FR3135798A1 - Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque - Google Patents
Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque Download PDFInfo
- Publication number
- FR3135798A1 FR3135798A1 FR2204793A FR2204793A FR3135798A1 FR 3135798 A1 FR3135798 A1 FR 3135798A1 FR 2204793 A FR2204793 A FR 2204793A FR 2204793 A FR2204793 A FR 2204793A FR 3135798 A1 FR3135798 A1 FR 3135798A1
- Authority
- FR
- France
- Prior art keywords
- power
- produced
- power produced
- acquired
- forecast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000006870 function Effects 0.000 claims abstract description 57
- 238000012546 transfer Methods 0.000 claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims description 32
- 238000010616 electrical installation Methods 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 6
- 101100245139 Caenorhabditis elegans prdh-1 gene Proteins 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 13
- 230000005611 electricity Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001439211 Almeida Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
La présente invention concerne un procédé de prévision d’une puissance produite (Pui) par au moins un panneau photovoltaïque. Pour ce procédé, on construit un modèle de prévision de puissance produite (MOD COR), à partir de données météorologiques (Prevh) et données de production (Prodh) pendant une période prédéterminée. Le modèle de prévision est une combinaison d’une fonction de transfert calibrée (FT CS) et un modèle de variation de la puissance (MOD VAR) construit par apprentissage automatique, la combinaison (MOD PRO) est corrigée (COR) en fonction de la puissance produite. Puis, en temps réel, on détermine une prévision de puissance produite par application du modèle de prévision (MOD COR) d’une puissance produite. Figure 1 à publier
Description
La présente invention concerne le domaine de la gestion de la production électrique d’au moins un panneau photovoltaïque. En particulier l’invention concerne la prévision d’une puissance produite par au moins un panneau photovoltaïque en fonction de prévisions météorologiques.
La production électrique des panneaux photovoltaïques est généralement gérée par des agrégateurs, qui sont des opérateurs du marché électrique pour équilibrer l’offre et la demande sur le réseau électrique. Aujourd’hui, les agrégateurs disposent d’outils de prévision peu fiables de leur production. Ils n’arrivent pas à estimer de manière précise et à l’avance leurs potentiels de production. Cela induit donc une mauvaise gestion de leurs portefeuilles avec des écarts croissants vis-à-vis du gestionnaire de réseau de transport d’électricité (par exemple RTE en France), une mauvaise planification de la batterie connectée aux panneaux photovoltaïques et une planification non optimale de la batterie connectée aux panneaux photovoltaïques.
Il existe donc un fort besoin de disposer d’outils de prévision de production photovoltaïque robustes et plus précis, sans devoir utiliser des données et des capteurs très couteux comme des caméras au sol.
La majorité des approches de prévision de production photovoltaïque se basent soit sur une précision fiable sur le court terme (quelques heures) en exploitant des mesures potentiellement couteuses comme les caméras au sol soit sur des prévisions sur du plus long termes (quelques jours).
La prévision de la production photovoltaïque est un sujet fondamental pour la gestion des systèmes hybrides (panneaux photovoltaïques et autre moyen de production électrique ou panneaux photovoltaïques et batterie) en temps réel et pour la planification des opérations des agrégateurs. Un grand nombre d’études dans la littérature proposent l’estimation de cette production à partir de données météorologiques. Les approches peuvent aller de méthodes paramétriques avec des modèles physiques plus ou moins simples, à des méthodes non paramétriques à base de réseaux de neurones ou autre. Une comparaison assez détaillée entre ces deux familles d’approches a été proposée dans le document Almeida, Marcelo Pinho, et al. "Comparative study of PV power forecast using parametric and nonparametric PV models." Solar Energy 155 (2017): 854-866, notant une nette amélioration des prévisions avec les méthodes non paramétriques. Des méthodes hybrides entre les approches paramétriques et non paramétriques ont aussi été proposées mentionnant une réduction des erreurs par rapport aux approches purement non paramétriques. Ces prévisions de production présentent toutefois des incertitudes et des erreurs de prévision surtout les jours nuageux.
La demande de brevet AU2021104436 décrit une méthode et un système pour prédire une capacité de puissance photovoltaïque, et pour contrôler une génération de puissance photovoltaïque. Pour cette méthode, les prévisions météorologiques sont acquises pour plusieurs jours. Par conséquent, la prévision de la puissance photovoltaïque générée n’est pas précise, en particulier à court terme.
La demande de brevet US2021194424 décrit une méthode et un système de prédiction de puissance d’une station photovoltaïque. Cette méthode permet une prévision de la puissance photovoltaïque sur du très court terme avec un pas temporel réduit, par exemple un pas temporel d’une minute en cas de passage de nuage. La prévision se base sur un historique très récent des acquisitions des onduleurs. Ce modèle ne se base pas sur des prévisions météorologiques, et n’est pas adapté à des prévisions de puissance photovoltaïque à long terme.
La demande de brevet CN112700026 décrit une méthode et un système de prédiction de puissance d’un panneau photovoltaïque. Cette méthode permet une estimation de la production photovoltaïque à partir d’une donnée d’irradiance uniquement sans prendre en compte les prévisions météorologiques. Cette méthode ne permet pas une prévision précise de la puissance produite.
La demande de brevet CN111967652 décrit une méthode de prédiction de puissance d’un système photovoltaïque à ultra-court terme. Cette méthode combine un premier modèle qui prédit la puissance photovoltaïque sur les prochaines heures et la combine à un module pour corriger les prévisions courts termes. Cette méthode ne prend pas en compte les prévisions météorologiques. Cette méthode ne permet donc pas une prévision précise de la puissance produite.
L’invention a pour but de déterminer précisément et de manière robuste des prévisions de puissance produite par au moins un panneau photovoltaïque, aussi bien sur du court terme que sur du long terme. La présente invention concerne un procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque. Pour ce procédé, on construit un modèle de prévision de puissance produite, à partir de données météorologiques et données de production pendant une période prédéterminée. Le modèle de prévision est une combinaison d’une fonction de transfert calibrée et un modèle de variation de la puissance (construit par apprentissage automatique), la combinaison est corrigée en fonction de la puissance produite. Puis, en temps réel, on détermine une prévision de puissance produite par application du modèle de prévision d’une puissance produite. Ainsi, le procédé selon l’invention se base sur une combinaison de modèles physiques et d’intelligence artificielle afin d’être le plus robuste possible aux erreurs de prévision météorologique. Le procédé selon l’invention permet notamment de prédire une puissance produite, tout en estimant un certain intervalle de confiance associé. L’intervalle de confiance permet d’estimer une incertitude associée aux prévisions. Ainsi, le procédé peut être utilisé par les agrégateurs pour optimiser la gestion de la production, tout en respectant les exigences du réseau. De plus, la correction du modèle permet d’améliorer la précision de la prévision. Ainsi, même sans capteurs au sol, le procédé selon l’invention permet d’améliorer les prévisions courts termes tout en restant fiables sur les prévisions longs termes.
