Une prévision précise de l’énergie solaire transforme un actif renouvelable variable en une source d’énergie gérable et prévisible. Pour les opérateurs de réseau, la prévision solaire est essentielle pour la planification et l’équilibrage des expéditions. Pour les opérateurs de stockage sur batteries, les prévisions de production déterminent directement les calendriers de charge/décharge du BESS et déterminent le montant des revenus d'arbitrage ou de services auxiliaires qui peuvent être capturés. À mesure que la pénétration de l’énergie solaire augmente à l’échelle mondiale, la capacité de prévision devient un différenciateur concurrentiel essentiel.
Pourquoi la prévision solaire est importante pour les opérations BESS
Un BESS co-localisé avec l'énergie solaire ne peut être exploité de manière optimale que si l'opérateur connaît, avec une confiance raisonnable, la quantité de production solaire à laquelle il peut s'attendre dans les 2 à 48 prochaines heures. Sans prévision :
- Le BESS peut se décharger pendant la journée (en s'attendant à ce que l'énergie solaire gère la charge) lorsque la couverture nuageuse réduit la production solaire, ce qui entraîne une importation simultanée sur le réseau et une décharge du BESS.
- Le BESS pourrait conserver la charge (en attendant un événement de pointe de demande qui ne se matérialise pas), manquant ainsi des opportunités d'arbitrage TOU.
- Les enchères sur le marché de gros nécessitent une prévision 24 à 48 heures à l’avance ; de mauvaises prévisions entraînent des pénalités de déséquilibre de sous/surproduction sur les marchés en temps réel
Horizons de prévision et applications
| Horizon | Nom | Demande | Meilleure méthode |
|---|---|---|---|
| 0 à 2 heures | Prévisions immédiates / intra-journalières | Répartition BESS en temps réel, services auxiliaires | Caméras du ciel, imagerie satellite |
| 2 à 6 heures | Court terme | Appels d'offres intra-journaliers, planification BESS | Prévision météorologique numérique (NWP) + ML |
| 6 à 48 heures | Jour à venir | Appels d'offres journaliers, planification de la maintenance | Ensembles de prévision numérique du temps, post-traitement statistique |
| 7 à 30 jours | Moyen terme | Planification des ressources, planification O&M | Modèles saisonniers de prévision numérique du temps, données climatologiques |
| 1 à 30 ans | Long terme (évaluation des ressources) | Financement de projets, analyse du rendement énergétique | Ensembles de données satellite TMY (Solargis, Meteonorm) |
Méthodes de prévision de l'irradiation
1. Prévision numérique du temps (PNT)
Les modèles PNT (GFS, ECMWF, NAM) simulent l'atmosphère à partir des premiers principes, produisant des prévisions maillées de l'irradiation horizontale globale (GHI), de la température, du vent et de la couverture nuageuse à une résolution spatiale de 1 à 25 km. L'ECMWF est généralement le modèle de prévision numérique du temps le plus précis au monde ; GFS est disponible gratuitement. Limites : les modèles de prévision numérique du temps ont une faible résolution spatiale et des biais systématiques dans les zones côtières et les terrains complexes. Horizon : 6 heures à 10+ jours.
2. Prévision immédiate par satellite
Les satellites géostationnaires (GOES-16/17 en Amérique, Meteosat en Europe, Himawari en Asie) fournissent des prévisions de vecteurs de mouvement des nuages (CMV) — suivant le mouvement des nuages pour prédire l'irradiation 0 à 6 heures à l'avance. Les méthodes satellitaires surpassent la prévision numérique du temps sur des horizons courts (0 à 4 heures) car elles voient l'état actuel des nuages à haute résolution spatiale (1 à 4 km).
3. Machine learning / post-traitement statistique
Les systèmes de prévision modernes combinent les données numériques et satellitaires comme entrées dans les modèles ML (amplification de gradient, réseaux neuronaux LSTM) qui corrigent les biais locaux : effets de terrain spécifiques au site, configuration des aérosols, ombrage des collines voisines. Le post-traitement ML améliore généralement le RMSE de 10 à 25 % par rapport au PNT brut. Nécessite 1 à 2 ans de données d'irradiation sur site pour la formation.
Mesures de précision des prévisions
- RMSE (erreur quadratique moyenne) : la principale mesure de précision des prévisions ; exprimé en % de la capacité installée ou en kWh. RMSE journalier typique pour une centrale solaire de 10 MW : 8 à 15 % de la capacité pour les sites à ciel clair ; 15 à 25 % dans les climats nuageux/variables
- nRMSE (RMSE normalisé) : RMSE exprimé en % de la production moyenne, permettant une comparaison entre sites de capacités différentes
- MAE (erreur absolue moyenne) : moins sensible aux valeurs aberrantes que le RMSE ; utile pour les calculs de pénalités contractuelles où les erreurs supérieures à un seuil entraînent des coûts
- Score de compétence : amélioration par rapport à une prévision de persistance (hypothèse naïve selon laquelle la génération actuelle est égale à la génération de l’heure suivante) ; un score de compétence > 30 % indique une valeur de prévision significative
Intégrer les prévisions dans le dispatch BESS
Un système de répartition BESS de contrôle prédictif modèle (MPC) utilise une prévision solaire continue sur 24 à 48 heures pour optimiser la planification de charge/décharge :
- Recevez des prévisions solaires mises à jour basées sur la prévision numérique du temps toutes les 6 heures (ou toutes les 15 minutes pour les prévisions satellitaires).
- Exécuter l'optimisation sur l'horizon de prévision, en fonction de l'état de charge du BESS, du barème tarifaire TOU, de la prévision de la demande et des prévisions solaires.
- Exécuter un calendrier optimal ; mise à jour toutes les 15 à 30 minutes à mesure que les prévisions sont actualisées
- Suivez la génération réelle par rapport à la génération prévue ; introduire les données réelles dans le modèle ML pour une correction continue des biais
La plateforme iSolarCloud de Sungrow intègre la prévision de puissance avec BESS EMS, permettant aux opérateurs BESS de mettre en œuvre une répartition basée sur les prévisions sans systèmes tiers. Pour les projets participant aux marchés de gros, un fournisseur de services de prévisions certifié (par exemple, Solargis Energy, Solcast, DNV GL Energy Transition) fournit des prévisions bancables pour les appels d'offres sur le marché.