Guide complet des méthodes de prévision de Steadysun pour les énergies renouvelables : du nowcasting satellite à la combinaison de modèles météorologiques (NWP), en passant par la calibration IA et les approches probabilistes.
La prévision de production solaire consiste à anticiper la quantité d'électricité injectée par un système photovoltaïque sur un horizon de temps donné, allant de la minute suivante jusqu'à 15 jours à l'avance.
La prévision éolienne applique la même rigueur scientifique aux aérogénérateurs, en remplaçant la physique du rayonnement par la dynamique de la vitesse du vent et des turbulences.
Ces deux disciplines partagent un défi commun : la météo est incertaine, et cette incertitude a un coût financier. C'est pourquoi, chez Steadysun, nous avons fait le choix de réduire cette incertitude au strict minimum physique, puis de quantifier la marge d'erreur restante pour permettre aux opérateurs de prendre les meilleures décisions.
Depuis 2013, Steadysun perfectionne ses modèles de prévision de production solaire et éolienne. Aujourd'hui, nous combinons en temps réel les données de 5 satellites géostationnaires, de plus de 20 modèles de prévision numérique du temps (PNT/NWP) et les mesures terrain de vos installations. Une approche qui nous permet de générer des prévisions déterministes et probabilistes de 0 à 15 jours, actualisées jusqu'à toutes les 5 minutes, et accessibles partout dans le monde via API ou SFTP.
Trois grandes familles de méthodes sous-tendent cette combinaison. En pratique, les systèmes les plus performants les exploitent toutes simultanément..
Les modèles de Prévision Numérique du Temps (PNT / NWP) résolvent les équations de la dynamique atmosphérique sur un maillage en 3D. En partant des conditions météorologiques observées, ils simulent l’évolution de la météo dans le temps.
Des modèles comme l'IFS du CEPMM (ECMWF), le GFS de la NOAA, ARPEGE de Météo-France ou le modèle régional WRF (qui peut atteindre une résolution de 1 km) constituent le pilier de toute prévision fiable à la journée (day-ahead) et moyen terme.
Pour le solaire, les variables issues des modèles PNT (nébulosité, épaisseur optique des aérosols, humidité) alimentent des modèles de rayonnement (irradiance).
Pour l'éolien, les champs de vent des modèles PNT sont extrapolés à la hauteur du moyeu de la turbine en s'appuyant sur la physique de la couche limite ou sur des fonctions de transfert statistiques.
La limite : Les modèles PNT présentent des biais systématiques qui varient selon la localisation, la saison et le régime météorologique. Aucun modèle ne domine systématiquement : chacun peut être plus performant selon les situations.
J+1 à J+15 (day-ahead et moyen terme)
jusqu'à toutes les heures
10 à 50 km (mondiale)
5 à 10 km (régionale haute résolution)
1 à 5 km (régionale très haute résolution)
Jusqu'à 1 km (WRF);
Pour les minutes et les heures à venir, l'imagerie satellite en direct surpasse les modèles PNT (météo), qui ne peuvent tout simplement pas s'actualiser assez vite pour capturer le passage immédiat d'un nuage au-dessus d'une centrale.
Le principe: Suivre le mouvement des nuages à travers plusieurs canaux spectraux (visible, proche infrarouge, infrarouge thermique) entre deux images successives, puis extrapoler l'évolution de la couverture nuageuse et du rayonnement dans le temps.
La limite : Cette approche perd rapidement en précision au-delà de quelques heures. La simple extrapolation du mouvement ne permet pas d'anticiper la formation ou la dissipation de nouveaux nuages. C'est précisément là que les modèles PNT prennent le relais.
0 à 30 min (nowcasting) et 30 min à 3 h (intraday)
toutes les 5 à 15 minutes
500 m à 3 km
Les approches statistiques, de la simple méthode de persistance (qui suppose que l'heure suivante ressemblera à l'heure actuelle) aux modèles de séries temporelles ARIMA, fonctionnent très bien sur des horizons à très court terme, tant que l'atmosphère change peu.
