La variabilité des ressources solaires est une caractéristique naturelle inévitable qui a un impact sur les prévisions de l'énergie solaire. Cependant, son impact sur l'incertitude des prévisions peut être réduit en fournissant des informations sur l'incertitude prédictive, parallèlement aux valeurs de prévisions déterministes. Le fait de disposer de ces informations peut aider les services publics, les producteurs d'électricité indépendants et les gestionnaires de réseau à minimiser le risque associé au processus de prise de décision pour la gestion du réseau dans un marché de l'énergie à un jour.
Variabilité des ressources solaires
La caractérisation de la ressource solaire est souvent calculée en termes de magnitude, par exemple en identifiant la quantité d'énergie solaire disponible dans une zone d'intérêt sur une période de temps spécifique. Cependant, une caractérisation complète de la ressource solaire doit inclure des informations sur la variabilité temporelle et spatiale de la ressource dans le temps, que ce soit à l'échelle de la seconde ou de la décennie. Les caractéristiques temporelles et spatiales de la ressource solaire sont le résultat des variations de la quantité et des types de nuages. La figure 1 montre l'inévitable variabilité spatiale et temporelle de la ressource solaire, pour un même jour à différentes NOAA SURFRAD stations à travers les États-Unis.
Dans un Article de blog précédentnous avons discuté de la manière dont la variabilité solaire peut avoir un impact sur le travail des services publics et des opérateurs de réseau et nous avons fourni un exemple de la manière dont nous pouvons utiliser nos données historiques pour quantifier la variabilité. Données SolarAnywhere pour quantifier cette variabilité. Dans ce post, nous allons développer des résultats récents qui valident la façon dont cette approche peut être appliquée pour tout générateur solaire à travers les États-Unis.
L'industrie solaire en pleine croissance et ses défis
Alors que l'industrie solaire continue de se développer, la nécessité d'intégrer systématiquement l'énergie solaire devient de plus en plus importante. Selon un rapport de l Rapport de l'Administration américaine d'information sur l'énergie (EIA), les prévisions de croissance de l'électricité américaine issue de la production éolienne et solaire sont dues à une forte poussée des agences étatiques et fédérales, qui mettent en œuvre des politiques visant à fournir des subventions et à établir des normes de portefeuille pour les énergies renouvelables. Par exemple, l'EIA s'attend à ce que les sources renouvelables constituent 25 % de l'augmentation de la production totale de la capacité du secteur de l'électricité entre 2013 et 2018.
Un article récent de The Guardian a indiqué que l'énergie solaire américaine a atteint une capacité installée record de mégawatts en 2016, en partie grâce à la vague de politiques fédérales et étatiques ainsi qu'à une économie positive dans l'industrie, tant aux États-Unis que dans la plupart des pays. Cette augmentation de la croissance de l'énergie solaire présente des défis en raison de la variabilité de l'énergie solaire et apporte avec elle le potentiel d'instabilité du réseau.
Les opérateurs de systèmes utilisent les prévisions de charge " day-ahead " pour aider à programmer la quantité d'énergie nécessaire pour chaque heure du jour suivant. Par conséquent, le fait de fournir aux opérateurs de systèmes une prévision précise de l'énergie solaire et des informations sur l'incertitude des prévisions les aidera à prendre des décisions rapides sur la quantité d'électricité qui sera nécessaire à partir d'autres sources non solaires. Cependant, la variabilité et l'incertitude de l'énergie solaire sont différentes de celles des ressources de production traditionnelles et répartissables et peuvent être difficiles à intégrer dans les procédures d'exploitation standard du système.
Par exemple, le passage des nuages fait qu'il est difficile de se fier aux prévisions day-ahead à des fins de programmation avec la même confiance que les sources d'énergie traditionnelles, qui sont disponibles à tout moment de la journée. L'étude récente du National Renewable Energy Laboratory (NREL) montre que l'intégration de 25 % de la pénétration de l'énergie solaire dans l'ISO-NE avec des prévisions de jour et de quatre heures à l'avance réduit les coûts de production nets de 22,9 %. Cependant, si les opérateurs de système ou les gestionnaires de réseau ne tiennent pas compte des prévisions d'énergie solaire, la réduction du coût de production net ne sera que de 12,3 % (en raison de la seule augmentation de la pénétration), ce qui entraînerait soit un surengagement du système électrique, soit une réduction beaucoup plus importante de l'énergie solaire. Par conséquent, l'amélioration des prévisions de l'énergie solaire et l'intégration de l'incertitude des prévisions augmenteront la valeur des prévisions, ce qui permettra d'améliorer la prise de décision dans l'allocation des ressources et la stabilité du réseau.
