Besoins du client
En tant qu'opérateur public, la Compagnie de Chauffage Intercommunale de l'Agglomération Grenobloise (CCIAG) gère le réseau de chaleur de Grenoble-Alpes Métropole. Ce vaste réseau de chauffage urbain s'étend sur plus de 180 kilomètres et se classe comme le deuxième plus grand de France. Il fournit le chauffage et l'eau chaude sanitaire aux bâtiments publics et privés, notamment les ensembles résidentiels et les bureaux. Au total, il produit une chaleur équivalente à celle de 100 000 logements, avec des ventes d'énergie annuelles moyennes de 800 GWh. La CCIAG exploite 5 sites de production et s'appuie sur 10 types de combustibles différents.
La CCIAG choisit ses combustibles dans l'objectif de maîtriser sa consommation d'énergie et de réduire ses émissions de gaz à effet de serre et pollution atmosphérique. L'entreprise travaille activement à réduire progressivement l'utilisation du charbon, qui représentait encore 12 % du mix énergétique en 2022. Chaque site de production a ses propres contraintes spécifiques, mais la CCIAG prévoit d'éliminer complètement le charbon d'ici 2026.
Mix énergétique et choix opérationnels
Les types et proportions de chaque combustible sont choisis selon des critères techniques, économiques et environnementaux. La CCIAG ajuste régulièrement ces décisions, notamment lors des variations importantes des prix des combustibles. Le stockage thermique est utilisé pour apporter de la flexibilité, aide à réguler la production et réduit l'utilisation des chaudières d'appoint.
Importance de prévisions de température précises
Pour ajuster sa production d'énergie et définir l'utilisation optimale de ses ressources de production, la CCIAG doit anticiper les besoins en chaleur. La température extérieure influence directement la demande de chaleur, donc des prévisions de température précises sont essentielles. L'entreprise vise une erreur moyenne inférieure à 1,2 °C pendant la saison hivernale, alors que les systèmes conventionnels offrent généralement une précision d'environ 2 °C. FROGCAST fournit à la CCIAG des prévisions de température quatre fois par jour, jusqu'à quatorze jours à l'avance.
Description de la solution de prévision
Un environnement géographique complexe
La topographie unique de Grenoble en forme de cuvette rend les prévisions de température difficiles. Les modèles météorologiques présentent des biais systématiques et spécifiques à chaque situation. Par exemple, les inversions de température sont fréquentes : l'air froid se retrouve piégé au fond de la vallée tandis que l'air plus chaud se situe au-dessus. Ces inversions se produisent souvent dans des conditions anticycloniques avec des nuages bas persistants, que de nombreux modèles ont du mal à représenter.
Les sorties brutes des modèles météorologiques ne répondent pas aux exigences de précision de la CCIAG. Pour la plupart des modèles, les erreurs absolues moyennes (MAE1) dépassaient 2 °C pendant les premières 24 heures de la prévision (hiver 2019-2022). Steadysun a créé une solution personnalisée pour réduire ces erreurs, en se concentrant sur la diminution de l'erreur moyenne saisonnière et la réduction des occurrences d'erreurs très importantes, en particulier celles supérieures à 2 °C.
Prévision multi-modèles
La plateforme FROGCAST utilise les prévisions des principaux modèles météorologiques mondiaux :
- Météo-France (AROME, ARPEGE),
- German DWD (ICON-D2, ICON-EU),
- Administration nationale océanique et atmosphérique américaine – NOAA (GFS, GEFS),
- Centre européen pour les prévisions météorologiques à moyen terme – ECMWF (IFS-HRES),
- et le service météorologique Canadien (GDPS).
Ces sources d'information sont combinées de manière optimale sur chaque point de grille du globe. Cette approche multi-modèles réduit les erreurs importantes en accordant plus de poids au scénario météorologique le plus cohérent, celui partagé par la majorité des modèles.
Post-traitement et correction par analogie
La CCIAG utilise un capteur de température près de son site de production de la Poterne. Ces mesures locales constituent une source d'information essentielle, car elles permettent d'évaluer la qualité des prévisions sur une période prolongée et de développer des outils de post-traitement avancés.
La méthode choisie repose sur le principe d'analogie (Figure 2). Elle nécessite l'accès à des archives de prévisions météorologiques et à des réanalyses atmosphériques à l'échelle continentale pour certains paramètres (géopotentiel, température, humidité relative, etc.), ainsi qu'aux prévisions locales pour la variable corrigée. Pour chaque nouvelle prévision, la situation météorologique est analysée et décrite à l'aide de champs météorologiques à grande échelle appelés prédicteurs. Des jours présentant des conditions météorologiques similaires sont sélectionnés. La méthode s'appuie ensuite sur l'hypothèse que pour des conditions météorologiques similaires, les modèles auront des biais similaires. Cela permet d'anticiper les erreurs de la prévision actuelle et de les corriger.
