Publié le 12 octobre 2026
L'Energy Yield, le dimensionnement de la dette, la valorisation des actifs, le suivi opérationnel et les prévisions héritent tous de l'erreur présente dans les données de ressource solaire modélisées. La méthode de site-adaptation de LuciSun va du contrôle qualité du parc de capteurs sur site à une série d'éclairement validée et auditable, en montrant où l'adaptation apporte une valeur mesurable pour chaque site.
Une architecture de mesure, non un choix entre satellite et sol
Sur une centrale solaire, plusieurs éléments peuvent porter de l'information de ressource, chacun ayant son propre rôle :
- Les capteurs sur site (pyranomètres et, sur certains sites, cellules de référence ou autres instruments d'éclairement) observent directement la centrale à haute fréquence. Ils restent la référence pour le suivi opérationnel et les diagnostics locaux, mais leur historique est généralement bien trop court pour décrire le climat à long terme.
- Un jeu de données long terme, généralement issu de données satellites, fournit la profondeur historique nécessaire aux études de ressources et de gisement. Il peut s'agir de la série temporelle satellite historique dans LuData ou d'un jeu de données tiers approprié choisi par le client. Il peut toutefois conserver des erreurs systématiques propres au site, par exemple dues à des aérosols locaux sous-représentés par le modèle, ou à des artefacts saisonniers. Le benchmark mondial réalisé par la Tâche 16 du programme IEA PVPS (Photovoltaic Power Systems Programme de l'Agence Internationale de l'Énergie) portant sur dix jeux de données modélisés comparés à 129 stations contrôlées en qualité a montré que le jeu de données le plus approprié dépend du site et du climat [4].
- L'adaptation au site relie les deux : sur la période où les deux sont disponibles, elle utilise des observations contrôlées en qualité pour rendre le jeu de données long terme représentatif du site.
Notre objectif n'est ni une stratégie 100 % satellite, ni un nombre sans cesse croissant de capteurs. C'est une architecture dans laquelle un nombre limité de capteurs bien entretenus est analysé en continu par rapport à un jeu de données long terme indépendant, avec des éléments tangibles sur la qualité des capteurs, le biais local, le comportement climatique à long terme et l'incertitude résiduelle. La série adaptée au site agit alors comme une redondance analytique : une ligne d'analyse supplémentaire qui complète la redondance physique des capteurs au lieu de la remplacer. En dehors de la période d'ajustement, elle offre un contrôle des capteurs qui ne dépend pas de leurs propres mesures.
Là où cela change les décisions
La ressource est la première donnée d'entrée d'une Energy Yield Assessment, et tout biais s'y répercute sur l'estimation de production à long terme [5]. Ancrer le jeu de données long terme sur des mesures locales fournit une base plus spécifique au site pour P50, P90 et autres probabilités de dépassement d'Energy Yield, qu'elles soient exprimées pour une année unique ou sur le long terme, qu'une estimation régionale purement modélisée. Lorsque les données le justifient, une incertitude de ressource mieux caractérisée et plus faible peut appuyer les scénarios de production conservateurs utilisés dans le dimensionnement de la dette et les modèles financiers. L'ampleur de tout gain dépend du site, du jeu de données et des mesures [2] ; elle doit être démontrée et non présumée. L'adaptation des données modélisées aux mesures au sol concomitantes est une pratique courante dans les évaluations détaillées des ressources et est souvent exigée dans le financement de projets [3]. Lorsque les données le permettent, elle rend les données satellites plus fiables pour chacune des utilisations ci-dessous.
Ce même travail porte ses fruits bien au-delà du closing financier :
- Centrales en exploitation. La série adaptée fournit un contexte long terme indépendant permettant de séparer les variations de production liées à l'éclairement d'une véritable sous-performance, et de réviser le niveau de référence énergétique attendu après des mois ou des années d'exploitation.
- Plateformes de suivi et portefeuilles. Lorsqu'une plateforme de suivi collecte déjà des données d'éclairement sur de nombreux sites, la même approche peut être appliquée centrale par centrale pour offrir un éclairement historique adapté au site, des années météorologiques typiques (TMY) et des valeurs P50, ainsi que des prévisions adaptées en continu pour les jours à venir. Chaque site du portefeuille est alors disponible dans l' LuData API et peut être interrogé individuellement.
