LIMITATION DES MÉTHODES STANDARDS D’ÉVALUATION DES PERFORMANCES DES PRÉVISIONS

Télécharger le fichier original (Mémoire de fin d’études)

Introduction à l’analyse des performances dans le domaine de la prévision solaire

Le présent chapitre se focalise sur un aspect essentiel du domaine de la prévision solaire parfois négligé : qu’est-ce qui fait la qualité d’une prévision ? Quels outils et procédures appliquer afin d’extraire des informations quantitatives relatives aux performances des prévisions adaptées à leur application pratique ? Comme l’expliquent Kostylev et Pavlovski (2011), les tests de performance des prévisions sont souvent entrepris en s’appuyant sur des pratiques analytiques établies sans compréhension claire de la perti-nence des métriques pour une application donnée. Comme nous l’avons vu dans l’introduction, les objectifs des gestionnaires sont multiples et requièrent des prévisions à différents horizons. Les inadéquations entre la prévision et la production effectivement constatée peuvent avoir des conséquences plus ou moins lourdes pour le réseau électrique ou sur la gestion des installations photovoltaïques. Du et al. (2017) ont identifié quatre étapes clés qui permettront d’assurer un coût minimal à l’utilisateur final : (1) des don-nées de mesure représentatives et de haute qualité, (2) des techniques et modèles de pré-visions de qualité, (3) une évaluation significative de la performance prévisionnelle et (4) une communication efficace et efficiente de l’information de prévision à l’utilisateur. De plus, Zhang et al. (2013) pointent du doigt la difficulté de l’évaluation des performances qui découle du constat que chaque chercheur ou expert apporte des résultats selon sa propre métrique. En l’absence de l’implémentation de la méthode, des données ou de la manière dont sont calculés les différents scores, les résultats des méthodes de prévision sont difficiles à exploiter et à comparer. Ainsi, face à ce constat, plusieurs tentatives de standardisation de l’analyse des performances ont été suggérées (Beyer et al. 2009; Kostylev et Pavlovski 2011). Ces propositions d’analyses standardisées des performances peuvent cependant être complétées par les plus récentes avancées sur le sujet dont cer-taines seront mises en avant dans ce chapitre.
L’analyse des performances de prévisions ponctuelles du rayonnement global (intégré sur tout le spectre) sans considération sur celles relatives aux prévisions probabilistes, de distributions angulaires ou spectrales. Elle s’effectue usuellement par la comparaison entre des prévisions faites dans le passé avec des mesures effectives. Différentes quantités sta-tistiques sont ensuite calculées, à partir desquelles sont déduites lesdites performances. Quelle que soit l’application, l’objectif de la prévision et ses propriétés requises sont im-portants à définir. Les propriétés recherchées peuvent être diverses, comme la corrélation, l’alignement temporel, la distribution statistique, le suivi des rampes, etc., mais peuvent également concerner le type de ciel à mieux respecter – par exemple, les ciels sans nuages pour les systèmes à concentration –, ou encore concerner la validité de la prévision sur une zone géographique donnée.
L’approche la plus couramment répandue dans la communauté scientifique est l’utilisation de métriques statistiques – définies au paragraphe II.3.1 – quantifiant l’erreur globale qu’effectue la prévision par rapport à une mesure considérée comme référence. Le paragraphe II.2 de ce chapitre traite des mesures du rayonnement solaire utilisées pour la comparaison, ainsi que des méthodes d’analyse de leur qualité justifiant leur utilisation en tant que référence, c’est-à-dire de « vérité terrain ». Cependant, comme nous l’illustrerons dans le paragraphe II.3.3, l’utilisation de ces métriques statistiques, bien que donnant une indication globale des performances en termes d’erreur moyenne commise par la prévision, admet certaines limitations et ne suffit pas à transcrire complètement le comportement des méthodes de prévision. De nombreux chercheurs se sont penchés sur cette problématique au cours des dernières années, ce qui a conduit à la proposition de nombreuses métriques pour la prévision solaire. Une liste non exhaustive des métriques existantes et de leur utilité est proposée au paragraphe II.4.
Par ailleurs, les échanges que nous avons pu avoir avec des utilisateurs de prévisions so-laires ont fait émerger deux concepts signifiants pour leur réalité dans la gestion du ré-seau électrique. Le concept du suivi de rampes évoqué dans le chapitre d’introduction est en effet un aspect à prendre en compte, mais la notion d’alignement temporel a égale-ment son importance. Si une variation brusque est prévue, mais avec une avance ou un retard, même limités, l’erreur instantanée commise par la prévision peut être conséquente. Deux nouvelles métriques sont ainsi proposées au paragraphe II.5 ce chapitre afin de quantifier ces deux notions.
Outre le choix des indicateurs de performance et les problématiques associées à leur analyse, le choix du jeu de données sur lequel appliquer ces indicateurs est lui aussi pri-mordial. Ainsi, appliquer de telles métriques sur des classes spécifiques – les jours dont la couverture nuageuse est variable par exemple – peut apporter un complément à l’analyse principale et peut permettre de se détacher des spécificités du jeu de données utilisé. Par exemple, calculer les performances d’une prévision sur un ensemble de journées majoritai-rement sans nuages donnera évidemment de meilleurs scores qu’une analyse similaire sur des jours plus variables, du fait de la bonne prévisibilité du rayonnement par ciel clair. Différentes stratégies de classification des données seront exposées et discutées au para-graphe II.6 afin d’obtenir une analyse catégorielle des performances. Enfin, les résultats des nouvelles métriques proposées et de métriques plus conventionnelles appliquées à des méthodes de prévision solaire de référence, et ce, sur différents jeux et classes de données, seront présentés paragraphe II.7.