Le Machine Learning (apprentissage automatique) va plus loin. Les réseaux de neurones, les algorithmes de gradient boosting et les méthodes d'ensemble sont capables de capter les relations non linéaires entre les variables des modèles PNT (météo) et la puissance réelle mesurée. Cela permet de corriger les biais systématiques qui échappent aux modèles physiques.
Ces algorithmes nécessitent des données d'entraînement (généralement au moins un an d'historique croisé de production et de météo sur site). Une fois entraînés, ils s'adaptent en continu au fil de l'arrivée des nouvelles données.
La limite : Les modèles purement basés sur les données (data-driven) peuvent être mis en difficulté lors d'événements météorologiques rares ou extrêmes, si ces derniers étaient mal représentés dans l'historique d'entraînement.
L’approche de Steadysun n’est ni exclusivement physique, ni exclusivement statistique. Elle repose sur un moteur hybride multi-modèles qui combine les atouts de ces deux approches.
Le principe : Faire tourner en parallèle plus de 20 modèles de prévision numérique du temps (PNT), puis utiliser l'IA pour sélectionner, pondérer et fusionner leurs résultats en une seule prévision, beaucoup plus fiable. L'IA attribue des poids dynamiques à chaque modèle météo en fonction de ses performances récentes sur une période glissante.
Sur le plan conceptuel, cette approche s'apparente à ce que les experts appellent une « méta-prévision » ou un post-traitement d'ensemble. C'est le même principe qui régit le système de prévision d'ensemble du CEPMM (ECMWF), mais appliqué directement à l’échelle de chaque installation et actualisé toutes les 5 minutes.
Cette méthode permet d'obtenir une prévision bien plus robuste que n'importe quel modèle météo pris individuellement. Les erreurs des différents modèles étant indépendantes les unes des autres, lorsqu'un modèle se trompe, les autres compensent..
Les chiffres clés en un coup d’œil
| Horizons de prévision | 0 à 30 min (nowcasting) et 30 min à 3 h (intraday) pour le solaire uniquement J+1 à J+15 (day-ahead et moyen terme) pour le solaire et l'éolien |
|---|---|
| Fréquence de mise à jour | Toutes les 5 à 15 min (via satellite) / jusqu'à chaque heure (via modèles PNT) |
| Modèles PNT agrégés | Plus de 20 modèles dont IFS, AIFS, GFS, CAMS, ICON, ICON-EU, ICON-D2, ICON-2I, ARPEGE, ARPEGE-EU, AROME, HRRR, HRDPS, GDPS, WRF, HARMONIE-NEA , etc. |
| Résolution spatiale des PNT | 10 à 50 km (mondiale) 5 à 10 km (régionale haute résolution) 1 à 5 km (régionale très haute résolution) Jusqu'à 1 km (modèle régional WRF) |
| Satellites géostationnaires | 5 systèmes dont GOES West, GOES East, Meteosat 0°, Meteosat IODC, ou encore Himawari. |
| Résolution spatiale des satellites | 500 m à 3 km |
| Cadence de mise à jour des satellites | Toutes les 5 à 15 minutes |
| Technologies couvertes | Photovoltaïque (fixe, tracker, bifacial), CSP (solaire thermodynamique), éolien onshore, éolien offshore |
| Approche probabiliste | 11 quantiles : P00, P10, P20 … P90, P100 |
Couvrir tous les horizons temporels exige de combiner plusieurs technologies. Pour répondre à ce défi, Steadysun a développé deux solutions, chacunes prenant le relais selon l'horizon visé : Steadysat pour le court terme et Steadymet pour le long terme.
t-10 min à 30 minutes
Prévision immédiate (Nowcasting)
(Steadysat)
30 minutes à 6 heures
Prévision infra-journalière (Intraday)
(Steadysat + Steadymet)
6 heures à J+15
Prévisions à la journée et à moyen terme (Day-ahead & Medium range)
(Steadymet)
Steadysat est la solution propriétaire de Steadysun développée pour appliquer l'approche satellite décrit plus haut.