L’invention concerne un procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque. Pour ce procédé, on met en œuvre les étapes suivantes :
- On acquiert une puissance produite par ledit au moins un panneau photovoltaïque pendant une période prédéterminée ;
- On acquiert des données météorologiques pendant ladite période prédéterminée, lesdites données météorologiques comprenant au moins une irradiance, éventuellement une température et éventuellement d’autres données de prévision météorologique ;
- On calibre une fonction de transfert qui relie la puissance produite par ledit au moins un panneau photovoltaïque à ladite irradiance et éventuellement à ladite température pour ladite période prédéterminée ;
- On construit une base d’apprentissage pour ladite période prédéterminée à partir de ladite puissance produite acquise, desdites données météorologiques acquises, et de paramètres temporels ;
- On construit un modèle de variation de la puissance produite par ledit au moins un panneau photovoltaïque au moyen d’une méthode d’apprentissage automatique entraînée sur ladite base d’apprentissage construite, ledit modèle de variation de la puissance produite associant une variation de la production à des données météorologiques et à un paramètre temporel ;
- On construit un modèle de prévision de puissance produite par ledit au moins un panneau photovoltaïque par combinaison de ladite fonction de transfert calibrée et appliquée à une irradiance théorique pour un ciel clair sans nuage et dudit modèle de variation de la puissance produite, et au moyen d’une correction de ladite combinaison en fonction de ladite puissance produite acquise ;
- En temps réel, on acquiert la puissance produite par ledit au moins un panneau photovoltaïque ;
- En temps réel, on acquiert des données de prévisions météorologiques pour au moins un instant futur ;
- En temps réel, on détermine une prévision de la puissance produite par ledit au moins un panneau photovoltaïque pour ledit au moins un instant futur, par application dudit modèle de prévision de puissance produite à ladite puissance produite acquise en temps réel, et auxdites données de prévisions météorologiques acquises en temps réel.
Selon un mode de réalisation, pendant ladite période prédéterminée, on acquiert l’irradiance mesurée au moyen d’un pyranomètre.
Selon un aspect, ladite méthode d’apprentissage automatique est un apprentissage automatique de régression, de préférence une méthode de forêt aléatoire.
Conformément à une mise en œuvre, ladite étape de correction de ladite construction dudit modèle de prévision de puissance produite est fonction d’une comparaison entre une puissance produite acquise et une puissance produite estimée au moyen de ladite fonction de transfert et dudit modèle de variation pour plusieurs pas de temps antérieur à l’instant considéré.
Avantageusement, ladite étape de correction met en œuvre la formule suivante :
Selon une caractéristique, ledit modèle de variation de la puissance produite détermine une puissance produite médiane et/ou une puissance produite pour le dixième centile et/ou une puissance produite pour le quatre-vingt-dixième centile.
De manière avantageuse, on acquiert lesdites données de prévision météorologiques au moyen d’un service en ligne, et selon un pas temporel compris entre 5 minutes et 4 heures, de préférence entre 15 minutes et 1 heure.
Selon une option de réalisation, lesdites données de prévision météorologique comprennent une température, une irradiance, une vitesse du vent, un taux de précipitation, un taux d’humidité de l’air.
Conformément à un mode de réalisation, on acquiert lesdites données de prévision météorologique pour un horizon temporel compris entre 1 heure et 14 jours, de préférence entre 1 et 7 jours.
De préférence, on détermine une prévision de la puissance produite pour un horizon temporel futur correspondant audit horizon temporel desdites données de prévision météorologique.
Selon un mode de réalisation, ladite fonction de transfert est une cartographie qui relie une irradiance, une température et une puissance produite par ledit au moins un panneau photovoltaïque.
En outre, l’invention concerne un procédé de gestion d’une installation électrique comprenant au moins un panneau photovoltaïque. Pour ce procédé, on met en œuvre les étapes suivantes :
- On détermine une prévision de la puissance produite par ledit au moins un panneau photovoltaïque au moyen du procédé selon l’une des caractéristiques précédentes ; et
- On gère ladite installation électrique en fonction de ladite prévision de puissance produite, par exemple en gérant une batterie électrique de ladite installation électrique, et/ou en gérant une distribution électrique au sein d’un réseau électrique.
D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après.
La illustre les étapes du procédé selon un premier mode de réalisation de l’invention.
La illustre les étapes du procédé selon un deuxième mode de réalisation de l’invention.
La représente une cartographie de la fonction de transfert selon un mode de réalisation de l’invention.
La représente un exemple de courbe de l’irradiance mesurée en fonction du temps, et une courbe de l’irradiance théorique pour un ciel clair sans nuage en fonction du temps.
La illustre, pour un exemple, une comparaison de la prévision de puissance produite estimée par le procédé selon l’invention à une référence de prévision de puissance produite et à une mesure de la puissance produite.
La illustre, pour un deuxième exemple, une comparaison entre une puissance produite mesurée et une prévision de la puissance produite pour chaque centile considéré par le procédé selon un mode de réalisation de l’invention.
L’invention concerne un procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque. En d’autres termes, l’invention concerne une détermination de la puissance qui sera produite par au moins un panneau photovoltaïque dans le futur (pour au moins un instant futur). La puissance produite par le panneau photovoltaïque est une puissance électrique.
De préférence, l’invention concerne un procédé de prévision d’une puissance produite par un parc photovoltaïque, qui comprend une pluralité de panneaux photovoltaïques identiques installés dans un lieu unique.
De plus, le procédé de prévision d’une puissance produite peut être appris et appliqué sur tout site de production électrique par au moins un panneau photovoltaïque.
Selon l’invention, le procédé de prévision met en œuvre les étapes suivantes :
1. Acquisition de la puissance produite pendant une période prédéterminée
2. Acquisition de données météorologiques pendant la période prédéterminée
3. Calibration d’une fonction de transfert
4. Construction d’une base d’apprentissage
5. Construction d’un modèle de variation de puissance produite
6. Construction d’un modèle de prévision de puissance produite
7. Acquisition de la puissance produite en temps réel
8. Acquisition de prévisions météorologiques en temps réel
9. Prévision d’une puissance produite pour un horizon futur
Les étapes 3 à 6 et 9 peuvent être mises en œuvre par des moyens informatiques, par exemple un ordinateur. Les étapes 1 à 6 peuvent être réalisées hors ligne et une seule fois, cette phase pouvant être appelée « phase d’apprentissage ». Les étapes 7 à 9 peuvent être réalisées en temps réel et répétées à chaque instant., cette phase pouvant être appelée « phase d’application en temps réel ». Les étapes 1 et 2 peuvent être réalisées dans cet ordre, en ordre inverse ou simultanément. De plus, les étapes 3 et 4 peuvent être réalisées dans cet ordre, en ordre inverse ou simultanément. De même, les étapes 7 et 8 peuvent être réalisées dans cet ordre, en ordre inverse ou simultanément. Ces étapes sont détaillées dans la suite de la description.