La mesure pyranométrique in situ, une mesure de référence pour l’analyse des performances

Moyens de mesures du rayonnement solaire existants

La mesure de l’éclairement est essentielle pour l’analyse de la ressource solaire, la cons-truction d’un projet photovoltaïque, la gestion de l’exploitation ou pour développer et tester des modèles d’estimation ou de prévision de cette ressource. Tout instrument de mesure a une précision limitée, et donc, une incertitude intrinsèquement associée. L’essentiel est alors de déterminer et de quantifier l’importance qu’a cette incertitude au regard des quantités mises en jeu et des échelles considérées.
Dans le cadre de la prévision solaire, deux catégories de capteurs sont utilisées : les capteurs de rayonnement solaire et la mesure de production de cellule(s) photovoltaïque(s) de référence. Seuls les capteurs d’éclairement et leurs incertitudes associées seront énumé-rés ici pour leur indépendance aux caractéristiques techniques des panneaux solaires, ainsi que par soucis de cohérence avec le reste du document qui traite principalement du rayonnement solaire total. Comme introduit dans le premier chapitre, le rayonnement global GHI s’exprime de la manière suivante :
(1)
où est l’éclairement global sur plan horizontal (GHI, exprimé en ), est l’éclairement direct sur le plan horizontal (BHI, exprimé en ), est l’éclairement diffus intégré sur le plan horizontal (DHI, exprimé en ). Par ailleurs, certaines études utilisent la variable de rayonnement global sur plan incliné (notée ou , Plane-Of-Array irradiance ou Global Tilted Irradiance), qui est une variable essentielle pour effectuer la conversion de l’éclairement en production électrique photovoltaïque.
En fonction de son inclinaison, le pyranomètre est l’instrument de mesure du GHI – s’il se trouve sur un plan horizontal – ou du GTI – lorsqu’il est adossé au plan des panneaux solaires. Le pyrhéliomètre est celui qui permet l’acquisition du rayonnement direct en in-cidence normale (DNI, Direct Normal Irradiance). Enfin, le pyranomètre couplé à un disque ou une bande d’ombrage mesure le DHI. Le tableau 2 reprend les différents ins-truments de mesure du rayonnement solaire cités précédemment avec leur support d’intégration angulaire de la luminance du ciel, leur installation la plus courante ainsi qu’un exemple d’illustration du matériel.

