Prévision très court-terme de la ressource solaire
2.3 État de l’art de la prévision solaire
2.3.1 Les modèles de prévision
Plusieurs états de l’art et benchmarks ont été réalisés sur les méthodes de prévision solaire [11,17,22,23]. Les méthodes de prévision peuvent être classées en deux catégories : physique ou statistique.
L’approche physique, basée sur des modèles mathématiques, prédit l’irradiation solaire à par-tir des conditions météorologiques actuelles. La prévision solaire à parpar-tir de modèles physiques est principalement dérivée des modèles deNumerical Weather Prediction (NWP)et des observa-tions de la couverture nuageuse par satellite [19] ou par caméra hémisphérique [20]. Les modèles NWP à macro-échelle (Global Forecast System (GFS)) ou à méso-échelle (European Center for Me-dium range Weather Forecasts (ECMWF),Weather Research and Forecasting (WRF)) utilisent des
modèles atmosphériques comme le transfert radiatif, la dynamique des fluides, la thermodyna-mique pour prévoir les conditions météorologiques.
L’approche statistique utilise des données historiques pour entraîner les modèles et prévoir l’irradiation solaire. Plusieurs modèles statistiques existent :AutoRegressive (AR),AutoRegressive Moving Average (ARMA) [14],AutoRegressive Integrated Moving Average (ARIMA)[25], Artificial Neural Network (ANN)[31].
La performance des différents modèles dépend fortement de l’horizon de prévision et de la résolution spatiale souhaités (Fig. 2.5). Les modèles statistiques sont les plus adaptés pour une prévision nowcast (inférieure à 30 minutes) et pour un site donné. Perez [23] évalue la perfor-mance de deux modèles de prévision : un modèle numérique (National Digital Forecast Data-base (NDFD)) et un modèle par images satellitaires. Cette évaluation a été réalisée sur 7 locali-sations aux États-Unis sur une période d’un an. Il en conclut que la performance des deux mo-dèles se croise entre 5 et 6 heures. Le modèle par images satellitaires a pour un horizon de prévi-sion de 1h, un RMSE de 87.6 W.m−2contre 148.9 W.m−2pour le modèle numérique, soit une amé-lioration de 41%. Cette améamé-lioration diminue avec l’augmentation de l’horizon de prévision, jus-qu’à s’inverser entre 5 et 6 heures. Au-delà de cet horizon de prévision, le modèle NWP est plus pré-cis pour l’ensemble des sites étudiés. Pour un horizon de 6h, le modèle satellitaire est moins per-formant que le modèle numérique de 7%.
FIGURE2.5 – Application des modèles de prévision en fonction de la résolution spatiale et temporelle
Les stratégies d’optimisation pour la gestion du microgrid seront principalement basées sur une prévision très court-terme, c’est-à-dire de quelques heures. Le modèle de prévision le plus adapté à cette application est le modèle par images satellitaires. La partie suivante présente la méthode Heliosat qui est utilisée pour estimer l’irradiance atteignant la surface de la Terre à partir d’images satellitaires.
2.3.2 La méthode Héliosat
La prévision basée sur les images satellitaires est la plus performante pour un horizon de prévi-sion entre 30 minutes et quelques heures. Les modèles peuvent être statistiques ou physiques. Les modèles physiques utilisent les équations de transfert radiatif pour décrire la relation entre la me-sure satellitaire et la meme-sure au sol. Les modèles statistiques sont, pour la plupart, basés sur la mé-thode Heliosat [10].
Cette méthode utilise les données des satellites météorologiques et des mesures au sol pour entraîner le modèle et ensuite déterminer l’irradiance solaire atteignant le sol. Les images satel-litaires permettent de couvrir une grande surface du globe avec une bonne résolution spatiale et temporelle. La méthode Heliosat se décompose principalement en deux étapes. La première consiste à déterminer la réflectance de surface de la Terre pour l’ensemble des pixels de l’image sa-tellitaire. La seconde étape utilise la réflectance obtenue à l’étape 1 afin de déterminer le taux d’en-nuagement caractérisant la couverture nuageuse. Ce taux est ensuite corrélé à l’indice de ciel clair permettant ainsi d’estimer l’irradiance.
2.3.2.1 Images de référence
La première étape de la méthode Heliosat consiste à créer une image de référence de la ré-flectance du sol à partir d’une séquence temporelle d’images satellitaires. Cette image corres-pond à un ciel totalement clair sur l’ensemble de l’image. La méthode Heliosat utilise la diffé-rence de réflectance entre sol et les nuages afin de synthétiser l’image de réfédiffé-rence. En effet, la ré-flectance des nuages est généralement plus forte que celle du sol, sauf en cas de présence de neige. L’image de référence est donc créée en récupérant, pour chaque pixel, la brillance minimale d’un ensemble d’images satellitaires. Afin d’éliminer les variations journalières et saisonnières de ré-flectance du sol, une image de référence est fabriquée pour chaque horaire de chaque mois en ap-pliquant l’équation suivante :
ρxxhxxsol (x, y) = min(ρxxhxxj (x, y)) (2.15) où xxhxx est l’horaire de l’image, j ∈ {1,2,3,...,31} est le jour du mois et (x, y) les coordonnées des pixels.
Un mois est représenté par un ensemble ρmoi ssol de 96 images de référence :
ρmoi ssol ={ρ00h00sol ,ρ00h15sol ,...,ρ23h45sol } (2.16) Ces images de référence sont ensuite utilisées pour estimer à chaque pixel de l’image satelli-taire le taux d’ennuagement.
2.3.2.2 Taux d’ennuagement
La deuxième étape de la méthode Heliosat consiste à calculer, pour chaque pixel, le taux d’en-nuagementnen comparant la réflectance ρ de l’image actuelle avec celle du sol ρsol et celle des nuages ρnuag e.
n(x, y) = ρ(x, y) − ρsol(x, y)
ρnuag e(x, y) − ρsol(x, y) (2.17) Le taux d’ennuagement caractérise la couverture nuageuse : une valeur proche de 0 corres-pond à un ciel clair alors qu’une valeur de 1 symbolise un ciel totalement couvert. Ce taux est en-suite empiriquement corrélé avec l’indice de ciel clairkc à partir de mesures d’irradiance dans le plan horizontal, ou Global Horizontal Irradiance (GHI).
kc= GHI
GHIciel clair (2.18)
L’obtention de l’irradiance sous ciel clair GHIciel clair sera présentée dans la suite de ce chapitre. Plusieurs corrélations entre l’indice de ciel clair kc et le taux d’ennuagement n ont été établies dans les différentes versions de la méthode Heliosat :
— Cano [10] - méthode Heliosat-1
— Rigollier [27] - méthode Heliosat-2 n ≤ − 0.2 kc=1.2 −0.2 < n ≤ 0.8 kc=1 − n 0.8 < n ≤ 1.1 kc=2,0667 − 3,6667n + 1,6667n2 n > 1.1 kc=0.05 (2.20)
L’application de la méthode Heliosat nécessite des mesures sur sites et des images satellitaires. Les sources utilisées pour développer le modèle de prévision solaire sont décrites dans la partie suivante.