Dans la suite de la demande, la période prédéterminée désigne une période prédéterminée antérieure. En d’autres termes, la période prédéterminée correspond à un historique. Cette période prédéterminée peut comprendre au moins une saison estivale et une saison hivernale afin d’avoir les variations saisonnières des conditions météorologiques, et elle peut valoir par exemple au moins une année. Au contraire, le temps réel concerne l’instant actuel considéré à partir duquel on souhaite déterminer une prévision de la puissance qui sera produite par le panneau photovoltaïque pour au moins un instant futur.
La illustre, schématiquement et de manière non limitative, les étapes du procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque selon un mode de réalisation de l’invention. Au moyen de puissance produite lors de la période prédéterminée Prodh, de données météorologiques lors de la période prédéterminée Prevh, et des instants de ces données th, on calibre une fonction de transfert FT CS. En parallèle, on construit un modèle de variation de la puissance produite MOD VAR à partir de la puissance produite lors de la période prédéterminée Prodhet des données météorologiques lors de la période prédéterminée Prevh. Cette fonction de transfert FT CS et ce modèle de variation sont combinés pour former un premier modèle de prévision de production MOD PRO, qui est corrigé COR pour former un modèle de production corrigé MOD COR, qui est appelé modèle de prévision de la puissance produite. La correction COR est mise en œuvre au moyen de la puissance produite lors de la période prédéterminée Prodh. Ces étapes sont réalisées hors ligne APP une seule fois pour la construction du modèle corrigé : il s’agit de la phase d’apprentissage. Ensuite, en temps réel TR, on applique le modèle corrigé MOD COR à des données de production en temps réel Prodt, à des données de prévision météorologique en temps réel Prevtpour un instant futur et à l’instant considéré t. Ainsi, on détermine une puissance PUI qui sera produite par l’au moins un panneau photovoltaïque pour un horizon futur. Il s’agit de la phase d’application en temps réel TR.
Conformément à une mise en œuvre de l’invention, le procédé peut comprendre une étape d’acquisition de mesure de l’irradiance de l’au moins un panneau photovoltaïque pendant la période prédéterminée. L’éclairement énergétique ou irradiance est un terme radiométrique qui quantifie la puissance d'un rayonnement électromagnétique frappant par unité de surface perpendiculaire à sa direction. C'est la densité surfacique du flux énergétique arrivant au point considéré de la surface. Cette étape optionnelle permet une meilleure calibration de la fonction de transfert et par conséquent, l’obtention d’un modèle corrigé précis. De préférence, les mesures de l’irradiance peuvent être mises en œuvre au moyen d’un pyranomètre. Un pyranomètre est un capteur de flux thermique utilisé pour la mesure de la quantité d'énergie solaire en lumière naturelle. C’est une mesure qui est plus précise que les prévisions météorologiques d’irradiance. Préférentiellement, cette mesure peut être mise en œuvre uniquement pour les étapes de construction du modèle corrigé (c’est-à-dire pour la phase d’apprentissage). En d’autres termes, aucune mesure d’irradiance n’est utilisée en temps réel (c’est-à-dire pour la phase d’application en temps réel). Ainsi, la prédiction en temps réel de la puissance produite par l’au moins un panneau photovoltaïque ne nécessite aucune instrumentation en temps réel.
La illustre, schématiquement et de manière non limitative, cette mise en œuvre de l’invention. Les éléments identiques à la ne seront pas détaillés. Le procédé selon cette mise en œuvre comporte une étape d’acquisition de données d’irradiance MES issues d’un capteur tel qu’un pyranomètre. Les données d’irradiance MES sont utilisées dans la calibration de la fonction de transfert FT CS.
1. Acquisition de la puissance produite pendant une période prédéterminée
Lors de cette étape, on acquiert, pour la période prédéterminée, la puissance électrique produite par l’au moins un panneau photovoltaïque. Cette puissance électrique peut être mesurée par un onduleur photovoltaïque (appelé aussi onduleur solaire ou régulateur solaire). Un onduleur photovoltaïque transforme le courant électrique continu produit par l’au moins un panneau photovoltaïque en courant alternatif pour l’injection au sein d’un réseau électrique. Un tel onduleur photovoltaïque analyse en permanence le courant continu émis par l’au moins un panneau photovoltaïque. Ainsi, on associe à chaque instant de la période prédéterminée une puissance électrique qui a été produite.
Cette étape peut comporter également le stockage de données acquises de puissance produite, par exemple sur des moyens informatiques, tel qu’un ordinateur ou un serveur ou une mémoire informatique.
2. Acquisition de données météorologiques pendant la période prédéterminée
Lors de cette étape, on acquiert, pour la période prédéterminée, des données météorologiques. Les données météorologiques peuvent comprendre des données de prévision météorologique. Dans ce cas, à un instant t passé de la période prédéterminé on associe les données de prévision météorologique émises à l’instant t-X, X étant un horizon temporel des prévisions météorologiques. Par exemple, si on considère des prévisions météorologiques pour une durée de un jour. Pour l’instant t passé, on prend les prévisions météorologiques de la veille de l’instant t. Autrement dit à un instant considéré passé, on acquiert une donnée météorologique qui correspond à une prévision météorologique émise pour cet instant passé. Selon l’invention, lesdites données météorologiques comprennent au moins une irradiance, éventuellement une température et éventuellement d’autres données de prévision météorologique.
Pour le mode de réalisation pour lequel on met en œuvre des mesures par pyranomètre, l’irradiance acquise peut être celle mesurée par le pyranomètre. Dans ce cas, à un instant t passé de la période prédéterminée, on acquiert la mesure par pyranomètre de l’instant t.
Selon un mode de réalisation de l’invention, on peut acquérir les données météorologiques par au moins un service en ligne de prévisions météorologiques. Un tel service en ligne possède une précision temporelle et spatiale compatible avec la prévision de la puissance produite par au moins un panneau photovoltaïque. Les services en ligne peuvent fournir des prévisions météorologiques pour un horizon temporel (autrement dit pour une durée) pouvant aller de 1 heure à 14 jours (de préférence entre 1 jour et 7 jours), selon un pas temporel allant de 5 minutes à quelques heures, de préférence de 15 minutes à 4 heures, et préférentiellement de 15 minutes à une heure. Ainsi grâce à de telles prévisions météorologiques, une prévision de la puissance produite à long terme est possible. Des exemples de service en ligne de prévisions météorologiques peuvent être Météo France, ou SoDa (Solar radiation data). Par exemple, les services en ligne actuels proposés par Météo France (RadarExpert et PremiumForecast) possèdent une précision géographique kilométrique pour un pas de temps de cinq minutes pour les premières soixante-cinq minutes pour RadarExpert, puis un pas de temps d’une heure, puis un pas de temps de trois heures puis de 6 heures en 6 heures pour PremiumForecast.
