Pablo Caballero
Jan 10, 2019
Outre la qualité et la précision, il est également important d'examiner la granularité temporelle originale des données solaires et météorologiques d'entrée. À cet égard, nous avons observé deux approches principales lors de l'exécution de simulations photovoltaïques :
Même si l'utilisation de valeurs horaires artificielles générées synthétiquement est une pratique courante, cette approche n'est pas recommandée.
Dans cet article, nous examinons les avantages de l'utilisation de séries temporelles horaires ou subhoraires réelles au lieu de données horaires générées synthétiquement à partir de moyennes mensuelles.
Pour ce faire, nous avons effectué une simulation PV en utilisant des données réelles obtenues à partir du modèle Solargis avec une résolution horaire. Nous avons ensuite comparé les résultats avec la même simulation utilisant des données horaires générées synthétiquement (dérivées des moyennes mensuelles des séries temporelles horaires originales).
Les principaux paramètres solaires et météorologiques nécessaires à la simulation de la production d'énergie photovoltaïque sont le rayonnement solaire incident et la température des cellules photovoltaïques (calculée à partir de la température de l'air).
Pour une simulation énergétique fiable, il est important d'avoir une correspondance correcte entre le rayonnement solaire et la température pour chaque pas de temps. Dans le cas contraire, la production de la centrale électrique et les pertes d'énergie correspondantes peuvent être surestimées ou sous-estimées.
Cet effet doit être pris en compte comme un facteur supplémentaire dans l'analyse d'incertitude lors de l'utilisation de données synthétiques. Dans un exemple de simulation dans le logiciel PVsyst pour un système par défaut de 15 kWp situé dans le sud-est de l'Espagne (Plataforma Solar de Almería, fichiers d'exemple disponibles ici), nous constatons une différence de 1,2 % dans la production annuelle d'énergie lors de l'utilisation de données horaires réelles par rapport à l'utilisation de données horaires générées de manière synthétique. Un exercice similaire pour d'autres sites a montré des différences plus importantes, mais généralement dans une fourchette de ±2%, ce qui peut être considéré comme une estimation raisonnable de l'incertitude supplémentaire lors de l'utilisation de données générées synthétiquement. Pour les sites présentant des schémas plus complexes de rayonnement solaire et de température, l'incertitude supplémentaire devrait être encore plus élevée.
Une fois toutes les incertitudes prises en compte (plus d'informations sur la manière de calculer le P90 dans un article précédent), nous pouvons comparer les résultats de la simulation de l'énergie photovoltaïque pour notre site d'échantillonnage dans le tableau 1, ci-dessous.
Tableau 1 : Production d'énergie obtenue à partir de la simulation d'un système simple à montage fixe
( 1) L'utilisation de moyennes à long terme précalculées par pvPlanner pourrait entraîner une incertitude légèrement plus élevée d'environ 1 %
(2) Variabilité interannuelle tirée de PVsyst
(3) Le facteur d'incertitude lié à l'utilisation de profils générés synthétiquement est inclus
Dans l'exemple ci-dessus, même si la valeur P50 est plus élevée (et plus "attrayante" à première vue) lorsque l'on utilise des données horaires synthétiques, le fait d'avoir une incertitude plus élevée se traduit par une valeur P90 plus faible (et moins "attrayante" en fin de compte). Cette situation est illustrée dans le graphique de probabilité ci-dessous. Dans tous les cas, pour assurer la réussite du projet, il est recommandé de toujours utiliser l'approche présentant la plus faible incertitude.
Fig. 1. Valeurs énergétiques P50 et P90 de deux simulations différentes avec différentes incertitudes
Pour estimer l'incertitude totale des estimations énergétiques annuelles, nous devons connaître la variabilité annuelle des conditions météorologiques et de la production énergétique attendue. Celle-ci peut être estimée avec précision si nous connaissons les sommes annuelles pour une période d'au moins 10 ans, à partir de l'histoire récente. En l'absence de séries chronologiques sur plusieurs années, nous ne pouvons que deviner la variabilité annuelle attendue de la production annuelle d'énergie, ce qui est très difficile, car la variabilité d'une année sur l'autre présente des schémas géographiques très complexes.
En l'absence de séries chronologiques, une approche de substitution consiste à utiliser les valeurs de variabilité annuelle de l'IGH provenant de sites présentant des niveaux d'irradiation et des conditions climatiques similaires. Par exemple, cette approche est utilisée par défaut lors du calcul du P90 dans le logiciel PVsyst (voir http://files.pvsyst.com/help/meteo_notes_annual_variability.htm). Cette approche pose deux problèmes. Tout d'abord, la variabilité annuelle peut varier de manière significative dans des lieux différents qui ont des conditions climatiques et un rayonnement solaire similaires. Deuxièmement, comme expliqué dans un article précédent du blog, la variabilité annuelle de l'IGH n'équivaut pas à la variabilité annuelle de la production photovoltaïque.
Tableau 2 : Variabilité interannuelle (écart-type) pour un site échantillon à Almería, Espagne
Même si les sommes mensuelles des données réelles et synthétiques sont identiques, l'analyse heure par heure montrera toujours des différences critiques. Cela signifie que dans une série temporelle horaire générée synthétiquement, les valeurs typiques et extrêmes ne sont pas entièrement prises en compte et les données synthétiques présentent généralement des déviations systématiques. La sélection d'une conception et de composants optimaux sans faire d'hypothèses à haut risque sur les conditions météorologiques attendues devient une tâche impossible lorsque l'on utilise des données synthétiques.
