Rédacteur : Marc Deroo
Relecteur : Jérôme MASSET
L’essentiel en 4 points
- Au-delà de quelques jours, aucun modèle météo ne donne l’avenir exact : une valeur unique masque l’incertitude.
- Une prévision probabiliste donne une plage de valeurs possibles et leurs probabilités (ex. : 420 MW le plus probable, une chance sur dix sous 280 MW, une sur dix au-delà de 540 MW).
- Trois leviers : météo d’ensemble, modèle produisant une distribution, calibration.
- On l’évalue par la fiabilité, la finesse, le CRPS, le skill score et les scores multivariés.
La production éolienne et solaire dépend directement de la météo. Or, aucun modèle météorologique a la capacité de fournir avec exactitude des prévisions au-delà de quelques jours. Donner une valeur unique de production revient donc à masquer cette incertitude. Pourtant, c’est précisément l’information dont un exploitant du réseau, un producteur ou un trader a besoin pour décider. L’ignorer a un coût concret : des réserves sous-dimensionnées ne couvrant pas l’aléa réel, des offres de marché mal calibrées traduites en pénalités de déséquilibre, des congestions non anticipées imposant des actions correctives en urgence.
Chiffrer cette incertitude plutôt que la subir change la donne opérationnelle.
Renouvelables en France : 89 GW installés et une trajectoire PPE3 qui s’accélère
En 2025, la production d’électricité bas-carbone en France a atteint un maximum historique de 521,1 TWh, soit 95,2 % de l’électricité produite sur le territoire métropolitain – (Source RTE 2025). Le parc renouvelable dépasse désormais 89 GW installés. Le photovoltaïque avec ses 30,4 GW est devenu la première filière renouvelable en puissance raccordée, devant l’hydroélectricité. La trajectoire fixée par la PPE3, publiée le 13 février 2026, prévoit de doubler cette puissance d’ici 2035 : 48 GW de solaire en 2030 puis 55 à 80 GW en 2035, 31 GW d’éolien terrestre en 2030, 15 GW d’éolien en mer en 2035.
Production fatale : pourquoi l’éolien et le solaire compliquent l’équilibre du réseau
Prix spot négatifs et situations paradoxales
Contrairement au nucléaire ou au thermique, dont la production peut se moduler face à la demande, celles de l’éolien et du solaire sont fatales : leur production est induite par les conditions météorologiques indépendamment du besoin de consommation réelle. Anticiper la contribution de ces moyens de production fatale est une priorité pour maintenir un système électrique équilibré en temps réel mais aussi à plus moyen terme pour la préparation à l’exploitation comme le placement des consignations par exemple. Or cette contribution n’est pas directement connue à l’avance, et le Code de l’énergie impose aux producteurs de transmettre leur programme la veille pour le lendemain.
Plus le parc grandit, plus des situations paradoxales (forte production avec faible consommation) se multiplient, avec, pour signal le plus visible, des épisodes de prix spot négatifs dont le volume de modulation a doublé en 2025 pour atteindre environ 3 TWh.
Le vrai sujet n’est donc pas de savoir s’il faut prévoir, mais quelle information une prévision doit fournir pour être utile. Et c’est là qu’une prévision déterministe, réduite à une valeur unique, montre sa limite car le champ de possibles est masqué.
Prévision déterministe ou probabiliste : quelle différence ?
Effet papillon et prévisions d’ensemble
Une prévision de production éolienne ou solaire à quelques jours repose sur une prévision météorologique numérique (NWP : Numerical Wheather Prediction). Mais l’atmosphère est un système chaotique : deux états initiaux presque identiques divergent en quelques jours, c’est l’effet papillon. Une erreur minuscule sur l’état de départ, inévitable puisqu’on ne mesure jamais parfaitement l’atmosphère, s’amplifie à mesure que l’horizon s’allonge. Au-delà de quelques jours, il n’existe donc pas un avenir météorologique mais une gamme d’avenirs plausibles, chacun avec sa probabilité.
C’est précisément pour cette raison que les centres météorologiques ne produisent plus seulement une prévision unique, mais des prévisions d’ensemble : on relance le modèle plusieurs dizaines de fois avec des conditions initiales légèrement perturbées, ce qui produit un éventail de scénarios. Quand les scénarios se ressemblent, l’atmosphère est prévisible et l’incertitude est faible ; quand ils divergent, l’incertitude est forte. Cette information, l’écart entre les scénarios est ignoré par une prévision déterministe.
Exemple : « 420 MW demain à 14 h »
Transposé à la production renouvelable, le raisonnement est le même. Une prévision déterministe annoncerait « 420 MW demain à 14 h ». Une prévision probabiliste proposerait « le plus probable est 420 MW, mais il y a une chance sur dix de descendre sous 280 MW, et une chance sur dix de dépasser 540 MW ». Pour un gestionnaire de réseau qui doit dimensionner ses réserves, ou un producteur exposé à des pénalités de déséquilibre, ces deux prévisions n’ont pas la même valeur : la prévision probabiliste chiffre le risque, la prévision déterministe le dissimule.