Conformément à une mise en œuvre de l’invention, les données météorologiques peuvent inclure notamment la température, l’irradiance, la vitesse de vent, les taux de précipitation et d’humidité.
Cette étape peut comporter également le stockage de données météorologiques, par exemple sur des moyens informatiques, tel qu’un ordinateur ou un serveur ou une mémoire informatique.
Lors de cette étape, on calibre une fonction de transfert qui relie la puissance produite par l’au moins un panneau photovoltaïque acquise à l’étape 1 et à l’irradiance et éventuellement à la température pour la période prédéterminée acquises à l’étape 2. Ainsi, par cette fonction de transfert, on peut approximer une puissance produite à l’instant en connaissant l’irradiance à l’instant t et éventuellement la température prédite pour l’instant t.
Selon une mise en œuvre de l’invention, la fonction de transfert peut dépendre d’autres données météorologiques telles que la vitesse du vent, les taux de précipitation et d’humidité, etc.
Pour le mode de réalisation pour lequel on acquiert des données d’un pyranomètre, la fonction de transfert peut relier la puissance produite acquise aux données mesurées par le pyranomètre.
Ainsi, selon un mode de réalisation non limitatif, la fonction de transfert peut s’écrire :
De plus, selon un autre mode de réalisation non limitatif, la fonction de transfert peut s’écrire :
En outre, selon un autre mode de réalisation non limitatif, la fonction de transfert peut s’écrire :
Selon un aspect de l’invention, la fonction de transfert peut être une cartographie qui relie la puissance produite, l’irradiance et éventuellement la température. L’utilisation d’une telle cartographie est simple est rapide, ce qui permet une utilisation en temps réel.
La illustre, schématiquement et de manière non limitative, un exemple de cartographie pour la fonction de transfert. La cartographie permet de relier à chaque couple de température Tm en °C et d’irradiance IRR en W/m² une valeur de puissance produite P en kW par l’au moins un panneau photovoltaïque.
Avantageusement, une fois la fonction de transfert calibrée, on peut lui introduire en entrée une irradiance théorique d’un ciel clair sans nuage (appelé en anglais « Clearsky »). Cette irradiance théorique correspond à l’enveloppe du profil d’irradiance. En introduisant cette information d’irradiance théorique d’un ciel clair et l’utilisation d’un modèle de variation de la puissance produite, le modèle de prévision de puissance produite est plus robuste face aux erreurs de prévisions météorologiques. En effet, les prévisions météorologiques ne sont associées qu’à une partie variante de la puissance produite.
La illustre, schématiquement et de manière non limitative, une courbe de l’irradiance horizontale globale GHI en W/m² (de l’anglais « global horizontal irradiance ») en fonction du temps t en jours. Sur ce graphique, la courbe obtenue par mesure au moyen d’un pyranomètre est notée MES, et la courbe de l’irradiance théorique ciel clair est notée CS. On remarque que la courbe de l’irradiance théorique CS n’est pas sensible aux conditions météorologiques changeantes, au contraire de la courbe mesurée MES.
Lors de cette étape, on construit une base d’apprentissage pour la période prédéterminée. On construit cette base d’apprentissage à partir de la puissance produite acquise à l’étape 1, des données météorologiques acquises à l’étape 2 et de paramètres temporels. La base d’apprentissage est une base qui regroupe la puissance produite acquise à l’étape 1 et les données météorologiques acquises à l’étape 2.
De manière avantageuse, les paramètres temporels peuvent être choisis parmi la saison, le mois, la semaine, le jour de la semaine, l’heure. Ainsi, le modèle de variation de puissance produite et par conséquent le modèle de prévision de puissance produite peuvent être adaptés aux conditions météorologiques d’un instant considéré. Par exemple, les prévisions peuvent prendre en compte la plage horaire entre le lever et le coucher du soleil le jour concerné par la prévision, la différence de luminosité entre les saisons, et/ou entre les heures du jour.
5. Construction d’un modèle de variation de puissance produite
Lors de cette étape, on construit un modèle de variation de la puissance produite par l’au moins un panneau photovoltaïque au moyen d’une méthode d’apprentissage automatique entraînée sur la base d’apprentissage construite à l’étape 4. La construction de ce modèle est mise en œuvre sur la période prédéterminée. Le modèle de variation de la puissance produite associe une variation de la production à des données météorologiques et à un paramètre temporel. Le modèle de variation de la puissance produite traduit la modification de la puissance produite liée aux variations météorologiques, par exemple le passage de nuages, des intempéries, etc, ainsi que la modification de la puissance produite liée à l’instant considérée : saison, mois, semaine, jour, heure. Le modèle de variation de puissance produite prend en entrée les paramètres temporels, la puissance produite acquise à l’étape 1 et les données météorologiques acquises à l’étape 2. Un tel modèle permet une prévision de la puissance produite à court terme et à moyen terme. De plus, l’utilisation d’un tel modèle est simple est rapide, ce qui permet une utilisation en temps réel.
Selon une mise en œuvre de l’invention, la variation de la puissance produite peut correspondre à la partie variable de la puissance produite correspondant à au moins une valeur de centile de sa distribution. Par exemple, le modèle peut déterminer la médiane de la partie varationnelle de la puissance produite, c’est-à-dire le 50èmecentile de la distribution de la puissance varationnelle. Par exemple, la puissance variationnelle peut être définie par la différence entre la puissance produite acquise et la puissance produite estimée par la fonction de transfert calibrée. Alternativement ou cumulativement, le modèle peut déterminer la partie variable de la puissance produite correspondant aux 90èmeet 10èmecentiles de la puissance variationnelle. Ces variations permettent d’estimer un certain intervalle de confiance sur les prévisions de la puissance produite. En variante, le modèle peut déterminer la partie variable de la puissance produite correspondant aux 80èmeet 20èmecentiles, ou aux 70èmeet 30èmecentiles, etc.
Avantageusement, le modèle de variation de puissance produite peut déterminer la médiane de la puissance variationnelle et l’intervalle de confiance entre le 10èmeet le 90èmecentile de la puissance varationnelle.
Lors de cette étape, on peut construire le modèle de variation de puissance produite par apprentissage automatique, de préférence par apprentissage automatique supervisé, et de manière préférée, par apprentissage automatique supervisé de régression.
Conformément à une mise en œuvre de l’invention, le modèle de variation de la puissance peut s’écrire :
Selon un exemple de réalisation, pour lequel le modèle de variation de puissance produite peut déterminer la médiane et l’intervalle de confiance entre le 10èmeet le 90èmecentile de la puissance variationnelle, le modèle de variation de puissance produite peut s’écrire : avec la médiane de la puissance variationnelle, le 10èmecentile de la puissance variationnelle, le 90èmecentile de la puissance variationnelle, les données météorologiques de l’instant considéré, est paramètre temporel de l’instant considéré (au sein de la période prédéterminée), et h une fonction construite par un algorithme d’apprentissage automatique.
