WO2023222401A1 - Method for forecasting a power produced by at least one photovoltaic panel - Google Patents

Method for forecasting a power produced by at least one photovoltaic panel Download PDF

Info

Publication number
WO2023222401A1
WO2023222401A1 PCT/EP2023/061815 EP2023061815W WO2023222401A1 WO 2023222401 A1 WO2023222401 A1 WO 2023222401A1 EP 2023061815 W EP2023061815 W EP 2023061815W WO 2023222401 A1 WO2023222401 A1 WO 2023222401A1
Authority
WO
WIPO (PCT)
Prior art keywords
power
produced
power produced
acquired
forecast
Prior art date
Application number
PCT/EP2023/061815
Other languages
French (fr)
Inventor
Mohamed LARAKI
Philippe Pognant-Gros
Original Assignee
IFP Energies Nouvelles
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles filed Critical IFP Energies Nouvelles
Publication of WO2023222401A1 publication Critical patent/WO2023222401A1/en

Links

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

Definitions

  • Forecasting photovoltaic production is a fundamental subject for the management of hybrid systems (photovoltaic panels and other means of electricity production or photovoltaic panels and batteries) in real time and for planning the operations of aggregators.
  • the approaches can range from parametric methods with more or less simple physical models, to non-parametric methods based on neural networks or others.
  • a fairly detailed comparison between these two families of approaches was proposed in the document Almeida, Marcelo Pinho, et al. "Comparative study of PV power forecasting using parametric and nonparametric PV models.”
  • Solar Energy 155 (2017): 854-866 noting a clear improvement in forecasts with non-parametric methods.
  • Hybrid methods between parametric and non-parametric approaches have also been proposed, mentioning a reduction in errors compared to purely non-parametric approaches.
  • these production forecasts present uncertainties and forecast errors, especially on cloudy days.
  • Patent application CN1 12700026 describes a method and a system for predicting the power of a photovoltaic panel. This method allows an estimation of photovoltaic production based on irradiance data only without taking into account weather forecasts. This method does not allow a precise prediction of the power produced.
  • said model of variation of the power produced determines a median power produced and/or a power produced for the tenth percentile and/or a power produced for the ninetieth percentile.
  • Figure 4 shows an example of a curve of measured irradiance as a function of time, and a curve of theoretical irradiance for a clear cloudless sky as a function of time.
  • the method for forecasting the power produced can be learned and applied to any electricity production site by at least one photovoltaic panel.
  • Figure 1 illustrates, schematically and in a non-limiting manner, the steps of the method for predicting a power produced by at least one photovoltaic panel according to one embodiment of the invention.
  • a transfer function FT CS is calibrated.
  • a model of variation of the power produced MOD VAR from the power produced during the predetermined period Prodh and meteorological data during the predetermined period Prev h .
  • This FT CS transfer function and this variation model are combined to form a first production forecast model MOD PRO, which is corrected COR to form a MOD COR corrected production model, which is called the produced power forecast model.
  • weather data can be acquired by at least one online weather forecast service.
  • Such an online service has temporal and spatial precision compatible with forecasting the power produced by at least one photovoltaic panel.
  • Online services can provide weather forecasts for a time horizon (i.e. for a duration) of 1 hour to 14 days (preferably between 1 day and 7 days), in a time step ranging from 5 minutes to a few hours , preferably from 15 minutes to 4 hours, and preferably from 15 minutes to an hour.
  • a forecast of the power produced in the long term is possible.
  • Examples of online weather forecast services can be Mluso France, or SoDa (Solar radiation data).
  • the transfer function may depend on other meteorological data such as wind speed, precipitation and humidity rates, etc.
  • Prod p f Irradiance p ) with Prod p the acquired produced power, lrradiance p the acquired irradiance, f being the transfer function to be calibrated.
  • the power variation model can be written as:
  • the current online services offered by Mluso France have FadarExpert and PremiumForecast
  • have Fac geographic precision for a time step of five minutes for the first sixty-five minutes for RadarExpert, then a time step of one hour, then a time step of three hours then 6 hours in 6 hours for PremiumForecast.
  • the invention relates to a method for managing an electrical installation comprising at least one photovoltaic panel, an electric battery and a connection to an electrical network, in which the following steps are implemented: has.
  • a forecast of the power produced by the at least one photovoltaic panel is determined by means of the method according to any of the variants or combinations of variants described above; and B.
  • the electrical installation is managed according to said predicted power produced, for example by managing an electrical battery of the electrical installation, and/or by managing electrical distribution within an electrical network.
  • Such an electrical installation can be a photovoltaic park, for example on a building roof, on land, etc.
  • the electrical installation may include in particular a means of storing electrical energy, for example at least one electric battery, means of distributing the electricity produced within the electrical network, and a photovoltaic inverter which converts the direct current produced by at least one alternating current photovoltaic panel.
  • This distribution within the electrical network allows in particular an injection of the electricity produced into an electrical network.
  • the management of this electrical installation therefore concerns management of the storage and/or distribution of electricity. This management can be optimized based on the forecast of the power produced, in order to manage when the power produced is distributed and when the power produced is stored.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

The present invention relates to a method for forecasting a power (Pui) produced by at least one photovoltaic panel. For this method, a produced power forecast model (MOD COR) is constructed based on meteorological data (Prevh) and production data (Prodh) during a predetermined period. The forecast model is a combination of a calibrated transfer function (FT CS) and a power variation model (MOD VAR) constructed by way of machine learning, the combination (MOD PRO) being corrected (COR) on the basis of the produced power. A produced power forecast is then determined in real time by applying the produced power forecast model (MOD COR).