À très court terme, la principale source d'incertitude réside dans le déplacement des nuages. Les modèles météo classiques (PNT) sont trop lents et leur maillage trop large pour anticiper le passage d'un front nuageux au-dessus d'une centrale solaire dans les 15 prochaines minutes. Steadysat résout ce problème en calculant des vecteurs de déplacement des nuages (CMV) issus de l'imagerie satellite géostationnaire.
En suivant le mouvement de la couverture nuageuse entre deux images satellites successives (actualisées toutes les 5 à 15 minutes avec une résolution spatiale de 500 m à 2 km), Steadysat extrapole la position des nuages pour les 30 prochaines minutes avec une grande précision géographique.
Pour cela, Steadysat est alimenté en continu par 5 satellites :
En complément, Steadysat intègre les mesures terrain en temps réel (capteurs de rayonnement, pyranomètres, compteurs d'énergie, données SCADA) afin de calibrer en continu ses résultats à l'échelle de chaque centrale.
Au-delà de 30 minutes, l'extrapolation des vecteurs de déplacement des nuages perd en efficacité, car les systèmes nuageux évoluent et se dissipent. Steadysat étend alors son horizon jusqu'à 6 heures en combinant cette extrapolation par satellite avec les données de Steadymet, notre modèle multi-modèles. Le système applique une pondération dynamique à chaque source en fonction de sa fiabilité mesurée à chaque pas de temps.
Cette approche combinée est actualisée toutes les 5 à 15 minutes. Elle est idéale pour optimiser la participation aux marchés infra-journaliers (intraday), piloter le stockage d'énergie et assurer l'équilibre des réseaux insulaires.
Pour les horizons supérieurs à 6 heures, Steadymet prend le relais. Ce modèle agrège les résultats de plus de 20 modèles PNT (météo) mondiaux et régionaux. Il utilise ensuite le Machine Learning pour éliminer les biais systématiques de chaque modèle individuel, selon le principe de notre approche hybride multi-modèles présenté plus haut. Ce traitement est exécuté en continu pour chaque centrale.
Les modèles PNT mondiaux, comme GFS ou le modèle du CEPMM (ECMWF), fonctionnent avec une résolution horizontale de 10 à 25 km. Pour les sites fortement influencés par la topographie locale, les effets côtiers ou les microclimats insulaires, Steadysun peut déployer le modèle régional WRF (Weather Research and Forecasting) à une résolution de 1 km, configuré et optimisé par notre équipe de météorologues.
Steadymet fournit des prévisions jusqu'à 15 jours à l'avance, avec une fréquence d'actualisation pouvant aller jusqu'à toutes les heures..
Avant de pouvoir adapter les prévisions à votre site, nous vous demandons de fournir les caractéristiques techniques nécessaires pour concevoir un jumeau numérique ultra-précis de votre installation.
Une fois votre site configuré, le système peut commencer à produire des prévisions.
Chaque cycle de prévision commence par la collecte des données issues de plusieurs sources indépendantes :
Observations satellites (Steadysat)
Sorties des modèles PNT (Steadymet)
Mesures au sol
Une fois votre site configuré, et si vous disposez d'un historique de production (généralement au moins plusieurs mois de données SCADA ou de comptage), Steadymet et Steadysat sont entraînés à corréler la météo observée et la puissance réelle mesurée. Le système apprend ainsi le comportement spécifique de la centrale et corrige les biais systématiques (pertes par salissure, écrêtage des onduleurs, effets de sillage, climatologie locale des aérosols).
Pour les nouvelles installations ne disposant d'aucun historique de production, le service Hindcast de Steadysun apporte une solution. Le hindcast rejoue les modèles actuels de Steadymet et Steadysat sur l'historique météo de votre site, simulant ainsi ce que le système de prévision aurait prédit à l'époque. Cela permet d'établir une base de référence rigoureuse de vos performances (incluant les indicateurs MAE, RMSE et les distributions complètes par quantiles) avant le démarrage de l'exploitation en direct. Ce service est particulièrement utile pour valider des modèles financiers, négocier des contrats PPA ou dimensionner des systèmes de stockage par batterie (BESS).