La fonction h peut être déterminée à partir d’un algorithme d’apprentissage supervisé de régression, tel qu’une machine à vecteur de support (SVM de l’anglais « support vector machine »), un réseau de neurones récurent, une forêt aléatoire ou une combinaison de ces méthodes. A titre d’exemple non limitatif, le procédé peut mettre en œuvre un algorithme de forêt d’arbres, le paramètre du nombre d’arbres étant fixé à 50 avec une profondeur d’arbre de 15.
Selon un aspect, cette étape peut inclure une méthode de validation, de préférence une méthode de validation croisée, notamment une méthode de validation croisée à k-blocs (« k-fold »). Cette méthode de validation croisée permet de réduire les problèmes de « surapprentissage » et d’améliorer la précision du modèle.
6. Construction d’un modèle de prévision de puissance produite
Lors de cette étape, on construit un modèle de prévision de puissance produite par l’au moins un panneau photovoltaïque par combinaison de la fonction de transfert calibrée à l’étape 3 et appliquée à une irradiance théorique pour un ciel clair sans nuage et du modèle de variation de la puissance produite établi à l’étape 5. De plus, lors de cette étape, on met en œuvre une étape de correction de la combinaison en fonction de la puissance produite acquise. En d’autres termes, cette étape comprend deux sous-étapes : une combinaison et une correction. La combinaison permet d’additionner le caractère général de la fonction de transfert au caractère variable du modèle de variation de la puissance produite. La correction permet d’améliorer la précision de la prévision, en tenant compte de la puissance produite plus récente. Ainsi, le modèle de prévision de la puissance produite permet de déterminer une prévision de puissance produite par au moins un panneau photovoltaïque pour au moins un instant futur, à partir de données de puissance produite et de données de prévision météorologiques pour l’instant futur. Ainsi, le modèle de prévision de puissance produite ne nécessite aucune instrumentation de mesure météorologique : aucune caméra, aucun pyranomètre ou aucun capteur analogue. L’instant futur correspond à un paramètre temporel, et peut comprendre notamment les informations suivantes : la saison, le mois, la semaine, le jour, l’heure.
Selon un mode de réalisation de l’invention, la sous-étape de combinaison peut être une étape d’addition de la fonction de transfert et du modèle de variation de la puissance produite. Le modèle non corrigé obtenu à l’issue de cette sous étape permet d’obtenir une prévision de puissance produite non corrigée. Par exemple, un tel modèle non corrigé peut s’écrire :
avec une prévision du Xème centile de la puissance produite non corrigée, la puissance produite obtenue par la fonction de transfert avec une irradiance théorique de ciel clair sans nuage, et le Xèmecentile de la puissance variationnelle issu du modèle de variation de la puissance produite. Ainsi cette équation peut permettre de déterminer une puissance produite médiane et un intervalle de confiance.
De préférence, la correction peut être appliquée seulement à la médiane (50èmecentile) de la puissance variationnelle.
Afin d’améliorer la précision de la prévision, notamment pour les jours nuageux, on applique une sous-étape de correction au modèle de prévision non corrigé. Une idée de cette correction est de corriger les prévisions en introduisant une boucle corrective en temps réel. Selon un aspect, cette correction peut consister à prendre en compte les mesures de la puissance produite les plus récentes par rapport à l’instant considéré, afin d’ajuster les prévisions météorologiques, notamment les prévisions d’irradiance sur un horizon futur (c’est-à-dire pour une durée future), notamment sur les prochaines heures. Ainsi, selon un mode de réalisation, la correction peut être fonction d’une comparaison entre une puissance produite acquise et une puissance produite estimée au moyen de la fonction de transfert et du modèle de variation de la puissance produite.
Selon un aspect de cette mise en œuvre, la correction peut prendre en compte au moins la puissance produite acquise pour l’heure précédente l’instant considéré. De plus, la correction peut prendre en compte la puissance acquise jusqu’à six heures précédentes l’instant considéré.
Par exemple, la correction peut mettre en œuvre la formule suivante :
avec t l’instant considéré, n est la durée pendant laquelle on prend en compte les puissances produites acquises, m est l’horizon de correction (c’est-à-dire la période sur laquelle est appliquée la correction), Prodcest la puissance produite corrigée, Prodf,50pest la puissance produite médiane estimée par la combinaison du modèle de variation de puissance produite et de la fonction de transfert, Prodmest la puissance produite acquise, et g est la fonction de correction.
De manière avantageuse, par défaut, la puissance produite corrigée peut être égale à la puissance produite non corrigée en dehors de l’horizon de correction.
Par exemple, la fonction g peut être définie de telle sorte que :
7. Acquisition de la puissance produite en temps réel
Lors de cette étape, on acquiert, en temps réel, la puissance électrique produite par l’au moins un panneau photovoltaïque. Cette puissance électrique peut être mesurée par un onduleur photovoltaïque (appelé aussi onduleur solaire ou régulateur solaire). Un onduleur photovoltaïque transforme le courant électrique continu produit par l’au moins un panneau photovoltaïque en courant alternatif pour l’injection au sein d’un réseau électrique. Un tel onduleur photovoltaïque analyse en permanence le courant continu émis par l’au moins un panneau photovoltaïque. Ainsi, on obtient en temps réel une puissance électrique qui est actuellement produite. Cette acquisition de la puissante produite en temps réel est utile pour la mise en œuvre de la correction, au sein du modèle de prévision de puissance produite.
Cette étape peut comporter également le stockage de données de puissance produite, par exemple sur des moyens informatiques, tel qu’un ordinateur ou un serveur ou une mémoire informatique.
8. Acquisition de prévisions météorologiques en temps réel
Lors de cette étape, on acquiert, en temps réel, des données de prévisions météorologiques. Autrement dit à chaque instant, on acquiert une prévision météorologique pour un horizon temporel futur. Selon l’invention, lesdites données météorologiques comprenant au moins une irradiance, éventuellement une température et éventuellement d’autres données de prévision météorologique. L’horizon futur est défini par rapport au temps réel, et peut être caractérisé par un paramètre temporel : saison, mois, semaine, jour, heure.
Cette étape ne nécessite aucune mesure par pyranomètre, en effet, le modèle de prévision de puissance produite prend en entrée que des données de prévisions météorologiques.