Description

PROCEDE DE PREVISION D’UNE PUISSANCE PRODUITE PAR AU MOINS UN PANNEAU PHOTOVOLTAÏQUE METHOD FOR PREDICTING A POWER PRODUCED BY AT LEAST ONE PHOTOVOLTAIC PANEL
Domaine technique Technical area
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.The present invention relates to the field of managing the electrical production of at least one photovoltaic panel. In particular, the invention concerns the prediction of a power produced by at least one photovoltaic panel based on weather forecasts.
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. Electricity production from photovoltaic panels is generally managed by aggregators, which are electricity market operators to balance supply and demand on the electricity grid. Today, aggregators have unreliable forecasting tools for their production. They are unable to estimate their production potential precisely and in advance. This therefore leads to poor management of their portfolios with increasing gaps vis-à-vis the electricity transmission network manager (for example RTE in France), poor planning of the battery connected to the photovoltaic panels and non-optimal planning. of the battery connected to the photovoltaic panels.
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 coûteux comme des caméras au sol. There is therefore a strong need for robust and more precise photovoltaic production forecasting tools, without having to use very expensive data and sensors such as ground cameras.
Technique antérieure Prior art
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 coûteuses comme les caméras au sol soit sur des prévisions sur du plus long termes (quelques jours). The majority of photovoltaic production forecasting approaches are based either on reliable short-term accuracy (a few hours) by exploiting potentially costly measurements such as ground cameras or on longer-term forecasts (a few days).
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. Forecasting photovoltaic production is a fundamental subject for the management of hybrid systems (photovoltaic panels and other means of electricity production or photovoltaic panels and batteries) in real time and for planning the operations of aggregators. A large number of studies in the literature propose the estimation of this production from meteorological data. The approaches can range from parametric methods with more or less simple physical models, to non-parametric methods based on neural networks or others. A fairly detailed comparison between these two families of approaches was proposed in the document Almeida, Marcelo Pinho, et al. "Comparative study of PV power forecasting using parametric and nonparametric PV models." Solar Energy 155 (2017): 854-866, noting a clear improvement in forecasts with non-parametric methods. Hybrid methods between parametric and non-parametric approaches have also been proposed, mentioning a reduction in errors compared to purely non-parametric approaches. However, these production forecasts present uncertainties and forecast errors, especially on cloudy days.
La demande de brevet AU2021 104436 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. Patent application AU2021 104436 describes a method and system for predicting photovoltaic power capacity, and for controlling photovoltaic power generation. For this method, weather forecasts are acquired for several days. Therefore, forecasting the generated PV power is not accurate, especially in the short term.
La demande de brevet US2021 194424 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. Patent application US2021 194424 describes a method and a system for predicting the power of a photovoltaic station. This method allows a forecast of photovoltaic power over the very short term with a reduced time step, for example a time step of one minute in the event of a passing cloud. The forecast is based on a very recent history of inverter acquisitions. This model is not based on weather forecasts, and is not suitable for long-term photovoltaic power forecasts.
La demande de brevet CN1 12700026 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. Patent application CN1 12700026 describes a method and a system for predicting the power of a photovoltaic panel. This method allows an estimation of photovoltaic production based on irradiance data only without taking into account weather forecasts. This method does not allow a precise prediction of the power produced.
La demande de brevet CN11 1967652 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. Patent application CN11 1967652 describes a method for predicting the power of an ultra-short-term photovoltaic system. This method combines a first model which predicts photovoltaic power over the next few hours and combines it with a module to correct short-term forecasts. This method does not take into account weather forecasts. This method therefore does not allow a precise forecast of the power produced.
Résumé de l’invention 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. Summary of the invention The aim of the invention is to precisely and robustly determine power forecasts produced by at least one photovoltaic panel, both in the short term and in the long term. The present invention relates to a method for predicting power produced by at least one photovoltaic panel. For this method, a model for forecasting the power produced is constructed, based on meteorological data and production data for a predetermined period. The forecast model is a combination of a calibrated transfer function and a power variation model (built by machine learning), the combination is corrected according to the power produced. Then, in real time, a produced power forecast is determined by applying the produced power forecast model. Thus, the method according to the invention is based on a combination of physical models and artificial intelligence in order to be as robust as possible to weather forecast errors. The method according to the invention makes it possible in particular to predict a power produced, while estimating a certain associated confidence interval. The confidence interval makes it possible to estimate an uncertainty associated with the forecasts. Thus, the process can be used by aggregators to optimize production management, while respecting network requirements. In addition, correcting the model helps improve the accuracy of the forecast. Thus, even without ground sensors, the method according to the invention makes it possible to improve short-term forecasts while remaining reliable in long-term forecasts.
L’invention concerne un procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque. Pour ce procédé, on met en oeuvre les étapes suivantes : a. On acquiert une puissance produite par ledit au moins un panneau photovoltaïque pendant une période prédéterminée ; b. 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 ; c. 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 ; d. 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 ; e. 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 ; f. 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 ; g. En temps réel, on acquiert la puissance produite par ledit au moins un panneau photovoltaïque ; h. En temps réel, on acquiert des données de prévisions météorologiques pour au moins un instant futur ; i. 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. The invention relates to a method for predicting power produced by at least one photovoltaic panel. For this process, the following steps are implemented: a. A power produced by said at least one photovoltaic panel is acquired for a predetermined period; b. Meteorological data are acquired during said predetermined period, said meteorological data comprising at least one irradiance, optionally a temperature and possibly other weather forecast data; vs. A transfer function is calibrated which links the power produced by said at least one photovoltaic panel to said irradiance and possibly to said temperature for said predetermined period; d. A learning base is constructed for said predetermined period from said acquired produced power, said acquired meteorological data, and temporal parameters; e. A model of variation of the power produced by said at least one photovoltaic panel is constructed by means of an automatic learning method trained on said constructed learning base, said model variation in the power produced associating a variation in production with meteorological data and a temporal parameter; f. A model for predicting the power produced by said at least one photovoltaic panel is constructed by combining said transfer function calibrated and applied to a theoretical irradiance for a clear cloudless sky and said model of variation of the power produced, and by means of 'a correction of said combination as a function of said acquired produced power; g. In real time, we acquire the power produced by said at least one photovoltaic panel; h. In real time, we acquire weather forecast data for at least one future moment; i. In real time, a forecast of the power produced by said at least one photovoltaic panel is determined for said at least one future instant, by applying said produced power forecast model to said produced power acquired in real time, and to said forecast data. weather data acquired in real time.
Selon un mode de réalisation, pendant ladite période prédéterminée, on acquiert l’irradiance mesurée au moyen d’un pyranomètre. According to one embodiment, during said predetermined period, the irradiance measured by means of a pyranometer is acquired.
Selon un aspect, ladite méthode d’apprentissage automatique est un apprentissage automatique de régression, de préférence une méthode de forêt aléatoire. In one aspect, said machine learning method is regression machine learning, preferably a random forest method.
Conformément à une mise en oeuvre, 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. According to one implementation, said step of correcting said construction of said produced power forecast model is a function of a comparison between an acquired produced power and a produced power estimated by means of said transfer function and said variation model for several time steps prior to the instant considered.
Avantageusement, ladite étape de correction met en oeuvre la formule suivante :Advantageously, said correction step implements the following formula:
Prodc(t + i) = aiProdf'SOp t + i) + i j=o K(j Prodf'5Op(t -j) - Prodm(t - ;)) avec t l’instant considéré, i un pas de temps futur, j un pas de temps passé, Prodc est la puissance produite corrigée, Prodf,5op est la puissance produite médiane estimée par ledit modèle de variation de puissance produite et ladite fonction de transfert, Prodm est la puissance produite acquise, «i
Figure imgf000006_0001
étant des pondérations respectivement des prévisions météorologiques et de la puissance produite acquise, et K un coefficient correctif. 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. Prod c (t + i) = aiProdf'SOp t + i) + ij =o K(j Prod f '5 Op (t -j) - Prod m (t - ;)) with t the moment considered, i a no future time, j a past time step, Prod is the corrected power produced, Prodf,5o p is the median produced power estimated by said model of variation of power produced and said transfer function, Prod m is the power produced acquired, “i
