Marketa Hulik Jansova
Oct 22, 2026
Les données solaires mesurées au sol sont souvent considérées comme la référence absolue. Elles servent à évaluer les performances des centrales photovoltaïques, à valider des modèles, à adapter les ensembles de données satellitaires aux conditions locales, à calculer la production prévue et à déterminer si une installation fonctionne comme prévu.
Mais les données mesurées ne sont jamais parfaites.
Les défaillances des instruments, les problèmes d’installation, les effets environnementaux, l’encrassement, l’ombrage, la dérive d’étalonnage et le désalignement des capteurs peuvent tous introduire des erreurs. Certaines sont évidentes. D’autres sont subtiles et peuvent rester cachées dans les données pendant des mois.
Le problème ne réside pas seulement dans l’existence de ces problèmes. Le véritable problème est qu’ils faussent silencieusement chaque résultat établi à partir de ces mesures.
Ce sujet a fait l’objet d’une étude Solargis que nous avons présentée lors du PVPMC 2026, qui examinait l’impact du contrôle qualité sur l’incertitude dans l’évaluation des performances photovoltaïques. Pour l’analyse et le contrôle qualité des données mesurées, nous avons utilisé Solargis Analyst, notre logiciel de visualisation, de comparaison, de nettoyage et d’analyse des données solaires et météorologiques.
Notre analyse a quantifié l’ensemble de la chaîne, des mesures brutes aux indicateurs de performance finaux, en s’articulant autour de trois questions pratiques :
Les résultats que nous avons présentés sont sans équivoque : le contrôle qualité n’est pas facultatif. Il s’agit d’une étape indispensable avant de pouvoir utiliser les données mesurées en toute confiance.
Notre première conclusion est peut-être la plus importante. Dans l’ensemble de données que nous avons analysé, 100 % des séries chronologiques GHI et GTI présentaient des problèmes de qualité.
Nous avons évalué 509 ensembles de données de mesures au sol GHI et 77 ensembles de données GTI à l’aide des procédures de contrôle qualité expertes de Solargis. L’étude a examiné à la fois la présence de problèmes de qualité dans les ensembles de données et leur impact sur le biais et l’erreur absolue moyenne (MAE) lorsqu’ils ne sont pas corrigés.
Dans un ensemble de données type, la proportion de points de données affectés était relativement faible. La médiane des points de données affectés atteignait 3,2 % pour le GHI et 6,1 % pour le GTI.
Mais la queue de la distribution présentait des valeurs bien plus élevées.
Au 90e centile, les points de données affectés atteignaient 18 % pour le GHI et 15 % pour le GTI. Des problèmes persistants d’étalonnage ou de désalignement pouvaient affecter jusqu’à 47 % de l’ensemble des points de données au P90.
Cela signifie que l’ensemble de données médian peut sembler gérable, mais que les cas difficiles peuvent être sérieusement compromis. Si aucun contrôle qualité n’est effectué, il n’y a aucun moyen de savoir où se situe un ensemble de données spécifique dans cette fourchette.
Tableau 1 : Part des ensembles de données et des points de données affectés par type de problème de qualité sélectionné, pour le GHI et le GTI. Remarque : les statistiques relatives aux points de données affectés sont calculées uniquement à partir des ensembles de données dans lesquels le problème concerné est présent.
Il n’est pas nécessaire que les problèmes de qualité affectent la majeure partie de l’ensemble de données pour avoir une incidence. Même un nombre relativement faible de points de données problématiques peut accroître l’incertitude, en particulier si le problème introduit un biais systématique plutôt qu’un bruit aléatoire.
Notre analyse a montré que le fait de ne signaler aucun problème de qualité amplifiait le biais de 5,7 % pour le GHI et de 4,6 % pour le GTI au P90, avec des augmentations similaires de l’erreur moyenne absolue (MAE).
