Points clés
Google DeepMind lance WeatherNext 3, un modèle météo IA destiné aux opérateurs d’infrastructures énergétiques
Le modèle se met à jour toutes les heures et prévoit la vitesse du vent à des hauteurs de mâts jusqu’à 100 mètres
Il estime aussi le niveau de rayonnement solaire pour projeter la production des panneaux photovoltaïques
WeatherNext 3 vise en priorité les gestionnaires de réseau chargés d’équilibrer l’offre électrique à mesure que le renouvelable progresse
DeepMind présente l’outil comme un levier direct d’accélération de l’adoption des énergies propres
Google DeepMind a lancé WeatherNext 3, un modèle de prévision météo conçu pour les parcs éoliens, les producteurs solaires et les opérateurs de réseaux électriques.
Selon l’entreprise, le modèle se met à jour toutes les heures et anticipe les conditions qui influencent la production d’électricité renouvelable.
DeepMind a présenté l’outil dans un post publié le 14 septembre et a détaillé l’approche technique sur son blog.
Ce que mesure WeatherNext 3
WeatherNext 3 génère deux grands flux de prévisions. Le premier couvre la vitesse et la direction du vent jusqu’à 100 mètres de hauteur, soit la zone de fonctionnement des pales sur la majorité des parcs éoliens terrestres modernes.
Le second flux porte sur la nébulosité et le rayonnement solaire incident. Les gestionnaires de réseau utilisent ces données pour estimer la production des installations photovoltaïques dans les heures à venir.
Les deux flux sont rafraîchis à l’heure. DeepMind souligne que cette fréquence est critique, car les conditions météo pouvant affecter la production évoluent parfois au sein même d’une période de livraison sur les marchés de l’électricité.
La société présente WeatherNext 3 comme une brique d’infrastructure de la transition énergétique. Disposer d’un préavis plus fin sur les changements de météo permet d’aligner l’offre d’électricité verte sur la demande des consommateurs. Cela facilite aussi le maintien de l’équilibre des réseaux dans un contexte de production renouvelable fluctuante.
À lire aussi : Bitget indique que les opérations hors crypto atteignent 40 % alors que la plateforme dépasse le seul marché des actifs numériques
Pourquoi l’équilibrage des réseaux a besoin de meilleures prévisions
Historiquement, les réseaux électriques reposent sur des moyens dits « pilotables », c’est‑à‑dire des centrales que l’on peut démarrer ou moduler à la demande. Charbon, gaz et nucléaire entrent dans cette catégorie.
Le vent et le solaire, eux, ne le sont pas. Leur production dépend de conditions que les opérateurs ne contrôlent pas. Un réseau fortement renouvelable doit donc anticiper les variations de génération plutôt que simplement y réagir.
Les erreurs de prévision se cumulent à l’échelle d’un système. Un parc éolien qui surestime sa production peut laisser l’opérateur de système en manque d’électricité au pic de demande. À l’inverse, une sous‑estimation gaspille du potentiel de production et oblige à activer des moyens de secours plus coûteux.
Des prévisions IA à résolution horaire attaquent directement ce problème. Un gain de précision sur l’horizon d’une à douze heures donne aux gestionnaires de réseau le temps d’arbitrer entre stockage, effacement de consommation ou capacités de secours, à moindre coût.
DeepMind travaille depuis plusieurs années sur la modélisation météo. Des recherches antérieures ont abouti à GraphCast, un modèle global qui a surpassé sur plusieurs indicateurs les références du Centre européen pour les prévisions météorologiques à moyen terme.
WeatherNext 3 applique cette base technologique à des cas d’usage explicitement orientés énergie.
L’angle « infrastructure IA » pour les lecteurs crypto
Le déploiement de modèles IA à cette échelle se situe au croisement du récit sur le calcul décentralisé très présent sur les marchés crypto. Des réseaux comme Bittensor (TAO) et Render (RNDR) articulent leur thèse de valeur autour de la montée en puissance de l’infrastructure IA distribuée.
Un produit de prévision météo opéré en production par un grand laboratoire d’IA illustre les besoins concrets en calcul que ces réseaux cherchent à adresser. DeepMind exécute aujourd’hui WeatherNext 3 sur son infrastructure propriétaire. Reste à savoir si des alternatives ouvertes ou distribuées pourront, à terme, égaler ce niveau de performance, une question encore largement ouverte dans le secteur.
Elon Musk a souligné lundi que les centres de données IA contribuent, selon lui, à faire baisser les prix de l’électricité pour les particuliers. Une vision qui fait écho à la position de DeepMind, pour qui de meilleures prévisions via l’IA réduisent le coût de gestion d’un mix électrique de plus en plus renouvelable.
À lire aussi : Grok 5 s’impose comme la cible AGI de Musk tandis que les alertes sur la sécurité de l’IA se multiplient
Et maintenant ?
DeepMind n’a pas encore communiqué les noms des gestionnaires de réseau ou des énergéticiens qui utilisent effectivement WeatherNext 3. Sur ce type de solution, les partenariats commerciaux impliquent généralement des utilities, des producteurs indépendants et des desks de trading d’énergie.
La précision du modèle sur des horizons de prévision étendus, au‑delà de six heures, sera déterminante pour son intérêt dans les enchères day‑ahead des marchés de l’électricité, là où se négocie le plus gros volume de contrats et où les erreurs de prévision coûtent le plus cher.
Des modèles météo IA concurrents, portés par des start-up comme Tomorrow.io, ainsi que des services existants des agences météorologiques nationales, visent le même créneau. L’arrivée de DeepMind relève la barre en matière de précision des prévisions pour l’ensemble du secteur.
À lire ensuite : Les hackers de Revolut commencent à publier des dossiers clients et réclament 10 000 bitcoins
