Prévoir le couvert nuageux
comparaison des modèles de prédiction
L’intégration croissante de la production photovoltaïque intermittente pose de nouveaux défis pour assurer la stabilité de la grille. L’analyse de différents modèles de prédiction montre des difficultés à anticiper l’évolution des nuages dans des situations météorologiques complexes, soulignant l’importance de concevoir des méthodes de prévision mieux adaptées à ces situations critiques.
Par Valentin Duchemin, ingénieur de recherche au LMD – SIRTA et membre du projet Fine4Cast.
La production d’électricité photovoltaïque est hautement dépendante de la trajectoire du Soleil qui est précisément connue à l’avance. Cependant, le passage de nuages au-dessus des centrales solaires induit une forte variabilité. Si ces fluctuations de production sont mal anticipées, elles peuvent déstabiliser le réseau électrique et provoquer des coûts importants pour le démarrage en urgence de centrales d’appoint fortement carbonées.
Une prévision fiable de ces événements est également indispensable pour les différents acteurs du réseau électrique. Les gestionnaires du réseau ont besoin d’anticiper la contribution des énergies renouvelables variables pour équilibrer offre et demande, fixant un prix sur les marchés à court terme. Les producteurs d’électricité peuvent vendre au meilleur moment en ajustant leurs moyens de production et de stockage. Enfin, les producteurs-consommateurs en micro-réseaux obtiennent des informations permettant d’exploiter la flexibilité de la demande et de mieux programmer l’utilisation des batteries.
Depuis les années 2010, la littérature abonde de méthodes pour prévoir la production d’électricité photovoltaïque. Les modèles sont généralement validés en confrontant des historiques pluriannuels de prévisions avec des mesures ponctuelles à l’aide de métriques moyennées. Cette approche encourage une modélisation adaptée aux situations les plus courantes en filtrant statistiquement les erreurs extrêmes. Toutefois, les publications ne précisent que rarement la capacité de leur modèle à anticiper l’évolution des nuages dans des situations météorologiques plus rares et critiques pour la stabilité du réseau électrique.
L’analyse des prévisions passées effectuées par le gestionnaire français du transport d’électricité (RTE) a permis d’identifier des événements ayant causé d’importantes erreurs d’anticipation de la production photovoltaïque nationale.
L’évolution des nuages multi-couches, la formation et la dissipation des nuages se démarquent fréquemment comme situations incorrectement représentées par les modèles de prévision. Trente-cinq événements survenus entre 2023 et 2024 ont été sélectionnés pour créer un cadre d’évaluation commun des méthodes de prévision lorsqu’elles sont confrontées à des conditions atmosphériques complexes. Pour chaque cas d’étude, des cartes d’éclairement global solaire au sol (“Global Horizontal Irradiance” ou GHI) ont été réalisées à partir d’un traitement d’image du satellite météorologique géostationnaire Meteosat-10. Ces cartes sont des observations du GHI et servent de référence pour l’évaluation des modèles. Les données de prévisions sont également comparées aux mesures ponctuelles du rayonnement solaire au sol à l’observatoire du SIRTA à Palaiseau. L’étude se concentre sur un nombre restreint de situations afin de produire une analyse détaillée du comportement de chaque méthode.
Les différents modèles de prévision
Les modèles de prévision numérique du temps reproduisent les processus physiques de l’atmosphère en trois dimensions en résolvant une version discrétisée des équations fondamentales de la mécanique des fluides. Ils sont connus pour produire des prévisions fiables jusqu’à plusieurs jours à l’avance et permettent une approche probabiliste en générant plusieurs scénarios physiques de l’évolution des nuages.
Néanmoins, chaque simulation nécessite plusieurs heures de calculs sur des superordinateurs. Ceci est particulièrement pénalisant pour produire des prévisions quelques heures à l’avance puisque le retard entre l’initialisation du modèle et l’obtention des résultats allonge l’horizon de prévision effectif ; les informations précises des mesures initiales sont rapidement perdues par les processus itératifs de la simulation. Enfin, ces modèles sont dépendants de paramétrisations imparfaites des processus atmosphériques à petite échelle comme la convection nuageuse dont les erreurs peuvent se propager graduellement.
L’analyse du déplacement des nuages à partir d’images de satellite météorologique géostationnaire est particulièrement appropriée pour générer des prévisions à courtes échéances temporelles jusqu’à 4 à 6 heures à l’avance. Elle permet d’obtenir des résultats plus précis et pour un coût de calculs inférieur à un modèle classique de prévision numérique du temps. Deux méthodes sont fréquemment développées :
Des algorithmes dits de flot optique analysent deux images consécutives pour produire un champ de vecteurs de mouvements nuageux. Ce dernier est utilisé pour extrapoler le déplacement des nuages et anticiper leurs futures positions. Si ces modèles représentent correctement l’advection, ils sont structurellement incapables de prévoir la formation ou la dissipation des nuages.
Des modèles de deep learning reproduisent des motifs de l’évolution des structures nuageuses par analyse des données historiques. Leur entraînement est long, coûteux et nécessite du matériel spécialisé, mais leur inférence est ensuite très rapide et sobre en énergie. Cependant, les résultats sont difficilement interprétables et certains algorithmes tendent à flouter leurs sorties pour lisser les erreurs. Ces comportements réduisent la possibilité d’anticiper des changements rapides et localisés de la production photovoltaïque.
L’événement de formation de nuages épars du 22 avril 2024 à partir de 08h45, illustré sur le graphique ci-dessous, est représentatif des limitations de ces différentes méthodes. L’observation par satellite (première ligne) montre le développement rapide de gros nuages opaques (représentés en bleu) dû aux mouvements convectifs provoqués par le réchauffement matinal du sol par les rayons solaires. Le modèle de flot optique (deuxième ligne) anticipe un ciel clair, à l’exception des quelques nuages déjà formés avant l’initialisation de la simulation. Le modèle de deep learning déterministe (troisième ligne) prévoit un rayonnement qui diminue légèrement avec le temps ; il anticipe la formation de nuages. Néanmoins, ce modèle génère des structures nuageuses floues et semi-transparentes. Enfin, les meilleurs scénarios prévus par les deux versions du modèle de prévision numérique du temps AROME de Météo-France (lignes 4 et 5) ont tendance à sous-estimer l’étendue et l’opacité des nuages ainsi que la rapidité de leur formation.
Bien que différentes méthodes de prévision de production de l’énergie photovoltaïque aient fait leurs preuves avec de bonnes performances moyennes pour les opérations courantes dans des conditions météorologiques communes, cette étude a montré que plusieurs situations atmosphériques complexes pénalisent fortement leurs résultats. La méthode du flot optique échoue le plus souvent à anticiper les événements sélectionnés. Les modèles de prévision numérique du temps sont limités par leur représentation imparfaite de l’atmosphère couplée à leur initialisation prématurée. Le modèle de deep learning déterministe floute la variabilité et les valeurs extrêmes. La mise en place de modèles de deep learning génératifs, capables de produire des scénarios réalistes d’évolution de la couverture nuageuse, permettrait la réalisation de prévisions ensemblistes plus fiables.
Le cadre d’évaluation proposé met en lumière les faiblesses des méthodes actuelles face à des situations critiques pour garantir la stabilité du réseau électrique. Ce référentiel exigeant motive le développement de méthodes de prévision plus fiables dans le but d’intégrer une part croissante d’énergie photovoltaïque dans le mix énergétique en toute sécurité.
Plus d'actualités Article