Pour l’évaluation des performances photovoltaïques, cela a son importance car de nombreuses décisions dépendent de faibles écarts. Un biais de quelques pour cent peut influencer l’impression que donne un actif de sous-performance, la perception de la précision d’un modèle, ou la bonne compréhension des scénarios de production attendus et prudents.
En d’autres termes, les problèmes de qualité de mesure peuvent s’immiscer discrètement dans l’analyse, mais leur effet peut être suffisamment important pour fausser l’interprétation des performances.
C’est pourquoi l’hypothèse de départ la plus sûre est simple :
partez du principe que vos données mesurées comportent des problèmes de qualité, car c’est presque toujours le cas.
Dans la deuxième partie de l’étude, nous nous sommes penchés sur le contrôle qualité automatisé.
L’automatisation est essentielle, car l’examen manuel de grands ensembles de données de mesure à haute résolution n’est pas facilement extensible. Les projets photovoltaïques peuvent générer d’importants volumes de données, en particulier lorsque les mesures sont enregistrées à une résolution d’une minute ou de cinq minutes, à l’aide de plusieurs capteurs et sur de longues périodes.
Notre étude a analysé 114 ensembles de données couvrant une année, chacun comportant deux mesures GHI et ayant déjà fait l’objet d’un contrôle qualité (CQ) par des experts. Chaque ensemble de données a été modifié de plusieurs façons : agrégé à des intervalles de temps plus grossiers, réduit à un seul capteur GHI, et raccourci à six puis à trois mois. L’objectif était de quantifier l’évolution des performances du contrôle qualité automatisé en fonction de la résolution des données, de la durée d’enregistrement et de la redondance des capteurs.
Les résultats montrent que l’automatisation peut se rapprocher des performances des experts, mais uniquement dans des conditions favorables.
Avec des ensembles de données multicapteurs d’une résolution d’une minute, le CQ automatisé a atteint des performances proches de celles du CQ expert. Dans certains cas, le CQ automatisé a permis une réduction du biais et de l’erreur moyenne absolue (MAE) supérieure à celle du CQ expert, comme l’indique le rapport expert/automatique.
Cependant, les performances se sont dégradées lorsque les conditions sont devenues moins favorables.
Les configurations à capteur unique et les pas de temps plus grossiers ont accru le risque de signalement excessif et de problèmes non détectés. En l’absence de capteurs redondants, le contrôle qualité automatisé a manqué davantage de problèmes réels. Au P90, le rapport expert/automatique pouvait atteindre 2, ce qui montre que les ensembles de données complexes nécessitent toujours l’examen et l’intervention d’un expert.
Il est intéressant de noter qu’une durée d’observation plus courte s’est avérée moins problématique que prévu. Les données sur six mois ont donné des résultats presque identiques à celles sur un an. Même une durée de trois mois s’est révélée viable pour des ensembles de données typiques, bien que la cohérence ait diminué sur les sites plus complexes.
Figure 1 : ΔBias et ΔMAE [%] obtenus par le contrôle qualité expert et automatisé par rapport aux mesures brutes, en utilisant le modèle de ressources solaires Solargis comme référence, aux valeurs médianes et p90. Les chiffres sur les barres indiquent le rapport expert/automatique : les valeurs inférieures à 1 indiquent que l’automatisation surpasse le contrôle qualité expert, celles supérieures à 1 indiquent le contraire.
En conclusion, le contrôle qualité automatisé fonctionne mieux lorsque le dispositif de mesure est performant. Des capteurs redondants, une résolution temporelle élevée et au moins six mois de données créent des conditions bien plus favorables à un contrôle qualité automatisé fiable, ainsi qu’à l’évaluation par un expert.
Pour les évaluations à enjeux élevés ou les sites difficiles, l’automatisation doit venir en complément de l’examen par un expert, et non le remplacer entièrement.
Une autre constatation est que tous les problèmes de qualité n’ont pas le même impact. Le contrôle qualité automatisé peut passer à côté de problèmes subtils et à faible impact, mais détecte tout de même les anomalies les plus importantes, ce qui permet de maintenir la réduction du biais et de l’erreur moyenne absolue (MAE) à un niveau proche de celui des experts.