Une fois la centrale en production, Steadymet et Steadysat intègrent en continu les mesures terrain en temps réel afin d'actualiser leurs couches de correction spécifiques au site. Si la prévision s'avère trop haute de 5 % ce matin, le système s'ajuste automatiquement. Les algorithmes de machine learning détectent les biais émergents (comme une sous-estimation systématique du rayonnement matinal due à des brumes côtières) et les corrigent de manière dynamique.
Cette boucle d'apprentissage continu permet d'accroître la précision des prévisions au fil des premières semaines et mois d'exploitation, à mesure que les modèles accumulent de l'expérience sur votre site.
Les prévisions météorologiques brutes sont converties en puissance active (AC) ou continue (DC) grâce au modèle physique de la centrale, qui intègre des corrections topographiques haute résolution allant jusqu'à 90 mètres de précision.
Les prévisions sont ensuite livrées par API, SFTP, CSV, NetCDF ou via le tableau de bord, accompagnées de leurs indices d'incertitude, avec un pas de temps pouvant descendre jusqu'à 1 minute.
La qualité des prévisions est suivie en continu grâce à trois indicateurs standards :
Testez nos prévisions ! Intégrez facilement nos données à vos propres outils et mesurez directement l'impact sur vos performances. Optimisez deux centrales avec toutes les fonctionnalités Expert+, sans engagement !
La météo est par nature incertaine. Plutôt que de s'appuyer sur une prévision unique, Steadysun intègre cette incertitude grâce à des prévisions probabilistes qui couvrent l'ensemble des scénarios possibles.
Chaque point de prévision comprend 11 quantiles (P00, P10, P20, P30, P40, P50, P60, P70, P80, P90, P100), vous offrant une vision plus claire de la tendance à venir et du niveau d'incertitude associé.
En pratique, voici comment les interpréter :
Concrètement, l'intervalle P10–P90 fournit une bande de confiance robuste à 80 %. Les bornes P00 et P100 représentent les pires et meilleurs scénarios envisageables, ce qui s'avère particulièrement utile pour tester la résistance de vos stratégies de stockage (BESS) ou pour évaluer votre exposition maximale aux écarts de production.
Ces quantiles sont générés en combinant trois sources complémentaires :
Elles propagent l'incertitude météo en analysant la dispersion des résultats à travers plus de 20 modèles numériques de prévision du temps (NWP).
Il analyse la répartition historique des erreurs de prévision pour chaque site et chaque horizon temporel afin de corriger les modèles.
Elle s'appuie sur les variations de la couverture nuageuse observées à l'échelle de la maille satellite pour ajuster l'incertitude à court terme.
Si les quantiles fournissent une plage de valeurs possibles heure par heure, ils ne permettent pas de visualiser l'évolution de ces résultats au fil du temps. La génération de scénarios crée des simulations sous forme de chroniques temporelles complètes et réalistes. Ces trajectoires, totalement cohérentes d'un bout à l'autre, couvrent l'intégralité de l'horizon de prévision. Ainsi, vous n'observez plus seulement des cas extrêmes isolés, mais la manière dont la situation évolue heure par heure.
En 2024, un développeur planifiant une centrale hybride PV+BESS (solaire avec stockage par batterie) dans le nord de l'île Maurice a utilisé le service hindcast de Steadysun (probabilistic hindcast) pour dimensionner sa batterie et estimer ses pénalités d'écart avant la mise en service.
Cette étude a permis d'obtenir une amélioration de 15 à 31 % par rapport aux prévisions de persistance sur différents horizons temporels, ainsi qu'une conformité totale avec le Grid Code local.
Ignorer l'incertitude ne la fait pas disparaître. Cela signifie simplement que quelqu'un d'autre en assume le coût (généralement le gestionnaire de réseau).
