Réduire les coûts et les risques des projets solaires : Le rôle des backtests de prévision

Simulation et évaluation de données hindcast pour un projet PV+stockage situé sur l’île Maurice.

Étude de cas

29/02/2024

par

Elena Escudero Ramos

10 min

null

Les historiques de données de prévisions, également appelées données hindcast, se réfèrent à des jeux de données résultant d'un processus rétrospectif qui simule les prévisions d'énergie solaire ou éolienne telles qu'elles auraient été générées en conditions opérationnelles dans le passé. Les rejeux de prévision sont essentiels afin de pouvoir examiner la valeur ajoutée des prévisions pour la prise de décision opérationnelle future, évaluer leur précision sous des conditions météorologiques spécifiques, ou encore optimiser la conception des centrales électriques.

null

Besoin du client

Notre client développe plusieurs centrales hybrides photovoltaïques (PV) avec Système de Stockage d'Énergie par Batterie (BESS) dans la partie nord de l’île Maurice, située au cœur de l'océan Indien. Durant la phase de conception des centrales, notre client recherchait des données hindcast précises pour atténuer les coûts et les risques du projet. Comme de nombreuses régions insulaires, l’île Maurice dépend fortement du pétrole et du charbon dans son mix énergétique. Actuellement, près de 10 % de la consommation finale d'énergie du pays provient de sources d'énergie renouvelable variables telles que le solaire et l'éolien — un chiffre qui devrait augmenter dans les années à venir, et qui souligne l'importance croissante des prévisions de production pour mieux gérer les problématiques liées à la variabilité météorologique dans un contexte de transition énergétique.

Prévoir avec précision l'énergie solaire injectée dans le système électrique de l’île Maurice représente un défi important en raison de l'interaction complexe entre les processus météorologiques à différentes échelles, incluant une couverture nuageuse fréquente et une variabilité significative de l'irradiance solaire due à la convection tropicale et aux effets locaux (relief, contraste terre/mer, etc.). Steadysun a été sollicité pour fournir des séries temporelles de données réelles et prévues sur un an d’historique pour un site, en se concentrant sur deux paramètres clés : l'Irradiance Horizontale Globale (GHI) et la puissance active du système PV (Puissance). La conformité avec le Code de Réseau de Maurice nécessite la fourniture de trois types de prévisions en opérationnel :

➡️ Prévision infra journalière (J) : à livrer chaque jour avant 4 h UTC, avec une granularité d'une minute,
➡️ Prévision pour le prochain jour (J+1) : à livrer la veille à 15 h UTC, avec une granularité de quinze minutes,
➡️ Prévision hebdomadaire (J+7) : à livrer chaque lundi à 12 h UTC, avec une granularité d'une heure.

null

Située dans l'immense étendue de l'océan Indien, l’île Maurice est située à environ -20,3° de latitude (sud) et +57,6° de longitude (est). L'île connaît un climat tropical caractérisé par des températures chaudes, une forte humidité, et une alternance entre saisons humides et sèches.

Réduire les coûts et les risques des projets solaires : Le rôle des backtests de prévision

null

Solution

Pour répondre aux exigences du client, Steadysun a réalisé des simulations “off-line” en utilisant le produit de prévision solaire SteadyMet. Le processus de génération et d'évaluation des trois différents types de données historiques s’est déroulé selon les étapes suivantes :

1. Sélection de la période de simulation : Choisir une année représentative pour la simulation est crucial afin d’assurer la représentativité et la pertinence des données rétrospectives. En s'alignant sur les conditions météorologiques typiques et les normales climatiques du site de l'installation solaire, les résultats des simulations sont optimisés sur la durée de vie du projet et reflètent de manière précise les contraintes associées à la variabilité de la production solaire.

null

Variabilité interannuelle de la ressource solaire sur une période de 10 ans, basée sur des observations météorologiques de surface (station météo de Météo-France).

null

2. Estimation des données réelles : En l'absence de mesures sur site, la ressource solaire et la production réelle ont été estimées à l'aide de données satellitaires pour le GHI et de réanalyses atmosphériques pour les paramètres de température et de vitesse du vent. Des routines de contrôle de qualité rigoureuses ont été appliquées pour traiter les anomalies, suivies par l'estimation de la puissance active en utilisant la modélisation PV intégrée à notre système de prévision.