Pour l'échantillon de site utilisé dans cet article, de telles différences peuvent être directement observées en comparant les deux ensembles de données, l'année TMY horaire réelle et l'année générée synthétiquement. Il existe des différences entre les valeurs maximales enregistrées dans les données, mais aussi dans l'occurrence statistique des valeurs horaires supérieures ou inférieures à un certain seuil. Ceci peut être facilement observé pour tous les paramètres utilisés comme entrées dans les simulations ; dans notre cas, l'irradiation horizontale globale (GHI), l'irradiation horizontale diffuse (DIF), la température de l'air (TEMP) et la vitesse du vent (WS). Les statistiques correspondantes pour le site d'échantillonnage sont présentées dans le tableau 3.
Tableau 3 : Valeurs moyennes des principaux paramètres météorologiques pour la simulation PV sur le site de l'échantillon.
Tableau 4 : Statistiques météorologiques montrant les valeurs extrêmes, calculées pour les données réelles et synthétiques pour le site de l'échantillon à Almería, Espagne.
Pour obtenir des résultats encore plus complets, il est conseillé d'utiliser un ensemble complet de séries chronologiques historiques (fournies avec les ensembles de données TMY dans Solargis).
La distribution horaire n'est généralement pas bien représentée dans les données synthétiques, ce qui peut avoir un impact significatif sur l'analyse des revenus attendus. Non seulement en raison de la différence de tarification de l'énergie produite, qui peut être fonction des prix horaires fixés soit par les marchés spot, soit par un éventuel contrat d'achat d'électricité (CAE), mais aussi dans les cas où le système photovoltaïque est conçu pour l'autoconsommation. Dans ce cas, il est également nécessaire de disposer d'une prévision précise à long terme des profils de production afin de concevoir un plan qui maximise l'énergie produite par le système photovoltaïque.
La figure 2 et les tableaux 5 et 6 ci-dessous représentent les différences par heure de la journée en comparant la simulation basée sur des séries temporelles avec des données horaires réelles et synthétiques. Au niveau annuel, la surestimation la plus importante, observée dans les données synthétiques, se produit l'après-midi. Le tableau des écarts mensuels montre également que les différences notables au cours des premières et dernières heures de la journée sont significatives, en particulier au cours de certains mois.
Figure 2 : Valeur annuelle agrégée de la différence entre les données horaires synthétiques et réelles, pour chaque heure
Tableau 5 : Valeurs mensuelles agrégées de la différence entre les données horaires synthétiques et réelles, par heure de la journée.
Tableau 6 : Valeurs mensuelles agrégées de la différence entre les données horaires synthétiques et réelles, par heure de la journée, exprimées en pourcentage
La performance des modèles de ressources solaires par satellite pour un site donné peut être caractérisée par un ensemble d'indicateurs. Le biais ou l'écart moyen du biais (MBD) caractérise la déviation systématique du modèle sur un site donné, c'est-à-dire la surestimation ou la sous-estimation systématique ; l'écart quadratique moyen (RMSD) et l'écart absolu moyen (MAD) sont utilisés pour indiquer l'étendue de l'erreur pour les valeurs instantanées.
Le fait de disposer de mesures au sol de bonne qualité sur le site du projet offre une occasion unique de calculer ces statistiques et de valider le modèle de données météorologiques (tableau 7 et figure 3). Cependant, ce n'est que si nous disposons d'une période coïncidant avec la granularité horaire des valeurs réelles que nous pouvons effectuer une comparaison correcte et identifier les écarts éventuels du modèle. Les données générées synthétiquement ou les moyennes mensuelles ne conviennent pas à la validation du modèle de ressources solaires, car elles ne représentent pas des mesures réelles.
Tableau 7 : Statistiques de validation pour le site d'Almeria, en Espagne.
Figure 3 : Dispersion représentant les données modélisées par satellite par rapport aux données mesurées au sol pour les valeurs horaires, journalières et mensuelles pour le site d'échantillonnage.
La validation de la qualité des données météorologiques utilisées dans la simulation apportera de la confiance aux résultats. Mais si une période suffisante est enregistrée (au moins 12 mois), elle peut également être utilisée pour l'adaptation du modèle au site et la corrélation des données. Les modèles adaptés au site sont ensuite utilisés pour recalculer l'ensemble des données avec une plus grande précision et une plus faible incertitude.
Les modèles de données météorologiques sont capables de fournir des données horaires réelles pour le temps historique, mais les modèles offrent également la possibilité de calculer des données en temps réel pendant toute la durée de vie de l'installation photovoltaïque (voir figure 5). Cela signifie que la même source de données utilisée pour la prospection du site, la planification et la conception de la centrale, peut être utilisée ultérieurement pendant l'exploitation de la centrale. Cela permet une comparaison cohérente entre l'évaluation de la performance réelle et celle initialement calculée au cours du développement du projet. Cela devient utile lorsque la centrale fait l'objet d'une réévaluation, permettant des transactions plus transparentes et une évaluation solide de l'investissement lié à l'actif solaire photovoltaïque.
Figure 5 : Les données du modèle réel peuvent être utilisées de manière cohérente dans toutes les activités d'évaluation pendant la durée de vie de l'installation photovoltaïque
L'utilisation de données générées synthétiquement à partir de moyennes mensuelles est une approche dépassée, car elle ne permet qu'une gamme très limitée d'analyses et les résultats obtenus à partir de la simulation sont plus incertains. Par conséquent, l'utilisation de données générées synthétiquement peut conduire à des décisions erronées. L'utilisation de données horaires réelles provenant d'une source fiable est préférable dans tous les cas : pour obtenir les résultats les plus précis et pour effectuer une analyse et une optimisation complètes de la centrale photovoltaïque. L'utilisation de moyennes mensuelles est utile pour la prospection de sites et les études de base aux stades préliminaires du projet.
Tableau 8 : Résumé des capacités des données horaires réelles par rapport aux données horaires synthétiques.