Figure imgf000006_0001
being weightings respectively of the weather forecasts and the acquired power produced, and K a corrective coefficient. According to one characteristic, said model of variation of the power produced determines a median power produced and/or a power produced for the tenth percentile and/or a power produced for the ninetieth percentile.
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. Advantageously, said weather forecast data is acquired by means of an online service, and at a time interval of between 5 minutes and 4 hours, preferably between 15 minutes and 1 hour.
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. According to one embodiment option, said weather forecast data includes a temperature, an irradiance, a wind speed, a precipitation rate, an air humidity level.
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. According to one embodiment, said weather forecast data is acquired for a time horizon of between 1 hour and 14 days, preferably between 1 and 7 days.
De préférence, on détermine une prévision de la puissance produite pour un horizon temporel futur correspondant audit horizon temporel desdites données de prévision météorologique.Preferably, a forecast of the power produced for a future time horizon corresponding to said time horizon of said weather forecast data is determined.
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. According to one embodiment, said transfer function is a map which links an irradiance, a temperature and a power produced by said at least one photovoltaic panel.
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 oeuvre les étapes suivantes : a. 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 b. 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. Furthermore, the invention relates to a method for managing an electrical installation comprising at least one photovoltaic panel. For this process, the following steps are implemented: a. A forecast of the power produced by said at least one photovoltaic panel is determined by means of the method according to one of the preceding characteristics; and B. Said electrical installation is managed according to said forecast of power produced, for example by managing an electric battery of said electrical installation, and/or by managing an electrical distribution within an electrical network.
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. Liste des figures Other characteristics and advantages of the method according to the invention will appear on reading the following description of non-limiting examples of embodiments, with reference to the appended figures and described below. List of Figures
La figure 1 illustre les étapes du procédé selon un premier mode de réalisation de l’invention.Figure 1 illustrates the steps of the method according to a first embodiment of the invention.
La figure 2 illustre les étapes du procédé selon un deuxième mode de réalisation de l’invention.Figure 2 illustrates the steps of the method according to a second embodiment of the invention.
La figure 3 représente une cartographie de la fonction de transfert selon un mode de réalisation de l’invention. Figure 3 represents a map of the transfer function according to one embodiment of the invention.
La figure 4 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.Figure 4 shows an example of a curve of measured irradiance as a function of time, and a curve of theoretical irradiance for a clear cloudless sky as a function of time.
La figure 5 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. Figure 5 illustrates, for an example, a comparison of the produced power forecast estimated by the method according to the invention to a produced power forecast reference and to a measurement of the produced power.
La figure 6 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. Figure 6 illustrates, for a second example, a comparison between a measured power produced and a forecast of the power produced for each percentile considered by the method according to one embodiment of the invention.
Description des modes de réalisation Description of embodiments
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. The invention relates to a method for predicting power produced by at least one photovoltaic panel. In other words, the invention concerns a determination of the power which will be produced by at least one photovoltaic panel in the future (for at least one future moment). The power produced by the photovoltaic panel is electrical power.
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. Preferably, the invention relates to a method for predicting power produced by a photovoltaic park, which comprises a plurality of identical photovoltaic panels installed in a single location.
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. In addition, the method for forecasting the power produced can be learned and applied to any electricity production site by at least one photovoltaic panel.
Selon l’invention, le procédé de prévision met en oeuvre les étapes suivantes : According to the invention, the forecasting method implements the following steps:
1 . Acquisition de la puissance produite pendant une période prédéterminée 1. Acquisition of the power produced during a predetermined period
2. Acquisition de données météorologiques pendant la période prédéterminée 2. Acquisition of meteorological data during the predetermined period
3. Calibration d’une fonction de transfert 4. Construction d’une base d’apprentissage 3. Calibration of a transfer function 4. Building a learning base
5. Construction d’un modèle de variation de puissance produite 5. Construction of a model of variation of power produced
6. Construction d’un modèle de prévision de puissance produite 6. Construction of a produced power forecast model
7. Acquisition de la puissance produite en temps réel 7. Acquisition of the power produced in real time
8. Acquisition de prévisions météorologiques en temps réel 8. Acquisition of real-time weather forecasts
9. Prévision d’une puissance produite pour un horizon futur 9. Forecast of power produced for a future horizon
Les étapes 3 à 6 et 9 peuvent être mises en oeuvre 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. Steps 3 to 6 and 9 can be implemented by IT means, for example a computer. Steps 1 to 6 can be performed offline and only once, this phase can be called the “learning phase”. Steps 7 to 9 can be carried out in real time and repeated at any time, this phase being called the “real-time application phase”. Steps 1 and 2 can be done in this order, in reverse order, or simultaneously. Additionally, steps 3 and 4 can be performed in this order, in reverse order or simultaneously. Likewise, steps 7 and 8 can be carried out in this order, in reverse order or simultaneously. These steps are detailed in the remainder of the 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. In the rest of the request, the predetermined period designates a previous predetermined period. In other words, the predetermined period corresponds to a history. This predetermined period may include at least one summer season and one winter season in order to have seasonal variations in weather conditions, and it may be worth, for example, at least one year. On the contrary, real time concerns the current moment considered from which we wish to determine a forecast of the power which will be produced by the photovoltaic panel for at least one future moment.
La figure 1 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 Prodh et 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 oeuvre 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 Prevt pour 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. Figure 1 illustrates, schematically and in a non-limiting manner, the steps of the method for predicting a power produced by at least one photovoltaic panel according to one embodiment of the invention. By means of power produced during the predetermined period Prodh, meteorological data during the predetermined period Prev h , and times of these data th, a transfer function FT CS is calibrated. In parallel, we construct a model of variation of the power produced MOD VAR from the power produced during the predetermined period Prodh and meteorological data during the predetermined period Prev h . This FT CS transfer function and this variation model are combined to form a first production forecast model MOD PRO, which is corrected COR to form a MOD COR corrected production model, which is called the produced power forecast model. The COR correction is implemented using the power produced during the predetermined period Prodh. These steps are carried out offline APP only once for the construction of the corrected model: this is the learning phase. Then, in real time TR, the corrected model MOD COR is applied to real-time production data Prodt, to real-time weather forecast data Prev t for a future instant and at the considered instant t. Thus, a power PUI is determined which will be produced by the at least one photovoltaic panel for a future horizon. This is the TR real-time application phase.
Conformément à une mise en oeuvre 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 oeuvre 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 oeuvre 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. In accordance with one implementation of the invention, the method may comprise a step of acquiring a measurement of the irradiance of the at least one photovoltaic panel during the predetermined period. Irradiance or irradiance is a radiometric term that quantifies the power of striking electromagnetic radiation per unit area perpendicular to its direction. It is the surface density of the energy flow arriving at the point considered on the surface. This optional step allows better calibration of the transfer function and consequently, obtaining a precise corrected model. Preferably, irradiance measurements can be carried out using a pyranometer. A pyranometer is a heat flux sensor used to measure the amount of solar energy in natural light. It is a measurement that is more precise than irradiance weather forecasts. Preferably, this measure can be implemented only for the stages of construction of the corrected model (i.e. for the learning phase). In other words, no irradiance measurement is used in real time (i.e. for the real-time application phase). Thus, the real-time prediction of the power produced by the at least one photovoltaic panel does not require any real-time instrumentation.
La figure 2 illustre, schématiquement et de manière non limitative, cette mise en oeuvre de l’invention. Les éléments identiques à la figure 1 ne seront pas détaillés. Le procédé selon cette mise en oeuvre 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. Figure 2 illustrates, schematically and in a non-limiting manner, this implementation of the invention. Elements identical to Figure 1 will not be detailed. The method according to this implementation comprises a step of acquiring MES irradiance data from a sensor such as a pyranometer. MES irradiance data are used in the calibration of the FT CS transfer function.