Dans un avenir proche, suffisamment de personnes produiront de l'énergie solaire sur leurs toits pour augmenter de manière significative la part de l'énergie solaire dans les sources d'énergie des services publics. Cela crée le potentiel d'un taux de rampe énorme qui pourrait déstabiliser le réseau électrique local. Il est donc essentiel de prévoir avec précision comment et quand cela se produira pour maintenir un système fonctionnel. Jetons un coup d'œil à une approche que nous avons développée et que nous continuons à faire progresser chez Clean Power Research.
Modèle de caractérisation de la variabilité des ressources
Notre objectif de recherche est d'améliorer la prévisibilité de l'énergie solaire et la quantification de l'incertitude afin de minimiser le risque associé à l'allocation des ressources et d'aider à améliorer le processus de prise de décision pour les parties prenantes. Récemment, nous avons mis au point un modèle de caractérisation de la variabilité des ressources à la pointe de la technologie. Ce modèle est basé sur l'indice de ciel clair, appelé "Kt", qui est un indicateur de la transparence de l'atmosphère au rayonnement solaire entrant.
Nous démontrons ici comment SolarAnywhere les données sur les ressources solaires sont efficaces pour étudier la variabilité des ressources solaires (par le biais d'une métrique appelée variabilité nominale) et comment elles peuvent être utilisées pour prévoir l'incertitude des prévisions. Une explication détaillée de Kt et de la variabilité nominale se trouve dans notre document article précédent. Il y a plusieurs raisons pour lesquelles les données satellitaires (figure 2, à gauche) sont préférées aux données au sol (figure 2, à droite) pour les applications de variabilité des ressources et de prédiction de l'incertitude des prévisions solaires.
- Les stations de mesure au sol sont très inégalement réparties et disposent de peu de données historiques.
- Les normes d'étalonnage, les procédures de maintenance et les périodes de mesure historiques varient considérablement d'une entité à l'autre, qu'elle soit gouvernementale, à but non lucratif ou commerciale, responsable des stations de mesure au sol.
- Plus la distance par rapport à une station de mesure solaire augmente, plus l'incertitude des valeurs d'irradiation interpolées augmente.
Le calcul de la valeur Kt quotidienne à partir de SolarAnywhere présente une forte similitude avec celui effectué à partir de données au sol de qualité pour le même endroit, comme le montre la figure 3.
Par conséquent, les données historiques de SolarAnywhere peuvent être utilisées comme un substitut fiable des données au sol pour la caractérisation de la variabilité des ressources solaires. Il s'agit d'un outil utile pour les développeurs de projets solaires, qui peuvent ainsi comprendre la variabilité de la ressource en tout point de la planète pour les emplacements de leurs projets respectifs et effectuer une meilleure évaluation des risques. Outre la caractérisation de la ressource solaire à un endroit donné à l'aide du modèle de variabilité nominale par satellite, nous avons également poussé le modèle un peu plus loin en l'utilisant pour prédire l'incertitude des prévisions solaires à un jour.
Quantifier l'incertitude des prévisions solaires
La quantification de la variabilité associée aux prévisions de production d'énergie solaire à un jour est essentielle pour une intégration réussie de l'énergie solaire dans le réseau. Ces incertitudes peuvent être quantifiées de manière appropriée comme probabilistes (la chance qu'une valeur de prévision donnée se produise) plutôt que déterministes (une seule valeur de prévision absolue se produisant).
Nous introduisons une nouvelle stratégie de calcul des intervalles de confiance pour quantifier l'estimation de l'incertitude des prévisions de puissance solaire day-ahead obtenues à partir de la Prévisions déterministes basées sur NWP. Cette combinaison particulière de valeur de prévision déterministe et de modèle de variabilité de la ressource solaire dérivé des données historiques de SolarAnywhere est la première fois que Clean Power Research applique une telle technique pour quantifier l'incertitude des prévisions. Les résultats montrent que de telles techniques peuvent être utilisées pour améliorer la valeur de la prévision solaire sur plusieurs sites. Les modèles de prévision NWP pour lesquels la technique est testée sont :
- Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT)
- Système de prévision global (GFS)
- Base de données numérique nationale des prévisions (NDFD)
Avant d'appliquer le modèle de variabilité de la ressource solaire pour déterminer l'incertitude des prévisions, nous avons cherché à savoir si la performance des prévisions déterministes est fonction des conditions météorologiques, en classant les valeurs des prévisions solaires en différentes valeurs d'indice de ciel clair quotidien (Kt quotidien). Plus les valeurs du Kt quotidien sont élevées, plus le temps est clair. Un Kt quotidien de 1 correspond à un jour de ciel clair et un Kt quotidien de 0 correspond à un ciel complètement couvert.