Cette méthode de post-traitement offre 2 avantages majeurs :
- elle s'adapte à la situation météorologique
- elle s'améliore au fil des années à mesure que la profondeur des archives augmente
Résultats
Amélioration de la précision des prévisions
La prévision multi-modèles FROGCAST, couplée à la méthode de post-traitement par analogie, est opérationnelle à la Compagnie de Chauffage depuis l'hiver 2021-2022. De plus, les archives météorologiques ont permis d'étendre l'évaluation de la méthode sur deux hivers supplémentaires.
La Figure 3 montre un exemple de prévision à 15 jours fournie à la CCIAG. La courbe supérieure représente la prévision FROGCAST brute, et la courbe inférieure montre la version corrigée utilisant le post-traitement par analogie. L'intervalle de confiance P20-P80 est construit en utilisant les diverses corrections fournies par les jours analogues individuels. Il est remarquable que la prévision brute multi-modèles simule relativement bien la température à Grenoble, avec une MAE de 1,46 °C pour les trois premiers jours de la prévision. Cependant, certains jours présentent des erreurs importantes, comme le 27 novembre (> 3 °C). L'application de la correction par analogie améliore considérablement la prévision en réduisant ces erreurs. Nous obtenons une réduction d'environ 0,74 °C de la MAE entre J+0 et J+3 et une réduction de 0,6 °C pour une prévision à J+15, ce qui correspond à des améliorations de 51 % et 34 % respectivement.
Performance à long terme
L'amélioration de la performance a été évaluée quantitativement sur quatre hivers depuis 2019. Les erreurs (MAE) dans les premières 24 heures des prévisions sont présentées dans la Figure 4 sous forme de fonction de densité de probabilité. L'application du post-traitement par analogie réduit non seulement l'erreur moyenne de 2,1 °C à 1,2 °C, mais diminue également l'occurrence d'erreurs très importantes (> 3 °C), de 10 % à moins de 3 %. Ces erreurs très significatives, particulièrement problématiques pour la gestion des réseaux de chauffage urbain, ont ainsi été substantiellement réduites, répondant aux attentes de la CCIAG concernant les erreurs moyennes maximales.
Perspectives
Amélioration continue
Comme mentionné précédemment, l'un des avantages de la méthode par analogie est son enrichissement automatique au fil du temps avec l'augmentation de la profondeur des archives météorologiques disponibles. Par conséquent, nous pouvons nous attendre à une amélioration constante de la qualité des prévisions au fil des années.
Intégration de nouvelles sources de données
D'autres sources de données météorologiques peuvent également être intégrées dans le système de prévision actuel. L'une de ces sources est le produit de prévision immédiate du modèle AROME, avec des données mises à jour toutes les 3 heures, fournissant des prévisions affinées pour les 6 prochaines heures. L'assimilation d'un grand nombre de données d'observation dans ce système (stations au sol, radar, etc.) réduit considérablement les biais et pourrait apporter des améliorations significatives aux performances des prévisions à très court terme.
Potentiel de déploiement d'un réseau de capteurs
Le déploiement d'un réseau de capteurs autour du bassin grenoblois, à la fois dans la vallée et en altitude, pourrait affiner les prévisions et développer des outils supplémentaires. Les phénomènes locaux, tels que le passage d'averses ou l'apparition du vent du sud (fœhn), impliquent des variations soudaines de température pouvant atteindre dix degrés en quelques minutes. Un système d'alerte basé sur des mesures prises à quelques kilomètres de Grenoble pourrait fournir une prévision précise du moment de ces fluctuations rapides quelques minutes à l'avance.
- L'erreur absolue moyenne normalisée (nMAE) est calculée par intervalles de demi-heure. Cela est cohérent avec le fonctionnement habituel du réseau électrique. Pour quantifier les prévisions ou la production quotidienne, nous disposons par conséquent d'un ensemble de 48 valeurs correspondant à 48 créneaux horaires de 30 minutes chacun (par exemple, la 1ère valeur est la puissance moyenne entre 00h00 et 00h30, la 2e valeur entre 00h30 et 01h00, et ainsi de suite).
Les puissances sont normalisées par la puissance de crête afin de permettre des comparaisons entre une centrale et une autre.
Une valeur nMAE quotidienne est ensuite calculée comme la moyenne des 48 erreurs de demi-heure pour chaque jour et pour chaque année :
Où et sont respectivement la puissance moyenne planifiée et la puissance réelle pendant le créneau de 30 minutes, est la puissance de crête, et « 48 » représente le nombre de créneaux de demi-heure par jour.
Enfin, la précision globale du système de prévision pour une centrale est estimée en moyennant les valeurs nMAE quotidiennes sur tous les jours disponibles :
↩︎