3. Génération de prévisions historiques : Les prévisions brutes de divers modèles de Prévision Numérique du Temps (PNT) ont été traitées et optimisées en utilisant des techniques d'apprentissage automatique prenant en compte leur résolution et précision à la localisation de l'installation solaire. Les prévisions météorologiques probabilistes ont été converties en prévisions de puissance PV en utilisant des algorithmes propriétaires, calibrés à partir des données réelles estimées précédemment. Les paramètres clés de l'installation solaire, tels que la capacité installée, l'inclinaison et l'orientation des modules, et les spécifications techniques des panneaux et des onduleurs, ont été pris en compte pour la simulation.

null

Exemples de prévisions brutes de GHI 15 heures à l'avance issues de 6 modèles de PNT sur Maurice et l'île de la Réunion, mettant en évidence les incertitudes des prévisions météorologiques, résultant de différences dans les résolutions spatiales, les conditions initiales, et d'autres caractéristiques des modèles.

null

4. Analyse de performance et livrables : L'analyse de performance impliquait le calcul d’indicateurs clés de performance (KPIs) normalisés par rapport au GHI de référence ou la capacité installée. Les KPIs comprenaient l'erreur absolue moyenne (MAE), l'erreur de biais moyenne (MBE), et l'erreur quadratique moyenne (RMSE). Un rapport technique détaillé présentait les méthodologies et les résultats.

null

Résultats

L'analyse de performance a révélé de très bons résultats, avec des valeurs de MAE indiquant un niveau de performance de prévision représentatif des conditions rencontrées dans les îles tropicales.

La comparaison avec les prévisions de persistance a montré des améliorations significatives (+15 % à +31 % selon l'horizon de prévision), soulignant la valeur des prévisions SteadyMet dans l'optimisation des résultats du projet.

Exemple de résultats de simulation sur 6 jours consécutifs pour le paramètre GHI : prévisions infra journalières (jaune), pour le jour suivant (vert) et pour la semaine à venir (rouge) issues de SteadyMet comparées aux données réelles estimées à l'aide d'informations satellitaires (bleu)

null

Performances des prévisions SteadyMet (MAE, MBE, RMSE) comparées aux données réelles estimées: moyenne (AVG) et écart-type (STD) des indicateurs journaliers sur un an.

null

Évolution annuelle de la MAE journalière pour les 3 horizons temporels considérés (J, J+1, J+7)

null

Avantages

Les données rétrospectives ont permis au client d'évaluer la performance des prévisions d’irradiance et de production solaire spécifiques au site. Sur la base de ces données, le client a pu :

1. Estimer les coûts de déséquilibre associés au projet, c'est-à-dire les pénalités moyennes payables à l'opérateur du système électrique mauricien, la Central Electricity Board (CEB).

2. Optimiser le dimensionnement des systèmes PV+BESS pour atténuer ces pénalités et permettre d’injecter le maximum d’électricité sur le réseau.

3. Comparer la précision des prévisions solaires fournies par plusieurs prestataires pour sélectionner le plus précis et livrer ses prévisions à la CEB, comme demandé par le Code de Réseau, lorsque la centrale sera opérationnelle.

null

Prochaines étapes

Dans les projets PV+stockage, le Système de Gestion de l'Énergie (EMS) joue un rôle crucial dans l'optimisation des coûts et la maximisation des revenus. Les données historiques de prévision permettent la programmation de stratégies de contrôle optimales, améliorant l'efficacité de la gestion de l'énergie et l'intégration au réseau (maximisation de l'injection PV, minimisation du “curtailment”, des pénalités et du vieillissement des batteries).

À terme, après la mise en service, notre client pourra utiliser notre API de prévision solaire pour optimiser la gestion de la centrale hybride et se conformer aux exigences du Code du Réseau du CEB. Des améliorations opérationnelles supplémentaires sont possibles grâce à : 1) l’affinage des prévisions infra journalières en utilisant le produit de nowcasting SteadySat, 2) des corrections statistiques en temps réel basées sur des mesures sur site, et 3) la mise en œuvre d'un modèle supplémentaire de prévision météorologique régional à très haute résolution pour améliorer la résolution des phénomènes de petite échelle sur l'île.