Selon un mode de réalisation de l’invention, on peut acquérir les données de prévisions météorologiques par au moins un service en ligne de prévisions météorologiques. Un tel service en ligne possède une précision temporelle et spatiale compatible avec la prévision de la puissance produite par au moins un panneau photovoltaïque. Les services en ligne peuvent fournir des prévisions météorologiques pour un horizon temporel pouvant aller de 1 heure à 14 jours (de préférence de 1 à 7 jours), selon un pas temporel allant de 5 minutes à quelques heures, de préférence entre 15 minutes et 4 heures, et préférentiellement entre 15 minutes et une heure. Ainsi grâce à de telles prévisions météorologiques, une prévision de la puissance produite à long terme est possible. Des exemples de service en ligne de prévisions météorologiques peuvent être Météo France, ou SoDa (Solar radiation data). Par exemple, les services en ligne actuels proposés par Météo France (RadarExpert et PremiumForecast) possèdent une précision géographique kilométrique pour un pas de temps de cinq minutes pour les premières soixante-cinq minutes pour RadarExpert, puis un pas de temps d’une heure, puis un pas de temps de trois heures puis de 6 heures en 6 heures pour PremiumForecast.
Conformément à une mise en œuvre de l’invention, les données de prévisions météorologiques peuvent inclure notamment la température, l’irradiance, la vitesse de vent, les taux de précipitation et d’humidité.
Cette étape peut comporter également le stockage de données météorologiques, par exemple sur des moyens informatiques, tel qu’un ordinateur ou un serveur ou une mémoire informatique.
9. Prévision d’une puissance produite pour un horizon futur
Lors de cette étape, on détermine une prévision de la puissance produite par l’au moins un panneau photovoltaïque pour au moins un instant futur, par application du modèle de prévision de puissance produite construit à l’étape 6 à la puissance produite acquise en temps réel à l’étape 7, et aux données de prévisions météorologiques acquises en temps réel à l’étape 8. En d’autres termes, pour au moins un instant donné futur (postérieur au temps réel) on détermine la puissance qui sera produite par l’au moins un panneau photovoltaïque. Pour cela, on utilise la puissance produite acquise en temps réel ainsi les données de prévisions météorologiques pour l’instant donné futur qui ont été acquises en temps réel.
De préférence, on peut prédire la puissance qui sera produite par l’au moins un panneau photovoltaïque pour un horizon futur qui correspond à l’horizon de prévisions météorologiques, par exemple pour un horizon futur compris entre 1 heure et 14 jours, de préférence entre 1 et 7 jours.
Pour le mode de réalisation, pour lequel le modèle de variation de la puissance produite détermine plusieurs centiles, l’application du modèle peut déterminer plusieurs paramètres de la puissance produite, par exemple une médiane et un intervalle de confiance.
En outre, l’invention concerne un procédé de gestion d’une installation électrique comprenant au moins un panneau photovoltaïque, une batterie électrique et une connexion à un réseau électrique, dans lequel on met en œuvre les étapes suivantes :
- On détermine une prévision de la puissance produite par l’au moins un panneau photovoltaïque au moyen du procédé selon l’une quelconque des variantes ou des combinaisons de variantes décrites ci-dessus ; et
- On gère l’installation électrique en fonction de ladite prévision de puissance produite, par exemple en gérant une batterie électrique de l’installation électrique, et/ou en gérant une distribution électrique au sein d’un réseau électrique.
Une telle installation électrique peut être un parc photovoltaïque, par exemple sur un toit de bâtiment, sur un terrain, etc. L’installation électrique peut comprendre notamment un moyen de stockage d’énergie électrique, par exemple au moins une batterie électrique, des moyens de distribution de l’électricité produite au sein du réseau électrique, et un onduleur photovoltaïque qui convertit le courant continu produit par l’au moins un panneau photovoltaïque en courant alternatif. Cette distribution au sein du réseau électrique permet notamment une injection de l’électricité produite sur un réseau électrique. La gestion de cette installation électrique concerne donc une gestion du stockage et/ou de la distribution d’électricité. Cette gestion peut être optimisée en fonction de la prévision de la puissance produite, afin de gérer quand la puissance produite est distribuée et quand la puissance produite est stockée.
Un tel procédé de gestion peut être mis en œuvre automatiquement par des moyens informatiques qui pilotent l’installation électrique, pour la gestion d’un parc photovoltaïque.
Comme il va de soi, l’invention ne se limite pas aux seules formes de réalisation du procédé décrites ci-dessus à titre d’exemple, elle embrasse au contraire toutes les variantes de réalisation.
Les caractéristiques et avantages du procédé selon l'invention apparaîtront plus clairement à la lecture de l'exemple d'application ci-après.
L’exemple concerne la puissance produite par un parc de panneaux photovoltaïques sur un bâtiment équipé d’un pyranomètre. Pour la phase d’apprentissage, on acquiert la production produite par le parc ainsi les prévisions météorologiques pendant un an. Pour déterminer les prévisions météorologiques, le service en ligne SODA a été utilisé. Pour ce parc photovoltaïque, on détermine une prévision de puissance électrique produite au moyen du procédé selon l’invention, et en prenant en compte les prévisions météorologiques de la veille du jour concerné. Dans ce cadre, les mesures du pyranomètre sont utilisées pour la calibration de la fonction de transfert.
La illustre un graphique de la puissance produite P en kW en fonction du temps t en heure de la journée concernée. Sur ce graphique est représentée la puissance produite mesurée MES sur la journée concernée. De plus, on représente la puissance produite prédite par le procédé selon l’invention INV à partir de données météorologiques de la veille du jour concerné. En outre, on représente une puissance produite prédite estimée par le procédé selon l’invention sans la sous-étape de correction REF à partir de données météorologiques de la veille du jour concerné. Sur cette figure, seule la médiane des prévisions de puissance produite est considérée. On remarque que la courbe REF permet de bien estimer l’enveloppe de production avec une certaine variabilité par rapport aux heures de la journée. Toutefois, cette variabilité est moins sensible aux passages rapides de nuages qui induisent des pics et des creux assez fréquents sur la puissance produite. Cette sensibilité est traduite plus précisément par la courbe INV avec la correction en temps réel. En effet, la courbe INV arrive à suivre les variations rapides de la courbe MES grâce à l’étape de correction. Ainsi, sur cette journée, l’erreur moyenne est réduite de 3,02 à 1,93 kW avec l’introduction de la sous-étape de correction. Si on considère plusieurs jours, on observe une réduction de 30% de l’erreur moyenne. Ainsi, le procédé selon l’invention permet une détermination précise d’une prévision de puissance produite par un parc photovoltaïque.
La illustre, pour une autre journée, un graphique de la puissance produite P en kW en fonction du temps t en heure. Sur ce graphique, est représentée la puissance produite mesurée MES sur la journée concernée. De plus, on représente la puissance produite médiane prédite par le procédé selon l’invention EST50 à partir de données météorologiques de la veille du jour concerné. En outre, on représente la puissance produite des 10èmeet 90èmecentiles prédite par le procédé selon l’invention à partir de données météorologiques de la veille du jour concerné, et notées respectivement EST10 et EST90. La médiane permet de suivre les variations rapides liées aux passages des nuages. Les 10èmeet 90èmecentiles font référence à un intervalle de confiance, qui permet d’approximer les bornes inférieure et supérieure de la puissance produite. On remarque que ces valeurs : médiane, 10èmeet 90èmecentiles permettent d’avoir une bonne précision et une bonne robustesse de la prévision de la puissance produite et de son intervalle de confiance.
