A PROPOS
SteadyMet fournit des prévisions de la ressource et de la production solaire et éolienne jusqu’à 15 jours à l’avance. Il combine de manière optimale plusieurs modèles de prévision numérique du temps (PNT) et optimise leurs résultats en exploitant les données de mesures de production des installations solaires à travers des techniques d’intelligence artificielle.
SteadyMet peut être configuré à très haute résolution grâce au modèle Weather Research and Forecasting (WRF), fournissant des prévisions très précises à l'échelle locale. Steadysun est en mesure d'implémenter ce modèle et d'optimiser sa configuration n’importe où sur le globe afin de répondre aux besoins de prévisions les plus fiables possibles à J et J+1.
Jusqu'à 1 heure
Fréquence de mise à jour
1 minute
Pas de temps des prévisions
Puissance, GHI, DNI, DHI, GTI, Température, Vitesse et Direction du vent
Paramètres disponibles
Prévisions par site, portefeuille, ville, région ou pays
Couverture
PV, CSP, onshore, offshore
Technologie
API, SFTP, etc.
Livraison des données
P10, P20,…, P80, P90
Intervalles de confiance
AVANTAGES
Grâce à un ensemble de modèles de prévision numérique globaux et régionaux provenant des services météorologiques les plus reconnus.
En termes de paramètres météorologiques, fréquence de mise à jour, de granularité et de format.
Une approche combinant des prévisions issues des principaux modèles météorologiques, des mesures sur site en temps réel et des technologies de pointe pour offrir les prévisions les plus précises possible.
Un modèle régional sur mesure à très haute résolution, fournissant des prévisions fiables et précises dans les zones où les effets locaux sont importants et où le nombre de modèles météorologiques opérationnels est limité.
MÉTHODOLOGIE
Étape 1
ACQUISITION DES DONNÉES
Plusieurs sources externes et internes
Modèles de prévision numérique du temps (PNT) globaux et régionaux
Nombreux paramètres (nuages, rayonnement, température, vent, aérosols, etc.)
Étape 2
MODÉLISATION
Combinaison optimale des sorties de modèles de PNT
Modélisation de puissance prenant en compte les caractéristiques de la centrale
Corrections topographiques à haute résolution (jusqu'à 90m)
Prévisions probabilistes basées sur des approches physiques et statistiques
Étape 3
OPTIMISATION
Basée sur des données d’observations historiques et/ou en temps réel sur site
Amélioration continue des performances à l'aide de techniques d’IA (deep learning / machine learning, etc)
Prise en compte des phénomènes météorologiques locaux et du comportement réel de la centrale
Étape 4
LIVRAISON
Envoi flexible (API, SFTP, etc.)
Formats personnalisés (csv, txt, etc.)
Interfaces web dédiées et sécurisées (visualisation, analyse de données et alertes)
Suivi de performance des prévisions
Plusieurs sources externes et internes
Modèles de prévision numérique du temps (PNT) globaux et régionaux
Nombreux paramètres (nuages, rayonnement, température, vitesse/direction du vent, aérosols, etc.)
Combinaison optimale des sorties de modèles de PNT
Modélisation de puissance prenant en compte les caractéristiques de la centrale
Corrections topographiques à haute résolution (jusqu'à 90m)
Prévisions probabilistes basées sur des approches physiques et statistiques
Basée sur des données d’observations historiques et/ou en temps réel sur site
Amélioration continue des performances à l'aide de techniques d’IA (deep learning / machine learning, etc)
Prise en compte des phénomènes météorologiques locaux et du comportement réel de la centrale
Envoi flexible (API, SFTP, etc.)
Formats personnalisés (csv, txt, etc.)
Interfaces web dédiées et sécurisées (visualisation, analyse de données et alertes)
Suivi de performance des prévisions