- Refinancement, acquisition, cession et Technical Due Diligence. Des données long terme validées localement avec un bilan d'incertitude documenté constituent une base plus solide pour réviser les hypothèses de rendement qu'une courte série de mesures ou un modèle non adapté utilisé seul.
- Décisions relatives au parc de capteurs. L'examen du parc montre quels instruments sont fiables et oriente les choix de remplacement et de redondance.
- Changer ou comparer les sources de données. La méthode n'étant pas liée à une seule base de données solaires, une référence sol existante peut être utilisée pour évaluer, et le cas échéant adapter, un autre jeu de données horaire ou infra-horaire, permettant ainsi de réexaminer les hypothèses de ressources sans dépendre d'un fournisseur unique.
Étape A : cadrage, intégration des données et choix du jeu de données long terme
- Collecter les métadonnées de la centrale, des capteurs et des mesures : plan des capteurs, historique de calibrage et de maintenance, et informations d'implantation nécessaires pour juger de la représentativité.
- Ingérer les séries d'éclairement de chaque capteur sur site, puis établir leurs conventions temporelles, leur granularité et leur période commune exploitable.
- Sélectionner ou intégrer un jeu de données long terme qui couvre à la fois la période commune et la période historique d'intérêt.
- Harmoniser les unités, le fuseau horaire, la convention d'horodatage, la résolution temporelle et les définitions des variables avant toute comparaison.
- Consigner la provenance, la version et les hypothèses d'incertitude du jeu de données choisi.
Un jeu de données tiers est accepté lorsqu'il offre une profondeur historique suffisante, un chevauchement avec les mesures, des variables et des unités documentées, des informations d'horodatage fiables, une continuité adéquate, une cohérence temporelle et, lorsqu'elle est disponible, une caractérisation de l'incertitude adaptée à l'usage prévu. Si le jeu de données fournit l'irradiance globale horizontale (GHI) alors que les capteurs mesurent dans le plan des capteurs (POA), la chaîne de décomposition et de transposition appropriée fait partie de l'évaluation. S'il fournit déjà une série POA compatible, aucun terme de transposition supplémentaire n'est ajouté par défaut. Nous vérifions également les séries long terme afin de détecter d'éventuelles tendances d'assombrissement ou d'éclaircissement global, de sorte que la période historique retenue reste représentative du climat actuel du site plutôt que de remonter à des années qui ne s'appliquent plus.
Étape B : contrôle qualité de l'ensemble du parc de capteurs
Lorsqu'une centrale dispose de plusieurs pyranomètres, nous examinons l'ensemble du parc avant de décider quelle série utiliser, plutôt que de choisir un instrument par défaut. Cet examen suit les protocoles de contrôle qualité (QC) que nous utilisons dans nos activités de Technical Advisory. Il couvre la disponibilité des données, la plausibilité physique, les zéros diurnes, les décalages temporels, la cohérence de l'orientation, le comportement du gain et de l'offset, la dérive, les signatures d'encrassement ou d'ombrage, les écarts entre capteurs, ainsi que les métadonnées d'étalonnage et de maintenance. Le jeu de données long terme peut aider à détecter certains problèmes, comme un capteur non de niveau ou un motif d'ombrage récurrent, mais il n'est jamais le seul juge : pour éviter tout raisonnement circulaire, les preuves décisives proviennent des mesures elles-mêmes, par la concordance entre capteurs sur site et, lorsque les composantes globale, directe et diffuse sont mesurées, par des tests de fermeture entre elles, combinés à une inspection visuelle d'expert [7].
Le résultat est une sélection documentée : quels capteurs sont suspects, quelle(s) série(s) est/sont représentative(s) et fiable(s), et quelles périodes sont exclues et pourquoi. Sur les sites hétérogènes sur le plan spatial, plusieurs capteurs ou zones peuvent être retenus au lieu d'imposer une référence sol unique à l'ensemble de la centrale.
Pour les nouvelles campagnes destinées à des études à haute précision ou haute bancabilité, nous recommandons des pyranomètres ISO 9060:2018 Classe A " spectrally flat " [6]. Les instruments plus anciens ou de classe inférieure sur les centrales existantes ne sont pas exclus automatiquement ; leur adéquation est évaluée selon le même examen. Le nombre, la classe et l'emplacement restent spécifiques au projet, en fonction de l'étendue de la centrale, du terrain, de la variabilité spatiale, des objectifs de suivi et de la redondance matérielle recherchée.
