Réseau de chaleur : Compagnie de chauffage de Grenoble (CCIAG)
Améliorer les performances économiques et environnementales en maximisant la précision des prévisions de température.
Énergie
07/11/2023
par
Damien Raynaud
10 min
Besoins du client
null
En tant qu’opérateur public, la Compagnie de Chauffage Intercommunale de l’Agglomération Grenobloise (CCIAG) est responsable de la gestion du réseau de chauffage urbain de Grenoble-Alpes Métropole. Ce réseau de chaleur, qui s'étend sur plus de 180 kilomètres, est le deuxième plus grand de France. Il fournit du chauffage et de l'eau chaude sanitaire à des bâtiments tant publics que privés, tels que des logements collectifs et des bureaux. En tout, il fournit de la chaleur à l'équivalent de 100 000 logements, avec une vente annuelle moyenne d'énergie atteignant 800 GWh. La CCIAG exploite cinq sites de production différents et utilise une variété de 10 types de combustibles.
Le choix des combustibles est principalement guidé par l'objectif de maîtriser les consommations d’énergie et de réduire les émissions de gaz à effet de serre ainsi que la pollution de l’air sur son territoire. La CCIAG travaille activement à progressivement diminuer l'utilisation du charbon, qui représentait 12% du mix énergétique en 2022, tout en prenant en compte les spécificités de chaque site de production. Il est prévu de définitivement supprimer l’utilisation du charbon en 2026.
Figure 1 : Répartition du mix énergétique de la CCIAG sur la saison de chauffe 2021-2022 (Source : CCIAG, Entre Nous #38, Dossier “Production de chaleur : Comprendre le choix des énergies utilisées”).
null
null
Les types et proportions de chaque combustible sont choisis en prenant en compte des critères techniques, économiques et environnementaux. Des arbitrages sont faits régulièrement, notamment lors de variations significatives des prix des combustibles. Le stockage thermique est utilisé pour apporter de la flexibilité, réguler la production et réduire l'utilisation des chaudières d'appoint.
La CCIAG doit anticiper les besoins de chaleur afin d'ajuster sa production d'énergie et définir l’engagement optimal de ses moyens de production pour répondre à ces besoins. Comme la demande de chaleur est directement influencée par la température extérieure, la CCIAG accorde une grande importance à la prévision de celle-ci. Ils recherchent donc des prévisions d'une précision maximale, visant un niveau d'erreur moyen inférieur à 1,2 °C sur la saison hivernale là où les systèmes de prévisions classiques proposent une précision proche des 2°C. Steadysun fournit à la CCIAG des prévisions de température extérieure quatre fois par jour pour un horizon de temps allant jusqu’à quatorze jours à l’avance.
null
Description de la solution de prévision
null
La situation géographique grenobloise, de par sa topographie atypique en forme de cuvette, constitue un réel défi pour la prévision de température. Les modèles météorologiques présentent des biais systématiques et des biais spécifiques pour certaines situations atmosphériques. On peut citer, par exemple, les inversions de températures où l’air froid reste bloqué en fond de vallées alors que de l’air plus chaud le surplombe en altitude. Ces inversions sont souvent associées à des situations anticycloniques et des nuages bas persistants mal modélisés dans les prévisions.
Fournir des prévisions issues des sorties de modèles météorologiques brutes n’est pas satisfaisant pour la CCIAG. En effet, on observe, pour la plupart des modèles individuels, des erreurs moyennes absolues (MAE [1]) dépassant les 2°C sur les 24 premières heures de prévisions (hiver 2019 à 2022). Steadysun a donc développé une solution sur mesure afin de réduire ces erreurs. L'intérêt porte à la fois sur la réduction de l’erreur moyenne sur une saison hivernale, mais aussi sur la diminution de l'occurrence des très fortes erreurs (MAE journalière supérieure à 2°C).
null
null
La prévision multi-modèles
Notre plateforme de prévisions Frogcast utilise les prévisions météorologiques des meilleurs modèles numériques au monde, incluant ceux de Météo-France (AROME, ARPEGE), du DWD allemand (ICON-D2, ICON-EU), de l’agence américaine NOAA (GFS, GEFS), du centre européen CEPMMT (IFS-HRES) ou encore du service météorologique canadien (GDPS). Ces sources d’information sont combinées de façon optimale sur chaque point de grille du globe. Cette prévision multi-modèles présente comme intérêt principal de réduire les fortes erreurs en donnant mécaniquement plus de poids au scénario météorologique majoritaire, c'est-à-dire à celui privilégié par le plus grand nombre des modèles.
null
null
Le post-traitement et correction par analogie
La CCIAG possède un capteur de température situé à proximité de leur site de production de Poterne. Ces mesures sont une source d’information essentielle, car elles permettent d’évaluer la qualité des prévisions sur une longue période et de développer des outils de post-traitement avancés. La méthode retenue s’appuie sur le principe d’analogie dont le fonctionnement est illustré sur la Figure 2. Elle nécessite d’avoir également à disposition des archives de prévisions météorologiques et de réanalyses atmosphériques à l’échelle continentale pour certains paramètres (géopotentiel, température, humidité relative, etc.) ainsi que des prévisions locales pour la variable à corriger. Pour chaque nouvelle prévision, la situation météorologique est analysée et décrite à partir de champs météo de grande échelle appelés prédicteurs. On sélectionne grâce à eux des journées dîtes analogues. La méthode s’appuie ensuite sur l’hypothèse selon laquelle pour des situations météorologiques proches, les modèles auront des biais similaires. Cela permet d’anticiper l’erreur sur la prévision actuelle et d’appliquer une correction adaptée. Cette méthode de post-traitement a deux avantages majeurs :
1) Elle s'adapte à la situation météorologique
2) elle s'enrichit au fil des ans et à mesure que la profondeur d’archives augmente.
