La prévision solaire est un élément central de la plupart des solutions d’intégration à large échelle de l’énergie solaire au sein des mix électriques. L’objectif de ce travail est de démontrer que l’utilisation de prévisions probabilistes, encore peu fréquente à l’échelle industrielle, est pertinente pour de nombreuses applications. Comme la littérature ayant trait à la valeur des prévisions est peu fournie, au contraire de celle étudiant leur qualité,nous souhaitons établir des liens entre qualité et valeur. S’ils peuvent être généralisés,ceux-ci permettraient de démontrer et de comprendre la valeur ajoutée des prévisions probabilistes. Dans une première étape, un cadre d’évaluation de la qualité des prévisions probabilistes est présenté. Il est constitué d’un ensemble de métriques, d’outils graphiques et de modèles de référence. À l’issue d’une revue bibliographique qui recense différentes métriques probabilistes, nous proposons un nouvel outil appelé matrice d’espérance qui a pour but de comparer celles-ci. Il permet dans un premier temps de sélectionner les scores les plus adaptés pour répondre aux questions de recherche, et dans un second temps de quantifier les gains potentiels de qualité que l’utilisation de prévisions probabilistes permet théoriquement d’obtenir. Pour compléter ce cadre de référence, nous introduisons un nouveau modèle de référence que nous suggérons d’appeler CSD-CLIM. Il est construit sur l’idée d’utiliser au mieux toute l’information contenue dans les données historiques d’observations d’un site pour concevoir une prévision fiable, de qualité supérieure à celle des modèles de référence communément utilisés. Ensuite, les gains réellement obtenus que l’on peut effectivement attribuer à l’utilisation de l’approche probabiliste sont calculés pour plusieurs modèles de prévision probabiliste couramment utilisés et pour un ensemble de six sites présentant différentes conditions climatologiques. Ce calcul est effectué à l’aide d’une nouvelle méthodologie nommée “MC-CRPS”, pour des prévisions J+1 construites par post-traitement statistique de prévisions d’ensemble.Une seconde étape est dédiée à l’étude de la valeur des prévisions du point de vue de l’utilisateur. La valeur d’une prévision dépend de son utilisation, il est donc nécessaire de choisir un cas d’application pratique pour la mesurer. Pour un acteur industriel,elle mesure le bénéfice apporté par l’utilisation de cette prévision dans un contexte de prise de décision. Une recherche théorique est conduite sur la manière de modéliser les coûts associés aux décisions prises à l’aide de la prévision. On parvient à proposer une méthodologie d’évaluation de la valeur dans un cadre d’utilisation bien défini. Celle-ci recommande l’utilisation d’un graphique combinant deux informations indépendantes, à savoir la structure des coûts et les performances de la prévision pour tous les niveaux de probabilité. Cet outil permet donc de décorréler les facteurs explicatifs provenant de la qualité de la prévision et du contexte du marché.Cette méthodologie est finalement utilisée pour expliquer les résultats obtenus lors de l’utilisation de différentes prévisions pour la valorisation de la production électrique d’une centrale solaire sur trois marchés de l’électricité. Les résultats prouvent que la structure des prix du marché a bien un rôle fondamental sur la valeur effective des prévisions. À nouveau, les gains de l’approche probabiliste par rapport à l’approche déterministe sont évalués puis comparés aux gains de qualité. Les valeurs des prévisions probabilistes surpassent celles des prévisions déterministes. Dans un contexte d’utilisation industrielle où la structure de coûts devient elle-même incertaine, il est nécessaire de disposer également d’une prévision des prix du marché. Une méthode simple a été implémentée. Cette incertitude supplémentaire entraîne une diminution de la différence de valeur entre prévisions probabilites et déterministes.