Marcel Suri
Jun 25, 2025
Les projets solaires devenant de plus en plus complexes, le besoin de données solaires et météorologiques de haute qualité capables de fournir la plus grande précision possible dans les simulations photovoltaïques se fait de plus en plus sentir. Alors que les ensembles de données de l'année météorologique typique (TMY) ont longtemps servi de norme industrielle fiable, leurs limites deviennent de plus en plus évidentes - non seulement pour les développements complexes à l'échelle de l'entreprise, mais même pour les projets plus simples.
Les jeux de données TMY sont encore utiles pour les premières étapes des évaluations de préfaisabilité. Cependant, ils ne sont plus suffisants pour la modélisation des performances et l'analyse financière.
Aujourd'hui, nous ne sommes plus contraints par les limites de calcul ou la rareté des données qui nous freinaient dans le passé. Grâce aux modèles satellitaires et aux progrès de l'informatique en nuage, nous disposons d'ensembles de données à haute résolution. Et lorsque des données plus détaillées sont facilement accessibles, pourquoi s'en remettre à une norme dépassée ?
Tout comme nous sommes passés des écrans de télévision à basse résolution à ceux à ultra-haute définition, l'industrie solaire doit maintenant faire le même saut et adopter les données de séries temporelles à haute résolution comme la nouvelle norme.
La plupart des modèles industriels disponibles aujourd'hui s'appuient encore sur le TMY horaire, qui regroupe les données historiques en une année synthétique "typique" , en lissant la variabilité naturelle et en ignorant les fluctuations météorologiques quotidiennes et annuelles qui affectent le comportement réel des systèmes photovoltaïques. Par conséquent, le TMY n'est pas en mesure de refléter la variabilité habituelle des conditions météorologiques et ne constitue pas une base fiable pour les simulations.
Par exemple, des chutes soudaines ou des changements rapides dans le rayonnement solaire peuvent constituer une mauvaise surprise et entraîner une baisse de la production et donc des revenus et des bénéfices. C'est pourquoi les développeurs ont besoin de données avec une résolution temporelle plus courte que l'heure, afin de pouvoir mieux prévoir ces événements et se préparer à des changements météorologiques à haute fréquence.
En revanche, les données de séries temporelles prennent en compte chaque année passée, par exemple 30 ans. Dans le cas des séries temporelles de 15 minutes (TS), chaque année est décomposée en intervalles de 15 minutes, ce qui permet de mieux prendre en compte les événements météorologiques extrêmes et d'offrir des données spécifiques à un site à un niveau de détail sans précédent.
les séries temporelles de 15 minutes sont donc une alternative plus viable à la TMY car, en tenant compte de la variabilité météorologique, elles améliorent la précision et la fiabilité globales des simulations photovoltaïques.
Cette figure montre les températures maximales de l'air sur une période de 30 ans (1994-2024), telles qu'elles sont représentées par les données TMY et TS horaires. Alors que l'ensemble de données TMY indique une valeur moyenne de 34 degrés Celsius, les données des séries temporelles à granularité plus élevée donnent une vision plus réaliste des conditions solaires et météorologiques réelles pour chaque année.
Pour mieux illustrer l'impact de la granularité des données sur les simulations photovoltaïques, comparons la façon dont les ensembles de données Long-Term Average (LTA), TMY et TS représentent la même période.
Les donnéesLong-Term Average (LTA) supposent que chaque jour de février est identique chaque année - ensoleillé, sans nuage et sans variabilité du rayonnement solaire. Cela ne fournit pas une évaluation suffisamment précise des performances photovoltaïques, car le temps réel en février peut inclure un ciel couvert, des précipitations, des variations de température et une instabilité de l'irradiation causée par des nuages en mouvement.
Moyenne à long terme (LTA) des données mensuelles pour le mois de février. Source : Solargis Analyst : Solargis Analyst.
Si le TMY est généré synthétiquement à partir des données LTA, il introduit une certaine variabilité - mais elle est artificielle. La marge d'erreur par rapport aux conditions réelles peut facilement atteindre 10 %. De plus, les incohérences entre des variables clés telles que le GHI et la température peuvent donner lieu à des scénarios irréalistes - par exemple, un GHI faible avec une température élevée - conduisant en fin de compte à une sous-estimation de la production photovoltaïque.
Effectuer des simulations PV avec des données TMY horaires signifie supposer que tous les jours de février, toutes années confondues, peuvent être représentés par un seul ensemble de 28 jours "typiques".
Données horaires de l'année météorologique typique (TMY) pour le mois de février. Source : Solargis Analyst : Solargis Analyst.
L'AMM permet une certaine variabilité du temps en février, bien qu'elle ne couvre que 28 occurrences (28 jours). Mais vous pouvez déjà prendre en compte les jours où le GHI dépasse 800 W/m² (alors que la LTA suppose que le GHI atteint un maximum de 700 W/m²), ou lorsque le ciel est couvert et que le GHI n'atteint même pas 200 W/m². Vous tenez également compte de la variabilité de l'indice de GES due au déplacement des nuages.
En revanche, les données de la série chronologique (TS) couvrent tout le spectre de la variabilité historique. Elles tiennent compte de chaque jour de février réel sur une période de 30 ans - plus de 800 jours de février - et offrent une représentation détaillée des conditions solaires, y compris des scénarios rares et extrêmes.
Les données de la série temporelle (TS) pour chaque jour réel de février sur une période de 30 ans. Source : Solargis Analyst : Solargis Analyst.
