Données solaires et promesse des UAV alimentés à l'énergie solaire
SolarAnywhere est depuis longtemps connu comme un service de données pour le solaire photovoltaïque à l'échelle des services publics et du photovoltaïque distribué. Mais ses ensembles de données d'irradiance à haute résolution alimentent désormais une nouvelle application surprenante : les véhicules aériens sans pilote (UAV) assistés par l'énergie solaire. À l'Université de technologie de Varsovie, le chercheur Piotr Lichota exploite les données historiques d'irradiance dérivées de satellites de SolarAnywhere pour déterminer les meilleurs moments pour lancer des UAV solaires et la durée réaliste pendant laquelle ils peuvent rester en vol. Ce travail pourrait accélérer le développement de la surveillance environnementale autonome, de l'agriculture de précision et des opérations de recherche et de sauvetage, des missions où l'endurance en vol est essentielle.
Le défi météorologique pour les UAV solaires
Les UAV alimentés à l'énergie solaire sont conçus pour recharger leurs batteries grâce à des panneaux photovoltaïques embarqués. En théorie, un scénario de ciel dégagé décrit une relation simple entre l'irradiance solaire, la puissance des panneaux et la durée de vol. En pratique, toutefois, la météo se montre rarement coopérative. La couverture nuageuse dynamique à basse altitude, en particulier dans des régions comme l'Europe centrale, peut réduire de manière drastique l'énergie solaire disponible pour l'appareil, limitant ainsi ses capacités de mission.
Pour les planificateurs de mission, l'incapacité à prédire l'irradiance sous des ciels réalistes constitue un obstacle majeur. La plupart des modèles antérieurs reposent sur des hypothèses théoriques de ciel dégagé ou sur des moyennes climatologiques, qui ne parviennent pas à capturer la variabilité quotidienne qui détermine réellement si un UAV peut mener sa mission à bien. Lichota a compris qu'une solution plus robuste était nécessaire : un cadre de simulation reproduisant la volatilité atmosphérique du monde réel afin d'évaluer la probabilité de succès de la mission.
Construire une simulation stochastique à partir de données réelles d'irradiance
Des profils de ciel dégagé aux modèles de couverture nuageuse
Le cœur du cadre repose sur l'ensemble de données SolarAnywhere, qui couvre plus de 25 ans d'observations d'irradiance dérivées de satellites. En utilisant l'estimation du maximum de vraisemblance (MLE), Lichota a identifié des profils d'irradiance normale directe (DNI) et d'irradiance horizontale diffuse (DHI) en ciel dégagé qui correspondent aux observations historiques avec une erreur nettement inférieure à celle des références standard, des moyennes à long terme ou des formulations d'année météorologique type.
Mais les profils de ciel dégagé seuls ne suffisent pas dans les régions où la météo varie fortement. Ces ensembles de données à haute fidélité ont servi à construire un modèle de couverture nuageuse. En simulant le comportement stochastique des nuages, le cadre dépasse les hypothèses déterministes et produit des distributions de probabilité de l'énergie solaire disponible à un moment et à un endroit donnés.
Modéliser les probabilités de résultat des missions
Avec ce cadre stochastique en place, Lichota a quantifié la probabilité d'atteindre une durée de vol cible pour une heure de lancement, un lieu et une configuration de vol donnés. Au lieu d'une seule valeur maximale théorique, le cadre produit des courbes montrant la probabilité de différents résultats dans des conditions réalistes. Ces courbes représentent un changement fondamental, passant de simples estimations de performance à une planification de mission tenant compte du risque.
Résultat clé : le lancement à midi l'emporte
L'un des résultats les plus révélateurs du cadre est l'impact de l'heure de lancement sur le succès de la mission. Comme l'illustre l'étude, un lancement à midi offre des chances nettement meilleures d'obtenir une mission plus longue qu'un lancement tôt le matin, même pour le même UAV le même jour. Ce type de compréhension ne peut pas être obtenu avec des hypothèses de ciel dégagé, où les différences d'irradiance entre le matin et le midi sont prévisibles et souvent modestes.
La raison est intuitive : les schémas de couverture nuageuse en Europe centrale comportent une composante diurne. Le brouillard du matin et les nuages bas se dissipent souvent d'ici midi, permettant à davantage d'irradiance d'atteindre l'appareil. Le modèle capture ces dynamiques, offrant aux opérateurs une base fondée sur les données pour choisir les fenêtres de lancement.
Concevoir pour des conditions réelles
Au-delà de la planification, le cadre permet de meilleures décisions de conception. Lichota a montré comment des modifications des rapports surface solaire/surface alaire, des capacités de batterie ou du choix de l'heure de décollage influencent directement la faisabilité d'une mission. Au lieu d'optimiser une durée de vol théorique maximale irréaliste, les ingénieurs peuvent utiliser les courbes de probabilité pour évaluer les compromis. Par exemple, augmenter la capacité de la batterie peut améliorer l'endurance par temps nuageux, mais alourdit l'appareil ; le modèle montre si ce compromis vaut le risque.
Cette approche facilite la transition vers une conception orientée vers le risque pour les applications de technologies vertes. Plutôt que de supposer un scénario optimal, les concepteurs peuvent définir des seuils de fiabilité, par exemple une probabilité de 90 % d'atteindre une certaine durée de vol, puis remonter pour déterminer les paramètres permettant d'atteindre ce seuil.
Implications pour les technologies vertes et au-delà
Les UAV solaires ne sont qu'un exemple de la façon dont des données avancées sur la ressource solaire peuvent soutenir les technologies vertes émergentes. La même méthodologie pourrait être appliquée aux véhicules alimentés à l'énergie solaire, aux systèmes autonomes marins ou même aux opérations de stockage d'énergie stationnaire qui dépendent des prévisions solaires. À mesure que davantage de secteurs adoptent les énergies renouvelables, le besoin de modélisations probabilistes des performances en conditions réelles augmente.
Pour le secteur des UAV, les implications sont claires. Les missions autonomes de surveillance environnementale en Europe centrale et dans des climats similaires peuvent être planifiées avec un niveau de confiance quantifié. Les opérations d'agriculture de précision peuvent programmer les vols lorsque la probabilité d'une énergie solaire suffisante est la plus élevée. Les équipes de recherche et de sauvetage peuvent déterminer si un UAV solaire est susceptible de rester en l'air assez longtemps pour couvrir une zone cible.
Conclusion
Les travaux menés à l'Université de technologie de Varsovie mettent en évidence la valeur des données d'irradiance à long terme, dérivées de satellites, pour des applications allant au-delà du photovoltaïque solaire traditionnel. L'ensemble de données de SolarAnywhere fournit la base d'une modélisation réaliste et stochastique des opérations d'UAV solaires. En remplaçant les hypothèses de ciel dégagé par des cadres fondés sur les probabilités, les chercheurs et les opérateurs peuvent prendre des décisions plus intelligentes, augmenter les taux de réussite des missions et accélérer l'adoption de l'aviation durable.
À mesure que la technologie mûrit, on peut s'attendre à ce que les UAV solaires deviennent plus performants et plus fiables, mais seulement si l'on planifie en fonction de la météo telle qu'elle est, et non telle qu'on la souhaiterait. Des approches fondées sur les données comme celle de Lichota sont la clé pour ouvrir cet avenir.
Cet article est basé sur un reportage de CleanTechnica. Lire l'article original.
Originally published on cleantechnica.com
