Prévision de la production photovoltaïque intrajournalière à partir de méthodes d'apprentissage profond appliquées à des images de satellites météorologiques géostationnaires

Solar energy production forecast using deep learning techniques applied on meteorological satellite images

• Auteur / Autrice : Nicolas Chea
• Direction : Martial Haeffelin
• Type : Projet de thèse
• Discipline(s) : Ingénierie, mécanique et énergétique
• Date : Inscription en doctorat le 01/02/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : LMD - Laboratoire de Météorologie Dynamique
• Partenaire(s) de recherche : Equipe de recherche : Sirta

Mots clés

Mots clés libres

Énergie solaire

Apprentissage profond

Prévision

Satellite

Solar energy

Deep learning

Forecast

Satellite

Résumé

La prévision de la production d'électricité solaire optimise l'intégration de l'énergie solaire dans le réseau et augmente ainsi sa part dans le mix énergétique. Les satellites météorologiques géostationnaires, tels que Meteosat, observent la couche nuageuse en temps réel en produisant une image représentant la même partie de la surface terrestre toutes les 15 minutes. Des méthodes éprouvées de prévision utilisant des techniques de traitement d'images (telles que la correspondance de blocs et le flot optique) permettent d'anticiper les mouvements des nuages et d'en déduire la prévision de la production photovoltaïque (PV) à un endroit donné pour les prochaines heures. Malgré leurs limites à détecter les apparitions/disparitions soudaines de nuages, ces méthodes sont généralement plus fiables que les modèles de prévisions météorologiques classiques. Les modèles récents d'apprentissage profond, en particulier les modèles de réseaux neuronaux convolutifs (Convolutional Neural Network ou CNN), ont encouragé les chercheurs à développer des méthodes de prévision des précipitations à partir d'images radar. Les prédictions de précipitations sont connues pour être très complexes et exigeantes en précision afin de prévenir les conséquences des risques météorologiques (inondations, tempêtes...). Malgré leurs coûts de calculs élevés, ces techniques sont avantageuses par rapport aux modèles de prévision météorologique classiques. Cette recherche démontre que les prévisions d'énergie solaire utilisant des images satellites ont plusieurs raisons d'utiliser les modèles CNN. En effet, plus de 20 ans de données satellites homogènes à haute fréquence (15 min.) sont disponibles pour l'entraînement de modèles. La nébulosité et l'irradiance sont des quantités physiques avec des valeurs bornées qui permettent d'éviter des incohérences d'entraînement de modèles. Enfin, l'évolution des nuages à une échelle spatio-temporelle fine est une conséquence de phénomènes stochastiques qui ne peuvent pas être correctement représentés dans les modèles physiques actuels. L'objectif de ce travail consiste à concevoir un nouveau modèle d'apprentissage profond dédié à la prévision infrajournalière de la production photovoltaïque en utilisant le canal visible d'unsatellite météorologique géostationnaire. Les principales étapes sont les suivantes : - La classification de divers comportements spatio-temporels des nuages observés par satellite liés à des situations météorologiques identifiables (e.g. advection, convection, front froid ou chaud, dépression, etc.) - La mise en œuvre d'un modèle CNN déjà éprouvé pour la prévision des précipitations (par exemple U-net, convLSTM, ...) sur chacune des classes de situations météorologiques. - Pour chacune de ces situations, l'étude de l'apport de données externes connexes à l'échelle synoptique (continentale) (e.g. pression de surface, champ de température provenant d'un modèle météorologique ou d'une réanalyse ...) - La quantification de la valeur ajoutée obtenue avec des observations au sol (typiquement l'éclairement solaire au sol et la production d'énergie PV). - L'identification des principales caractéristiques d'une méthode de prévision basée sur l'apprentissage profond et dédiée au comportement de la couverture nuageuse à l'échelle temporelle et spatiale appropriée pour la prévision infrajournalière de l'énergie solaire.

Solar electricity production forecast enables a better integration of solar energy into the grid and then increases its share in the energy mix. Geostationary meteorological satellites, such as Meteosat, observe the cloud layer in real time by producing an image representing the same part of the Earth surface every 15 min. Proven forecast methods using image processing techniques (such as, block matching and optical flow) can anticipate cloud motions and then deduce photovoltaic (PV) production forecast on a given location for the next hours. Despite of their limit to detect sudden cloud appearance/disappearance, these methods are generally more reliable than classical weather forecast models. Recent deep-learning models, in particular convolutional neural networks (CNN) models, encouraged researchers to develop precipitation forecast methods from radar images. Rainfall forecasts are known to be very complex and demanding in accuracy in order to prevent weather hazard consequences (floods, storm...). Despite of heavy computational costs, these techniques are advantageous compared to classical weather forecast models. This research demonstrates that solar energy forecast using satellite images have several reasons to use the CNN models. Indeed, more than 20 years of homogenous satellite data at high frequency (15 min.) are available for training models. Cloudiness and irradiance are bounded physical quantities that avoid inconsistent training. Finally, cloud evolution at fine spatiotemporal scale is a consequence of stochastic phenomena that cannot be represented in the current physical models. The objective of the work consists in the design of a new deep-learning model dedicated to PV production intraday forecast using visible channel of geostationary meteorological satellite. The main steps are: • classification of various cloud spatiotemporal patterns observed in satellite data linked with identifiable weather situations (e.g. advection, convection, cold or hot front, depression etc.). • Implementation of a CNN model already proven for precipitation forecast (e.g. U-net, convLSTM, ...) on each weather situation classes • For each of these situations, studying the added-values of external related data at synoptic (continental) scales (e.g. surface pressure, temperature field from weather model or reanalysis ...) • Quantify the added value of ground observations (typically the surface solar irradiance and the PV power production). • Identifying the main features of a pertinent DL forecasting method dedicated to cloud cover behaviour at relevant time and space scale for intraday solar energy forecast.