Prévision solaire infra-journalière sur Tahiti couplant observations, modélisation météo et outils d’apprentissage

Cette thèse doctorale vise à relever le défi de réduire la dépendance de la Polynésie française aux hydrocarbures importés en exploitant l'énergie solaire photovoltaïque. Étant donné la nature intermittente de l'énergie solaire, le projet se concentre sur le développement d'outils de prévision des variations d'irradiation solaire à différentes échelles de temps, en utilisant des observations satellitaires haute résolution (GOES-18) et la modélisation numérique du temps (AROME Polynésie). La recherche implique la création de modèles de prévision hybrides utilisant l'intelligence artificielle, combinant des réseaux de neurones convolutifs (CNN) et des réseaux de mémoire à long terme (LSTM) pour des prévisions en temps réel et à court terme. Le travail de thèse comprend l'étude de la climatologie des nuages, l'identification des paramètres météorologiques du modèle AROME et la corrélation des types de temps avec des phénomènes à l'échelle synoptique. L'objectif ultime est de développer et valider un modèle de prévision haute résolution qui se met à jour en continu en utilisant des données météorologiques en temps réel, aidant les gestionnaires de réseau à lisser et anticiper les variations de l'énergie solaire et à optimiser le stockage de l'énergie.

Au laboratoire GEPASUD, dans le cadre de la thèse de Vatea Sansine (2023), nous avons construit plusieurs modèles hybrides de prévision utilisant l'intelligence artificielle. L'un d'entre eux était prévu pour une échéance horaire moyenne, utilisant des couches convolutives pour l'extraction de caractéristiques d'images traitées d'une caméra hémisphérique de ciel et la technologie LSTM pour le traitement de séries temporelles de données météorologiques. Les meilleurs résultats ont été obtenus avec le couplage CNN-LSTM [1]. Des prévisions à la journée avec un pas horaire ont aussi été obtenues à l'aide d'un algorithme PSO combiné à trois modèles autonomes de réseaux neuronaux (LSTM) et l'algorithme de régression à amplification de gradient [Error! Reference source not found.]. Les données d'entrée étaient composées de sorties GHI du modèle de prévision numérique AROME Polynésie combinées à des données météorologiques historiques locales et les images de la caméra hémisphérique.

Le laboratoire GEPASUD héberge une plateforme "Te Fare Ito" (Figure 2) qui permet de tester expérimentalement des systèmes de production et de stockage d'électricité et de froid (programme RECIF). La plateforme comprend, entre autre, une ombrière (PVCAM pour Photovoltaic Characterization and Modelling) conçue en collaboration avec le centre Energy4Climate de l'Institut Polytechnique deParis pour caractériser et analyser en conditions extérieures les performances de 24 modules photovoltaïques (majoritairement bifaciaux) de différentes technologies. La plateforme PVCAM est équipée pour faire de la mesure de qualité de paramètres atmosphériques : station météo standard (P, T, H, précipitation, vent 3D), un pyranomètre de haute précision et six autres répartis sur toute la surface de l'ombrière, un pyrgéomètre (mesure d'IR), une caméra hémisphérique de ciel (qui observe le ciel à 180°) et, à venir, un SPN1, pyranomètre qui permet de différencier les éclairements direct et diffus. Une seconde caméra hémisphérique de ciel sera également disponible. Toutes ces données sont enregistrées et stockées en continu, avec un pas de temps d'une seconde, via une adresse VPN et ceci depuis mai 2024 et pour au moins 5 ans.

Le Laboratoire de Météorologie Dynamique (LMD) a de l’expérience sur la prévision solaire dans les milieux tropicaux, notamment développée sur l’île de la Réunion dans le cadre de projet PEGASE, avec la thèse de Nathasha Kalecinski [4] et des études sur les régimes de temps et d’indicateurs de prévisibilité de la ressource solaire [5,6]. Ces études ont permis le développement de l’outil PVSCOPE, pour la prévision multi-horizon de la production photovoltaïque, qui est déposé à l'Agence deProtection des Programmes (APP) (IDDN: FR.001.460015.001.S.A.2014.000.10000) et exploité de manière commerciale par EDF S&F.

Le LMD cumule plus de 15 ans d’expérience sur les outils de prévision en utilisant des méthodes d’état de l’art sur les observations satellitaires [7] et allant au-delà en utilisant des méthodes de deep learning [8]. A travers l’observatoire de recherche atmosphérique de l’institut de Pierre Simon Laplace «SIRTA », le LMD cumule une expertise en mesure de plus de 15 ans et est responsable d’une station du réseau international de référence BSRN. Le Laboratoire de Météorologie Dynamique participe à l’évaluation de la performance des panneaux photovoltaïques en conditions réelles qui sont développés dans le cadre du Centre Energy4Climate (3 bancs de tests existent au SIRTA depuis 5 ans et l’installation PVCAM, en partenariat avec GEPASUD, depuis 2024).

Connaissance approfondie en météorologie et/ou climatologie.

• Compétences solides en programmation, de préférence en Python.

• Expérience avec les méthodes de machine learning, y compris les réseaux de neurones convolutifs (CNN) et les réseaux de mémoire à long terme (LSTM).

• Capacité à analyser et interpréter des données météorologiques.• Aptitude à travailler en équipe et à collaborer avec des laboratoires de recherche.

• Bonnes compétences en communication écrite et orale pour la rédaction de rapports scientifiques et la présentation des résultats.