Nouvel article publié dans la revue Solar Energy

Time series modeling and large scale global solar radiation forecasting from geostationary satellites data.

Cyril Voyant, Pierrick Haurant, Marc Muselli, Christophe Paoli, Marie-Laure Nivet


Dans ce nouveau papier, nous avons développé une nouvelle méthode de prévision du rayonnement global sur une large échelle (toute la Corse). Le principe repose sur l'utilisation conjointe des outils stochastiques de prédictions des séries temporelles et l'utilisation des images satellites.
Avec cette approche, chaque pixel (Cf base de données Helioclim 3; 1158 pixels par images horaire) devient support d'une série temporelle, ce qui implique que pour une prévision 1 heure à l'avance, le processus doit générer plus de 1100 prédictions 1D. Nous avons montré que cette approche est compétitive à l'issu d'un test effectué sur deux années complètes de rayonnement global mesuré.
La prochaine étape sera de confronter cette méthodologie de prédiction avec des plus globales comme peuvent l'être les NWP, nous comparerons ainsi notre approche avec les modèles AROME et NOAA.
L'abstract du manuscrit est:
"When a territory is poorly instrumented, geostationary satellites data can be useful to predict global solar radiation. In this paper, we use geostationary satellites data to generate 2-D time series of solar radiation for the next hour. The results presented in this paper relate to a particular territory, the Corsica Island, but as data used are available for the entire surface of the globe, our method can be easily exploited to another place. Indeed 2-D hourly time series are extracted from the HelioClim-3 surface solar irradiation database treated by the Heliosat-2 model. Each point of the map have been used as training data and inputs of artificial neural networks (ANN) and as inputs for two persistence models (scaled or not). Comparisons between these models and clear sky estimations were proceeded to evaluate the performances. We found a normalized root mean square error (nRMSE) close to 16.5% for the two best predictors (scaled persistence and ANN) equivalent to 35-45% related to ground measurements. Finally in order to validate our 2-D predictions maps, we introduce a new error metric called the gamma index which is a criterion for comparing data from two matrixes in medical physics. As first results, we found that in winter and spring, scaled persistence gives the best results (gamma index test passing rate is respectively 67.7% and 86%), in autumn simple persistence is the best predictor (95.3%) and ANN is the best in summer (99.8%)."

https://www.researchgate.net/publication/259759274_Time_series_modeling_and_large_scale_global_solar_radiation_forecasting_from_geostationary_satellites_data?ev=prf_pub https://www.researchgate.net/publication/259759274_Time_series_modeling_and_large_scale_global_solar_radiation_forecasting_from_geostationary_satellites_data?ev=prf_pub


Rédigé par Cyril VOYANT le Samedi 18 Janvier 2014 à 19:49 | Lu 275 fois