Le vent est une source d'énergie intermittente. Le facteur de charge (rapport entre l’énergie effectivement produite, sur une période donnée, par une installation et l’énergie qu’elle produirait si elle fonctionnait à sa capacité maximale) est ainsi en moyenne de 22 % en France.
Or, le mode de commercialisation de l'énergie produite par les parcs éoliens est appelé à évoluer. À terme, le régime de l'obligation d'achat à prix fixe par le réseau national va laisser place au marché (complété par des dispositions gouvernementales pour lisser cette évolution). Dans le système actuel, en France, le gestionnaire de réseau (RTE) ne reçoit pas encore de prévisions de la part de chaque parc éolien et il doit lui-même se livrer à cet exercice. C’est pour avoir des estimations plus précises et pour responsabiliser les producteurs que la prévision sera désormais confiée aux parcs éoliens.
Dans un marché centralisé de l'électricité, les engagements de livraison se font à court terme, c'est-à-dire la veille pour le lendemain. Avec à la clef des pénalités en cas de non-fourniture des kWh vendus. Une véritable gageure pour une énergie intermittente et difficile à prévoir comme l'électricité d'origine éolienne.
L'art de la prévision
C'est à ce problème ardu de la prévision de niveau de production électrique des parcs éoliens que meteo*swift s'est donc attelée. Un domaine dans lequel les difficultés s'empilent : le caractère turbulent du vent, la délicate modélisation des turbines, etc. Le caractère innovant de l'approche de cette startup est lié à l'utilisation de données en grand nombre, lesquelles proviennent des capteurs des « aérogénérateurs » (les éoliennes), des mesures de densité et d'instabilité de l'air, des prévisions météorologiques. On passe des prévisions du modèle météo de résolution 2,5 km au vent local du parc en prenant en compte les caractéristiques géométriques modélisées grâce à des outils de CFD (Computational Fluid Dynamics : calcul numérique dynamique des fluides), avec des logiciels type Ansys, Meteodyn, avec une résolution de 5m par exemple. En combinant l'intelligence artificielle et les statistiques, il est possible de se passer d'un modèle explicite, pour extraire des prédictions de ces données. Ces prédictions statistiques, issues du machine learning, permettent d’évaluer quand la prévision est très fiable et quand le temps est au contraire très instable. Elles alimentent un outil d'aide à la décision accessible en ligne par les producteurs éoliens.
Les différentes zones indiquent les plages de probabilité de production à une certaine puissance. Exemple tiré de : P. Pinson, G. Giebel, H. Madsen. Forecasting of wind generation. The wind power of tomorrow on your screen today !
Mise en œuvre de l'outil
Le modèle a été passé au crible de jeux de données issus d'historiques de l'exploitation de parcs éoliens. C'est ainsi que la preuve de concept de l'outil a été obtenue. Actuellement, le modèle est en phase de démonstration en vraie grandeur : il est utilisé par plusieurs parcs éoliens.
Pour Morgane Barthod, la fondatrice de meteo*swift, le succès de la démarche et son originalité doivent beaucoup à la puridisciplinarité des compétences réunies : ses collègues sont météorologue, mathématicien, informaticiens, experts éoliens.... Un savoir faire récompensé par de nombreux prix et reconnu en particulier par le jury du premier prix de l'innovation ArcelorMittal.
