Aller au contenu principal
Energy Data Solutions
Menu

Doctorat

Synergie des données in-situ et satellites pour la prévision solaire

Fusion de données issues de caméras hémisphériques au sol et de satellites géostationnaires afin de reconstruire les nuages en 3D, d’estimer leurs ombres au sol et d’améliorer la prévision de l’éclairement solaire à très court terme.

  • 2018
  • Mines Paris - PSL
Synergie des données in-situ et satellites pour la prévision solaire
Synergie des données in-situ et satellites pour la prévision solaire

Contenu de l’article

Présentation

Ce travail étudie la complémentarité entre deux sources d’observation des nuages. Les données satellitaires couvrent une zone étendue, tandis que les caméras au sol décrivent plus finement leur évolution locale. Leur mise en correspondance permet d’estimer la position et le déplacement des nuages, puis leurs effets sur l’éclairement au sol.

Outils et technologies

Compétences mobilisées

Notre démarche

4 Étapes du projet

  1. Étape 1 sur 4

    Intégration des données

    Les données satellitaires, notamment HelioClim, décrivent la couverture nuageuse toutes les 15 minutes. Les caméras hémisphériques enregistrent les mouvements locaux chaque minute. Les deux séries sont synchronisées et placées dans un repère 3D commun.

  2. Étape 2 sur 4

    Localisation 3D des nuages et cartographie des ombres

    Les nuages observés depuis le sol et l’espace sont projetés dans le même volume 3D. Le croisement des deux points de vue permet d’estimer leur position et leur altitude, puis de calculer la trajectoire de leurs ombres et l’éclairement reçu au sol.

    Compétences mobilisées

    Outils et technologies

  3. Étape 3 sur 4

    Processus de prévision

    Des vecteurs de mouvement sont calculés entre les images successives, puis extrapolés pour prévoir le déplacement des nuages et les variations d’éclairement sur des horizons de quelques minutes à quelques heures. L’objectif est d’anticiper les variations rapides de production photovoltaïque liées au passage des nuages.

    Compétences mobilisées

    Outils et technologies

  4. Étape 4 sur 4

    Résultats

    Dans le cadre expérimental, la combinaison des deux sources améliore la localisation des nuages et la description de leur évolution par rapport à chaque source utilisée séparément. Elle fournit ainsi une base plus précise pour la prévision solaire à très court terme.

    Compétences mobilisées

Prévision Photovoltaïque Régionale par Deep Learning
R&DEDF · Paris

Prévision Photovoltaïque Régionale par Deep Learning

Prévision spatio-temporelle de la production photovoltaïque régionale à partir de séquences d’images Meteosat, avec un modèle ConvLSTM entraîné et évalué face aux mesures et à une référence de persistance.

Voir le projet