Alors que les simulations basées sur les TMY produisent souvent des prévisions trop optimistes et des conceptions de systèmes sous-optimales, les données de séries temporelles permettent une compréhension réaliste de la manière dont une installation photovoltaïque fonctionnera dans un large éventail de conditions réelles. Elles constituent la base de prévisions précises en matière d'exploitation, de planification de la maintenance et de modélisation économique.
Exprimée en nombre de points de données, la différence de granularité est significative. Alors que la plupart des modèles industriels qui s'appuient sur des données TMY horaires fournissent 8 760 points de données par an (24 heures x 365 jours), les données TS de 15 minutes sur une période de 30 ans offrent 1 051 200 points de données (30 ans x 8 760 heures x 4 intervalles par heure), soit 120 fois plus d'informations utiles que le TMY.
Comparaison des points de données par paramètre des données TMY horaires, TMY de 15 minutes et séries temporelles de 15 minutes.
Travailler avec plus d'un million de points de données par paramètre - contre 8 760 dans les modèles traditionnels basés sur le TMY - permet non seulement d'améliorer considérablement les simulations de rendement énergétique, mais aussi d'obtenir une modélisation financière plus robuste et une plus grande bancabilité. Le passage aux données de séries temporelles n'est pas seulement une mise à niveau technique ; il est essentiel pour améliorer le retour sur investissement, garantir le financement et fournir des performances photovoltaïques fiables à long terme.
La modélisation précise des performances photovoltaïques est l'un des aspects les plus cruciaux pour garantir le financement des projets solaires par les banques et les investisseurs. La variabilité accrue des conditions météorologiques, associée à un marché de l'énergie plus compétitif et à la valeur volatile de l'électricité, a poussé les acteurs financiers à revoir leurs exigences à la hausse. Aujourd'hui, les banques, les investisseurs et les assureurs exigent des évaluations plus rigoureuses, fondées sur des preuves, du rendement énergétique et des risques opérationnels. Les projets qui s'appuient uniquement sur les données TMY ne répondent souvent pas à ces attentes.
En raison de la fréquence et de la gravité accrues des phénomènes météorologiques extrêmes - ainsi que des dommages qu'ils causent aux actifs et à la production d'énergie - les développeurs doivent tenir compte des pertes potentielles liées aux phénomènes météorologiques extrêmes et de la probabilité qu'ils se produisent. Après tout, il s'agit là de préoccupations essentielles pour les institutions financières et les assureurs.
Les prêteurs sont poussés à examiner les projets de plus près, d'autant plus que les primes d'assurance montent en flèche en réponse aux pertes liées au climat. En 2024, les primes d'assurance pour les énergies renouvelables ont augmenté de 20 à 40 % par rapport à l'année précédente. Cela traduit une prise de conscience croissante du fait que les prévisions à faible résolution ne permettent pas d'anticiper les performances insuffisantes ou les pannes d'équipement lors d'événements à fort impact.
Étant donné que les données TMY ne rendent pas compte avec précision de la fréquence ou de l'impact des événements extrêmes - tels que les vagues de chaleur, les tempêtes ou une couverture nuageuse prolongée - les modèles basés sur les TMY sous-estiment systématiquement l'exposition au risque et surestiment la cohérence des performances.
En revanche, les données de séries chronologiques offrent plusieurs avantages stratégiques :
Modélisation plus précise des pertes : Les développeurs peuvent simuler le stress des équipements, les risques de réduction ou la variabilité de la production dans des conditions météorologiques extrêmes réalistes.
Amélioration de la diligence raisonnable : Les financiers ont accès à des prévisions détaillées sur le rendement énergétique, ce qui les aide à comprendre les scénarios les plus favorables et les plus défavorables.
Transparence et confiance accrues : Un modèle construit sur des données de séries temporelles harmonisées et basées sur la physique peut être validé, audité et reproduit, ce qui est essentiel pour les investisseurs institutionnels.
Alignement sur les exigences en matière d'assurance : La modélisation à haute résolution permet une évaluation plus solide des risques, ce qui favorise des conditions d'assurance plus favorables et réduit les risques de refus de couverture.
En fin de compte, les projets photovoltaïques doivent désormais être compétitifs non seulement en termes de capacité et de LCOE, mais aussi en termes de crédibilité. Une centrale solaire qui fonctionne bien en théorie mais qui échoue dans le monde réel ne satisfera plus les financiers. Les investisseurs étant de plus en plus conscients des risques, l'industrie doit rehausser ses normes de données en conséquence. Cela signifie qu'il faut aller au-delà du TMY et adopter des données de séries temporelles à haute résolution comme nouveau fondement de l'évaluation des projets photovoltaïques.
Chez Solargis, notre mission est d'apporter de la rigueur scientifique, de la transparence et une plus grande précision à la modélisation des projets solaires. Nous avons construit Solargis Evaluate autour de ce principe.
Par défaut, Solargis Evaluate utilise des données de séries temporelles de 15 minutes couvrant jusqu'à 30 ans pour simuler la performance PV avec une précision inégalée. Cela permet aux développeurs de mieux modéliser le comportement des onduleurs et de concevoir des systèmes résistants aux changements soudains de conditions. Les opérateurs de réseau et les développeurs peuvent anticiper efficacement les variations de performance en temps réel, réduisant ainsi le risque de ne pas répondre aux exigences de demande d'énergie fixées par les contrats avec les fournisseurs d'énergie, et minimisant l'instabilité dans les opérations des centrales photovoltaïques.
