Upload
phamhanh
View
227
Download
0
Embed Size (px)
Citation preview
La prévision de production
éolienne et photovoltaïque à EDF
Julien Najac, EDF R&D
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
EDF
EDF ~ 160 000 salariés
~ 37 millions de clients dans le monde
puissance totale installée en France: 97 GW (autres 27 GW)
origine de la production d’EDF en France:nucléaire 91.6%, hydraulique 5.8% et thermique 2.6%
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
EDF R&D ~ 2000 personnes(370 docteurs, 220 doctorants, 200 chercheurs enseignants)
Le projet stratégique de la R&D: 3 missions principales
� Consolider un mix énergétique décarbonnéPérenniser l’avantage nucléaire
Développer les énergies renouvelables
Augmenter les performances environnementales des énergies fossiles
� Penser le système électrique de demainAméliorer la gestion des actifs de réseaux
Développer des réseaux électriques plus « intelligents »
� Développer une demande énergétique flexible et bas carboneAméliorer la connaissance des clients et de leurs demandes
Promouvoir de nouveaux usages pour l’électricité
Développer des modèles techniques et économiques d’efficacité énergétique
EDF ~ 160 000 salariés
~ 37 millions de clients dans le monde
puissance totale installée en France: 97 GW (autres 27 GW)
origine de la production d’EDF en France:nucléaire 91.6%, hydraulique 5.8% et thermique 2.6%
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
EDF R&D ~ 2000 personnes(370 docteurs, 220 doctorants, 200 chercheurs enseignants)
Le projet stratégique de la R&D: 3 missions principales
� Consolider un mix énergétique décarbonnéPérenniser l’avantage nucléaire
Développer les énergies renouvelables
Augmenter les performances environnementales des énergies fossiles
� Penser le système électrique de demainAméliorer la gestion des actifs de réseaux
Développer des réseaux électriques plus « intelligents »
� Développer une demande énergétique flexible et bas carboneAméliorer la connaissance des clients et de leurs demandes
Promouvoir de nouveaux usages pour l’électricité
Développer des modèles techniques et économiques d’efficacité énergétique
prévision de production éolienne et PV
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
La production éolienne et photovoltaïque en France
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Au 30 juin 2012:
1042 installations 258 822 installations6,9 GW (5% de la PI totale) 3,3 GW (3% de la PI totale) 2.5% de la conso en 2011 0.5% de la conso en 2011
Un parc en croissance très rapide ces dernières années
mais ralentissement en 2012
Données RTE 2011
Le parc éolien et photovoltaïque français (métropole)
Données RTE 2011
Une répartition géographique fonction du gisement… mais pas seulement !
Le parc éolien et photovoltaïque français (métropole)
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
� intermittente variabilité annuelle, saisonnière, journalière, infra-journalière…
� spatialement hétérogène
� non programmable
La production éolienne et photovoltaïque
Production d’un parc PV à 13h
Été
Hiver
Ciel clair Couvert l’apm Couvert Variable
Quelques journées typiques de la production d’un parc PV
01/2010 01/2011 01/2012
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
+ 2400 MW en 24h~ 2 tranches nucléaires
Le foisonnement géographique permet de limiter les effets de la variabilitéspatiale et temporelle, mais pas toujours !