La figure 4a montre les diagrammes de dispersion d'une prévision du CEPMMT par rapport aux valeurs d'irradiation des stations SUFRAD pour les jours où les valeurs quotidiennes de Kt sont comprises entre 0,4 et 0,7 (jours dominés par des conditions partiellement nuageuses) et la figure 4b montre le diagramme de dispersion pour les jours où les valeurs quotidiennes de Kt sont supérieures à 0,7 (jours essentiellement clairs). Le diagramme de dispersion pour les jours partiellement nuageux montre que la performance de la prévision n'est pas si grande pour ces jours-là. Cependant, pour les jours où le ciel est généralement clair, la prévision est très performante, avec très peu de points dispersés au-delà de la ligne 1 à 1 (450). Les mêmes résultats ont été observés pour les modèles de prévision GFS et NDFD, à savoir que les prévisions sont meilleures par temps clair et s'écartent des données mesurées lorsque le temps est partiellement nuageux.
Nous avons également examiné les valeurs de biais de prévision solaire (prévision moins observation) pour différentes conditions météorologiques dans la figure 5. Il ressort clairement de ces figures que des valeurs Kt quotidiennes plus élevées (ciel clair ou presque clair) sont associées à une distribution plus serrée du biais de prévision autour des valeurs nulles, ce qui signifie que la valeur prévue est très proche de la valeur réelle. Par conséquent, il est évident que nous pouvons caractériser l'incertitude de la prévision en utilisant une certaine fonction de la métrique de la transparence atmosphérique (dans ce cas, Kt quotidien), qui est une approximation de la variabilité de la ressource solaire (variabilité nominale - comme le montre la figure 3).
Nous avons ensuite ajusté les modèles de variabilité nominale développés à l'aide des données historiques de SolarAnywhere à la prévision déterministe et créé un intervalle de confiance de 68 % pour l'incertitude de la prévision. La figure 6 montre la prévision probabiliste du CEPMMT pour deux jours avec des systèmes météorologiques différents. La figure de gauche montre le jour avec un ciel relativement clair et la figure de droite est pour une condition partiellement nuageuse pour la station SURFRAD de Penn State, avec un climat continental humide (Humide avec des conditions hivernales sévères et estivales chaudes).
Nous pouvons clairement voir que l'enveloppe d'incertitude pour le jour clair est relativement plus étroite et que l'enveloppe d'incertitude pour le jour partiellement nuageux est plus large. Cependant, dans les deux cas, les données mesurées sont à l'intérieur d'une enveloppe. Nous pouvons prédire avec une précision de 100 % que la prévision se situe dans la région ombrée indiquant un intervalle de confiance (IC) de 68 %. Plus l'IC augmente, plus la probabilité de prédire avec précision la prévision augmente. Dans ce cas, nous essayons de resserrer l'IC afin de pouvoir construire des modèles de prévision précis.
La figure 7 montre l'incertitude de prévision prévue par le CEPMMT pour Goodwin Creek, MS, qui a un climat subtropical humide. De même, l'incertitude de prévision de Goodwin Creek a également été prédite avec une très bonne précision. Dans certains cas, la valeur d'irradiation mesurée peut dépasser la valeur d'irradiation du ciel clair en raison de l'augmentation des bordures de nuages, comme le montre le panneau de gauche de la figure 8. Cependant, même ces jours-là, la limite supérieure de l'enveloppe est proche de la prévision et elle minimise l'erreur de prévision par rapport à la prévision déterministe réelle.
La figure 8 montre la prévision NDFD pour Desert Rock, qui a un climat sec et aride (désert). La figure montre des résultats similaires à ceux des cas de prévision précédents. Sur le panneau gauche de la figure, nous voyons qu'un cumulus de petite taille qui passe crée un creux (trou) dans les données mesurées, qui n'est pas pris en compte par la prévision déterministe. Cependant, la limite inférieure de l'enveloppe de la prévision est proche de la valeur mesurée et aurait complètement capturé les données mesurées si l'IC avait été de 95%.
La figure 9 montre l'incertitude prédictive pour la prévision du GFS à la station SUFRAD de Desert Rock. Nous pouvons voir l'effet d'un petit nuage profond au milieu de la journée et dans l'après-midi pour cet emplacement sur ces deux jours différents.
A emporter
Alors que nous nous dirigeons vers des scénarios avec des pénétrations plus élevées de PV sur le réseau, des prévisions plus fiables et efficaces aideront à minimiser les causes potentielles d'instabilité du réseau. Un modèle de variabilité nominale développé à partir de données satellitaires historiques à long terme et de haute qualité peut être utilisé pour :
- caractériser la variabilité de la ressource solaire à un endroit donné
- mieux comprendre la variabilité des ressources
- aider à la sélection des sites en filtrant les sites présentant une variabilité minimale des ressources
- fournir l'incertitude prévue avec les prévisions solaires de jour en jour afin de prendre de meilleures décisions pour l'allocation des ressources de production de réserve
La prochaine étape pour nous est d'appliquer cette approche à notre service de prévision dans SolarAnywhere. Nous invitons nos utilisateurs à nous faire savoir où ce type d'application peut être utile dans votre activité et comment vous intégreriez ce niveau d'intelligence supplémentaire dans votre processus décisionnel. Pour le suivi, contactez-nous à l'adresse SolarAnywhereSupport@cleanpower.com.