Dans le contexte actuel de changement climatique et de transition énergétique, la part d'énergie solaire augmente significativement. Prévoir la production d'énergie solaire constitue à la fois un enjeu pour faciliter son intégration dans le réseau électrique et assurer sa stabilité, et un défi du fait de sa grande variabilité spatio-temporelle et de sa forte dépendance aux conditions météorologiques. Dans ce cadre, les prévisions de rayonnement solaire à la surface (SWD) que peuvent fournir les modèles de prévision numérique du temps (PNT) jouent un rôle central.
Cependant, les performances des modèles de PNT en termes de rayonnement solaire n'ont été peu évaluées, et très rarement sur de grands domaines et de longues périodes. Pourtant, quantifier les performances des modèles de PNT est d’autant plus important que les erreurs sont significatives. De plus, évaluer de manière détaillée les différentes sources d'erreurs des prévisions de SWD, qui sont multiples et complexes, permet de progresser vers une amélioration des modèles. Ce travail de thèse répond à ces enjeux en développant une méthodologie d'évaluation des performances des modèles de PNT à résolution kilométrique pour le SWD, qui est appliquée au modèle opérationnel de Météo-France AROME, pour le SWD, sur tout le domaine de la France métropolitaine ainsi que sur un site hautement instrumenté, pour l'année 2020. Cette étude détaillée permet d'identifier de manière éclairée des pistes d'amélioration du modèle AROME.
Plus précisément, dans un premier temps, les prévisions horaires d'AROME sur la France métropolitaine sont évaluées à partir de mesures extit{in situ} de SWD provenant du réseau de 168 pyranomètres de Météo-France. Des produits nuageux dérivés d'observations de satellites géostationnaires ont également permis de classifier les situations nuageuses à haute fréquence et sur tout le territoire. Les résultats montrent que les situations contribuant le plus aux erreurs correspondent aux ciels nuageux dans le modèle et dans les observations, qui sont des situations très fréquentes et caractérisées par un biais annuel positif significatif. Les situations de nuages manqués et de nuages prévus à tort présentent des erreurs moins impactantes en raison de leur faible occurrence, tandis que le biais en ciel clair bien prévu est faible. Le biais en condition nuageuse semble être principalement lié, à des erreurs d'épaisseur optiques des nuages, même si des erreurs de fraction nuageuse ne sont pas à exclure, mais difficiles à évaluer. Une analyse plus avancée montre que les nuages hauts sont associés à un biais positif de SWD tandis que les nuages de couche limite sont associés à un biais négatif de SWD.
Cette méthodologie est ensuite appliquée au site hautement instrumenté du SIRTA, qui fournit des mesures détaillées comme la fraction nuageuse ou le contenu en eau liquide. Il apparaît que le biais négatif de SWD relatif aux nuages de couche limite n'est pas seulement dû à une surestimation de la fraction nuageuse modélisée, mais aussi à une surestimation du contenu intégré en eau liquide (LWP). Le biais positif de SWD pour les nuages hauts et géométriquement épais est quant à lui relié à un LWP trop faible, possiblement dû à une sous-estimation du contenu total en eau nuageuse ou de l'eau liquide surfondue.
Partant de ces constats, de nouvelles simulations AROME ont été produites sur deux mois, incluant des modifications des schémas radiatif et microphysique. Des améliorations des prévisions de SWD apparaissent lorsque le contenu en neige est pris en compte dans le schéma de rayonnement. Par ailleurs, diminuer la concentration de gouttelettes améliore le SWD pour les nuages bas. Enfin, le SWD présente une forte sensibilité au facteur d'hétérogénéité sous-maille des nuages. Il conviendra d’approfondir ces différentes pistes lors de futurs travaux, dans l'objectif d'obtenir une version d’AROME optimisée pour l'énergie solaire.
|
In the current context of global change and energy transition, the share of solar energy is increasing significantly. Forecasting solar energy production is both an issue in terms of facilitating its integration into the electric grid and ensuring its stability, and a challenge because of its high spatio-temporal variability and its strong dependence on meteorological conditions. In this context, forecasts of surface shortwave downward radiation (SWD) produced by numerical weather prediction (NWP) models are an essential element.
However, the performance of NWP models in terms of solar radiation has rarely been evaluated, and very rarely over large areas and long periods. Quantifying the performance of NWP models is all the more important when the errors are significant. Furthermore, a detailed assessment of the various sources of error in SWD forecasts, which are multiple and complex, enables progress to be made in improving the models. This thesis responds to these challenges by developing a methodology for evaluating the performance of high resolution NWP models for SWD, which is applied to Météo-France's operational SWD model AROME, over the whole of mainland France and at a highly instrumented site, for the year 2020. This detailed study will allow to identify possible improvements to the AROME model.
More specifically, the AROME hourly forecasts for mainland France are initially based on SWD measurements from the network of 168 pyranometers operated by Météo-France. Cloud products derived from geostationary satellite observations have also been used to classify high-frequency cloud situations across country. The results show that the situations contributing most to the errors correspond to cloudy skies in the model and in the observations, which are very frequent situations and characterised by a significant positive annual bias. Missed cloudy situations and erroneously predicted clouds have a smaller impact on the errors due to their low occurrence, while the bias for well-predicted clear sky conditions is small. The bias in cloudy conditions seems to be mainly due to errors in the cloud optical thickness, although errors in cloud fraction cannot be excluded but are difficult to assess. Further analysis shows that high clouds are associated with a positive SWD bias while low clouds are associated with a negative SWD bias.
This methodology is then applied to the highly instrumented SIRTA site, which provides detailed measurements such as cloud fraction and liquid water path (LWP). It appears that the negative bias of SWD for boundary layer clouds is not only due to an overestimation of the modelled cloud fraction, but also to an overestimation of the LWP. The positive bias of SWD for high and geometrically thick clouds is associated with an underestimation of the LWP, possibly due to an underestimation of the total cloud water content or of the supercooled liquid water.
Based on these findings, new AROME simulations were produced over two months, including modifications to the radiative and microphysical schemes. Improvements in SWD forecasts appear when the snow content is included in the radiative scheme. In addition, reducing droplet concentration improves the SWD for low clouds. Finally, SWD is very sensitive to the subgrid cloud heterogeneity factor. These various issues should be explored in future work with the aim of obtaining a version of AROME optimised for solar energy. |