Table des matières

TABLE DES MATIÈRES
NOMENCLATURE.
CHAPITRE I – INTRODUCTION
I.1 CONTEXTE ET ENJEUX
I.2 LA NATURE VARIABLE DE L’ÉNERGIE PHOTOVOLTAÏQUE
I.3 INTÉRÊT DE LA PRÉVISION PHOTOVOLTAÏQUE POUR LE RÉSEAU ÉLECTRIQUE..
I.4 HORIZON ET RÉSOLUTION TEMPORELLE DE PRÉVISION
I.5 PRÉVISION LOCALE ET AGRÉGÉE
I.6 MÉTHODES DE PRÉVISION EXISTANTES EN FONCTION DES ÉCHELLES SPATIALES ET TEMPORELLES CONSIDÉRÉES
I.7 OBJECTIFS ET DÉMARCHE DE LA THÈSE
I.8 STRUCTURE DU MANUSCRIT
CHAPITRE II – ANALYSE DES PERFORMANCES DES PRÉVISIONS SOLAIRES
II.1 INTRODUCTION À L’ANALYSE DES PERFORMANCES DANS LE DOMAINE DE LA PRÉVISION SOLAIRE
II.2 LA MESURE PYRANOMÉTRIQUE IN SITU, UNE MESURE DE RÉFÉRENCE POUR L’ANALYSE DES PERFORMANCES
II.2.1 Moyens de mesures du rayonnement solaire existants
II.2.2 Instrumentation déployée dans le cadre de l’étude
II.2.3 Analyses de qualité des mesures pyranométriques
II.2.4 Visualisations des données favorisant l’identification d’anomalies sur la mesure in situ
II.3 LIMITATION DES MÉTHODES STANDARDS D’ÉVALUATION DES PERFORMANCES DES PRÉVISIONS
II.3.1 Métriques usuelles
II.3.2 Pratiques pertinentes pour l’application des métriques statistiques..
II.3.3 Le cas de la métrique RMSE
II.3.4 Rappel des attentes des utilisateurs
II.4 PRÉSENTATION DE MÉTHODES EXPLORATOIRES QUI TENTENT DE COMBLER LE MANQUE LIÉ AUX MÉTHODES EXISTANTES ET EN RÉPONSE AUX BESOINS UTILISATEURS.
II.4.1 Suivi des rampes
II.4.2 Erreur temporelle : le Temporal Distortion Index (TDI).
II.5 MÉTRIQUES PROPOSÉES
II.5.1 Quantifier la capacité de la prévision à suivre les rampes
II.5.2 Quantifier l’alignement temporel de la prévision par rapport à la mesure
II.6 CARACTÉRISATION CATÉGORIELLE DES PERFORMANCES : VERS UNE INDÉPENDANCE DE L’ENSEMBLE DES DONNÉES UTILISÉES
II.6.1 Classification d’instants
II.6.2 Classifications de jours
II.6.3 Autres classifications pertinentes..
II.7 PRÉSENTATION DE L’ANALYSE DES PERFORMANCES POUR TROIS MÉTHODES DE PRÉVISION DE RÉFÉRENCE
II.7.1 Suggestion de représentation graphique des résultats et métriques sélectionnées
II.7.2 Trois méthodes de références utilisées pour l’illustration des avantages et inconvénients des métriques sélectionnées
II.7.3 Résultats globaux et par catégorie
II.8 CONCLUSIONS DU CHAPITRE
CHAPITRE III – OBSERVATION DES COMPLÉMENTARITÉS DES SOURCES D’INFORMATION
III.1 COMPLEXITÉ DE LA SCÈNE 3D ET DE SES OBSERVATIONS
III.1.1 Une vision partielle des nuages pour chaque point d’observation
III.1.2 Taille de la couverture nuageuse perçue par l’image satellite
III.1.3 Image hémisphérique : la distorsion optique au service d’une vision périphérique du ciel
III.1.4 Perception d’une grille horizontale par les deux types d’images en fonction de son altitude imposée
III.1.5 Effet parallaxe
III.2 DIFFÉRENCE DE RÉSOLUTION SPATIALE ENTRE IMAGES HÉMISPHÉRIQUES ET IMAGES SATELLITES
III.2.1 Résolution spatiale et taille du pixel
III.2.2 Taille du pixel satellite