1.
Figure imgf000010_0001
une
Figure imgf000010_0002
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. 1.
Figure imgf000010_0001
a
Figure imgf000010_0002
During this step, we acquire, for the predetermined period, the electrical power produced by the at least one photovoltaic panel. This electrical power can be measured by a photovoltaic inverter (also called solar inverter or solar regulator). A photovoltaic inverter transforms the direct electrical current produced by the at least one photovoltaic panel into alternating current for injection into an electrical network. Such a photovoltaic inverter continuously analyzes the direct current emitted by the at least one photovoltaic panel. Thus, each moment of the predetermined period is associated with an electrical power that has been produced.
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. This step may also include the storage of data acquired from the power produced, for example on computer means, such as a computer or a server or a computer memory.
2. Acquisition de données mété
Figure imgf000011_0001
la péri
Figure imgf000011_0002
2. Weather data acquisition
Figure imgf000011_0001
the peri
Figure imgf000011_0002
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. During this step, meteorological data is acquired for the predetermined period. The weather data may include weather forecast data. In this case, at a time t past the predetermined period we associate the weather forecast data issued at time t-X, X being a time horizon of the weather forecasts. For example, if we consider weather forecasts for a duration of one day. For the past time t, we take the weather forecasts from the day before time t. In other words, at a time considered to be in the past, we acquire meteorological data which corresponds to a weather forecast issued for this past time. According to the invention, said meteorological data comprises at least one irradiance, optionally a temperature and possibly other weather forecast data.
Pour le mode de réalisation pour lequel on met en oeuvre 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.For the embodiment for which pyranometer measurements are implemented, the acquired irradiance can be that measured by the pyranometer. In this case, at a time t after the predetermined period, we acquire the pyranometer measurement of the time 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. According to one embodiment of the invention, weather data can be acquired by at least one online weather forecast service. Such an online service has temporal and spatial precision compatible with forecasting the power produced by at least one photovoltaic panel. Online services can provide weather forecasts for a time horizon (i.e. for a duration) of 1 hour to 14 days (preferably between 1 day and 7 days), in a time step ranging from 5 minutes to a few hours , preferably from 15 minutes to 4 hours, and preferably from 15 minutes to an hour. Thus, thanks to such weather forecasts, a forecast of the power produced in the long term is possible. Examples of online weather forecast services can be Météo France, or SoDa (Solar radiation data). For example, the current online services offered by Météo France (RadarExpert and PremiumForecast) have kilometric geographic precision for a time step of five minutes for the first sixty-five minutes for RadarExpert, then a time step of one hour, then a time step of three hours then 6 hours in 6 hours for PremiumForecast.
Conformément à une mise en oeuvre de l’invention, les données météorologiques peuvent inclure notamment la température, l’irradiance, la vitesse de vent, les taux de précipitation et d’humidité. In accordance with one implementation of the invention, the meteorological data may include in particular temperature, irradiance, wind speed, precipitation and humidity rates.
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. This step may also include the storage of meteorological data, for example on computer means, such as a computer or a server or computer memory.
3. Calibration d’une fonction de transfert 3. Calibration of a transfer function
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. During this step, a transfer function is calibrated which links the power produced by the at least one photovoltaic panel acquired in step 1 and the irradiance and possibly the temperature for the predetermined period acquired in step 2 Thus, by this transfer function, we can approximate a power produced at the instant by knowing the irradiance at the instant t and possibly the temperature predicted for the instant t.
Selon une mise en oeuvre 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. According to one implementation of the invention, the transfer function may depend on other meteorological data such as wind speed, precipitation and humidity rates, 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. For the embodiment for which data is acquired from a pyranometer, the transfer function can relate the acquired produced power to the data measured by the pyranometer.
Ainsi, selon un mode de réalisation non limitatif, la fonction de transfert peut s’écrire : Thus, according to a non-limiting embodiment, the transfer function can be written:
Prodp = f Irradiancep) avec Prodp la puissance produite acquise, lrradiancep l’irradiance acquise, f étant la fonction de transfert à calibrer. Prod p = f Irradiance p ) with Prod p the acquired produced power, lrradiance p the acquired irradiance, f being the transfer function to be calibrated.
De plus, selon un autre mode de réalisation non limitatif, la fonction de transfert peut s’écrire : Prodp = f (Irradiancep, Tm) avec Prodp la puissance produite acquise, lrradiancep l’irradiance acquise et Tm la température acquise, f étant la fonction de transfert à calibrer. Furthermore, according to another non-limiting embodiment, the transfer function can be written: Prod p = f (Irradiance p , T m ) with Prod p the acquired produced power, lrradiance p the acquired irradiance and T m the acquired temperature, f being the transfer function to be calibrated.
En outre, selon un autre mode de réalisation non limitatif, la fonction de transfert peut s’écrire :Furthermore, according to another non-limiting embodiment, the transfer function can be written:
Prodp = f lrradiancep, Tm, uv, dirv) avec Prodp la puissance produite acquise, lrradiancep l’irradiance acquise, uv la vitesse du vent et dirv la direction du vent et Tm la température acquise, f étant la fonction de transfert à calibrer. Prod p = f lrradiance p , T m , u v , dir v ) with Prodp the acquired produced power, lrradiance p the acquired irradiance, u v the wind speed and dir v the wind direction and T m the acquired temperature, f being the transfer function to be calibrated.
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. According to one aspect of the invention, the transfer function can be a map which links the power produced, the irradiance and possibly the temperature. Using such mapping is simple and fast, which allows real-time use.
La figure 3 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. Figure 3 illustrates, schematically and in a non-limiting manner, an example of mapping for the transfer function. The mapping makes it possible to connect to each pair of temperature Tm in °C and irradiance IRR in W/m 2 a value of power produced P in kW by the at least one photovoltaic panel.
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. Advantageously, once the transfer function has been calibrated, we can introduce as input a theoretical irradiance of a clear cloudless sky (called “Clearsky”). This theoretical irradiance corresponds to the envelope of the irradiance profile. By introducing this theoretical irradiance information from a clear sky and the use of a variation model of the power produced, the power forecast model is more robust in the face of weather forecast errors. In fact, weather forecasts are only associated with a varying part of the power produced.
La figure 4 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. Figure 4 illustrates, schematically and in a non-limiting manner, a curve of the global horizontal irradiance GHI in W/m 2 (from the English “global horizontal irradiance”) as a function of time t in days. On this graph, the curve obtained by measurement using a pyranometer is denoted MES, and the curve of the theoretical clear sky irradiance is denoted CS. We note that the theoretical CS irradiance curve is not sensitive to changing weather conditions, unlike the measured MES curve.
4. Construction d’une base d’aoorentissaae 4. Construction of an aoorentissaae base
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. During this step, we build a learning base for the predetermined period. This learning base is constructed from the produced power acquired in step 1, meteorological data acquired in step 2 and temporal parameters. The learning base is a base which brings together the power produced acquired in step 1 and the meteorological data acquired in step 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. Advantageously, the time parameters can be chosen from season, month, week, day of the week, time. Thus, the produced power variation model and consequently the produced power forecast model can be adapted to the meteorological conditions of a given moment. For example, forecasts can take into account the time range between sunrise and sunset on the day concerned by the forecast, the difference in brightness between seasons, and/or between times of day.
5. Construction d’un modèle de variation de
Figure imgf000014_0001
5. Construction of a variation model of
Figure imgf000014_0001
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 oeuvre 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. During this step, a model of variation of the power produced by the at least one photovoltaic panel is constructed by means of an automatic learning method trained on the learning base constructed in step 4. The construction of this model is implemented over the predetermined period. The produced power variation model associates a variation in production with meteorological data and a temporal parameter. The variation model of the power produced reflects the modification of the power produced linked to weather variations, for example the passage of clouds, bad weather, etc., as well as the modification of the power produced linked to the moment considered: season, month , week, day, hour. The produced power variation model takes as input the temporal parameters, the produced power acquired in step 1 and the meteorological data acquired in step 2. Such a model allows a forecast of the power produced in the short and medium term. term. In addition, using such a model is simple and fast, which allows real-time use.
