DayCast™ est la solution de prĂ©visions solaires et Ă©oliennes au lendemain de Reuniwatt. Nos algorithmes sont basĂ©s sur une modĂ©lisation mĂ©tĂ©orologique dĂ©diĂ©e au solaire et Ă©olienne et combinĂ©s avec des modèles statistiques et d’intelligence artificielle. Ils permettent d’obtenir des prĂ©visions d’ensoleillement et de production photovoltaĂŻque jusqu’à 7 jours Ă l’avance.

Couverture mondiale et précision locale
Couverture mondiale et précision locale
Nos algorithmes de prévisions solaires au lendemain sont disponibles pour le monde entier. De plus, Reuniwatt utilise des modèles météorologiques régionaux pour garantir une haute résolution spatiale et temporelle sur le site visé.
Diversification des sources de données
Diversification des sources de données
Les prévisions solaires et éoliennes au lendemain de Reuniwatt intègrent des paramètres nuageux issus de plusieurs sources d’observation, permettant de renforcer la fiabilité des prévisions.
Représentation améliorée des nuages dans les modèles météo
Représentation améliorée des nuages dans les modèles météo
La météo classique ne priorise pas l’évolution précise des nuages à fine échelle. Reuniwatt mène des recherches pour une modélisation spécialement dédiée à cette cause principale de variation de la production photovoltaïque.
Méthodologie
DayCast™ est une technique de prĂ©vision mĂ©tĂ©orologique dĂ©veloppĂ©e par Reuniwatt, spĂ©cialement optimisĂ©e pour la nĂ©bulositĂ© et le rayonnement solaire au lendemain, ainsi que pour le champ de vent Ă diffĂ©rentes hauteurs, et jusqu’à une semaine Ă l’avance.
DayCast™ combine plusieurs modèles mĂ©tĂ©orologiques numĂ©riques, permettant d’amĂ©liorer la robustesse des prĂ©visions. Des techniques d’intelligence artificielle entraĂ®nent nos modèles vers une meilleure prise en compte des phĂ©nomènes locaux.
DayCast™ permet une couverture rĂ©gionale et offre des avantages concrets pour la prĂ©vision au lendemain :
- Simulation avec un modèle configuré et entraîné aux spécificités régionales
- Intégration de sources diversifiées de données pour améliorer la pertinence du modèle
- Mises à jour fréquentes des simulations
- Initialisation de modèles rĂ©gionaux de rĂ©solution de nuages Ă haute rĂ©solution Ă l’aide de mĂ©thodes innovantes d’assimilation de donnĂ©es