Claims (12)
- Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque, caractérisé en ce qu’on met en œuvre les étapes suivantes :
- On acquiert une puissance produite (Prodh) par ledit au moins un panneau photovoltaïque pendant une période prédéterminée ;
- On acquiert des données météorologiques (Prevh) pendant ladite période prédéterminée, lesdites données météorologiques comprenant au moins une irradiance, éventuellement une température et éventuellement d’autres données de prévision météorologique ;
- On calibre une fonction de transfert (FT CS) qui relie la puissance produite par ledit au moins un panneau photovoltaïque à ladite irradiance et éventuellement à ladite température pour ladite période prédéterminée ;
- On construit une base d’apprentissage pour ladite période prédéterminée à partir de ladite puissance produite acquise (Prodh), desdites données météorologiques acquises (Prevh), et de paramètres temporels (th) ;
- On construit un modèle de variation (MOD VAR) de la puissance produite par ledit au moins un panneau photovoltaïque au moyen d’une méthode d’apprentissage automatique entraînée sur ladite base d’apprentissage construite, ledit modèle de variation (MOD VAR) de la puissance produite associant une variation de la production à des données météorologiques et à un paramètre temporel ;
- On construit un modèle de prévision de puissance produite (MOD COR) par ledit au moins un panneau photovoltaïque par combinaison (MOD PRO) de ladite fonction de transfert calibrée (FTCS) et appliquée à une irradiance théorique pour un ciel clair sans nuage et dudit modèle de variation de la puissance produite (MOD VAR), et au moyen d’une correction (COR) de ladite combinaison en fonction de ladite puissance produite acquise ;
- En temps réel, on acquiert la puissance produite (Prevt) par ledit au moins un panneau photovoltaïque ;
- En temps réel, on acquiert des données de prévisions météorologiques (Prevt) pour au moins un instant futur ;
- En temps réel, on détermine une prévision de la puissance produite (Pui) par ledit au moins un panneau photovoltaïque pour ledit au moins un instant futur, par application dudit modèle de prévision de puissance produite (MOD COR) à ladite puissance produite acquise en temps réel (Prodt), et auxdites données de prévisions météorologiques acquises en temps réel (Prevt).
- Procédé de prévision d’une puissance produite selon la revendication 1, dans lequel, pendant ladite période prédéterminée, on acquiert l’irradiance mesurée (MES) au moyen d’un pyranomètre.
- Procédé de prévision d’une puissance produite selon l’une des revendications précédentes, dans lequel ladite méthode d’apprentissage automatique est un apprentissage automatique de régression, de préférence une méthode de forêt aléatoire.
- Procédé de prévision d’une puissance produite selon l’une des revendications précédentes, dans lequel ladite étape de correction (COR) de ladite construction dudit modèle de prévision de puissance produite (MOD COR) est fonction d’une comparaison entre une puissance produite acquise et une puissance produite estimée au moyen de ladite fonction de transfert et dudit modèle de variation pour plusieurs pas de temps antérieur à l’instant considéré.
- Procédé de prévision d’une puissance produite selon la revendication 4, dans lequel ladite étape de correction (COR) met en œuvre la formule suivante :
- Procédé de prévision d’une puissance produite selon l’une des revendications précédentes, dans lequel ledit modèle de variation de la puissance produite (MOD VAR) détermine une puissance produite médiane et/ou une puissance produite pour le dixième centile et/ou une puissance produite pour le quatre-vingt-dixième centile.
- Procédé de prévision d’une puissance produite selon l’une des revendications précédentes, dans lequel on acquiert lesdites données de prévision météorologiques (Prevh, Prevt) au moyen d’un service en ligne, et selon un pas temporel compris entre 5 minutes et 4 heures, de préférence entre 15 minutes et 1 heure.
- Procédé de prévision d’une puissance produite selon l’une des revendications précédentes, dans lequel lesdites données de prévision météorologique (Prevh, Prevt) comprennent une température, une irradiance, une vitesse du vent, un taux de précipitation, un taux d’humidité de l’air.
- Procédé de prévision d’une puissance produite selon l’une des revendications précédentes, dans lequel on acquiert lesdites données de prévision météorologique pour un horizon temporel compris entre 1 heure et 14 jours, de préférence entre 1 et 7 jours.
- Procédé de prévision d’une puissance produite selon la revendication 9, dans lequel on détermine une prévision de la puissance produite (Pui) pour un horizon temporel futur correspondant audit horizon temporel desdites données de prévision météorologique.
- Procédé de prévision d’une puissance produite selon l’une des revendications précédentes, dans lequel ladite fonction de transfert (FT CS) est une cartographie qui relie une irradiance, une température et une puissance produite par ledit au moins un panneau photovoltaïque.