Selon une mise en oeuvre 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 50ème centile 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 90ème et 10ème centiles 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 80eme et 20eme centiles, ou aux 70eme et 30eme centiles, etc. According to one implementation of the invention, the variation in the power produced can correspond to the variable part of the power produced corresponding to at least one percentile value of its distribution. For example, the model can determine the median of the varational part of the power produced, that is to say the 50th percentile of the varational power distribution. For example, the variational power can be defined by the difference between the acquired produced power and the produced power estimated by the calibrated transfer function. Alternatively or cumulatively, the model can determine the variable part of the power produced corresponding to the 90th and 10th percentiles of the variational power. These variations make it possible to estimate a certain confidence interval on the forecasts of the power produced. Alternatively, the model can determine the variable part of the power produced corresponding to the 80th and 20th percentiles, or the 70th and 30th percentiles, etc.
Avantageusement, le modèle de variation de puissance produite peut déterminer la médiane de la puissance variationnelle et l’intervalle de confiance entre le 10ème et le 90ème centile de la puissance varationnelle. Advantageously, the produced power variation model can determine the median of the variational power and the confidence interval between the 10th and the 90th percentile of the variational power.
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. During this step, we can construct the power variation model produced by automatic learning, preferably by supervised automatic learning, and preferably by supervised automatic regression learning.
Conformément à une mise en oeuvre de l’invention, le modèle de variation de la puissance peut s’écrire : In accordance with one implementation of the invention, the power variation model can be written as:
[Prodvar Xp] = h Prevmeteo, Vartemporeue) avec Prodvar Xp le Xème centile de la puissance variationnelle, Prevmeteo les données météorologiques de l’instant considéré, Vartemporeue est un paramètre temporel de l’instant considéré (au sein de la période prédéterminée), et h une fonction construite par un algorithme d’apprentissage automatique. [Prod var Xp ] = h Prev meteo , Var tempore u e ) with Prod var considered (within the predetermined period), and h a function constructed by a machine learning algorithm.
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 i oème et le 90ème centile de la puissance variationnelle, le modèle de variation de puissance produite peut s’écrire :
Figure imgf000015_0001
médiane de la puissance variationnelle, Prodvar l0p le 10ème centile de la puissance variationnelle, Prodvar 90p le 90ème centile de la puissance variationnelle, Prevmeteo les données météorologiques de l’instant considéré, Vartemporelle est paramètre temporel de l’instant considéré (au sein de la période prédéterminée), et h une fonction construite par un algorithme d’apprentissage automatique. According to an exemplary embodiment, for which the produced power variation model can determine the median and the confidence interval between the ioth and the 90th percentile of the variational power, the produced power variation model can be written as :
Figure imgf000015_0001
median of the variational power, Prod var l0p the 10th percentile of the variational power, Prod var 90p the 90th percentile of the variational power, Prev meteo the meteorological data of the instant considered, Var temporal is the temporal parameter of the instant considered (within the predetermined period), and h a function constructed by a machine learning algorithm.
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 oeuvre un algorithme de forêt d’arbres, le paramètre du nombre d’arbres étant fixé à 50 avec une profondeur d’arbre de 15. The function h can be determined from a supervised regression learning algorithm, such as a support vector machine (SVM), a recurrent neural network, a random forest or a combination of these methods. By way of non-limiting example, the method can implement a forest of trees algorithm, the parameter of the number of trees being fixed at 50 with a tree depth of 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 According to one aspect, this step may include a validation method, preferably a cross-validation method, in particular a k-block cross-validation method (“k-fold”). This cross-validation method helps reduce “overfitting” issues and improve model accuracy. 6. Construction of a produced power forecast model
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 oeuvre 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. During this step, a power prediction model produced by the at least one photovoltaic panel is constructed by combining the transfer function calibrated in step 3 and applied to a theoretical irradiance for a clear cloudless sky and the model. variation of the produced power established in step 5. In addition, during this step, a step of correction of the combination is implemented as a function of the acquired produced power. In other words, this step includes two substeps: a combination and a correction. The combination makes it possible to add the general nature of the transfer function to the variable nature of the variation model of the power produced. The correction makes it possible to improve the accuracy of the forecast, taking into account the more recent power produced. Thus, the model for forecasting the power produced makes it possible to determine a forecast of power produced by at least one photovoltaic panel for at least one future moment, from data of power produced and weather forecast data for the future moment. Thus, the produced power forecast model does not require any meteorological measurement instrumentation: no camera, no pyranometer or any similar sensor. The future moment corresponds to a temporal parameter, and can include the following information in particular: the season, the month, the week, the day, the hour.
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 : Prodf Xp = Prodcs + Prodvar Xp avec Prodf Xp une prévision du Xème centile de la puissance produite non corrigée, Prodcs la puissance produite obtenue par la fonction de transfert avec une irradiance théorique de ciel clair sans nuage, et Prodvar Xp le Xème centile 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. According to one embodiment of the invention, the combination sub-step can be a step of adding the transfer function and the variation model of the power produced. The uncorrected model obtained at the end of this sub-step makes it possible to obtain an uncorrected forecast of power produced. For example , such an uncorrected model can be written: Prodf Xp = Prod cs + Prod var theoretical irradiance of clear cloudless sky, and Prod var Xp the Xth percentile of the variational power resulting from the model of variation of the power produced. Thus this equation can make it possible to determine a median produced power and a confidence interval.
De préférence, la correction peut être appliquée seulement à la médiane (50ème centile) de la puissance variationnelle. Preferably, the correction can be applied only to the median ( 50th percentile) of the variational power.
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. In order to improve the accuracy of the forecast, particularly for cloudy days, a correction sub-step is applied to the uncorrected forecast model. One idea of this correction is to correct the forecasts by introducing a real-time corrective loop. According to one aspect, this correction may consist of taking into account the power measurements produced in relation to the current moment in question, in order to adjust weather forecasts, in particular irradiance forecasts over a future horizon (i.e. for a future duration), particularly over the next few hours. Thus, according to one embodiment, the correction can be a function of a comparison between an acquired produced power and a produced power estimated by means of the transfer function and the variation model of the produced power.
Selon un aspect de cette mise en oeuvre, 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. According to one aspect of this implementation, the correction can take into account at least the power produced acquired for the hour preceding the instant in question. In addition, the correction can take into account the power acquired up to six hours before the moment in question.
Par exemple, la correction peut mettre en oeuvre la formule suivante :
Figure imgf000017_0001
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), Prodc est la puissance produite corrigée, Prodf.sop est la puissance produite médiane estimée par la combinaison du modèle de variation de puissance produite et de la fonction de transfert, Prodm est la puissance produite acquise, et g est la fonction de correction. For example, the correction can implement the following formula:
Figure imgf000017_0001
with t the moment considered, n is the duration during which the acquired produced powers are taken into account, m is the correction horizon (i.e. the period over which the correction is applied), Prod c is the corrected produced power, Prodf.sop is the median produced power estimated by the combination of the produced power variation model and the transfer function, Prod m is the acquired produced power, and g is the correction function.
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. Advantageously, by default, the corrected produced power can be equal to the uncorrected produced power outside the correction horizon.
Par exemple, la fonction g peut être définie de telle sorte que : For example, the function g can be defined such that:
Prodc(t + i) = aiProdf'SOp t + i) + 0i j=o K(j Prodf'5Op(t -j) - Prodm(t - ;)) avec t l’instant considéré, i un pas de temps futur, j un pas de temps passé, Prodc est la puissance produite corrigée, Prodf.sop est la puissance produite médiane estimée par le modèle de variation de puissance produite et la fonction de transfert, Prodm est la puissance produite acquise, at et 0t étant des pondérations respectivement des prévisions météorologiques et des puissances produites acquises avec at + 0. = 1, et K un coefficient correctif. Prod c (t + i) = aiProdf'SOp t + i) + 0i j =o K(j Prod f '5 Op (t -j) - Prod m (t - ;)) with t the instant considered, i a future time step, j a past time step, Prodc is the corrected produced power, Prodf.sop is the median produced power estimated by the produced power variation model and the transfer function, Prodm is the acquired produced power, a t and 0 t being weightings respectively of the weather forecasts and the powers produced acquired with a t + 0. = 1, and K a corrective coefficient.
7. Acquisition de la
Figure imgf000017_0002
en temps réel 7. Acquisition of