La production éolienne et photovoltaïque
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Les problématiques de la production éolienne et
photovoltaïque à EDF
� à l’échelle nationale, pour EDF « Responsable d’équilibre » et « Optimiseur »� minimiser l’écart entre la production et la consommation des clients d’EDF et optimiser
les moyens de production (de l’échelle infra-journalière à annuelle)
� à l’échelle locale pour EDF « Distributeur » (ERDF)� prévoir des situations de congestion sur certaines lignes du réseau de transport
(échelles infra-journalière et journalière)
� prévoir les pertes réseaux (de l’échelle journalière à hebdomadaire)
� faire les meilleurs choix d’investissements (échelle multi-annuelle)
� à l’échelle d’un ou de quelques installations pour EDF « Producteur» (EDF EN)
(370 MW d’éolien, 270 MW de PV en France)� vendre la production sur les marchés dans certains pays (échelle journalière à annuelle)
� aide à la maintenance (échelle journalière)
� faire les meilleurs choix d’investissements (échelle multi-annuelle)
Problématiques
Des prévisions de production éolienne et photovoltaïque: pour quoi, pour qui ? différentes échelles spatiales et temporelles
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Zoom sur l’activité EDF « Responsable d’équilibre » et « Optimiseur »
� l’électricité ne se stockant pas, l’équilibre entre offre et demande doit être réalisé àtout instant
� certaines productions sont « fatales » (non programmables) : hydraulique fluviale, éolien, PV…
� EDF est l’acheteur unique de l’éolien et du photovoltaïque (obligation d’achats)
� EDF doit anticiper à tous les horizons de temps les différentes composantes de son périmètre de responsabilité:
prévision de consommation
prévision des productions « fatales » dont l’éolien et le photovoltaïque
programmation des moyens de production « commandables » (nucléaire, hydraulique,
gaz…) et optimisation en fonction de leurs coûts respectifs
L’intermittence et la prévisibilité limitée des ENR rend cet exercice plus complexe
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Problématiques
Horizon de prévisions
Erreur de prévision
Modèles basés sur les prévisions météorologiques
Modèles basés sur l’historique
Modèles basés sur la production temps réel
Modèles basés sur l’imagerie satellite & au sol
~ 1 min ~ 1 heure ~ 1 jour ~ 1 an~ 1 mois
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Problématiques
prévisions
projections, caractérisation des aléas
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
La prévision court-terme dela production éolienne et photovoltaïque
de quelques heures à quelques jours
rayonnement, température, vent, pression… Productions PV
ou éoliennes
Modèle météo
Le modèle de prévision court-terme
modèle statistique
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Problématique:
comment passer de l’information fournie par les modèles météo (paramètres météo simulés, résolution spatiale et temporelle des modèles) à une information locale (productions PV ou éolienne) ?
+ « simplicité », rapidité de mise en œuvre, souplesse+ performances
- hypothèses sous-jacentes fortes: robustesse de la relation statistique? sensibilité aux évolutions des modèles météo?
choix de la descente d’échelle statistique:
Période de calibration
Opérationnel
Données historiques de production
Prévisions météo
Modèle statistique
Prévisions météo
production éolienne ou PV
- des relations statistiques sont établies pour chaque parc éolien ou PV
- les prévisions peuvent être agrégées à l’échelle d’un territoire (île, métropole)
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Les modèles météo utilisés:
- modèles ARPEGE de Météo France (jusqu’à 3-4 jours d’échéances)
- modèle déterministe de l’ECMWF (jusqu’à 10 jours d’échéances)
- système EPS de l’ECMWF (jusqu’à 14 jours d’échéances)
Le modèle de prévision court-terme
Principegénéral
Prévision de production éolienne à l’échelle France métropolitaine
Erreur de
prévision
Le modèle de prévision court-terme
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
0,00
500,00
1000,00
1500,00
2000,00
2500,00
3000,00
Pui
ssan
ces
en M
W
Production éolienne France en juin 2010
RéaliséJJ+1J+2
Le modèle de prévision court-terme
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Les sources d’erreur sont… nombreuses:
Les prévisionsdu modèle météo
Les données historiques de production PV
ayant servi à calibrer le modèle statistique
Le modèlestatistique
(algorithme)
La représentativitédu parc ayant
servi à calibrer le modèle statistique
ordre d’importance
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Les sources d’erreur sont… nombreuses:
Les prévisionsdu modèle météo
Les données historiques de production PV
ayant servi à calibrer le modèle statistique
Le modèlestatistique
(algorithme)
La représentativitédu parc ayant
servi à calibrer le modèle statistique
ordre d’importance
Les prévisions des modèles météo sont la principale source d’erreur:
- certains paramètres météo comme le rayonnement solaire sont parfois mal reproduits par les modèles météo
- la résolution spatiale des modèles météo est parfois insuffisante pour reproduire les phénomènes météo de petite échelle qui affectent la production PV et éolienne (relief et convection atmosphérique par ex.)
