Sciences Pour l’Environnement

Nos tutelles

CNRS

Rechercher




Accueil > Projets de recherche > Energies Renouvelables > Activités

Objectif 5 : Développement d’outils prédictifs ressources pour implémentation

par campana - publié le

L’objectif 5 – Cette partie relève de l’identification d’outils prédictifs performants de la ressource pour une implémentation de ces modèles pour accéder à une gestion la plus optimisée. Nos travaux se sont orientés dans un premier temps sur la caractérisation de la ressource solaire avec une faible granulométrie temporelle puis sur l’évaluation et la performance d’outils prédictifs solaire et éolien (le vent étant un paramètre utile impactant aussi la performance d’un système PV).

Caractérisation des ressources solaires à pas de temps fin

Les données de rayonnement solaire sont peu disponibles dans le monde car leur mesure est onéreuse et nécessite une maintenance contraignante. Quand elles le sont, c’est souvent sous forme de valeurs moyennes donc peu utiles pour les applications que nous voulons en faire. Nous avons récemment cherché à les estimer au pas de temps de 5 min à partir d’autres grandeurs météorologiques ; les mesures de rayonnement solaires étant réalisées le plus souvent à l’horizontal, et les capteurs solaires étant inclinés, nous travaillons depuis plusieurs années sur leur « inclinaison ».
1) l’inclinaison des données horaires de rayonnement global horizontal a été réalisée tout d’abord par association de modèles « conventionnels » de rayonnement diffus et de modèles de rayonnement inclinés. L’anisotropie des phénomènes qui entrent en jeu dans les échanges ciel-sol ne permet pas d’atteindre un niveau de confiance suffisant pour ces modèles surtout à des pas de temps fin de l’ordre de 5 à 10-min. L’intégration d’enseignant-chercheurs relevant de la section 27 dans le projet EnR a permis de développer de nouveaux modèles basés sur des Réseaux de Neurones Artificiels (RNA) déjà utilisés dans d’autres domaines des EnR mais jamais pour cette application. Une collaboration avec l’Université Technique de Sofia a permis de valider ces modèles au pas de temps de l’heure avec une Erreur quadratique moyenne (EQM) de 6% et de 10-min avec une EQM de 9% après une optimisation de la structure du RNA et des paramètres d’entrée. Dans le cadre d’une codirection de thèse avec l’USTHB d’Alger, une telle étude a été réitérée à un pas de temps encore plus fin de 5-min avec une EQM de 8% après une optimisation de plusieurs paramètres. Actuellement, d’autres travaux sont en cours sur ce même thème à travers l’utilisation de modèles conventionnels et physiques en collaboration avec l’USTHB. Le développement de ces modèles de rayonnement a permis également de juger de l’intérêt de systèmes de suivi du soleil (tracker) pour des applications photovoltaïques plans en calculant le rayonnement solaire reçu pour différents types de suivi ; l’utilisation de trackers ne se justifie dans le cas d’applications bien spécifiques, tout en gardant à l’esprit le coût d’investissement et de sa maintenance.
2) la difficulté de disposer de données de rayonnement solaire à pas de temps fin expliquée précédemment nous a poussés à rechercher de possibles relations entre les données de rayonnement solaire (temps horaire et 10-min) et d’autres grandeurs météorologiques plus aisément mesurables et moins couteuses. Nous avons fait appel aux RNA avec en entrée la possibilité d’introduire 7 grandeurs météo mesurées et 3 paramètres calculés. 1023 combinaisons de paramètres ont ainsi été testées pour chaque pas de temps. Une méthode de sélection de variables basée sur le coefficient de Pearson a été préalablement utilisée entre données d’entrées et données d’entrées-sorties. Pour l’estimation au pas horaire, le meilleur modèle a conduit à une EQM de 13,33% contre 19,35% au pas de temps de 10-min, performances tout à fait correctes pour de tels pas de temps.

La prédiction de la ressource solaire et éolienne

Cette thématique primordiale a débuté avec deux thèses réalisées au sein du projet EnR, une relevant de l’« Analyse et modélisation multi-fractales de vitesses de vent. Application à la prédiction de la ressource éolienne » (2010) et une autre relevant de la « Prédiction de séries temporelles de rayonnement solaire global et de production d’énergie photovoltaïque à partir de réseaux de neurones artificiels » (2011). Elle s’est renforcée ces 5 dernières années, avec la réalisation de 2 thèses et fait l’objet de travaux que nous réalisons actuellement dans le cadre d’un projet Horizon 2020 Tilos.