Figure imgf000017_0002
in real time
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 oeuvre de la correction, au sein du modèle de prévision de puissance produite.During this step, we acquire, in real time, the electrical power produced by the at least one photovoltaic panel. This electrical power can be measured by an inverter photovoltaic (also called solar inverter or solar regulator). A photovoltaic inverter transforms the direct electrical current produced by the at least one photovoltaic panel into alternating current for injection into an electrical network. Such a photovoltaic inverter continuously analyzes the direct current emitted by the at least one photovoltaic panel. Thus, we obtain in real time electrical power which is currently produced. This acquisition of the power produced in real time is useful for implementing the correction, within the power produced forecast model.
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. This step may also include the storage of data on the power produced, for example on computer means, such as a computer or a server or computer memory.
8. Acquisition de prévisions météoroloqiques en temps réel 8. Acquisition of real-time weather forecasts
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. During this step, weather forecast data is acquired in real time. In other words, at each moment, we acquire a weather forecast for a future time horizon. According to the invention, said meteorological data comprises at least one irradiance, optionally a temperature and possibly other weather forecast data. The future horizon is defined in relation to real time, and can be characterized by a temporal parameter: season, month, week, day, hour.
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. This step does not require any measurement by pyranometer, in fact, the produced power forecast model only takes weather forecast data as input.
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. According to one embodiment of the invention, weather forecast data can be acquired by at least one online weather forecast service. Such an online service has temporal and spatial precision compatible with forecasting the power produced by at least one photovoltaic panel. Online services can provide weather forecasts for a time horizon of 1 hour to 14 days (preferably 1 to 7 days), in a time step of 5 minutes to a few hours, preferably 15 minutes to 4 hours, and preferably between 15 minutes and one hour. Thus, thanks to such weather forecasts, a forecast of the power produced in the long term is possible. Examples of online weather forecast services can be Météo France, or SoDa (Solar radiation data). For example, the current online services offered by Météo France (RadarExpert and PremiumForecast) have kilometric geographic precision for a time step of five minutes for the first sixty-five minutes for RadarExpert, then a time step of one hour, then a time step of three hours then 6 hours in 6 hours for PremiumForecast.
Conformément à une mise en oeuvre 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. In accordance with one implementation of the invention, the weather forecast data may include in particular temperature, irradiance, wind speed, precipitation and humidity rates.
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. This step may also include the storage of meteorological data, for example on computer means, such as a computer or a server or computer memory.
9. Prévision d’une
Figure imgf000019_0001
un horizon futur 9. Forecast of a
Figure imgf000019_0001
a future horizon
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. During this step, a forecast of the power produced by the at least one photovoltaic panel is determined for at least one future instant, by application of the produced power forecast model constructed in step 6 to the produced power acquired in time. real time in step 7, and the weather forecast data acquired in real time in step 8. In other words, for at least one given future instant (after real time) the power which will be produced by at least one photovoltaic panel. For this, we use the produced power acquired in real time as well as the weather forecast data for the given future moment which were acquired in real time.
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. Preferably, it is possible to predict the power which will be produced by the at least one photovoltaic panel for a future horizon which corresponds to the weather forecast horizon, for example for a future horizon of between 1 hour and 14 days, preferably between 1 and 7 days.
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. For the embodiment, for which the model of variation of the power produced determines several percentiles, the application of the model can determine several parameters of the power produced, for example a median and a confidence interval.
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 oeuvre les étapes suivantes : a. 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 b. 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. Furthermore, the invention relates to a method for managing an electrical installation comprising at least one photovoltaic panel, an electric battery and a connection to an electrical network, in which the following steps are implemented: has. A forecast of the power produced by the at least one photovoltaic panel is determined by means of the method according to any of the variants or combinations of variants described above; and B. The electrical installation is managed according to said predicted power produced, for example by managing an electrical battery of the electrical installation, and/or by managing electrical distribution within an electrical network.
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. Such an electrical installation can be a photovoltaic park, for example on a building roof, on land, etc. The electrical installation may include in particular a means of storing electrical energy, for example at least one electric battery, means of distributing the electricity produced within the electrical network, and a photovoltaic inverter which converts the direct current produced by at least one alternating current photovoltaic panel. This distribution within the electrical network allows in particular an injection of the electricity produced into an electrical network. The management of this electrical installation therefore concerns management of the storage and/or distribution of electricity. This management can be optimized based on the forecast of the power produced, in order to manage when the power produced is distributed and when the power produced is stored.
Un tel procédé de gestion peut être mis en oeuvre automatiquement par des moyens informatiques qui pilotent l’installation électrique, pour la gestion d’un parc photovoltaïque. Such a management process can be implemented automatically by computer means which control the electrical installation, for the management of a photovoltaic park.
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. As it goes without saying, the invention is not limited only to the embodiments of the process described above by way of example, on the contrary it embraces all the alternative embodiments.
Les caractéristiques et avantages du procédé selon l'invention apparaîtront plus clairement à la lecture de l'exemple d'application ci-après. The characteristics and advantages of the process according to the invention will appear more clearly on reading the application example below.
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. The example concerns the power produced by a park of photovoltaic panels on a building equipped with a pyranometer. For the learning phase, we acquire the production produced by the park as well as the weather forecasts for one year. To determine the weather forecast, the SODA online service was used. For this photovoltaic park, we determine a forecast of the electrical power produced using the method according to the invention, and taking into account the weather forecasts for the day before the day concerned. In this context, the pyranometer measurements are used for the calibration of the transfer function.
La figure 5 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. Figure 5 illustrates a graph of the power produced P in kW as a function of time t in hours of the day concerned. This graph shows the power produced measured MES on the day concerned. In addition, we represent the power produced predicted by the method according to the invention INV from meteorological data from the day before the day concerned. In addition, we represent a predicted produced power estimated by the method according to the invention without the REF correction sub-step from meteorological data from the day before the day concerned. In this figure, only the median of the produced power forecasts is considered. We note that the REF curve makes it possible to properly estimate the production envelope with a certain variability compared to the hours of the day. However, this variability is less sensitive to rapid passages of clouds which induce fairly frequent peaks and troughs in the power produced. This sensitivity is translated more precisely by the INV curve with real-time correction. Indeed, the INV curve manages to follow the rapid variations of the MES curve thanks to the correction step. Thus, over this day, the average error is reduced from 3.02 to 1.93 kW with the introduction of the correction sub-step. If we consider several days, we observe a 30% reduction in the average error. Thus, the method according to the invention allows a precise determination of a forecast of power produced by a photovoltaic park.
La figure 6 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 10ème et 90ème centiles 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 10ème et 90ème centiles 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, 10ème et 90ème centiles permettent d’avoir une bonne précision et une bonne robustesse de la prévision de la puissance produite et de son intervalle de confiance. Figure 6 illustrates, for another day, a graph of the power produced P in kW as a function of time t in hours. This graph shows the power produced measured MES on the day concerned. In addition, we represent the median produced power predicted by the method according to the invention EST50 from meteorological data from the day before the day concerned. In addition, we represent the power produced from the 10th and 90th percentiles predicted by the method according to the invention from meteorological data from the day before the day concerned, and denoted respectively EST10 and EST90. The median makes it possible to follow the rapid variations linked to the passage of clouds. The 10th and 90th percentiles refer to a confidence interval, which makes it possible to approximate the lower and upper limits of the power produced. We note that these values: median, 10th and 90th percentiles allow for good precision and robustness of the forecast of the power produced and its confidence interval.

