ÉTAT DE L'ART DE LA PREVISION DES RAYONNEMENTS

SOLAIRES

Introduction :
Une utilisation efficace des sources d'énergie fluctuantes nécessite des prévisions fiables pour les
stratégies de gestion et d'exploitation. En raison de la forte augmentation de la production d'énergie
solaire, la prévision des rendements solaires devient de plus en plus importante. En conséquence, au
cours des dernières années divers instituts de recherche et entreprises ont mis au point différentes
méthodes comme base pour les prévisions de puissance respectives. Pour l'utilisateur de ces
prévisions, il est important qu’une méthodologie standardisée soit utilisée pour présenter les
résultats sur la précision d'un modèle afin de se faire une idée claire des avantages d'une approche
spécifique.

Les modèles de prévision pour l'GHI sont divisés en deux groupes principaux. Le premier groupe est
basé sur l'analyse des séries chronologiques historiques de l'irradiation globale. Le second groupe
utilise les valeurs prévues à partir d'un modèle de prévision numérique du temps (NWP) et de
l'imagerie des nuages. Les méthodes hybrides peuvent améliorer certains aspects de toutes ces
méthodes. Les modèles du premier groupe utilisent l'approche statistique pour prévoir l'irradiation
solaire horaire moyenne. Les modèles du second groupe utilisent des variables explicatives
(principalement le mouvement et la direction des nuages horaires moyens dérivés de l'atmosphère)
pour prévoir l'irradiation globale N- pas en avant. Les modèles du second groupe fournissent de bons
résultats pour l'estimation de l'irradiation solaire à plus d'un jour d'avance. Cependant, pour l'horizon
à court terme (allant de 1h à 5h de prévisions), l'influence du mouvement des nuages devient plus
importante, de sorte que l'utilisation des modèles du premier groupe devient essentielle.

Illustration de la zone d’application de chaque modèle de prévision

 I- Les modèles physiques :
Actuellement, la prévision physique est principalement effectuée à l'aide de la prévision numérique
du temps (NWP) et des observations des nuages par satellite ou par Total Sky Imager (TSI). La PNT
fournit des informations jusqu'à plusieurs jours à l'avance, mais il existe des biais importants et des
erreurs aléatoires dans les estimations de l'irradiance. La résolution spatiale de la NWP est grossière,
avec un pixel de 100 km2 pour les plus précises. La plupart des nuages restent non résolus en NWP.
L'advection des nuages gelés basée sur les images des satellites GOES peut fournir des prévisions
précises jusqu'à 6 h à l’avance à une résolution de 1 km2.

1- Les modèles NWP (Numerical Weather Prediction)

Les modèles de prévision numérique du temps (NWP) sont utilisés de manière opérationnelle pour
prévoir l'état de l'atmosphère jusqu'à 15 jours à l'avance. L'évolution temporelle de l'état de
l'atmosphère est modélisée par les équations différentielles de base qui décrivent les lois physiques
régissant le temps.

En partant des conditions initiales qui sont dérivées des observations mondiales, dans un premier
temps, l'état futur de l'atmosphère est calculé avec un modèle global de NWP. Les modèles globaux
de NWP sont actuellement en service dans une quinzaine de services météorologiques. On peut citer
par exemple le système de prévision mondiale (GFS) géré par l'Administration nationale américaine
des océans et de l'atmosphère (NOAA) et le Centre européen pour les prévisions météorologiques à
moyen terme (ECMWF). Les modèles globaux ont généralement une résolution grossière et ne
permettent pas une cartographie détaillée des caractéristiques à petite échelle, bien que la
résolution ait augmenté rapidement au cours des dernières années et qu'elle soit aujourd'hui, selon
le modèle, de l'ordre de 16 à 50 km. Dans l'étape suivante, différents concepts peuvent être
appliqués pour tenir compte des effets locaux et pour obtenir de meilleures prévisions spécifiques
aux sites. Une possibilité est la réduction d'échelle par des modèles à méso-échelle, également
appelés modèles régionaux. Les modèles à méso-échelle ne couvrent qu'une partie de la Terre mais
peuvent être exploités avec une résolution spatiale plus élevée. Ils sont régulièrement exploités par
les services météorologiques nationaux et les sociétés météorologiques privées. De plus, des
méthodes de post-traitement peuvent être appliquées pour modéliser les effets locaux. Elles
permettent de corriger les écarts systématiques en fonction de différents paramètres
météorologiques et de modéliser l'irradiance si celle-ci n'est pas fournie comme paramètre de sortie
d'un modèle de prévision météorologique nationale.