Étapes C et D : diagnostiquer l'erreur, puis adapter et valider
Avant toute correction, les séries sol sélectionnées sont comparées au jeu de données long terme sur une base mensuelle et, lorsque les données le permettent, à une résolution horaire ou infrahoraire. Les comparaisons mensuelles révèlent des écarts saisonniers, souvent pendant les périodes de faible ensoleillement, et des décalages systématiques comme le biais lié aux aérosols. Les résidus à plus haute résolution, examinés par heure de la journée, saison, condition du ciel et géométrie solaire, montrent si l'écart est à peu près constant ou dépend de conditions qu'un biais annuel masquerait. L'objectif est de comprendre la structure de l'erreur avant de décider comment, ou si, il convient de la corriger.
La correction est généralement appliquée au GHI, ou à l'irradiance dans le plan des capteurs (POA) lorsque seuls des capteurs dans le plan sont disponibles. Une relation spécifique au site entre les observations sol retenues et le jeu de données long terme est établie sur la période commune, puis transférée à l'ensemble de la série historique tout en préservant sa variabilité climatique long terme. Plusieurs familles de méthodes existent, notamment les méthodes basées sur la régression, le mapping de quantiles ou de distributions, les approches dépendant des conditions et des combinaisons de celles-ci [1, 3, 8], et le benchmarking au sein de l'IEA PVPS Task 16 a montré qu'aucune approche unique n'est optimale pour chaque site, composante d'irradiance et jeu de données [2]. Le choix de la méthode est donc guidé par le diagnostic et les faits, non par habitude.
Période commune. Environ un à deux ans de mesures simultanées constituent une base solide, car cette durée couvre le cycle saisonnier. Les travaux publiés indiquent que des périodes d'ajustement très courtes peuvent produire des adaptations erronées et qu'un chevauchement d'au moins un an de bonne qualité est généralement préférable [3].
Validation et acceptation. The original and adapted datasets are both compared with the quality-controlled ground data, on independent validation data where the common period allows, for example by cross-validation across months, to limit overfitting [3]. Because no single statistic describes an irradiance series fully, the comparison combines bias, dispersion (mean absolute error and root mean square error), correlation and distribution similarity, and checks monthly and annual irradiation separately. The adaptation is retained only when the evidence shows a robust improvement without unrealistic seasonal behaviour or loss of physical plausibility. Sometimes the original dataset already agrees well with the measurements, or the data cannot support a robust correction; published benchmarks also show that an unsuitable correction or poor ground data can bring little benefit, or leave the dataset worse than before [1, 2]. A valid conclusion can therefore be to keep the original dataset, restrict the adaptation to an appropriate scope, or deliver it with explicit reservations.
Step E: uncertainty, assessed component by component
We do not apply one generic percentage. The uncertainty of the original long-term dataset (including any transposition to the measurement plane), that of the retained ground measurements, and that of the adaptation and its residual error are assessed separately, together with the representativeness of a limited common period. Keeping them apart also shows whether observed differences between the ground measurements and the long-term dataset are significant at all. Components are combined in quadrature only when their independence is justified, with correlations and double counting examined explicitly, in line with the international Guide to the Expression of Uncertainty in Measurement (GUM) [9]. Interannual variability is reported outside this budget: it describes year-to-year climate rather than measurement or model error, and its use in P50, P90 and similar calculations depends on the framework of the yield study.
Step F: what the client receives
The delivery is designed so that the client, a lender's engineer or an independent reviewer can follow every choice. Clients receive the validated ground measurements, with excluded periods documented; the long-term dataset in its original form alongside the site-adapted series; comparative validation results for both against the measurements; the uncertainty assessment; and the documented assumptions, limitations and intended use. Scope is set site by site, depending on the number of sensors, data quality, the long-term source, the required output resolution and the expected depth of validation.
Historical adaptation is not forecast calibration
The same quality-controlled measurements can later serve operations, but the two tasks are different:
- Historical site adaptation anchors a multi-year series for yield assessment, P50 and P90 values and financing. It can be a one-off exercise for a given site.
- Forecast calibration trains a statistical correction or post-processing layer on the overlap between archived forecasts and site measurements (irradiance and, where relevant, plant output) to reduce local bias in forecasts used for operations, trading or dispatch. It applies across forecast horizons, to deterministic forecasts based on numerical weather prediction (NWP) as well as site-specific probabilistic forecasts, where the correction must keep the predicted spread realistic, not only the central value.