Claims

Revendications Claims
1. Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque, caractérisé en ce qu’on met en oeuvre les étapes suivantes : a. On acquiert une puissance produite (Prodh) par ledit au moins un panneau photovoltaïque pendant une période prédéterminée ; b. 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 ; c. 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 ; d. 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) ; e. 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 ; f. 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 ; g. En temps réel, on acquiert la puissance produite (Prevt) par ledit au moins un panneau photovoltaïque ; h. En temps réel, on acquiert des données de prévisions météorologiques (Prevt) pour au moins un instant futur ; i. 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 oeuvre la formule suivante :
Figure imgf000023_0001
l’instant considéré, i un pas de temps futur, j un pas de temps passé, Prodc est la puissance produite corrigée, Prodf.sop est la puissance produite médiane estimée par ledit modèle de variation de puissance produite et ladite fonction de transfert, Prodm est la puissance produite acquise, at + . = 1 , aL et
Figure imgf000023_0002
étant des pondérations respectivement des prévisions météorologiques et de la puissance produite acquise, et K un coefficient correctif. 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. 1. Method for predicting power produced by at least one photovoltaic panel, characterized in that the following steps are implemented: a. A power produced (Prodh) is acquired by said at least one photovoltaic panel for a predetermined period; b. Meteorological data (Prev h ) is acquired during said predetermined period, said meteorological data comprising at least one irradiance, optionally a temperature and possibly other weather forecast data; vs. A transfer function (FT CS) is calibrated which links the power produced by said at least one photovoltaic panel to said irradiance and possibly to said temperature for said predetermined period; d. A learning base is constructed for said predetermined period from said acquired produced power (Prodh), said acquired meteorological data (Prev h ), and temporal parameters (th); e. A variation model (MOD VAR) of the power produced by said at least one photovoltaic panel is constructed by means of an automatic learning method trained on said constructed learning base, said variation model (MOD VAR) of the power produced associating a variation in production with meteorological data and a temporal parameter; f. A forecast model of power produced (MOD COR) by said at least one photovoltaic panel is constructed by combination (MOD PRO) of said calibrated transfer function (FTCS) and applied to a theoretical irradiance for a clear cloudless sky and said model. variation of the produced power (MOD VAR), and by means of a correction (COR) of said combination as a function of said acquired produced power; g. In real time, we acquire the power produced (Prev t ) by said at least one photovoltaic panel; h. In real time, weather forecast data (Prev t ) is acquired for at least one future moment; i. In real time, a forecast of the power produced (Pui) by said at least one photovoltaic panel is determined for said at least one future instant, by application of said power forecast model produced (MOD COR) to said power produced acquired in time. real time (Prodt), and said weather forecast data acquired in real time (Prev t ). Method for predicting a power produced according to claim 1, wherein, during said predetermined period, the measured irradiance (MES) is acquired by means of a pyranometer. Method for forecasting a power produced according to one of the preceding claims, in which said automatic learning method is automatic regression learning, preferably a random forest method. Method for forecasting a produced power according to one of the preceding claims, in which said correction step (COR) of said construction of said produced power forecast model (MOD COR) is a function of a comparison between an acquired produced power and a power produced estimated by means of said transfer function and said variation model for several time steps prior to the instant considered. Method for forecasting a power produced according to claim 4, in which said correction step (COR) implements the following formula:
Figure imgf000023_0001
the moment considered, i a future time step, j a past time step, Prod c is the corrected power produced, Prodf.sop is the median produced power estimated by said model of variation of power produced and said transfer function, Prod m is the acquired produced power, at t + . = 1, a L and
Figure imgf000023_0002
being weightings respectively of the weather forecasts and the acquired power produced, and K a corrective coefficient. Method for forecasting a power produced according to one of the preceding claims, in which said model of variation of the power produced (MOD VAR) determines a median power produced and/or a power produced for the tenth percentile and/or a power produced for the ninetieth percentile. Method for forecasting a power produced according to one of the preceding claims, in which said weather forecast data (Prevh, Prevt) is acquired by means of an online service, and in a time step of between 5 minutes and 4 hours, preferably between 15 minutes and 1 hour. Method for forecasting a power produced according to one of the preceding claims, in which said meteorological forecast data (Prev h , Prev t ) comprises a temperature, an irradiance, a wind speed, a precipitation rate, a rate of humidity of the air.
9. 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. 9. Method for forecasting a power produced according to one of the preceding claims, in which said meteorological forecast data is acquired for a time horizon of between 1 hour and 14 days, preferably between 1 and 7 days.
10. 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. 10. Method for forecasting a power produced according to claim 9, in which a forecast of the power produced (Pui) is determined for a future time horizon corresponding to said time horizon of said meteorological forecast data.
11. 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. 11. Method for forecasting a power produced according to one of the preceding claims, in which said transfer function (FT CS) is a map which links an irradiance, a temperature and a power produced by said at least one photovoltaic panel.
12. Procédé de gestion d’une installation électrique comprenant au moins un panneau photovoltaïque, dans lequel on met en oeuvre les étapes suivantes : a. 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 b. 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. 12. Method for managing an electrical installation comprising at least one photovoltaic panel, in which the following steps are implemented: a. A forecast of the power produced (Pui) by said at least one photovoltaic panel is determined by means of the method according to one of the preceding claims; and B. Said electrical installation is managed according to said forecast of power produced, for example by managing an electric battery of said electrical installation, and/or by managing an electrical distribution within an electrical network.
PCT/EP2023/061815 2022-05-19 2023-05-04 Method for forecasting a power produced by at least one photovoltaic panel WO2023222401A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2204793A FR3135798A1 (en) 2022-05-19 2022-05-19 Method for predicting power produced by at least one photovoltaic panel
FRFR2204793 2022-05-19

