Cette méthode a été employée de la même manière pour lisser l’estimation de l’écart quadratique
ainsi que dans le cas mauvais temps. La démarche étant identique pour les deux types de temps, nous ne
développerons les expressions que pour le cas beau temps.
-
Nh représente la période à considérer pour l’heure h : elle varie du fait de l’évolution de la durée
du jour au cours de l’année ; Nh est défini par le nombre de jours de l’année pour lesquels le jour est levé (ou
non couché) à l’heure h : Nh
=365 pour les heures d’indice 4 à 13 et varie entre 122 et 365 pour h 4 ou h 13.
Tableau I.
-Lissage de la moyenne : coefficients de MBj,h (cas beau temps).
[Estimation of the mean : coefficients of MBj,h (for good weather.)]
-
Le choix de n(n’) doit permettre d’approximer la
moyenne et l’écart quadratique le mieux possible, tout
en ne faisant intervenir que les principales harmo- niques : la comparaison des Mfh pour différentes valeurs de n nous a conduit à prendre n
=3 ; de même pour Ijh et dans le cas mauvais temps, 3 coeffi-
cients sont conservés. Dans le tableau I, nous donnons les coefficients de MBj,h pour 1 h 16. 03BE1 et Ç2 représentent respectivement pour ai et bi le rapport
entre le coefficient d’ordre 4 et le maximum des coeffi- cients d’ordre 2 et 3 (on remarque que les quelques cas
où ces valeurs sont importantes correspondent à des
valeurs de a1(b1) ~ a2(b2)).
Comme nous l’avons indiqué plus haut, cette méthode de lissage s’adapte mal aux faibles valeurs de la moyenne et de la variance que l’on n’arrive pas à
approximer de manière satisfaisante :
-
les heures extrêmes (indice 1 et 16) seront donc supprimées et G considéré comme nul pour ces deux
heures ;
-
les heures indicées de 5 à 12 sont conservées pour tous les mois
-
les heures indicées 2 et 15 (3 et 14), [4 et 13] sont conservées respectivement pour les mois 5 à 7, (4 à 8), [3 à 10].
2.3 MODÈLES UTILISÉS.
-Les modèles utilisés sont de type Arma, et s’écrivent de façon générale [2] :
Xi s’écrit comme somme d’un bruit blanc ai et de
termes dépendant des valeurs prises par la variable
aux temps antérieurs. L’ordre et le type du modèle
sont choisis d’après l’allure des fonctions d’auto- corrélation et d’autocorrélation partielle. Les para- mètres seront différents suivant le cas beau temps ou mauvais temps. La stationnarisation effectuée n’étant que partielle, ils pourront éventuellement varier sui- vant l’époque de l’année ou le déroulement de la
journée (comme nous le verrons par la suite, la varia- tion à l’intérieur d’une journée est faible).
2.4 ETUDE DES DISTRIBUTIONS.
-Nous étudions les distributions des variables réduites dans le cas beau
temps et mauvais temps, pour les différents mois :
nous donnons par exemple dans les figures 2, 3 et 4
pour les mois de février, août et novembre et pour l’heure 8 les histogrammes de la variable XMa,j,8.
Pour chaque mois nous avons comparé la distribu- tion des variables à une distribution gaussienne, avec
un test du Chi deux.
Le tableau II donne les résultats de ce test, au niveau de signification 10 % : l’hypothèse gaussienne est rejetée pour presque tous les mois, comme le laissait supposer l’allure des histogrammes.
Fig. 2.
-Histogramme de la variable réduite XMa,j,8 pour
le mois de février.
[Histogram of the reduced variable XMa,j,8 (February).]
Fig. 3.
-Idem que la figure 2 pour le mois d’août.
[Same as figure 2 (August).]
Fig. 4.
-Idem que la figure 2 pour le mois de novembre.
[Same as figure 2 (November).]
Tableau Il.
-Test du Chi deux sur XMa,j,8 mois par
mois.