Le tableau ci-dessous liste l'intégralité des paramètres météorologiques et de production disponibles.
| Paramètre | Abréviation | Description | Unité |
|---|---|---|---|
| Puissance active (AC) | pac | Puissance solaire AC en sortie d'onduleur | W |
| Puissance continue (DC) | pdc | Puissance solaire DC en sortie de champ de panneaux | W |
| Rayonnement global horizontal | ghi | Rayonnement solaire total reçu sur une surface horizontale | W·m⁻² |
| Rayonnement direct normal | dni | Rayonnement du faisceau direct reçu sur une surface perpendiculaire aux rayons du soleil | W·m⁻² |
| Rayonnement diffus horizontal | dhi | Rayonnement diffus reçu sur une surface horizontale | W·m⁻² |
| Rayonnement global incliné | gti | Rayonnement total reçu sur la surface inclinée des panneaux | W·m⁻² |
| Rayonnement direct normal (faisceau) | bni | Composante du rayonnement direct en incidence normale | W·m⁻² |
| Rayonnement direct horizontal | bhi | Rayonnement direct reçu sur une surface horizontale | W·m⁻² |
| Rayonnement photosynthétiquement actif | par | Rayonnement solaire dans la bande spectrale 400–700 nm | W·m⁻² |
| Paramètre | Abréviation | Description | Unité |
|---|---|---|---|
| Nébulosité haute / Couverture nuageuse haute | hcc | Fraction du ciel couverte par les nuages de haute altitude | [0–1] |
| Nébulosité moyenne / Couverture nuageuse moyenne | mcc | Fraction du ciel couverte par les nuages d'altitude moyenne | [0–1] |
| Nébulosité basse / Couverture nuageuse basse | lcc | Fraction du ciel couverte par les nuages de basse altitude | [0–1] |
| Nébulosité totale / Couverture nuageuse totale | tcc | Fraction totale du ciel couverte par les nuages | [0–1] |
| Taux de précipitations | mtpr | Taux de précipitations d'eau liquide | mm·h⁻¹ |
| Humidité relative | rh2m | Humidité relative à 2 mètres au-dessus du sol | % |
| Humidité spécifique | q | Masse de vapeur d'eau par unité de masse d'air humide | g·kg⁻¹ |
| Contenu total en vapeur d'eau | tcwv | Colonne intégrée de vapeur d'eau atmosphérique | kg·m⁻² |
| Paramètre | Abréviation | Description | Unité |
|---|---|---|---|
| Température ambiante | t2m | Température de l'air à 2 mètres au-dessus du sol | °C |
| Température du point de rosée | td | Température du point de rosée à 2 mètres au-dessus du sol | °C |
| Température de cellule PV | t_cell | Température estimée de la cellule du module photovoltaïque | °C |
| Paramètre | Abréviation | Description | Unité |
|---|---|---|---|
| Vitesse du vent à 10 m | 10m_wind_speed | Vitesse moyenne du vent à 10 mètres au-dessus du sol | m·s⁻¹ |
| Direction du vent à 10 m | 10m_wind_direction | Direction du vent à 10 mètres (0° = Nord) | ° |
| Rafale de vent à 10 m | 10m_gust | Vitesse maximale des rafales de vent à 10 mètres | m·s⁻¹ |
| Vitesse du vent à hauteur de moyeu | hhws | Vitesse du vent à la hauteur du moyeu de l'éolienne (25 à 100 m) | m·s⁻¹ |
| Pression moyenne au niveau de la mer | mlsp | Pression atmosphérique ramenée au niveau de la mer | hPa |
| Pression en surface | msp | Pression atmosphérique au niveau du sol | hPa |
Si vos besoins opérationnels nécessitent des variables supplémentaires, notre équipe peut les intégrer à vos prévisions sur mesure.
Nous proposons plusieurs modes d’intégration adaptés à vos systèmes :
Notre solution est compatible avec toutes les technologies et couvre :
Les cas d'usage couvrent l'intégralité du cycle de vie des projets :
| Phase | Cas d'usage |
|---|---|
| Recherche et innovation | Analyse comparative (benchmarking) des méthodes de prévision, collaborations académiques, accès aux historiques de données. |
| Développement | Établissement de lignes de référence de performance via Hindcast, validation des contrats PPA, dimensionnement des systèmes de stockage (BESS). |
| Construction | Configuration des modèles avant mise en service, étalonnage des données satellites. |
| Exploitation | Pilotage en temps réel, conformité avec le Grid Code, planification de la maintenance (O&M). |
| Trading | Offres sur le marché de la veille (day-ahead), optimisation infrajournalière (intraday), réduction des coûts d'écart. |
| Gestion des réseaux électriques | Planification des réserves, gestion des bridages (curtailment), réglage de la fréquence. |
| Autoconsommation | Optimisation de l'adéquation charge-production, planification de la charge/décharge des batteries, minimisation des surplus injectés. |
On vous répond
La méthodologie de base reste identique : modèles de prévision numérique du temps (NWP) + moteur d'intelligence artificielle multi-modèles + résultats probabilistes. Seule la physique change.