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Causes des grosses erreurs
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Prévisions J+1 Observations Ecart
01/11/2008Trajectoire !
vent à 50m12h UTC
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Exemples de grosses erreurs
- 508 MW
0
500
1000
1500
2000
2500
01
/11
/08
02
/11
/08
03
/11
/08
04
/11
/08
05
/11
/08
06
/11
/08
07
/11
/08
08
/11
/08
réa lis é prévis io ns DTG J prévis io ns DTG J +1
Puissance en MW
Pression réduiteau niveau de la mer
(Observations)
Ecart Prev - Obs
(pression 50m)
01/11/2008Trajectoire !
Position de la dépression dans les prévisions
Position réelle de la dépression
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Exemples de grosses erreurs
Prévisions J+1 Observations Ecart
vent à 50m12h UTC
06/02/2009Avance de phase
et intensité !
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Exemples de grosses erreurs
0
500
1000
1500
2000
2500
01
/02
/20
09
00
:00
01
/02
/20
09
13
:30
02
/02
/20
09
03
:00
02
/02
/20
09
16
:30
03
/02
/20
09
06
:00
03
/02
/20
09
19
:30
04
/02
/20
09
09
:00
04
/02
/20
09
22
:30
05
/02
/20
09
12
:00
06
/02
/20
09
01
:30
06
/02
/20
09
15
:00
07
/02
/20
09
04
:30
07
/02
/20
09
18
:00
08
/02
/20
09
07
:30
08
/02
/20
09
21
:00
09
/02
/20
09
10
:30
Réalisations J J+1
+ 627 MW
Puissance en MW
Pression réduiteau niveau de la mer
(Observations)
Ecart Prev - Obs
(pression 50m)
06/02/2009Avance de phase
et intensité !
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Exemples de grosses erreursPosition de la dépression dans les prévisions
Position réelle de la dépression
Les sources d’erreur sont… nombreuses:
Les prévisionsdu modèle météo
Les données historiques de production PV
ayant servi à calibrer le modèle statistique
Le modèlestatistique
(algorithme)
La représentativitédu parc ayant
servi à calibrer le modèle statistique
ordre d’importance
Chroniques de production PV 10 min
Augmentation de la puissance installée
Dysfonctionnement
Indisponibilité
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Les sources d’erreur sont… nombreuses:
Les prévisionsdu modèle météo
Les données historiques de production PV
ayant servi à calibrer le modèle statistique
Le modèlestatistique
(algorithme)
La représentativitédu parc ayant servi à calibrer
le modèle statistique
ordre d’importance
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
- en opérationnel, lorsqu’un nouveau parc est raccordé, on utilise le modèle statistique d’un parc proche ou on répartit la PI supplémentaire sur l’ensemble ou un sous-ensemble de parcs déjà calibrés
- lorsque le nombre de parcs raccordés au réseau augmente rapidement, le modèle peut devenir obsolète!
Le modèle de prévision court-terme
Les sources d’erreur sont… nombreuses:
Les prévisionsdu modèle météo
Les données historiques de production PV
ayant servi à calibrer le modèle statistique
Le modèlestatistique (algorithme)
La représentativitédu parc ayant
servi à calibrer le modèle statistique
ordre d’importance
Le modèle statistique:
- le choix des paramètres météo « expliquant » la production:
rayonnement, température, force du vent…
- l’algorithme
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Le modèle de prévision court-terme
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Perspectives
Les pistes d’amélioration
Séminaire In'Tech, INRIA, Grenoble, 27/09/2012
Approche probabiliste
Degré de maturité de la technique / fiabilité
Capacité à intégrer les outils dans les processus opérationnels
descente d’échelle dynamique
Raccordement des horizons de prévision
Imagerie satellite / sol
pour le très court
terme
Correctionpar remontée
temps réel
Prévisions saisonnières
Merci !