- Procédé de gestion d’une installation électrique comprenant au moins un panneau photovoltaïque, dans lequel on met en œuvre les étapes suivantes :
- On détermine une prévision de la puissance produite (Pui) par ledit au moins un panneau photovoltaïque au moyen du procédé selon l’une des revendications précédentes ; et
- On gère ladite installation électrique en fonction de ladite prévision de puissance produite, par exemple en gérant une batterie électrique de ladite installation électrique, et/ou en gérant une distribution électrique au sein d’un réseau électrique.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2204793A FR3135798A1 (fr) | 2022-05-19 | 2022-05-19 | Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque |
| PCT/EP2023/061815 WO2023222401A1 (fr) | 2022-05-19 | 2023-05-04 | Procede de prevision d'une puissance produite par au moins un panneau photovoltaique |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2204793A FR3135798A1 (fr) | 2022-05-19 | 2022-05-19 | Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque |
| FR2204793 | 2022-05-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3135798A1 true FR3135798A1 (fr) | 2023-11-24 |
Family
ID=82385473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2204793A Pending FR3135798A1 (fr) | 2022-05-19 | 2022-05-19 | Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3135798A1 (fr) |
| WO (1) | WO2023222401A1 (fr) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117937478B (zh) * | 2024-03-22 | 2024-05-28 | 长江三峡集团实业发展(北京)有限公司 | 光伏功率预测方法、装置、计算机设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130013233A1 (en) * | 2010-03-19 | 2013-01-10 | Yoshiki Murakami | Electric-power-generation level predicting apparatus, method and program |
| CN111967652A (zh) | 2020-07-22 | 2020-11-20 | 国网浙江省电力有限公司电力科学研究院 | 一种双层协同实时校正光伏预测方法 |
| CN112700026A (zh) | 2019-10-23 | 2021-04-23 | 中国电力科学研究院有限公司 | 一种光伏板的功率预测方法和系统 |
| US20210194424A1 (en) | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
| AU2021104436A4 (en) | 2021-07-22 | 2021-09-16 | Shanghai Chint Power Systems Co., Ltd. | Method and apparatus for predicting and controlling photovoltaic power generation capacity by improving similar day |
| EP3926818A1 (fr) * | 2019-03-29 | 2021-12-22 | Mitsubishi Heavy Industries, Ltd. | Dispositif de prédiction de quantité de génération d'énergie, procédé de prédiction de quantité de génération d'énergie, et programme |
-
2022
- 2022-05-19 FR FR2204793A patent/FR3135798A1/fr active Pending
-
2023
- 2023-05-04 WO PCT/EP2023/061815 patent/WO2023222401A1/fr unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130013233A1 (en) * | 2010-03-19 | 2013-01-10 | Yoshiki Murakami | Electric-power-generation level predicting apparatus, method and program |
| EP3926818A1 (fr) * | 2019-03-29 | 2021-12-22 | Mitsubishi Heavy Industries, Ltd. | Dispositif de prédiction de quantité de génération d'énergie, procédé de prédiction de quantité de génération d'énergie, et programme |
| US20210194424A1 (en) | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
| CN112700026A (zh) | 2019-10-23 | 2021-04-23 | 中国电力科学研究院有限公司 | 一种光伏板的功率预测方法和系统 |
| CN111967652A (zh) | 2020-07-22 | 2020-11-20 | 国网浙江省电力有限公司电力科学研究院 | 一种双层协同实时校正光伏预测方法 |
| AU2021104436A4 (en) | 2021-07-22 | 2021-09-16 | Shanghai Chint Power Systems Co., Ltd. | Method and apparatus for predicting and controlling photovoltaic power generation capacity by improving similar day |
Non-Patent Citations (6)
| Title |
|---|
| ABUELLA MOHAMED ET AL: "Solar power forecasting using artificial neural networks", 2015 NORTH AMERICAN POWER SYMPOSIUM (NAPS), IEEE, 4 October 2015 (2015-10-04), pages 1 - 5, XP032816265, DOI: 10.1109/NAPS.2015.7335176 * |
| ABURIYANA GAMAL ET AL: "An overview of forecasting techniques for load, wind and solar powers", 2017 IEEE ELECTRICAL POWER AND ENERGY CONFERENCE (EPEC), IEEE, 22 October 2017 (2017-10-22), pages 1 - 7, XP033317754, DOI: 10.1109/EPEC.2017.8286192 * |
| ALMEIDA, MARCELO PINHO ET AL.: "Comparative study of PV power forecast using parametric and nonparametric PV models", SOLAR ENERGY, vol. 155, 2017, pages 854 - 866, XP085233171, DOI: 10.1016/j.solener.2017.07.032 |
| RANA MASHUD ET AL: "Solar power forecasting using weather type clustering and ensembles of neural networks", 2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), IEEE, 24 July 2016 (2016-07-24), pages 4962 - 4969, XP032992819, DOI: 10.1109/IJCNN.2016.7727853 * |
| WANG JIANXIAO ET AL: "Exploring Key Weather Factors From Analytical Modeling Toward Improved Solar Power Forecasting", IEEE TRANSACTIONS ON SMART GRID, IEEE, USA, vol. 10, no. 2, 1 March 2019 (2019-03-01), pages 1417 - 1427, XP011710372, ISSN: 1949-3053, [retrieved on 20190216], DOI: 10.1109/TSG.2017.2766022 * |
| ZHONG YOU-JING ET AL: "Short-Term Solar Power Forecasts Considering Various Weather Variables", 2020 INTERNATIONAL SYMPOSIUM ON COMPUTER, CONSUMER AND CONTROL (IS3C), IEEE, 13 November 2020 (2020-11-13), pages 432 - 435, XP033896529, DOI: 10.1109/IS3C50286.2020.00117 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023222401A1 (fr) | 2023-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2211300B1 (fr) | Procédé de prévision de la production électrique d'un dispositif photovoltaïque | |
| US8725459B2 (en) | Irradiance mapping leveraging a distributed network of solar photovoltaic systems | |
| US20140188410A1 (en) | Methods for Photovoltaic Performance Disaggregation | |
| US20120191351A1 (en) | Estimating solar irradiance components from plane of array irradiance and global horizontal irradiance | |
| US20140278107A1 (en) | Methods and systems for real-time solar forecasting incorporating a ground network | |
| PT109213B (pt) | Método e sistema para a previsão da potência de saída de um grupo de centros eletroprodutores fotovoltaicos e a gestão da integração da referida potência de saída numa rede elétrica | |
| US20150094969A1 (en) | Predicting production of photovoltaic systems | |
| Killinger et al. | Projection of power generation between differently-oriented PV systems | |
| EP2707781A1 (fr) | Procede de prevision de la consommation energetique d'un batiment | |
| US20140379311A1 (en) | Estimation system, estimation apparatus, and estimation method | |
| WO2023222401A1 (fr) | Procede de prevision d'une puissance produite par au moins un panneau photovoltaique | |
| Kallio‐Myers et al. | Comparison of irradiance forecasts from operational NWP model and satellite‐based estimates over Fennoscandia | |
| EP3953875A1 (fr) | Procédé d'évaluation de la production d'énergie photovoltaïque et unité d'évaluation et de gestion mettant en oeuvre le procédé | |
| FR3088466A1 (fr) | Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu. | |
| EP2850402B1 (fr) | Estimation de la derive d'un capteur de rayonnement solaire | |
| FR3055753A1 (fr) | Procede de controle d'une centrale de production electrique | |
| EP3185098B1 (fr) | Procede pour estimer une energie excedentaire | |
| Wendlandt et al. | Photovoltaic Energy Yield Prediction Using An Irradiance Forecast Model Based On Machine Learning For Decentralized Energy Systems | |
| Sansom et al. | Estimation of long-term climate information at locations with short-term data records | |
| EP3671399B1 (fr) | Procede de determination d'une consigne minimale preferentielle de puissance, procede de pilotage d'une pluralite de chauffe-eaux et dispositif associe | |
| EP3460534B1 (fr) | Procédé et dispositif de détermination indirecte d'un flux solaire incident | |
| WO2023198693A1 (fr) | Procédé de pilotage d'un dispositif agrivoltaïque. | |
| EP4277122A1 (fr) | Procédé et dispositif de détermination de perte de puissance d'un ensemble photovoltaique plan | |
| WO2017103393A1 (fr) | Procede et dispositif de determination d'un risque de chute de l'ensoleillement | |
| Dumitrascu et al. | On the Prediction of Ground-Reflected Solar Radiation and its Relevance in the Context of Building Performance Simulation (BPS) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231124 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |