AG Fine4Cast

Assemblée générale
du projet Fine4Cast

Un cadre superbe pour une session de travail efficace, avec l’assemblée générale du projet Fine4Cast, qui s’est déroulée le vendredi 29 novembre dans les locaux de Mines Paris – PSL.

Fine4Cast est un projet du PEPR TASE, piloté par le professeur Georges Kariniotakis, responsable des énergies renouvelables & réseaux intelligents (ERSEI) au Centre PERSEE – Mines Paris, et Simon Camal, Ingénieur de Recherche au Centre PERSEE. Il vise à améliorer la prévision à court terme de la production d’énergies renouvelables et de la consommation à une échelle fine. Ces prévisions optimisées sont cruciales pour intégrer davantage d’énergies renouvelables dans les systèmes électriques et répondre aux nouveaux besoins du marché.

Fine4Cast adopte une approche holistique, depuis les données jusqu’à l’utilisation optimale des prévisions pour la prise de décision dans les réseaux et marchés de l’énergie. Le projet réunit 6 laboratoires et collabore avec 10 acteurs industriels pour valider et affiner ses solutions.

Pour atteindre cet objectif global, le projet est structuré autour de 9 objectifs qui répondent aux principaux défis identifiés :

  1. Augmenter la résolution spatio-temporelle des modèles météorologiques, en s’appuyant sur le système de prévision d’ensemble AROME-EPS, et sur des simulations LES à très haute résolution.
  2. Développer des produits de prévision météorologique dédiés au secteur de l’énergie.
  3. Proposer des stratégies d’évaluation des prévisions adaptées aux prévisions à haute résolution et aux besoins des utilisateurs finaux.
  4. Extraire de l’information météorologique pertinente à partir de nouvelles sources de données telles que les images du satellite Meteosat de 3ème génération, les Sky Imagers, etc.
  5. Accroître l’interprétabilité des prévisions énergétiques grâce à des approches physiques.
  6. Développer une approche continue de la prévision énergétique capable de prédire la production d’EnR et la demande locale à des horizons allant de quelques minutes à plusieurs jours et en tenant compte de toutes les sources de données disponibles.
  7. Prédire la consommation à l’échelle locale en tenant compte des nouveaux usages et en intégrant des données contextuelles et socio-économiques (actualités textuelles, réseaux sociaux, trafic, recherches news, etc.).
  8. Adapter les modèles de prévision lorsque la production ou la consommation d’EnR sont affectées par une gestion importante de la flexibilité.
  9. Relier les modèles de prévision énergétique à la valeur qu’ils apportent aux applications pour lesquelles ils sont utilisés (participation au marché des enR ou gestion du réseau).

Plus d'actualités