Publications (1)

Publication Number Publication Date
WO2023222401A1 true WO2023222401A1 (en) 2023-11-23

Family

ID=82385473

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/061815 WO2023222401A1 (en) 2022-05-19 2023-05-04 Method for forecasting a power produced by at least one photovoltaic panel

Country Status (2)

Country Link
FR (1) FR3135798A1 (en)
WO (1) WO2023222401A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117937478A (en) * 2024-03-22 2024-04-26 长江三峡集团实业发展(北京)有限公司 Photovoltaic power prediction method, device, computer equipment and storage medium

Citations (6)

* Cited by examiner, † Cited by third party
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 (en) 2020-07-22 2020-11-20 国网浙江省电力有限公司电力科学研究院 Double-layer cooperative real-time correction photovoltaic prediction method
CN112700026A (en) 2019-10-23 2021-04-23 中国电力科学研究院有限公司 Power prediction method and system for photovoltaic panel
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 (en) * 2019-03-29 2021-12-22 Mitsubishi Heavy Industries, Ltd. Power generation amount prediction device, power generation amount prediction method, and program

Patent Citations (6)

* Cited by examiner, † Cited by third party
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 (en) * 2019-03-29 2021-12-22 Mitsubishi Heavy Industries, Ltd. Power generation amount prediction device, power generation amount prediction method, and program
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 (en) 2019-10-23 2021-04-23 中国电力科学研究院有限公司 Power prediction method and system for photovoltaic panel
CN111967652A (en) 2020-07-22 2020-11-20 国网浙江省电力有限公司电力科学研究院 Double-layer cooperative real-time correction photovoltaic prediction method
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)

* Cited by examiner, † Cited by third party
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 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117937478A (en) * 2024-03-22 2024-04-26 长江三峡集团实业发展(北京)有限公司 Photovoltaic power prediction method, device, computer equipment and storage medium
CN117937478B (en) * 2024-03-22 2024-05-28 长江三峡集团实业发展(北京)有限公司 Photovoltaic power prediction method, device, computer equipment and storage medium

Also Published As

Publication number Publication date
FR3135798A1 (en) 2023-11-24

Similar Documents

Publication Publication Date Title
EP2211300B1 (en) Method of forecasting electricity production of photovoltaic means
US9606168B2 (en) Irradiance mapping leveraging a distributed network of solar photovoltaic systems
US8972221B2 (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 (en) METHOD AND SYSTEM FOR FORECASTING THE OUTPUT POWER OF A GROUP OF PHOTOVOLTAIC ELECTROPRODUCTOR CENTERS AND THE MANAGEMENT OF THE INTEGRATION OF THE REFERRED OUTPUT POWER IN AN ELECTRIC NETWORK
US20150094969A1 (en) Predicting production of photovoltaic systems
WO2012152939A1 (en) Method of predicting the energy consumption of a building
US20140379311A1 (en) Estimation system, estimation apparatus, and estimation method
EP3340428A2 (en) Method and device for charging a battery
WO2023222401A1 (en) Method for forecasting a power produced by at least one photovoltaic panel
EP3953875A1 (en) Method for evaluating photovoltaic energy production and evaluation and management unit implementing the method
FR3088466A1 (en) ASSISTANCE IN THE DECISION OF A PLACE OF DEPLOYMENT OF PHOTOVOLTAIC PANELS BY STUDY OF CONSUMPTION CHARGE CURVES IN THE PLACE.
EP2850402B1 (en) Estimation of drift in a solar radiation sensor
EP3185098B1 (en) Method for estimating surplus energy
Nair et al. Battery Monitoring and Energy Forecasting for an Off-Grid Solar Photovoltaic Installation
Wendlandt et al. Photovoltaic Energy Yield Prediction Using An Irradiance Forecast Model Based On Machine Learning For Decentralized Energy Systems
EP3671399B1 (en) Method for determining a preferential minimum power setting, method for controlling a plurality of water heaters and associated device
Marion Albedo data for bifacial PV systems
FR3055753A1 (en) METHOD OF CONTROLLING AN ELECTRIC POWER PLANT
EP3460534B1 (en) Method and device for the indirect determination of an incident solar flux
WO2017103393A1 (en) Method and device for determining a risk of decrease in insolation
WO2023198693A1 (en) Method for controlling an agrivoltaic device
EP4277122A1 (en) Method and device for determining the power loss of a planar photovoltaic array
Gögelein et al. PV System Installation Assessment Based on Power Measurement for Balcony Power Plant Applications
EP3979163A1 (en) Optimisation of the energy available in a mini-grid

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23725168

Country of ref document: EP

Kind code of ref document: A1