Cette distinction est importante pour la mise à l’échelle opérationnelle.
Pour le traitement courant des données, le contrôle qualité automatisé peut s’avérer très utile s’il détecte les problèmes à fort impact qui affectent de manière significative l’analyse des performances. Pour les évaluations bancables, l’examen par des experts reste important car des problèmes peu fréquents ou spécifiques à un site peuvent encore influencer les conclusions, en particulier lorsque les marges d’incertitude sont étroites.
Dans la pratique, le meilleur processus n’est ni manuel ni automatisé. Il est hybride.
L’automatisation gère le volume. Les experts gèrent le contexte, les cas limites et le jugement final.
La troisième partie de notre analyse a examiné ce qui se passe lorsque l’incertitude de mesure est répercutée sur l’évaluation des performances photovoltaïques.
L’étude a utilisé une série chronologique d’un an de données GHI (rayonnement global) à intervalles de cinq minutes, dans lesquelles des problèmes de qualité contrôlés avaient été introduits. La production photovoltaïque (PVOUT) a été simulée à l’aide de Solargis Evaluate pour trois configurations photovoltaïques représentatives : inclinaison fixe à l’angle optimal, suiveur horizontal nord-sud et système bifacial vertical à une seule rangée. Les simulations ont été réalisées pour trois sites présentant des conditions climatiques distinctes.
La principale conclusion est que la qualité des données d’entrée affecte directement l’indicateur de performance final, mais que l’ampleur de cet impact dépend de la conception du système.
Pour les systèmes monofaciaux à inclinaison fixe et les systèmes à suiveur, les problèmes de mesure dans le GHI se répercutaient généralement sur la production photovoltaïque (PVOUT) avec une ampleur similaire, bien que légèrement réduite. Les systèmes bifaciaux verticaux se sont révélés plus sensibles, et dans certains cas, l’impact sur la production photovoltaïque (PVOUT) était plus important que l’erreur initiale du GHI.
Les implications pratiques sont importantes : un biais de ±2 % du GHI peut se traduire par un écart d’environ ±2 % dans l’indice de performance énergétique (EPI). Un biais négatif du GHI peut gonfler l’EPI et masquer une sous-performance, tandis qu’un biais positif du GHI peut le réduire et donner l’impression qu’une centrale en bon état est moins performante qu’elle ne l’est réellement.
C’est pourquoi un contrôle qualité doit être effectué avant de calculer l’EPI. Un problème de mesure non détecté peut faire apparaître sur le papier une installation en difficulté comme parfaitement performante.
L’évaluation des performances photovoltaïques sert souvent à répondre à une question simple : la centrale fonctionne-t-elle comme prévu ? Or, la réponse à cette question dépend de la qualité des données de référence.
Si l’irradiance mesurée est erronée, le rapport de performance, l’EPI, la validation du modèle et l’analyse des sous-performances peuvent tous être faussés. Une centrale peut sembler performante alors qu’elle est sous-performante, ou sous-performante alors que le véritable problème réside dans la référence de mesure.
C’est pourquoi le contrôle qualité des mesures n’est pas seulement une étape technique de nettoyage. Il s’inscrit dans la gestion de l’incertitude. L’étude montre que le fait de négliger le contrôle qualité peut introduire des erreurs comparables à celles de l’ensemble de la chaîne d’incertitude de la simulation.
Pour les équipes chargées des projets photovoltaïques, notre analyse permet de retenir trois points clés :
Les données mesurées restent essentielles pour l’évaluation des performances photovoltaïques, l’adaptation au site, la validation des modèles et la prise de décision. Mais elles ne doivent pas être considérées comme automatiquement correctes. Ce n’est qu’après un contrôle qualité approprié qu’elles peuvent constituer une base fiable permettant de réduire l’incertitude et d’obtenir une évaluation des performances plus fiable.
