Combinaison d'un modèle régional climatique et de modèles à réseaux de neurones pour la prévision du productible photovoltaïque : application au cas de l'île de La Réunion

Combination of a regional climate model and neural network models for photovoltaic yield forecasting : application to the case of Reunion Island

• Auteur / Autrice : Yannick Fanchette
• Direction : Michel Benne, Béatrice Morel
• Type : Thèse de doctorat
• Discipline(s) : Énergétique, génie des procédés
• Date : Soutenance le 29/06/2023
• Etablissement(s) : La Réunion
• Ecole(s) doctorale(s) : École doctorale Sciences, Technologies et Santé (Saint-Denis, La Réunion ; 2010-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’énergétique, d’électronique et procédés (Saint-Denis, Réunion)
• Jury : Président / Présidente : Ahmed Bouridane
• Jury : Examinateurs / Examinatrices : Daniela Chrenko, Harry Ramenah
• Jury : Rapporteurs / Rapporteuses : Ahmed Bouridane, Krishna Busawon

Mots clés

Mots clés contrôlés

Conversion photovoltaïque

Prédictions conformes (informatique)

Cointégration

Causalité

La Réunion (France ; île)

Réseaux neuronaux (informatique)

Mots clés libres

Prévision spatio-temporelle

Production photovoltaïque

Modèle régional de climat WRF

Causalité de Granger

Cointégration de Johansen

Réseaux de neurones LSTM

Île de La Réunion

Spatio-Temporal forecasting

Photovoltaic production

Regional climate model WRF

Granger causality

Johansen Cointegration

LSTM Neural networks

Reunion Island

Résumé

L’évolution du contexte énergétique mondial et la recherche de solutions d’atténuation et d’adaptation pour compenser les effets des changements globaux stimulent le recours aux ressources renouvelables. Ces sources d’énergies sont caractérisées par une forte variabilité due à leur dépendance aux conditions météorologiques et climatiques. Pour atteindre les objectifs français, et plus particulièrement réunionnais, de réduction des émissions de gaz à effet de serre, ainsi que l’amélioration de l’efficacité énergétique et l’augmentation de la part des énergies renouvelables dans le mix énergétique, l’amélioration de la connaissance de cette variabilité représente un enjeu incontournable. Dans le cas de la conversion photovoltaïque (PV) à l’échelle de La Réunion, la maîtrise de la variabilité de la production passe par le développement et la mise en place de méthodes permettant de prévoir la production sur un horizon de planification et sur l’ensemble du territoire. Ces prévisions concourent à améliorer le niveau de pénétration de l’électricité PV grâce à une meilleure gestion des centrales PV, installées ou futures, permettant d’optimiser l’intégration de cette ressource dans le mix énergétique. L’objectif de ces travaux de recherche est de contribuer à améliorer la prévision à court et moyen terme de la production PV. L’étude est basée sur une analyse statistique et un modèle de prévision de la production PV, faisant intervenir des paramètres météorologiques. Étant donnée la topographie complexe et marquée de l’île de La Réunion, un nombre important de sites, accueillant des capteurs météorologiques, disposés judicieusement sur l’ile serait indispensable pour mener à bien ces recherches. Toutefois, le coût nécessaire à une telle installation étant trop élevé, l’approche adoptée est de générer ces données météorologiques sur toute l’île à une haute résolution, de l’ordre du km², et sur plusieurs années grâce au modèle régional climatique WRF (Weather Research Forecasting). Une stratégie de sélection des variables, utilisant la causalité au sens de Granger, est développée afin de sélectionner les variables météorologiques (prédicteurs) utiles et pertinentes à l’amélioration de la prévision de la production PV. Un modèle statistique de prévision, basé la méthode de cointégration de Johansen, est proposé utilisant la corrélation entre variables météorologiques explicatives précédemment sélectionnées et production PV. Ce modèle permet d’estimer ainsi la production PV sur tout le territoire réunionnais. Un modèle spatio-temporel utilisant des réseaux de neurones récurrents à mémoire court-terme persistante (LSTM) et LSTM bi-directionnel (Bi-LSTM) est développé afin de produire des prévisions performantes sur toute l’île à trois horizons temporels susceptibles d’intéresser un gestionnaire de réseau : M+1, j+1 et h+1. Les modèles neuronaux sont confrontés au modèle de persistance et au modèle statistique SARIMA. Les méthodologies développées pourraient offrir à terme une opportunité d’assurer des garanties supplémentaires au gestionnaire du réseau. Si d'avenir des solutions de prévision performantes se généralisaient, cette opportunité pourrait permettre d’ouvrir le marché au-delà du seuil réglementaire de 35% d’énergie renouvelable imposé actuellement.

The changing global energy context and the search for mitigation and adaptation solutions to offset the effects of global change are driving the use of renewable resources. These energy sources are characterised by high variability due to their dependence on weather and climate conditions. In order to achieve the French objectives, and more specifically those of Reunion Island, of reducing greenhouse gas emissions, improving energy efficiency and increasing the share of renewable energy in the energy mix, improving knowledge of this variability is a key challenge. In the case of photovoltaic (PV) conversion on the scale of Reunion Island, the control of production variability requires the development and implementation of methods to forecast production over a planning horizon and over the whole territory. These forecasts help to improve the level of penetration of PV electricity thanks to better management of installed and future PV power plants, thus optimising the integration of this resource into the energy mix. The objective of this research is to contribute to the improvement of short and medium term forecasting of PV production. The study is based on a statistical analysis and a forecasting model of PV production, using meteorological parameters. Given the complex and marked topography of Reunion Island, a large number of sites, hosting meteorological sensors, judiciously placed on the island would be essential to carry out this research. However, as the cost of such an installation would be too high, the approach adopted is to generate meteorological data over the whole island at a high resolution, of the order of one square kilometre, and over several years using the regional climate model WRF (Weather Research Forecasting). A variable selection strategy, using Granger causality, is developed in order to select the meteorological variables (predictors) that are useful and relevant for improving the forecast of PV production. A statistical forecasting model, based on the Johansen cointegration method, is proposed using the correlation between previously selected meteorological predictors and PV production. This model allows to estimate the PV production on the whole territory of Reunion. A spatio-temporal model using recurrent neural networks with persistent short-term memory (LSTM) and bi-directional LSTM (Bi-LSTM) is developed in order to produce efficient forecasts over the whole island at three time horizons likely to be of interest to a network manager: M+1, d+1 and h+1. The neural models are compared with the persistence model and the SARIMA statistical model. The methodologies developed could eventually offer an opportunity to provide additional guarantees to the network operator. If efficient forecasting solutions become widespread in the future, this opportunity could open up the market beyond the regulatory threshold of 35% of renewable energy currently imposed.