Deux sources d’incertitude : la météo et la conversion en puissance
Une nuance importante mérite d’être posée. L’incertitude d’une prévision de production a deux sources distinctes, et un travail récent de Dantas et Browell (University of Glasgow, 2025) montre qu’elles ne pèsent pas au même horizon :
• La première est l’incertitude météorologique elle-même, celle des scénarios d’ensemble (voir Figure 2)
• La seconde est l’incertitude de conversion « météo vers puissance » : même en connaissant parfaitement le vent, la relation entre vent et puissance produite reste imparfaite (effets de sillage entre éoliennes, encrassement, indisponibilités, erreurs de mesure).
Leurs travaux, menés sur 73 parcs britanniques, établissent que l’incertitude de conversion domine à très court terme, tandis que l’incertitude météo prend le dessus au-delà de quelques jours, avec un point de bascule qui varie d’un parc à l’autre et survient plus tôt en mer qu’à terre. Une bonne prévision probabiliste doit traiter les deux.
Comment construire une prévision probabiliste fiable ?
Construire une telle prévision n’est pas un choix d’algorithme isolé. Il y a plusieurs briques sur lesquelles jouer :
- la donnée d’entrée,
- la méthode qui produit une distribution plutôt qu’un point,
- et l’étape de calibration qui rend cette distribution digne de confiance.
Choisir une météo d’ensemble en entrée (ECMWF ENS vs HRES)
Le premier levier ne coûte aucun changement de modèle : c’est le choix de la donnée météo en entrée. Elle peut être déterministe, comme l’ECMWF HRES, qui livre une trajectoire unique et à plus haute résolution, ou probabiliste, comme l’ECMWF ENS, qui livre un ensemble de scénarios (Figure 2) au prix d’une résolution plus grossière. L’étude de Bruninx et al. (Vrije Universiteit Brussel, 2026) sur l’ensemble des parcs éoliens de la zone offshore belge quantifie l’écart entre ces deux choix : passer d’une prévision météo unique à un ensemble de prévisions améliore la précision du point de prévision jusqu’à 23 %, en approchant la qualité qu’on obtiendrait avec des données de réanalyse, c’est-à-dire des observations réelles reconstituées après coup. Autrement dit, une part de l’erreur qu’on attribue au modèle vient en réalité du fait qu’il a été privé de l’information mesurant l’incertitude météo.
Selon Bruninx et al. (VUB, 2026), passer d’une météo unique à un ensemble améliore la précision de la prévision jusqu’à 23 %
Vrije Universiteit Brussel, 2026
Produire une plage de valeurs possibles : trois familles de modèles
La plupart des modèles de production (gradient boosting, réseaux de neurones) renvoient par défaut une valeur unique, pour un instant donné et un lieu donné. Il faut donc leur adjoindre une méthode qui transforme cette sortie en distribution de probabilités. Trois familles se distinguent aujourd’hui :
Modèles quantiles :
Plutôt que de prédire la moyenne, on entraîne le modèle à prédire directement différents quantiles (le seuil sous lequel la production a 10 % de chances de rester, 20 %, et ainsi de suite). En empilant ces quantiles, on reconstitue toute la plage des valeurs possibles. La méthode est devenue l’approche de référence en énergie renouvelable parce qu’elle ne suppose aucune forme de distribution a priori et s’applique à n’importe quel modèle. La régression quantile, la Quantile Regression Forest (QRF) ou le Quantile LightGBM (Q-LGBM) en sont des exemples.
Modèles paramétriques
On suppose que la production suit une loi statistique connue, c’est-à-dire une forme de courbe définie par quelques paramètres, comme la courbe en cloche (loi gaussienne), dont il ne reste qu’à estimer le centre et la largeur. L’approche est simple, mais la production d’un parc reste bornée entre zéro et sa puissance nominale. Aux deux extrémités de la courbe de puissance, les valeurs possibles se tassent contre ces bornes et deviennent asymétriques. Une courbe en cloche, symétrique par construction, déborde alors sous zéro et prédit des puissances négatives, ce qui est physiquement impossible. Bruninx et al. observent ce défaut surtout quand le vent prévu est sous le seuil de démarrage ou au-delà de la vitesse nominale.
Modèles de diffusion (IA générative)
Issus de l’IA générative, la même famille de modèles qui produit des images, ils apprennent à générer des échantillons de la distribution de production en partant du bruit. On tire quelques dizaines d’échantillons, dont on déduit les quantiles. Dans l’étude belge, c’est le modèle de diffusion conditionnel qui obtient la meilleure performance globale, à la fois sur le point de prévision et sur la distribution, au prix d’un temps de calcul plus élevé.
En météo, GenCast (Google DeepMind, Nature, 2024) applique déjà cette logique : un modèle de diffusion qui génère un ensemble de scénarios, et qui surpasse le système de référence de l’ECMWF sur 97 % des cibles évaluées. La même approche se transpose aujourd’hui à la prévision de production, et c’est un axe de recherche actif.