Analyse des vitesses de vent (loi d’échelle, turbulence, prévision)
Concernant la prédiction des vitesses de vent, notre approche consiste à proposer une alternative fondée sur des modèles inspirés de l’étude de la turbulence pleinement développée. Ces modèles que l’on qualifie de « cascades aléatoires » sont justifiés par l’observation de lois d’échelles de type « multi-scaling » sur des données de vent hautes fréquences. Ce paradigme de la cascade permet de reproduire le comportement statistique à toute échelle des vitesses de vent. On a montré comment un tel modèle avec innovation multifractale permet d’avoir des prévisions meilleures que les RNA basiques, puis nous avons exploité ce modèle pour calculer la distribution des vents de surface théorique avec de meilleures performances que pour la « traditionnelle » distribution de Weibull.

Analyse du rayonnement global au sol (corrélation, horizon, granularité temporelle et prévision)
De nombreuses études ont été menées au sein du laboratoire pour comprendre et prévoir la ressource solaire. Deux grands axes ont motivé ces dernières :
-  obtenir un outil efficace destiné au gestionnaire de réseau afin de garantir l’utilisation de sources renouvelables d’énergie au sein du mix énergétique,
-  obtenir un outil d’aide à la décision permettant de décider du lieu d’implantation d’une éventuelle centrale photovoltaïque.

L’intelligence artificielle est une notion qui englobe de nombreux outils, celui qui fut historiquement le plus utilisé est sans conteste le réseau de neurone artificiel. C’est ce dernier que nous avons commencé à utiliser pour prédire le rayonnement solaire global en le couplant avec la théorie des séries temporelles. Les résultats furent probants, nous avons ainsi pu montrer l’intérêt de cette technique en la comparant à des outils classiques de modélisation, basés sur la régression linéaire et la moyenne mobile (processus SARIMA). Nous avons rapidement constaté que pour utiliser au mieux les RNA, un prétraitement lié à une étude approfondie de la stationnarité des séries était nécessaire. Dans un papier de synthèse mêlant stationnarité, granularité temporelle et horizons de prédiction, nous avons pu poser les bases de notre méthodologie et exposer nos conclusions en termes de prévision de la ressource solaire :

Tableau 1 : benchmark modèles

Nous avons ensuite voulu savoir si le fait d’hybrider les différentes méthodes et d’utiliser ainsi des ensembles de prédicteurs pouvait améliorer les résultats. Ce long travail a permis la rédaction de plusieurs articles scientifiques, outre le fait d’utiliser des méthodes issues de l’intelligence artificielle, nous nous sommes attelés à tester les inférences Bayesiennes ou encore les sorties de Numerical Weather Prediction. La plupart des travaux énoncés ci-dessus ne traitaient que des prévisions pour un horizon de prédiction t+1, autrement dit 1 minute, 1 heure ou 1 jour à l’avance. Une construction assez sophistiquée nous a permis de valider l’utilisation des RNA dans un contexte de prévision h+24 autrement dit prévoir, par pas de temps horaire, le rayonnement sur 24 heures. Ce type de prévision a aussi pu être intégré dans la modélisation de l’instrument MYRTE afin de prévoir la puissance disponible de la centrale 24 heures à l’avance, pour pouvoir notamment répondre au cahier des charges de la CRE. Pour être totalement pertinente et pour pouvoir rivaliser avec des modèles analytiques de prévisions basés sur les équations de l’atmosphère, notre approche devait être validée sur un territoire entier et non pas sur le lieu d’implantation d’un détecteur (source de la série temporelle d’irradiation). En utilisant la base de données Helioclim3 qui estime le gisement solaire à partir des données satellites Heliosat2, nous avons validé et amélioré nos résultats sur l’échelle de la Corse. Dans une étude conjointement menée avec l’université de la Réunion et de la Guadeloupe, nous avons voulu tester d’autres modes de prévisions faisant intervenir des méthodes (dites de « machine learning ») plus élaborées que les réseaux neuronaux. C’est ainsi que nous avons proposé un benchmark mêlant : réseaux de neurones, ARMA, SVM, SVR, persistance « scalée » et processus Gaussien. Le résultat fut surprenant, en effet, toutes les méthodes semblaient être équivalentes. Ce phénomène ne permet pas de favoriser telle ou telle méthode de prédiction. Fort de ce constat, nous avons voulu améliorer séparément chaque méthodologie en greffant de nouveaux outils mathématiques comme :
-  le pruning
-  les fonctions de transfert hétérogènes
-  une recherche de similarité dans les données, basée sur l’information mutuelle (outil de la théorie de l’information)
-  le clustering des données pour dégager les tendances « ciel clair », « intermédiaire » ou « nuageux » et ainsi améliorer les prédictions