Illustration 3D d’après le modèle NWP

 2- L'imagerie des nuages

Pour les prévisions basées sur la physique, la couverture nuageuse et la profondeur optique des
nuages sont les paramètres les plus importants qui influent sur l'irradiation solaire. Grâce au
traitement d'images satellitaires ou terrestres, les nuages peuvent être détectés et caractérisés pour
prévoir avec précision l'indice GHI jusqu'à 6 heures à l'avance. Hammer et al ont démontré avoir
obtenu 17% de rRMSE sur l'imagerie satellite pour des prévisions d'indice de nuages sur 30 minutes
et 30% de rRMSE à des horizons de prévision de 2 h. Pour les prévisions intra-journalières, une
réduction de 7 à 10 % de l'ESMR par rapport aux prévisions de persistance a été constatée.

Chow et al ont présenté une technique de prévision de l'ombre des nuages à l'heure et au kilomètre
près à l'aide d'un imageur du ciel au sol pour certains jours à l'université de San Diego. Cette
technique permet d'obtenir la couverture du ciel, le mouvement des nuages, les ombres des nuages,
l'irradiance et de prévoir l'emplacement des nuages.

Des images de satellites géostationnaires, comme celles obtenues par le satellite METEOSAT, ont été
utilisées pour déterminer et prévoir les conditions locales de rayonnement solaire. La base de cette
méthode repose sur la détermination des structures des nuages au cours des étapes temporelles
enregistrées précédemment. L'extrapolation de leur mouvement conduit à une prévision de la
position des nuages et, par conséquent, de la situation locale du rayonnement. Cette méthode a
l'avantage de produire une analyse spatiale d'une zone avec certaines capacités de résolution.
L'amélioration par rapport à la méthode de la persistance est faible, selon les auteurs.

Seuls des horizons de prévision déterministes courts sont possibles en utilisant une seule STI sur un
site en raison des nuages bas et de la grande variabilité des nuages à l'échelle spatiale fine étudiée.
La capture déterministe de ces caractéristiques est presque impossible avec les satellites ou les
approches de NWP de Chow et al.

Images d’après un TSI

 Images d’après un satellite

II- Les modèles statistiques

Plusieurs études de prévision de l'irradiance solaire à différentes échelles de temps sont apparues
récemment, basées sur des modèles de séries chronologiques, des réseaux neuronaux artificiels
(ANN), la logique floue (FL) et des systèmes hybrides tels que ANFIS, l'ondelette ANN et les
algorithmes génétiques ANN

1- Modèle ARMA

Le modèle ARMA est basé sur deux modèles élémentaires : le modèle à moyenne mobile (MA) et le
modèle autorégressif (AR) comme :
Dans l'équation, S(t) est l'irradiance solaire prévue au temps t. Dans le modèle AR, p est l'ordre du
processus AR, et αi est le ième coefficient AR. Dans le modèle MA, q est l'ordre du terme d'erreur
MA, βj est le jème coefficient MA et e(t) est le bruit blanc qui sont des variables aléatoires non
corrélées avec une moyenne nulle et une variance constante.

