MoNuTeR

Mieux prévoir la production solaire pour réduire les coûts de variabilité

La production d’électricité solaire est variable en raison de sa dépendance aux conditions météorologiques (passages de nuages, présence d’aérosols, etc.). Ceci représente un challenge important pour la gestion des réseaux électriques dont la stabilité doit être assurée en permanence afin de garantir l’équilibre entre l’offre et la demande ; et encore plus important pour les systèmes électriques faibles (géographiquement peu étendus, mal interconnectés voire isolés).

En pratique, différents leviers de flexibilité sont utilisés pour résoudre cette problématique : ajustement de la production à l’aide par exemple de réserves pilotables, effacement de la consommation, ou encore utilisation de systèmes de stockage pour compenser toute perte ou stocker tout excédent de la production solaire. Cette flexibilité est indispensable mais engendre des coûts d’investissement et d’exploitation importants.

Grâce à la prévision météorologique et à la modélisation des centrales photovoltaïques (PV), les moyens de flexibilité peuvent être optimisés. Prévoir la production PV pour la journée en cours et à venir permet notamment de mieux planifier les moyens de production conventionnels puis de piloter les réserves et les systèmes de stockage de manière intelligente en temps réel.

Cependant, la prévisibilité de la ressource solaire et de sa variabilité présente aujourd’hui plusieurs limitations, car les modèles sont imparfaits et l’état de l’atmosphère jamais complètement connu. Ainsi, l’amélioration des systèmes de prévision adaptés à la problématique des réseaux faibles représente un enjeu majeur pour intégrer plus de PV à moindre coût.

Le projet MoNuTeR

Une chaîne de prévision adaptée à la problématique

Le projet MoNuTeR a tout d’abord consisté à développer une chaîne de prévision basée sur le modèle météorologique WRF^[1], dont la configuration est très flexible et adaptée aux applications solaires.

L’ensemble de la chaîne (acquisition des données d’entrée, initialisation, lancement des calculs numériques, post-traitement des sorties) a été automatisé et rendu compatible avec une utilisation en modes opérationnel et backtest, afin de pouvoir réaliser des simulations sur de grandes séries de jours passés.

Les outils ont ainsi permis d’établir des configurations idéales du modèle WRF en fonction de la région d’intérêt et des phénomènes locaux associés afin d’industrialiser le processus de mise au point, de déploiement et de fonctionnement opérationnel. Ce processus devant être rapide, peu coûteux et permettre d’atteindre un niveau de performance que l’on peut garantir au client lors de la contractualisation.

^[1] The Weather Research and Forecasting Model

Les sources de données utilisées :

• Sorties de modèles de prévision numérique du temps pour générer les forçages de grande échelle (météo et aérosols) ainsi que les prévisions de référence : NOAA, ECMWF, Météo-France, Copernicus
• Observations de rayonnement et de production solaire pour l’évaluation de performance : mesures pyranomètres in-situ, estimations satellitaires, SCADA de centrales PV
• Observations météorologiques pour l’assimilation de données météorologiques : réseaux de stations météorologiques classiques

Des expérimentations intensives

La chaîne de prévision a été déployée sur un cluster HPC hébergé sur le Cloud. Plus de 4 000 simulations (environ 10 000 heures de calculs au total) ont été réalisées entre fin 2018 et fin 2021 et ont permis, à travers de nombreux tests de sensibilité, de déterminer les jeux de paramétrisations physiques, les modèles de forçage de grande échelle et les configurations de domaines les plus adaptés à différents types de climat (insulaire, tropical, désertique, …).

L’intégration d’information sur les concentrations atmosphériques en aérosols ainsi que l’utilisation d’observations au sol pour corriger l’état initial fourni au modèle (procédures d’assimilation de données) ont également apporté une amélioration supplémentaire aux prévisions.

Les résultats mettent en évidence l’apport des simulations à haute résolution par rapport à celles à moyenne et basse résolution pour l’amélioration de la prévision jusqu’à 48h d’échéance. Le modèle WRF permet de modéliser des phénomènes de petites échelles spatio-temporelles et de quantifier efficacement l’incertitude de la prévision de couverture nuageuse et de rayonnement solaire.

Et maintenant ?

Fort de ces résultats, plusieurs projets ont déjà été mis en service, comme par exemple sur l’île de Tahiti pour le compte du gestionnaire de réseau (EDT ENGIE). D’autres acteurs de cette région géographique pourront aussi bénéficier de ce système opérationnel à l’avenir, notamment les futurs producteurs indépendants, dont les projets de centrales PV avec stockage par batterie sont en cours de développement et nécessitent l’utilisation de prévisions les plus fiables possibles pour respecter le code de réseau en vigueur.

Par ailleurs, la solution a été intégrée à la nouvelle plateforme météorologique développée par Steadysun, nommée Frogcast. Le modèle WRF peut dorénavant être déployé facilement et rapidement dans n’importe quelle région du monde, avec une configuration optimisée dès la mise en service. Des interfaces utilisateurs sont aussi disponibles pour visualiser et analyser l’ensemble des données et indicateurs, dans le but de faciliter les prises de décisions métier.

Dans la continuité de MoNuTeR, de nouveaux travaux de R&D ont déjà été initiés, comme l’amélioration des techniques d’assimilation de données in-situ/satellitaires et de la modélisation des interactions entre les aérosols, les nuages et le rayonnement solaire, en particulier dans les régions arides.