Forecast errors depend on lead time and weather situation, so a correction derived for the historical series cannot simply be transplanted onto a forecast feed. A forecast correction needs its own training data, in practice often around one to two years of hourly or finer measurements after QC, and its own verification with forecast-skill metrics, plus, for probabilistic forecasts, checks that the predicted ranges match what is actually observed; it leaves the historical P50 and P90 unchanged. Both tasks depend on sound ground data: calibrating a forecast to a drifting sensor carries that drift into the operational feed. LuData already delivers deterministic NWP forecasts and site-specific probabilistic forecasts through its API; site adaptation of these feeds to a plant's own measurements can be configured as a premium Technical Advisory and software service, separate from the standard subscription.
Working with LuciSun
Site adaptation is delivered through our Technical Advisory services, for developers, independent power producers, asset owners, lenders and owner's engineers, and for data providers and engineering or resource consultancies that need independent QC and adaptation. If you have a campaign under way, a sensor fleet you are unsure about, or measurements that have never been used to adapt a long-term series or a forecast, we can review what the data support.
Request our client technical note. Prospective clients can request a more detailed document covering our methodology, validation principles, uncertainty treatment, deliverables and project-specific considerations. It is a practical resource when planning a measurement campaign, commissioning a resource or yield assessment, or reviewing the resource basis of an existing project. Ask for it through the contact form, book an intro call to discuss your site, or open a support ticket.
References
- Polo, J., Wilbert, S., Ruiz-Arias, J.A., Meyer, R., Gueymard, C., Šúri, M., et al. (2016). Preliminary survey on site-adaptation techniques for satellite-derived and reanalysis solar radiation datasets. Solar Energy, 132, 25–37. https://doi.org/10.1016/j.solener.2016.03.001
- Polo, J., Fernández-Peruchena, C., Salamalikis, V., Mazorra-Aguiar, L., Turpin, M., Martín-Pomares, L., Kazantzidis, A., Blanc, P., Remund, J. (2020). Benchmarking on improvement and site-adaptation techniques for modeled solar radiation datasets. Solar Energy, 201, 469–479. https://doi.org/10.1016/j.solener.2020.03.040
- Fernández-Peruchena, C.M., Polo, J., Martín, L., Mazorra, L. (2020). Site-adaptation of modeled solar radiation data: The SiteAdapt procedure. Remote Sensing, 12(13), 2127. https://doi.org/10.3390/rs12132127
- Forstinger, A., Wilbert, S., Jensen, A.R., Kraas, B., Fernández Peruchena, C., Gueymard, C.A., et al. (2023). Worldwide Benchmark of Modelled Solar Irradiance Data. IEA PVPS Task 16, Report IEA-PVPS T16-05:2023. https://iea-pvps.org/wp-content/uploads/2023/06/IEA-PVPS-T16-05-2023-Worldwide-Benchmark-Modelled-Solar.pdf
- Sengupta, M., Habte, A., Wilbert, S., Gueymard, C., Remund, J., Lorenz, E., van Sark, W., Jensen, A.R. (2024). Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications: Fourth Edition. National Renewable Energy Laboratory, NREL/TP-5D00-88300. https://doi.org/10.2172/2448063
- International Organization for Standardization (2018). ISO 9060:2018 Solar energy – Specification and classification of instruments for measuring hemispherical solar and direct solar radiation. ISO, Geneva. https://www.iso.org/standard/67464.html
- Forstinger, A., Wilbert, S., Jensen, A.R., Kraas, B., Fernández Peruchena, C., Gueymard, C.A., et al. (2021). Expert quality control of solar radiation ground data sets. In Proceedings of the ISES Solar World Congress 2021, pp. 1037–1048. https://doi.org/10.18086/swc.2021.38.02
- Dhata, E.F., Kim, C.K., Kim, H.-G., Kim, B., Oh, M. (2022). Site-adaptation for correcting satellite-derived solar irradiance: Performance comparison between various regressive and distribution mapping techniques for application in Daejeon, South Korea. Energies, 15(23), 9010. https://doi.org/10.3390/en15239010
- Joint Committee for Guides in Metrology (2008). JCGM 100:2008 Evaluation of measurement data – Guide to the expression of uncertainty in measurement (GUM). BIPM. https://www.bipm.org/documents/20126/2071204/JCGM_100_2008_E.pdf
Planning a campaign or reviewing a project? Let's talk.