[X2 test on XMa,j,8 monthly.]
La figure 5 donne l’histogramme du mois de mars
dans le cas beau temps et pour toutes les heures rassemblées.
Dans les études précédentes, nous avions modélisé la variable réduite sans transformation supplémen-
taire. Dans le cas d’utilisation de ces modèles pour la
simulation, ceci ne permet pas de restituer une dis- tribution identique à celle de la variable originale :
en effet la simulation se fait en utilisant les program-
mes de génération d’un bruit blanc gaussien.
De plus, une des méthodes que l’on peut employer
pour estimer les paramètres des modèles utilise
l’hypothèse gaussienne pour passer d’une méthode de maximum de vraisemblance à une méthode qua-
dratique.
Dans le cas de la prédiction, et s’il n’a pas été fait
une étude systématique pour les différentes heures et différentes époques de l’année de la valeur la plus probable du bruit blanc, on utilise une valeur nulle pour ai, soit prédiction de Xi,
Nous testons ici une transformation sur la variable réduite afin de la rendre gaussienne. L’allure des
Fig. 5.
-Histogramme de la variable réduite XBa,j,h pour
toutes les heures, pour le mois de mars.
[Histogram of the reduced variable XBa,j,h for all hours,
for March.]
histogrammes montre que cette transformation devra être différente selon les différentes époques de l’année,
et les différentes heures.
3. Transformation de la variable réduite.
Soit X, variable aléatoire de densité fX et Y, variable
aléatoire gaussienne, de densité
soit g, strictement croissante, telle que Y
=g(X).
On a alors [4] fY(g(x)) dg(x)
=fX(x) dx.
Dans la pratique, X ne prend ses valeurs que dans
un intervalle fini [xmin, 1m..]. Pour éviter les problèmes
dus à l’annulation de fx en dehors de cet intervalle,
on supposera provisoirement pour le calcul de la
transformation que X peut prendre ses valeurs sur
tout R. (Notons que pour les différents cas que nous
avons étudiés, la probabilité d’être en dehors de l’intervalle [g(xmin), g(xmax)] est inférieure à 0,5 %.)
On a
La première intégrale sera estimée à l’aide des données pour différentes valeurs de xo. g(xo) est alors
déduit de l’égalité ci-dessus en utilisant un programme d’inversion de la fonction de densité gaussienne.
Cette transformation a été testée pour les données beau temps des mois de mars, avril et mai : ces trois mois ont en effet des histogrammes d’allure similaire et l’on dispose ainsi de 537 données beau temps par
heure, ce qui permet de garder une précision suffisante
pour les calculs. Cet échantillon sera noté 03B2MAM.
Calcul de la transformation : soit Xj l’ensemble des données à partir desquelles on veut calculer la trans- formation :
1 j 537 si l’on ne considère qu’une heure
1 j 2 x 537 (n ^ 337) si l’on considère 2 (n) heures
simultanément .
L’échantillon est tout d’abord divisé en classes
équiprobables. Si le nombre total de Xj n’est pas un multiple du nombre d’éléments par classe, les éléments restants constituent deux classes de plus petite dimen-
sion au début et à la fin de l’intervalle.
On posera :
dl
=valeur minimale de x
di 1 i N
=bornes supérieures des classes à l’exclusion de la dernière
dN
=valeur immédiatement inférieure à la valeur maximale de x
Pour chacune des valeurs di, 1 i N, on calcule
la valeur g(di) à l’aide de l’égalité (3. 1), en posant pour estimer le premier membre de l’égalité :
Pour un Xj quelconque, on calcule ensuite la valeur
9(xi) par approximation linéaire soit :
avec :
et g(xmax) est obtenu par prolongation linéaire de
g(dN-1), g(dN).
Les figures 6 et 7 donnent deux exemples de trans-
formation obtenue pour des classes de 3 éléments :
figure 6 heures d’indices 7, 8 et 9 groupées, figure 7 heure 9 seule.
Fig. 6.
