Amélioration des prévisions immédiates du vent et de la production éolienne

Le vent est une variable météorologique extrêmement difficile à prédire. Augmenter la précision des prévisions de vent à court terme (jusqu'à 12 heures à l'avance) est nécessaire pour optimiser les opérations des parcs éoliens, maximiser leur rendement, et favoriser leur développement. L'objectif de ce projet est donc d'améliorer les techniques existantes de prévision des vitesses de vent et de la puissance produite par les éoliennes. Suite à une revue de littérature approfondie des techniques de prévision du vent, le filtre de Kalman est identifié comme l'approche la plus prometteuse. Il s'agit d'une méthode adaptative de correction de l'erreur associée aux modèles de prévision physiques, qui peut être appliquée presque instantanément puisqu'elle ne nécessite pas de longue période d'entraînement sur un ensemble de données historiques. La plupart des approches récentes reposent sur les prévisions de vitesse de vent uniquement comme paramètre d'entrée, alors qu'il a été mentionné à plusieurs reprises dans la littérature que l'ajout d'autres variables, notamment la direction du vent, devrait être considéré pour améliorer la précision des modèles. Il a déjà été démontré pour certaines approches (par exemple, les réseaux de neurones artificiels), que la direction permettait de réduire l'erreur moyenne. En revanche, l'ajout de la direction dans les modèles de filtre de Kalman appliqués à la vitesse du vent ou à la puissance n'a pas été étudié à ce jour. Dans le cadre de ce projet, une nouvelle méthode est proposée, selon laquelle des filtres de Kalman sont modélisés de façon à tenir compte de la direction du vent comme paramètre d'entrée. Le biais entre les prévisions brutes d'un modèle de prévision numérique du temps et les observations est modélisé de façon non linéaire, en fonction de la vitesse et la direction du vent. Pour la prévision de la puissance, deux approches sont développées pour les cas où des observations de vitesse de vent ne sont pas disponibles. D'une part, un filtre de Kalman est appliqué à la puissance directement afin d'estimer son biais. D'autre part, une technique selon laquelle les puissances observées sont converties en vitesses de vent fictives par la courbe de puissance inverse est introduite, dans le but d'appliquer les filtres sur la vitesse du vent. Les données historiques de prévision et d'observation de 20 sites situés en Europe et en Amérique du Nord sont utilisées pour analyser la performance des modèles. Afin de quantifier la précision des différents modèles, plusieurs indicateurs sont calculés, notamment le biais, le Mean Absolute Error (MAE) et le Root-Mean-Square Error (RMSE).