Calibrer la prévision : régression quantile conformalisée, EMOS, BMA
Le critère le plus important d’une prévision probabiliste est la fiabilité. Une prévision probabiliste brute est presque toujours trop confiante : elle annonce des intervalles plus étroits que la réalité ne le justifie. Si un intervalle censé contenir la production neuf fois sur dix ne la contient en pratique que sept fois sur dix, la prévision est trompeuse, et toute décision prise sur cette base sous-estime le risque réel. La calibration corrige cet écart en recalant les intervalles sur les erreurs observées par le passé. Plusieurs techniques coexistent, de la régression quantile conformisée (CQR) aux méthodes de post-traitement des ensembles météo (EMOS, BMA). Dans l’étude belge, la CQR obtient une performance proche du modèle de diffusion, pour un coût de calcul bien moindre : un compromis souvent gagnant en pratique.
Comment évaluer une prévision probabiliste : fiabilité, finesse et CRPS
Une prévision probabiliste ne s’évalue pas avec les mêmes outils qu’une prévision déterministe. Une erreur classique consiste à la juger avec des indicateurs conçus pour une prévision unique, comme le MAE (erreur absolue moyenne) ou le RMSE (racine de l’erreur quadratique moyenne), calculés sur la valeur centrale de la distribution (médiane) : on jette alors l’information sur l’incertitude qu’on cherchait justement à produire. Deux propriétés doivent être évaluées ensemble.
Fiabilité et finesse
La fiabilité (ou calibration) : quand la prévision annonce 90 % de chances, l’événement doit se produire environ 90 % du temps. On la vérifie visuellement avec un diagramme de fiabilité ou un histogramme de rang.
La finesse (sharpness) : à fiabilité égale, une prévision qui annonce des intervalles étroits est plus utile qu’une prévision vague. Une prévision peut être parfaitement fiable et inutile, par exemple en annonçant toujours « entre 0 et la puissance maximale ».
CRPS et skill score
Pour résumer les deux en une seule métrique, la communauté météo a adopté le CRPS (Continuous Ranked Probability Score), aujourd’hui repris en prévision d’énergie renouvelable. Le travail de Lauret, David et Pinson (University of La Réunion et Technical University of Denmark, 2019) fait référence sur ce point : le CRPS capture simultanément fiabilité et résolution, se décompose pour diagnostiquer où une méthode pèche, et se généralise au cas déterministe, ce qui permet de comparer sur la même échelle une prévision probabiliste et une prévision classique.
Dernier réflexe indispensable : mesurer le gain par rapport à une référence naïve (la climatologie ou la persistance) via un skill score, faute de quoi un « bon » CRPS en valeur absolue ne dit rien de la valeur réellement ajoutée.
Une limite mérite d’être signalée. Le CRPS évalue chaque instant pris isolément : il ne dit rien de la cohérence d’ensemble d’une prévision. Or une trajectoire de production sur plusieurs heures, ou une carte de production sur plusieurs parcs voisins, doit rester physiquement plausible dans son enchaînement. Deux prévisions peuvent obtenir un excellent CRPS à chaque instant tout en produisant, une fois mises bout à bout, des trajectoires incohérentes entre elles.
Cohérence spatiale et temporelle : energy score et variogram score
Pour évaluer cette cohérence spatiale et temporelle, on mobilise des scores multivariés comme l’energy score ou le variogram score, qui portent sur la loi jointe de la prévision plutôt que sur chaque instant pris séparément. Le processus est rendu « physics informed » en intégrant ces contraintes spatiales, temporelles et les capacités et limitations physiques réelles des parcs.
Notre conviction : décider avec un niveau de confiance, pas avec une valeur
Chez Yélé, nous pensons que l’intérêt du probabiliste est fondé, il change la décision. Un gestionnaire de réseau qui connaît la distribution de la production, et pas seulement sa valeur attendue, dimensionne ses réserves sur un risque quantifié. Un producteur ou un agrégateur qui construit ses offres sur les marchés J-1 et infrajournaliers peut arbitrer entre espérance de gain et risque de pénalité de déséquilibre à partir de la distribution, au lieu de parier sur une valeur unique. À l’échelle locale, la même logique éclaire la gestion des congestions sur les réseaux de distribution ou la planification des maintenances.
Le gain de précision, lui, est mesurable. Sur les parcs offshores belges, les méthodes d’apprentissage automatique améliorent l’erreur absolue moyenne jusqu’à 33 % par rapport à un modèle de sillage calibré, et jusqu’à 53 % par rapport à la simple courbe de puissance du constructeur, tout en fournissant en prime la distribution complète.
La question n’est plus de savoir combien on produira demain. Elle est de savoir avec quelle confiance, et ce que cette confiance vaut pour celui qui doit décider.
SOURCES
› RTE — Bilan électrique 2025 (principaux résultats)
› Programmation pluriannuelle de l’énergie (PPE3)
› Stratégie Nationale Bas-Carbone (SNBC)
› Code de l’énergie — article LEGIARTI000032970165
› Dantas & Browell, Seamless short- to mid-term probabilistic wind power forecasting (Glasgow, 2025)
› Price et al., Probabilistic weather forecasting with machine learning — GenCast (Nature, 2024)
› Rahimi et al., A Comprehensive Review on Ensemble Solar Power Forecasting Algorithms (2023)