-Transformation Y
=g(X) pour les heures d’in- dice 7, 8 et 9 groupées.
[Transformation Y
=g(X) for the hours h
=7, 8 and 9 put together.]
Fig. 7.
-Transformation Y
=g(X) pour l’heure d’indice 9.
[Transformation Y
=g(X) for hour h
=9.]
Nous avons ensuite testé la distribution de la variable réduite après transformation :
La transformation réalisée permet (voir Tableaux III,
IV et V) d’obtenir une variable Y de distribution
gaussienne. Cependant, on voit d’après les résultats
des tests, qu’il n’est pas possible de regrouper toutes les heures pour le calcul de la transformation : si l’on
redécompose l’échantillon total en échantillons horai- res, ces derniers ne peuvent être considérés comme
gaussiens.
(Les deuxième et troisième colonnes des tableaux III,
IV et V donnent la statistique u et le niveau a tels que
p {~2 > u} = 03B1.)
4. Construction des modèles.
Afin de déterminer l’ordre et le type de modèle les mieux adaptés aux processus considérés, nous avons
étudié les fonctions d’autocorrélation et d’autocorré-
lation partielle.
Tableau III.
-Test du Chi deux
-cas d’une trans-
formation calculée avec les heures d’indice 7, 8 et 9.
[X2 test
-the hours h
=7, 8 and 9 were put together
for the calculation of the transformation.]
Tableau IV.
-Test du Chi deux
-cas d’une trans-
formation calculée avec l’heure d’indice 9 seule.
[X2 test
-transformation calculated with hour h
=9
only. ]
Tableau V.
-Test du Chi deux
-cas d’une trans-
formation calculée avec les heures d’indice 4 à 13.
[X2 test. The hours h
=4 to 13 were put together for
the calculation of the transformation.] J
Fig. 8.
-Coefficients de corrélation p, (1 1 5 3) pour les différentes heures (échantillon 03B2MAM).
[Correlation coefficients Pi (1 i 3) for the different hours (03B2MAM sample).]
La figure 8 donne l’estimation des coefficients de corrélation pi pour les différentes heures de la journée
et pour 1 i 3. Cette estimation est faite sur
l’échantillon 03B2MAM décrit ci-dessus, après transfor-
mation de la variable. On observe des valeurs légè-
rement supérieures pour p i en début de journée.
Cependant, ces variations restent dans les domaines de
précision du calcul et le processus peut donc être raisonnablement considéré comme stationnaire au cours de la journée. (Une comparaison faite au niveau
des tests de prédiction en considérant des paramètres dépendants ou non de l’heure de la journée confir-
mera la validité de cette approximation : voir para-
graphe 5.)
Les figures 9 et 10 donnent l’estimation des fonctions d’autocorrélation et d’autocorrélation partielle en
considérant l’échantillon PMAM en son entier : on
observe une décroissance lente de la fonction d’auto-
Fig. 9.
-Estimation de la fonction d’autocorrelation sur tout 03B2MAM.
[Estimation of the autocorrelation function on all 03B2MAM.]
Fig. 10.
-Estimation de la fonction d’autocorrélation par- tielle sur tout 03B2MAM.
[Estimation of the partial autocorrelation function on all
03B2MAM.]
corrélation, proche d’une exponentielle, et une fonction d’autocorrélation partielle ~ii négligeable au-delà de
l’ordre 2 et très faible pour i
=2. Ceci nous a amené
à tester un modèle de type auto-régressif, d’ordre 1
ou 2.
Soit
où yi
=variable après transformation, P’
=para-
mètre du modèle de la variable réduite transformée.
La même étude a été menée sur le même échantillon avant transformation et conduit à des résultats simi-
laires ; on aura donc pour la variable réduite non
transformée xi :
Estimation des paramètres :
Les paramètres ont été estimés en utilisant les
équations de Yule-Walker.
Soit pour un AR2
(une étude annexe a montré qu’une variation des para- mètres autour de ces estimations avait une influence
négligeable sur les résultats des tests de prédiction).