Le modèle ARMA (Autoregressive Moving Average) est généralement appliqué aux données de séries
chronologiques auto-corrélées. Ce modèle est un excellent outil pour comprendre et prédire la
valeur future d'une série temporelle donnée. Le modèle ARMA est basé sur deux parties : la partie
autorégressive (AR) et la partie moyenne mobile (MA). De plus, ce modèle est généralement appelé
ARMA (p, q). Dans ce cas, p et q sont respectivement de l'ordre de la partie AR et de la partie MA. La
popularité du modèle ARMA est sa capacité à extraire des propriétés statistiques utiles et l'adoption
de la méthodologie bien connue de Box-Jenkins. Les modèles ARMA sont très flexibles car ils peuvent
représenter plusieurs types de séries chronologiques en utilisant un ordre différent. Il a été prouvé
qu'il est compétent pour la prédiction lorsqu'il existe une structure de corrélation linéaire sous-
jacente dans la série temporelle. L'une des principales exigences du modèle ARMA est que la série
temporelle doit être stationnaire.

2- Artificial Neural Network (ANN)

Comme alternative aux approches conventionnelles, les réseaux neuronaux artificiels (ANN) ont été
appliqués avec succès pour l'estimation du rayonnement solaire. Les réseaux neuronaux artificiels
(ANN) reconnaissent des modèles dans les données et ont été appliqués avec succès à la prévision
solaire. En utilisant des données d'entraînement, les RNA ont été développés pour réduire l'EQM
relative (EQMR) de l'indice de masse corporelle quotidien moyen de 15 % par rapport aux prévisions
de NWP 12-18 h à l'avance.

Et pour résumé les différentes méthodes utilisées dans le secteur de l’intelligence artificielle voilà des
tableaux qui rassemble ces derniers :
 III- MODÈLE HYBRIDE
L'utilisation de modèles hybrides est devenue plus populaire car elle tire parti de différents modèles.
L'idée de base de la combinaison de modèles est d'utiliser les caractéristiques uniques de chaque
modèle pour capturer différents modèles dans les données. Les résultats théoriques et empiriques
suggèrent que la combinaison de différents modèles peut être un moyen efficace d'améliorer les
performances des prévisions.

Des techniques d'intelligence artificielle, telles que la logique floue et les réseaux de neurones, ont
été utilisées pour estimer le rayonnement global horaire à partir d'images satellites. Les résultats
semblent indiquer que les modèles de logique floue et de réseaux de neurones sont meilleurs que les
modèles de régression.

Conclusion
La prévision de l'irradiation solaire est importante pour l'intégration des centrales photovoltaïques
dans un réseau électrique. Une bonne prévision de l'irradiation solaire aide les opérateurs de réseau
à optimiser leur production d'électricité et/ou à réduire les coûts supplémentaires en préparant une
stratégie appropriée.

Un certain nombre de méthodes physiques et de techniques statistiques ont été examinées dans le
présent document. À partir de la description des différents résultats de la prévision de l'irradiation
solaire, nous soutenons que le choix des modèles de prévision appropriés dépend de l'horizon de
prévision et des données disponibles. Pour un horizon de prévision de 6 h à 3 jours, le CEPMMT
associé à un post-traitement MOS donne les résultats les plus précis. Cependant, dans le cas de la
Réunion, le modèle WRF semble être plus pertinent. Pour un horizon de prévision plus petit, de 5
minutes à 4 heures, ARIMA semble présenter la meilleure précision. L'imagerie des nuages et un
modèle hybride peuvent améliorer les résultats de la prévision lorsque l'irradiation solaire connaît
une forte variabilité comme dans de nombreux territoires insulaires.

Les travaux futurs incluront plusieurs éléments pour améliorer la précision des prévisions. Les
techniques d'imagerie du ciel seront utilisées pour tenir compte du processus de formation des
nuages. Les méthodes intéressantes identifiées ici (WRF, ARIMA et AR) seront combinées aux images
du ciel pour donner un produit de prévision complet et plus précis avec différents horizons de
prévision. L'objectif est de répondre aux besoins des opérateurs de réseau.