Les prévisions de production solaire dépendent principalement du rayonnement et de la couverture nuageuse. De leur côté, les prévisions éoliennes sont dictées par la vitesse et la direction du vent à hauteur de moyeu, la stabilité atmosphérique et les turbulences. L'éolien est également beaucoup plus sensible aux effets du relief local : une crête ou une vallée peut accélérer ou dévier le vent d'une manière qu'un modèle NWP mondial (avec une résolution de 10 à 25 km) ne peut pas pleinement intégrer. C'est pourquoi le calibrage spécifique au site est particulièrement crucial pour l'éolien. Enfin, le solaire bénéficie d'un outil infrajournalier supplémentaire (Steadysat, basé sur les satellites géostationnaires) qui n'a pas d'équivalent direct pour l'éolien.
Steadysat est la solution de Steadysun dédiée au nowcasting (prévision immédiate) et aux prévisions infrajournalières par satellite. Elle traite les images en direct de 5 satellites géostationnaires pour suivre le déplacement des nuages et prévoir le rayonnement solaire jusqu'à 6 heures à l'avance, avec une mise à jour toutes les 5 à 15 minutes.
Steadymet est la solution basée sur les modèles de prévision numérique du temps (NWP) pour les prévisions à la veille (day-ahead) et à moyen terme (jusqu'à 15 jours). Elle agrège plus de 20 modèles météo et y applique une correction des biais par intelligence artificielle.
Ces deux produits sont complémentaires et couvrent ensemble l'intégralité de l'horizon de prévision, de 0 à 15 jours.
La précision d'une prévision se mesure à l'aide des indicateurs MAE, MBE et RMSE, et elle dépend principalement de trois facteurs ::
Les prévisions à court terme (infrajournalières, jusqu'à 3 heures) sont généralement plus précises que les prévisions à la veille ou à moyen terme.
À titre d'exemple : en basculant sur nos prévisions solaires, en un déploiement, l'un de nos clients a divisé par deux ses pénalités liées au Grid Code et réduit de 75 % ses pertes dues au curtailment. — Ces résultats sont toutefois spécifiques à ce site et ne constituent pas une garantie pour d'autres projets..
AbsolumentLa couverture satellite mondiale de Steadysat ainsi que l’approche multi-modèles de Steadymet s'appliquent partout dans le monde. Steadysun possède une expertise reconnue dans la gestion des réseaux insulaires et isolés, notamment à Tahiti, l'île Maurice, et en Nouvelle-Calédonie. Dans ces zones, le défi de la prévision est décuplé par la faible inertie du réseau et un fort taux d’intégration des énergies renouvelables.
Le modèle régional WRF, configuré avec une résolution haute définition de 1 km, se montre particulièrement performant dans ces environnements complexes.
Chaque prévision Steadysun intègre 11 quantiles probabilistes (de P00 à P100). Ceux-ci sont calculés à partir de la dispersion des différents scénarios des modèles d'ensemble (NWP) et de la répartition historique des erreurs propres à chaque site.
Ces quantiles permettent aux utilisateurs de définir des stratégies d'offres sur les marchés adaptées à leur niveau de risque, de dimensionner leurs systèmes de stockage selon différents indices de confiance, et de respecter les Grid Code qui exigent des programmes de production intégrant l'incertitude.
Contactez-nous, nous serons ravis de vous répondre !
English (UK) English (UK)
Français
EspañolRecevez chaque trimestre des analyses approfondies sur le secteur de l’énergie et nos derniers produits.
