Analyse de performance
12.08.20

Suppression des biais du modèle de vos indicateurs de garantie

Nos outils de prévision solaire continuent de s'améliorer car ils intègrent des avancées informatiques dans la modélisation de l'irradiance, des nuages, de l'ombre, de la physique photovoltaïque, du transfert de chaleur des panneaux, des onduleurs et d'autres situations dynamiques. Indépendamment de la sophistication, cependant, il y aura toujours une erreur systématique qui apparaît d'une manière ou d'une autre. Le plus souvent, nous ne saurons pas comment ce biais se manifestera lors du calcul des indicateurs de performance clés. Il est très important d'éviter un faux positif ou un faux négatif - en particulier lorsqu'il est appliqué à des accords contractuels. Le but de cet article est de présenter une méthode qui atténue ce problème. Un avantage supplémentaire est que cette méthode permet aux gestionnaires de la performance de devenir indépendants du modèle.

Définitions importantes:

  • Modèle: Il s'agit du modèle de prédiction de l'énergie solaire qui est configuré avec les paramètres de conception et les facteurs de perte d'un projet. Les caractérisations des modules, des tableaux, des onduleurs, des systèmes de collecte d'énergie électrique et de tout autre élément entre le soleil et le point de livraison sont incluses.
  • Prédite: Il s'agit d'un ensemble de données qui contient la production d'énergie calculée par le modèle d'un projet avec les données météorologiques TMY [1] en entrée. Ce fichier TMY est représentatif de l'emplacement du site, et les résultats de la génération PV simulée font tous partie des données prédites qui sont stockées à des résolutions horaires ou inférieures pendant une année nominale. (Ceci est souvent appelé un fichier 8760hr). [2]
  • Attendu: Cet ensemble de données contient la production d'énergie calculée à partir du même modèle mais en utilisant les données météorologiques mesurées collectées pour l'usine. Les données MET mesurées et les résultats de la génération PV simulée font tous partie des données attendues. Notez que «le même modèle» est souligné ci-dessus, ce qui est très important pour cette méthode. Plus à ce sujet plus tard. [2]
  • Mesuré: La production électrique mesurée enregistrée pour l'usine qui coïncide avec les données MET mesurées utilisées pour calculer les performances attendues.
  • Plan: Cet ensemble de données contient la génération prévue tout au long de la durée de vie du projet. Ceci est généralement stocké dans un format pro-forma et a été utilisé pour déterminer le prix de vente ou les conditions de financement du projet. Souvent, le TMY est stocké avec la génération de plan.

Notre installation est maintenant opérationnelle et les gestionnaires de la performance doivent comprendre dans quelle mesure les choses se passent par rapport à Plan. C'est le but des KPI de performance. Cependant, le temps réel s'écarte très probablement de TMY (causé par des différences de nuages, de vent, de température ambiante et de neige).

Disons que nous totalisons la production d'énergie du mois dernier et souhaitons la comparer à Plan. Et disons que le mois a été très nuageux et pluvieux. Comment faisons-nous cela? L'approche courante consiste à exécuter le modèle du projet avec les données MET mesurées, puis à comparer le résultat du modèle directement avec la génération mesurée. C'est une approche judicieuse - presque.

Voici quelques situations qui peuvent empêcher le modèle de reproduire le plan original avec le même TMY:

  • La configuration d'origine du modèle a été perdue
  • Le logiciel de modélisation a été révisé (ou arrêté)
  • La méthode Model originale est manuelle et prend beaucoup de temps, et il y a un désir d'automatisation avec une plate-forme différente

Encore une fois, qu'ils soient très simples ou incroyablement complexes, tous les modèles ne sont pas des estimateurs parfaits, et les créateurs de modèles ne savent pas comment les résultats peuvent être biaisés. Il se peut que le modèle ait une erreur accrue à des températures élevées, ou qu'il n'évalue pas correctement le faible rayonnement, ou que la courbe de rendement de l'onduleur soit inexacte, et ainsi de suite. Parfois, le biais est saisonnier - peut-être sur les prévisions pendant les mois d'hiver.

Pour contrôler le biais du modèle, ne comparez pas les résultats du modèle directement avec Plan. À la place, appliquez une correction météo qui est un rapport entre la génération prévue et prévue. Il est de la plus haute importance que le modèle pour les prévisions et les prévisions soit identique, la seule différence étant les données métrologiques d'entrée. Voici l'équation à utiliser pour corriger la génération de plan à comparer à la génération mesurée:

Cette méthode atténue les erreurs de biais car elles s'annulent dans le ratio:

Il est important de supposer que les caractéristiques du biais sont similaires pour la période d'évaluation du don.
Voici l'équation complète pour corriger le plan afin qu'il puisse être comparé à l'énergie mensuelle mesurée:

Pour corriger Mesuré à comparer avec Plan, on inverse simplement le rapport de correction:

Et nous avons une évaluation impartiale!

Cette méthode a été testée en appliquant plusieurs plates-formes de modélisation différentes à la même situation - toutes fournissant des résultats très similaires. Comme on le souhaite, cela nous évite d'être potentiellement confondus par le biais du modèle. Cela permet également de devenir agnostique du modèle. Veuillez effectuer des tests minutieux avant de changer de méthode de modélisation qui pourrait affecter les obligations financières.

Même si cet article traite des systèmes d'énergie solaire, le concept est applicable à presque toutes les centrales électriques. En fait, cet auteur a développé ces méthodes au cours des années 1980 lorsque les centrales à cycle combiné étaient une nouveauté et que l'ASME PTC 46 était inexistante.

Note latérale: Il existe un cas d'angle très important qui devrait être utilisé pour tester toute méthode de correction. Disons que les données MET mesurées sont identiques à TMY. Si cela se produit, aucune correction météorologique ne devrait être nécessaire. Nous comparons simplement les lectures des compteurs électriques directement avec Plan. C'est ça! Cette méthode satisfait ce test car Prédite [MWh] = Attendu [MWh] et le facteur de correction est 1.0000000.

Remarque secondaire: l'utilisation de mesures de température à l'arrière du module pour la modélisation des performances échouera à ce test de cas d'angle. Ceci est dû au fait que le modèle de transfert de chaleur de la matrice sera différent du transfert de chaleur réel de la matrice. Le [MWh] prévu ne sera pas le même nombre que le [MWh] attendu, même si MET mesuré est le même que TMY. Ergo, cette méthode est déconseillée.



[1] TMY fait référence à une année météorologique typique et représente de nombreuses années de données collectées pour un emplacement donné, fournissant une valeur attendue pour des éléments tels que l'irradiance, la température ambiante, le vent, l'humidité et les précipitations. Il s'agit de l'énergie nominale disponible pour la modélisation du cycle solaire. Les années réelles varient bien sûr. Cependant, les valeurs TMY doivent représenter la tendance centrale.

[2] Analyse de l'évaluation de la performance énergétique des systèmes photovoltaïques, 1er novembre 2013, Laboratoire national des énergies renouvelables. Aussi CEI 61724 - Partie 3.

Vous souhaitez plus d’informations ?