L’énergie solaire devient l’une des sources d’électricité les plus importantes au monde. En Lituanie, le nombre de centrales solaires augmente également rapidement, et l’énergie qu’elles produisent joue un rôle de plus en plus important dans le système énergétique du pays. Cependant, l’un des défis majeurs devient plus prononcé : la production d’énergie solaire reste très dépendante des conditions météorologiques.
Même un petit nuage couvrant brièvement le soleil peut réduire la puissance d’un module solaire de dizaines, voire de centaines de watts en quelques secondes. Lorsqu’un grand nombre de centrales solaires sont connectées au réseau, ces fluctuations soudaines deviennent un défi pour les gestionnaires de réseau électrique, qui doivent assurer un équilibre constant entre production et consommation.
Une équipe de chercheurs de l’Université de Technologie de Kaunas (KTU), dirigée par le professeur Rytis Maskeliūnas, a proposé une nouvelle solution à ce problème : un système basé sur l’intelligence artificielle appelé ShadowSense. Le système apprend en observant le ciel tout en enregistrant simultanément les variations de la puissance d’un module solaire.
Les prévisions à court terme couvrant les prochaines minutes peuvent aider à gérer les systèmes de stockage d’énergie plus efficacement, planifier le fonctionnement des centrales solaires avec plus de précision et réduire le besoin de capacité de réserve. Plus tôt le système comprend que les nuages vont réduire la production, plus il y a de temps pour se préparer au changement.
Installé et testé sur le toit d’un immeuble résidentiel
« La plupart des méthodes d’intelligence artificielle basées sur l’image nécessitent de grandes quantités de données labellisées manuellement. Cela signifie que les nuages, les ombres ou d’autres objets dans les images doivent être étiquetés manuellement. Ce processus est long, coûteux et difficile à adapter à différents endroits ou conditions météorologiques », affirme Maskeliūnas.
ShadowSense fonctionne différemment : le système analyse des images du ciel, observe le mouvement des nuages et relie ces informations aux variations de la puissance du module solaire enregistrées simultanément.
« Chaque chute soudaine de puissance devient une sorte d’indice pour le système, l’aidant à comprendre quels changements dans la couverture nuageuse peuvent l’avoir provoquée », explique le professeur de KTU Maskeliūnas.
Ainsi, l’intelligence artificielle n’apprend pas à partir d’images de nuages labellisées manuellement, mais à partir de la relation réelle entre l’apparence du ciel et le fonctionnement du module solaire.
« Il était important pour nous de développer un système capable de s’adapter à un environnement spécifique. Chaque centrale solaire a sa propre position, son angle de module, son environnement et ses conditions météorologiques locales. Cela signifie qu’un modèle universel unique peut ne pas être suffisamment précis », déclare le chercheur de KTU.
Le système analyse d’abord les images du ciel et la direction du mouvement des nuages. Il évalue ensuite la position du soleil et calcule comment les ombres des nuages peuvent affecter le module solaire. Ces informations sont liées aux variations précédentes de la puissance, permettant au modèle de prédire comment la production évoluera dans la minute ou les quelques minutes suivantes.
L’un des aspects les plus intéressants de l’étude est que le système expérimental a été installé non pas dans un laboratoire, mais dans un cadre résidentiel réel à Kaunas. Une caméra grand angle a été montée sur le toit d’un immeuble, capturant régulièrement des images du ciel, tandis qu’un module solaire installé dans la cour alimentait le système de mesure et l’ordinateur d’intelligence artificielle.
Sur 92 jours d’observations dans le district de Kaunas, plus de 122 000 observations synchronisées ont été collectées. Chacune consistait en une séquence d’images du ciel et de données de puissance du module solaire enregistrées simultanément.
« Nous voulions tester si un tel système pouvait fonctionner non pas dans des conditions de laboratoire idéales, mais dans un environnement quotidien – le genre de cadre dans lequel les centrales solaires sont réellement utilisées. C’est important car les nuages, les niveaux de luminosité et les conditions météorologiques dans le monde réel changent constamment », déclare Maskeliūnas.
Fonctionne en temps réel et détecte les variations soudaines de la puissance
Les résultats de l’étude ont montré que ShadowSense peut prédire les variations à court terme de la puissance du module solaire plus précisément que les méthodes conventionnelles. Le système a réduit l’erreur de prévision moyenne de près d’un tiers et a détecté plus de 92 % des changements soudains de puissance associés aux ombres des nuages.
« Pour la gestion du réseau électrique, il est important non seulement de savoir qu’un module solaire produira moins d’énergie, mais aussi de comprendre le plus tôt possible quand cela se produira. Même un bref avertissement de quelques dizaines de secondes peut être significatif lorsque la production, le stockage et la consommation doivent être équilibrés », note le chercheur de KTU.
L’efficacité du système est tout aussi importante. Une seule prévision prenait environ 66 millisecondes à calculer, tandis que la consommation d’énergie s’élevait à environ 0,52 J par prévision. Cela signifie que le système peut fonctionner en temps réel sur un ordinateur de faible puissance.
Une telle solution pourrait être pertinente pour les centrales solaires décentralisées, les sites éloignés ou les systèmes où des serveurs puissants ou une connexion Internet continue ne sont pas disponibles.
Selon le chercheur de KTU, ces types de technologies pourraient à l’avenir être importants non seulement pour les centrales solaires individuelles, mais aussi pour le système énergétique dans son ensemble. À mesure que davantage de sources d’énergie renouvelable sont connectées au réseau, la capacité à prévoir précisément leurs fluctuations en temps réel devient de plus en plus importante.
« Les futurs systèmes énergétiques devront non seulement produire de l’énergie propre, mais aussi être capables de réagir à leur environnement. Des technologies comme ShadowSense permettent aux centrales solaires de devenir plus intelligentes – elles ne se contentent pas de produire de l’énergie, mais apprennent à comprendre ce qui se passe autour d’elles », déclare Maskeliūnas.
Article : ShadowSense: Edge Optimized Self-Supervised Learning for Dynamic Shadow Mapping of Solar Panels – Journal : IEEE Transactions on Sustainable Energy – DOI : Lien vers l’étude
Source : KTU
