La plupart des projets photovoltaïques s'appuient sur une seule valeur P50 pour représenter le rendement énergétique annuel prévu. Or, un seul chiffre ne suffit pas à rendre compte de la situation dans son ensemble et ne permet certainement pas de cerner l'éventail des résultats auxquels votre projet pourrait être confronté.
Dans ce webinaire, nous analysons en détail les facteurs qui contribuent réellement à l’incertitude du rendement photovoltaïque et expliquons pourquoi il est essentiel de la comprendre pour la rentabilité du projet. Vous découvrirez les trois principales sources d’incertitude dans les calculs de rendement : la modélisation du rayonnement solaire, la simulation photovoltaïque et la variabilité interannuelle. Vous apprendrez également comment la réduction de cette incertitude permet de prendre de meilleures décisions de conception et d’obtenir des conditions de financement plus avantageuses.
Regardez l’enregistrement pour découvrir comment Solargis calcule l’incertitude liée au rendement photovoltaïque en s’appuyant sur des données solaires et météorologiques de référence, des approches de modélisation éprouvées et une méthodologie transparente.
Dans les projets menés dans les déserts, l'encrassement constitue l'une des principales préoccupations. L'accumulation de poussière dans ce type d'environnement est rapide et souvent sous-estimée lors de la phase de mise en service.
De plus, il est difficile de se faire une idée précise sans disposer de toutes les informations. Quel modèle d'encrassement avez-vous utilisé ? Quels ensembles de données et quel simulateur avez-vous utilisés ?
Dans notre exemple de projet, nous avons délibérément posé l'hypothèse que la valeur P50 restait inchangée afin d'évaluer l'effet de la réduction de l'incertitude. Dans la pratique, une méthode plus détaillée peut également affiner le P50, mais le principal avantage que nous souhaitions mettre en avant lors du webinaire est un intervalle d’incertitude plus étroit, ce qui signifie que les valeurs P75/P90 ou toute autre valeur Pxx se rapprochent du P50.
Oui, c'est exact : l'estimation de l'incertitude relative au rayonnement solaire que nous fournissons dans Evaluate est spécifique au site et ne correspond pas à une moyenne régionale.
Elle est demandée sur demande dans l’une des sections et apparaît dans les résultats en ligne une fois l’analyse terminée.
La variabilité interannuelle peut également être facilement extraite à partir de l’écart-type de PVOUT.
Notez que l’incertitude liée à la simulation photovoltaïque n’est toujours pas prise en compte par la plateforme et doit être estimée séparément.
Cela dépend de la date à laquelle la mission satellitaire couvrant une région donnée a débuté. Par conséquent, la série de données disponibles peut commencer en 1994, 1999 ou 2007, selon la région concernée. Vous trouverez plus de détails ici.
Plus la série de données est longue, plus l'estimation de la variabilité interannuelle est fiable.
Cela dit, comme les observations satellitaires sont intégrées en continu dans le modèle d'irradiance, il est généralement préférable d'utiliser l'ensemble de données le plus récent disponible.
Cela vous permet de bénéficier d’un historique plus long tout en tenant compte des tendances récentes susceptibles d’être pertinentes.
Cela dépend du site concerné et de la complexité de la centrale. La simulation photovoltaïque peut constituer le facteur déterminant dans les projets plus complexes situés dans des zones bien connues où le modèle d'irradiance offre de meilleures performances.
De même, le modèle d’irradiance solaire peut être le facteur déterminant dans des projets relativement simples situés dans des zones où l’on s’attend à ce que ce modèle présente des écarts plus importants.
En revanche, la variabilité interannuelle peut être importante dans les zones où la variabilité de la couverture nuageuse est particulièrement difficile à appréhender (par exemple, des nuages évoluant rapidement en l’espace de 10 à 15 minutes) et peut même devenir le facteur le plus déterminant dans certains cas.
En règle générale, nous ne recommandons pas cette approche. Elle implique en effet de combiner des données issues de différents modèles, qui sont susceptibles de présenter des niveaux de cohérence, de méthodologie et de précision variables.
En règle générale, lors de la mesure d’un paramètre, il est préférable de s’appuyer sur la source la plus précise et la mieux validée disponible. Ce même principe s’applique aux modèles d’irradiance solaire. La combinaison des résultats de plusieurs modèles ne réduit pas nécessairement l’incertitude et, dans certains cas, peut même introduire des sources supplémentaires d’incohérence.
Ces indicateurs sont tous utilisés, mais à des fins différentes. Alors que le P50 sert de scénario de référence pour la modélisation financière, le P90 est un indicateur couramment utilisé pour le calcul du ratio de couverture du service de la dette (DSCR).
En général, toute valeur Pxx peut être calculée en fonction des exigences des parties prenantes du projet.
Nous utilisons notre propre modèle satellitaire Solargis pour le rayonnement solaire, ainsi que des modèles de réanalyse de prévisions numériques de l'état de la Terre (NWP) de haute qualité, principalement ERA5, pour d'autres paramètres météorologiques tels que la température, la vitesse du vent et l'humidité, entre autres.
Pour plus d'informations, cliquez ici.
Autant d'années que possible. La principale contrainte réside dans la date de début des missions satellitaires couvrant la région.
D’un point de vue pratique, il est généralement recommandé de disposer d’au moins 11 ans de données pour obtenir des valeurs Pxx statistiquement significatives.
Toutefois, des séries de données plus longues et plus récentes sont préférables, car elles fournissent des estimations plus fiables de la variabilité interannuelle tout en reflétant les tendances récentes.
À l’échelle mondiale, le GHI de Solargis présente un écart moyen de 0,5 % et un écart-type de 3 % pour les valeurs annuelles, par rapport à 320 sites de mesure de référence.
Pour obtenir des résultats spécifiques à chaque région, nous vous recommandons de consulter le dernier rapport de validation publié par Solargis, qui comprend également des indicateurs supplémentaires démontrant les performances et la cohérence du modèle à des échelles horaires et mensuelles.
Vous pouvez consulter les statistiques de validation détaillées ici.
Nous utilisons effectivement des données in situ pour valider le modèle. Une fois le modèle validé, il est appliqué au site du projet en utilisant comme données d’entrée les données de particules en suspension (PM) issues de modèles de réanalyse, principalement CAMS.
Vous trouverez ici une explication détaillée du fonctionnement du modèle de salissure de Solargis.
Si des mesures locales in situ d’encrassement ou de poussière sont disponibles à proximité du site de votre projet, nous pouvons évaluer si leur intégration permettrait d’améliorer la précision de l’estimation des pertes dues à l’encrassement.
Cette fonctionnalité n’est actuellement pas proposée en standard dans le logiciel Solargis, mais notre équipe de consultants peut l’étudier au cas par cas.
La réduction de l'incertitude repose sur des méthodes scientifiques bien établies. L'incertitude est quantifiée en comparant les performances du modèle à celles d'un grand nombre de stations de mesure au sol, dans un large éventail de conditions.
Le message clé pour les banques et les prêteurs est qu’une évaluation de l’incertitude plus détaillée et spécifique au site, plutôt qu’une évaluation régionale générique, se traduit généralement par un intervalle de confiance plus étroit. Cela conduit à son tour à une valeur P90 plus élevée et peut permettre d’augmenter la capacité d’endettement.
L’impact exact sur le montant de la dette – par exemple, si le ratio d’endettement passe de 75 % à 78 % – dépend des exigences du prêteur en matière de DSCR et des spécificités du modèle financier du projet.