III.2.3 Taille du pixel de l’image hémisphérique
III.3 DIFFÉRENCE DE RÉSOLUTION TEMPORELLE DES INFORMATIONS
III.3.1 Instant d’acquisition des pixels de l’image satellite
III.3.2 Résolution temporelle des informations in situ
III.4 OBSERVATION DES COMPLÉMENTARITÉS DES DIFFÉRENTES SOURCES D’INFORMATION
III.4.1 Ciel clair
III.4.2 Ciel couvert
III.4.3 Ciel variable
III.4.4 Ressemblance multiéchelle de la couverture nuageuse
III.4.5 Nets dépassements de la courbe de ciel clair
III.4.6 Situations propices à l’exploitation de complémentarités
III.4.7 Anomalies ou événements limitant l’exploitation des données
III.5 VERS L’EXPLOITATION DES COMPLÉMENTARITÉS
CHAPITRE IV – SIMULATEUR GÉOMÉTRIQUE 3D : VALIDATION SPATIALE DE LA GÉOLOCALISATION
IV.1 L’ESTIMATION DE L’OMBRE PORTÉE DES NUAGES : UNE ÉTAPE DU PROCESSUS PRÉVISIONNEL
IV.2 MÉTHODES DE GÉOLOCALISATION DES NUAGES PAR PHOTOGRAMMÉTRIE
IV.3 OBJECTIFS D’UNE SIMULATION DE L’APPROCHE
IV.4 DESCRIPTION DU SIMULATEUR
IV.4.1 Choix de la représentation 3D des nuages
IV.4.2 Génération d’images synthétiques à partir d’une situation nuageuse donnée
IV.4.3 Application de la méthode de géolocalisation des nuages en 3D
IV.4.4 Comparaison des ombres portées au sol
IV.5 ANALYSE DES RÉSULTATS
IV.5.1 Analyse statique..
IV.5.1 Analyse dynamique
IV.6 CONCLUSIONS DU CHAPITRE
CHAPITRE V – APPLICATION DE LA GÉOLOCALISATION 3D DES NUAGES AUX DONNÉES RÉELLES
V.1 RECHERCHE D’UN RÉFÉRENTIEL COMMUN
V.1.1 Rappel du référentiel géométrique commun : l’espace 3D
V.1.2 Référentiel temporel commun : harmonisation des pas de temps à la minute
V.2 SPÉCIFICITÉS DE LA GÉOLOCALISATION DES NUAGES À PARTIR DES DONNÉES RÉELLES
V.2.1 Segmentation des images
V.2.2 Les trois versions de la méthode de géolocalisation dans le cas réel
V.2.3 Analyse qualitative de la géolocalisation sur le jour d’exemple
V.3 ESTIMATION DU RAYONNEMENT SOLAIRE SPATIALEMENT ÉTENDU
V.3.1 Relation a priori
V.3.2 Utilisation de l’indice de ciel clair HelioClim
V.3.3 Régression
V.4 PRÉVISION DU RAYONNEMENT SOLAIRE SPATIALEMENT ÉTENDU
V.4.1 Le principe
V.4.2 Propagation des volumes potentiellement nuageux
V.4.3 Résultats sur le jour d’exemple
V.5 CONCLUSIONS DU CHAPITRE
CHAPITRE VI – CONCLUSIONS ET PERSPECTIVES
VI.1 CONCLUSIONS
VI.2 PERSPECTIVES
VI.2.1 L’analyse des performances des méthodes de prévision
VI.2.2 Le simulateur géométrique
VI.2.3 L’application de la fusion pour une géolocalisation des nuages dans le cas réel
ANNEXE A1 – ESTIMATION DU MOUVEMENT DES NUAGES
A1.1. TECHNIQUES D’ESTIMATION DU MOUVEMENT
A1.1.1. Appariement par corrélation
A1.1.2. Flot optique
A1.2. BANC D’ESSAI POUR L’ESTIMATION DES CMV
A1.2.1. Un mouvement artificiel des nuages imposé aux images satellites
A1.2.2. Imposé aux images hémisphériques
ANNEXE A2 – SUR-ÉCHANTILLONNAGE TEMPOREL DES IMAGES SATELLITES
A2.1. MÉTHODE DE SUR-ÉCHANTILLONNAGE CAUSALE
A2.2. MÉTHODE DE SUR-ÉCHANTILLONNAGE NON CAUSALE
RÉFÉRENCES