De nouveaux outils améliorent la précision des prévisions à court terme concernant les sources d’énergie renouvelables
Alors que les sources d’énergie renouvelables (SER) représentent une part de plus en plus importante de la production d’électricité dans de nombreux pays européens, leur intermittence inhérente pose des problèmes opérationnels. La clé d’un fonctionnement sûr et économique des systèmes électriques fortement dépendants des SER est d’améliorer les prévisions à court terme de la production des SER. Le projet Smart4RES, financé par l’UE, a cherché à relever ces défis en adoptant une approche holistique. «Notre approche englobe l’ensemble du modèle et de la chaîne de valeur liés aux prévisions en matière de SER, depuis les prévisions météorologiques jusqu’aux applications finales», explique George Kariniotakis, coordinateur du projet. «Nous avons cherché à apporter des modifications révolutionnaires dans la technologie de prévision des SER plutôt que de simples avancées progressives.»
Des améliorations à des échelles temporelles et spatiales étendues
L’objectif ultime de Smart4RES était de développer et de valider des outils de nouvelle génération afin d’améliorer d’au moins 15 % les performances des prévisions en matière de SER. Les partenaires du projet ont perfectionné les modèles de prévisions météorologiques numériques pour l’industrie des SER, en intégrant des données provenant de satellites et d’images du ciel. «Nous avons mis au point une méthode de simulation de grands tourbillons à ultra-haute résolution pour les prévisions météorologiques très locales. Pour améliorer la prévision des variables météorologiques, nous avons, pour la première fois, recouru à un réseau de caméras du ciel réparties sur une vaste zone, ce qui constitue un progrès par rapport à la méthode traditionnelle consistant à n’utiliser qu’une seule caméra sur un site», explique George Kariniotakis. «L’utilisation des images des caméras du ciel pour la prévision de l’énergie solaire a permis d’accroître les performances de 20 %, en particulier pour les prévisions de 15 à 30 minutes à l’avance.» «Nous avons également développé un modèle de prévision transparent qui simplifie les chaînes de modèles traditionnelles, en fournissant un modèle unique et continu pour la prévision probabiliste de la production solaire et éolienne de quelques minutes à quelques jours. Cette méthode réduit considérablement la charge de calcul de 99 % tout en fournissant des résultats comparables à ceux des modèles existants», ajoute George Kariniotakis. En outre, pour obtenir une meilleure précision à court terme, les chercheurs ont créé des méthodes visant à partager des données entre différentes centrales d’énergie renouvelable, tout en préservant la confidentialité et la sécurité des informations. Cette démarche a contribué à améliorer le score probabiliste jusqu’à 20 % pour une prévision allant jusqu’à six heures à l’avance.
Augmenter la valeur des prévisions et faciliter la prise de décision
L’équipe du projet a élaboré un prototype de marché de données de pointe pour le partage de données provenant de sources d’énergie distribuées, armé de nouveaux algorithmes et modèles commerciaux. «Ce système ne se contente pas d’être précis: il tire le meilleur parti des données, ce qui permet d’affiner les prévisions en matière d’énergies renouvelables», déclare George Kariniotakis. «La prise de décision pour l’intégration des SER dans les systèmes électriques et les marchés est désormais plus efficace, avec une répartition prédictive pour les systèmes électriques autonomes, des options de stockage multiservices, des échanges d’énergie renouvelable basés sur des données et des algorithmes de contrôle local qui gèrent les congestions du réseau. Nous avons réussi, par exemple, à réduire de 30 % les coûts d’activation de la flexibilité pour les opérateurs de réseaux électriques.» «Pour simplifier les choses par rapport au modèle traditionnel de prévision puis d’optimisation, nous avons proposé une approche analytique prescriptive, basée sur l’IA interprétable, afin de rationaliser l’apprentissage à partir des données disponibles jusqu’à la prise de décision», ajoute George Kariniotakis.
Tester les modèles en conditions réelles
Les partenaires du projet ont intégré les nouvelles méthodes de prévisions météorologiques dans les modèles opérationnels de Météo-France et de Whiffle. Ces modèles améliorés ont été comparés aux prévisions commerciales et utilisés pour évaluer les principaux indicateurs de performance des échanges de SER sur les marchés de l’électricité. Ils ont également testé des stratégies de contrôle de la fréquence pour les îles autonomes en recourant à des simulations en temps réel qui reflétaient l’utilisation élevée des SER. Enfin, une analyse coût-bénéfice des outils de prévision et d’aide à la décision en matière de SER a été réalisée. L’objectif était d’identifier les combinaisons les plus efficaces de sources de données et de comprendre les avantages potentiels d’une aide à la décision avancée. Par exemple, l’un de ces avantages pourrait être la possibilité de retarder les mises à niveau du réseau en gérant intelligemment la flexibilité locale. «Nous avons jeté les bases d’outils de prévision avancés pour la production de SER dépendante des conditions météorologiques. Ces outils de nouvelle génération visent à atténuer les effets de l’intermittence des SER dans les systèmes électriques à forte proportion d’énergies renouvelables, en couvrant un large éventail de délais (de quelques minutes à plus de dix jours) et d’échelles spatiales (des centrales SER individuelles aux niveaux régional ou national)», conclut George Kariniotakis.
Mots‑clés
Smart4RES, prévisions météorologiques, prise de décision, prévisions à court terme, sources d’énergie renouvelables, partage de données, marchés de données, gestion des systèmes électriques, échanges d’énergie