5. Tests de prédiction.
La transformation décrite dans le paragraphe 3 a été
testée pour la prédiction et les résultats comparés à
ceux obtenus sans transformation. Pour ces tests,
nous avons supposé connu le type de jour (beau temps dans l’exemple traité).
En notant de façon générale z la prédiction de z, on
aura (voir 2.4) :
avec z
=ScU) dans le cas de la variable réduite sans
(avec) transformation.
On définit d’autre part e, erreur de prédiction pour
l’heure h, par :
-
Ni représente le nombre total de jours pour le
cas considéré.
Les tests ont été effectués pour les jours de beau
temps des mois de mars, avril et mai, soit 537 jours (échantillon f3MAM).
-
la variable x représente la variable réduite sans
transformation supplémentaire : c’est en effet à partir
de x que l’on remonte à la prédiction de l’irradiation elle-même :
Dans le cas où z
=y, variable ayant subi la trans- formation gaussienne, on doit donc effectuer la trans- formation inverse pour calculer e. Ceci a été réalisé de la façon suivante :
soit g, la transformation effectuée sur la variable réduite pour la rendre gaussienne,
g(xi) = Yi’ Xi élément de l’échantillon à partir duquel
est calculée la transformation,
J
=prediction obtenue à l’aide du modèle de la variable réduite transformée.
Si :
2022 yi j yi+1 : g-1(j) est calculé par interpo-
lation linéaire entre g-1(yi) et g-1(yi+1) ; 2022 j ymin = g(xmin) : g-1(j) = xmin;
2022 j ymax = g(xmax) : g-1(j) = xmax.
De cette façon, on ramène les valeurs prédites pour l’irradiation dans les limites des valeurs réellement observées.
Les tests de prédiction ont donné les résultats
suivants :
a Modèles ARI et AR2 : les résultats sont équi-
valents pour les deux types de modèle, le paramètre
d’ordre 2 du modèle AR2 est d’ailleurs très faible.
e Variation des paramètres avec h : il n’y a pas de différences significatives pour la qualité des prédictions
dans le cas d’un paramètre unique et dans le cas de
paramètres différents selon les heures de la journée.
e Variable réduite transformée : en comparant les résultats obtenus avec la variable uniquement réduite
et la variable réduite transformée (après transforma- tion inverse), on constate que cette transformation n’améliore pas la qualité des prédictions.
Il ressort de cette étude qu’il est donc inutile d’alour- dir les modèles utilisés dans le cadre de la prédiction, et qu’un modèle autorégressif du premier ordre sur la
variable simplement réduite peut être utilisé. Pour
l’époque de l’année considérée ici, les prédictions sont légèrement meilleures pour les heures de début de
journée : soit les heures d’indice 5 et 6 (modèle ARI),
ou d’indice 6 (modèle AR2). (L’échantillon 03B2MAM correspond en effet aux heures d’indice 4 à 13 : voir
2.2). L’erreur est alors de l’ordre des 2/3 de celle
obtenue en utilisant comme prédiction la valeur
moyenne : en effet, dans ce cas, l’expression e de
l’erreur est égale à l’écart quadratique (au facteur
Nj/Nj-1 près).
Nous donnons ci-dessous quelques exemples illus-
trant les points énoncés ci-dessus. (La transformation g a été calculée heure par heure (voir paragraphe 3)).
-
Le tableau VI donne pour les différentes heures l’erreur E divisée par l’écart quadratique (e/ a) obtenue
avec un modèle ARI ou AR2, pour la variable trans- formée et après transformation inverse.
Tableau VI.
-el 0’ - variable Y - comparaison
d’un modèle AR1 et AR2.
[el u
-variable Y - comparison of AR 1 and AR2
processes.]
-
Le tableau VII donne pour les différentes heures
s/ J dans le cas d’un modèle AR 1 à paramètre variable
ou non, pour la variable uniquement réduite.
-