Une fois toutes ces améliorations établies et validées, nous avons voulu utiliser des outils issus de l’économétrie pour mieux interpréter et appréhender les caractéristiques intrinsèques de chaque série temporelle. C’est naturellement que nous avons exploité l’impact du log-return, de la volatilité et du théorème de Cartier-Perrin sur nos données. Ces deux dernières études furent le fruit d’une collaboration entre l’université de Corse, Polytechnique et l’université de Nancy.
Aussi, toujours circonscrit à une recherche scientifique relevant de la prédiction, nous participons à un projet Horizon2020 intitulé Tilos (Technology Innovation for the Local scale, Optimum integration of battery energy Storage). Ce projet dirigé par une équipe grecque du Laboratoire en application d’énergies douces et protection environnementale du TEI Pyrée est un projet multinational Européen de recherche appliquée regroupant 15 partenaires industriels et institutionnels de 7 états européens (Allemagne, Grèce, Royaume Uni, Suède, Italie, Espagne, France).
Un nouveau prototype, de système hybride de production et de stockage d’électricité, comprenant une éolienne (800 kW), une centrale PV (160 kWc) et une batterie de nouvelle technologie (NaNiCl2) pour le stockage de l’énergie (2 MWh, 800 kW) sera développé et construit. Un micro-réseau intelligent, coordonnant le fonctionnement du système, sera également développé avec pour objectif d’atteindre le plus haut niveau d’autonomie électrique et un équilibre optimal entre la production d’électricité par des sources renouvelables d’énergies intermittentes (éolienne et photovoltaïque) et la demande d’électricité.
Nous intervenons à plusieurs niveaux dont deux entre dans le cadre de la thématique de la prédiction de la ressource solaire (1 et 2) :
1) Système de contrôle et d’acquisition de données : Mise en place d’un système d’acquisition des données météorologiques et d’une procédure de contrôle continu de la qualité de ces données ;
2) Développement de modèles de prédiction de la production photovoltaïque et validation de ces modèles à partir des données de production réelle disponibles sur le site de production ;
3) Développement et validation d’algorithmes de contrôle du système de gestion optimale de l’énergie afin d’optimiser l’autonomie énergétique, de maximiser l’utilisation des ressources renouvelables intermittentes tout en améliorant la sécurité d’approvisionnement en électricité.
4) Etude de cas de micro-réseaux : recherche de données énergétiques insulaires et comparaison des situations des différentes îles participant au projet.

La prédiction de la production du système PV est réalisée par mise en œuvre de RNA couplés avec des méthodes de prétraitements. Au préalable une étude bibliographique sur l’intérêt économique de la prédiction des ressources fatales pour des applications énergétiques a été réalisée et soumise pour publication.
Dans le cadre de ce projet Tilos, une thèse a débuté en Septembre 2015, sur « l’Utilisation de techniques d’apprentissage automatique et statistique pour la prédiction de rayonnement solaire ». Nous proposons de dresser une analyse comparative (« benchmark ») entre différents modèles de prédiction de la littérature (tels que arbre de régression, random forest, …) sur des jeux de données identiques de différents sites et selon plusieurs horizons susceptibles d’intéresser un gestionnaire de réseau : long terme (un à plusieurs jours), moyen terme (quelques heures), court et très court terme (quelques minutes).

Figure 5 : Précision de la prévision solaire en fonction de l’outil prédictif