Figure 2 : Schéma de fonctionnement de la méthode de post-traitement par analogie.
Résultats
null
La prévision multi-modèles Frogcast, couplée à la méthode de post-traitement par analogie, a été déployée en opérationnel 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 présente un exemple de prévision à J+15 fournie à la CCIAG. La courbe du haut correspond à la prévision brute issue de la plateforme Frogcast et celle du bas à la prévision corrigée à l’aide du post-traitement par analogues. L’intervalle de confiance P20-P80 est lui construit grâce aux différentes corrections fournies par les journées analogues prises individuellement. On remarque tout d’abord que la prévision brute multi-modèles simule relativement bien la température à Grenoble avec une MAE de 1,46°C sur les 3 premiers jours d’échéance. En revanche, il reste des erreurs significatives (> 3°C) sur des journées particulières, comme par exemple le 27 novembre. L’application de la correction par analogie améliore significativement la prévision en réduisant ces erreurs. On gagne près de 0,74°C de MAE entre J0 et J3 et 0,6°C pour une prévision à J+15, soit des améliorations de 51% et 34% respectivement.
Figure 3 : Exemple de prévisions Frogcast brute (haut) et corrigée par analogie (bas), sur un horizon temporel de 2 semaines.
null
null
L’amélioration de performance a été évaluée quantitativement sur quatre hivers depuis 2019. Les erreurs (MAE) sur les 24 premières heures de prévisions sont présentées en Figure 4 sous forme de fonction de densité de probabilité. L’application du post-traitement par analogie réduit non seulement l’erreur moyenne (1,2°C contre 2,1°C) mais aussi l'occurrence des très fortes erreurs supérieures à 3°C (moins de 3% contre 10%), très pénalisante pour la gestion du réseau de chauffage urbain. Ces dernières, particulièrement contraignantes pour la gestion du réseau de chauffage urbain, ont ainsi été sensiblement réduites, répondant aux attentes de la CCIAG en matière d'erreur moyenne maximale.
Figure 4 : Fonction de densité de probabilité (PDF) des erreurs de prévisions de H+0 à H+24 (hivers 2019 à 2023)
Perspectives
null
Comme mentionné précédemment, un des avantages de la méthode par analogie est son enrichissement automatique au fil du temps avec l’augmentation de la profondeur d’archive météorologique disponible. On peut donc s’attendre à une amélioration constante de la qualité des prévisions au fur et à mesure que les hivers passent.
D’autres sources de données météorologiques peuvent également être intégrées au système de prévision actuel. On pense en particulier au produit de prévision immédiate du modèle AROME dont les données sont actualisées toutes les trois heures et fournissent une prévision affinée pour les six heures à venir. En effet, l’assimilation d’un grand nombre de données d’observation dans ce système (stations de mesure, radar, etc.) réduit fortement les biais et pourrait apporter une amélioration significative des performances sur les tout premiers pas de temps de prévisions.
Le déploiement d’un réseau de capteurs autour du bassin Grenoblois, en vallée et en altitude, pourrait également permettre d’affiner la prévision et de développer des outils additionnels. Certains phénomènes locaux, tels que le passage d’averses ou la mise en place du vent de sud (foehn), impliquent des variations brutales de la température pouvant atteindre une dizaine de degrés en quelques minutes. Un système d’alertes basé sur des mesures réalisées à quelques kilomètres de Grenoble permettrait d’établir une prévision précise du timing de ces fortes fluctuations quelques dizaines de minutes à l’avance.
null
null
null
null
null
null
null
null
null
null
null
null
null
null
null
null
null
Testez gratuitement !
Notes :
1. L’indicateur d’Erreur Absolue Moyenne normalisée (nMAE pour ‘’normalized Mean Absolute Error’’ en anglais) est calculé par plage de 30 minutes, en ligne avec le fonctionnement des réseaux électriques et des marchés. Pour quantifier les erreurs de prévision sur une journée, nous disposons donc d’un ensemble de 48 valeurs (première valeur = moyenne entre 00h00 et 00h30, 2eme valeur = moyenne entre 00h30 et 01h00, …).
Les puissances sont normalisées par la puissance crête de l’installation afin de rendre les résultats comparables d’une centrale à l’autre (voir équation 1).
L’indicateur de nMAE est alors calculé pour chaque jour (voir équations 1 et 2).
null
Où Pforecasted et Pproduced sont les puissances moyennes prévue et réalisée sur la plage de 30 minutes considérée, Ppeak est la puissance crête et « 48 » est le nombre de plages de 30 minutes sur la journée.
La fiabilité du système de prévision sur la centrale est alors évaluée par la moyenne des MAE sur l’ensemble des jours disponibles (voir équation 3).
null
null
null
Suivez la Grenouille !
Vous permettre d’intégrer facilement des prévisions météorologiques fiables, à travers une API simple et efficace, c'est la promesse de Frogcast ! Alors rejoignez-nous dès maintenant, en connectant votre application directement à l'API de Frogcast !
