Prédiction court terme de la

production éolienne

P. Pinson

École des Mines de Paris.Centre d’Énergétique

B.P. N° 207, Sophia Antipolis Cedex.Tél: 0493957546, Fax: 0393957535, pinson@ensmp.fr

2

Plan de la présentationPlan de la présentation

1. Situation actuelle de l’énergie éolienne en Europe

2. État de l’art concernant la prédiction de la production éolienne

3. Le modèle développé à l’Ecole des Mines : exemple de prédiction et performances

4. ANEMOS, un projet européen consacré à la prédiction de la production éolienne

3

L’Énergie éolienne en EuropeL’Énergie éolienne en Europe

2003

2010

25 GW

70-75 GW

Challenges ! Intégration fiable à grande-échelle de l’énergie éolienne. ! Compétitivité de l’énergie éolienne dans un marché libéralisé

d’électricité. ! Gestion économique et sécurisée du système électrique.

4

Prédiction courtPrédiction court--termeterme

• Prédictions de la production des fermes éoliennes pour lesprochaines 1 à 48 heures.

• Intervalles de confiance.

+1h +6h +12h +18h +24h +30h +36h …. +48h

Production [MW]

0

1

2

3

4

5

6

7

t0

? MW

OBJECTIF

16 Oct.11:00 16 Oct. 23:00 17 Oct. 11:00 17 Oct. 23:00

5

Prédiction courtPrédiction court--termeterme

• Prédictions de la production des fermes éoliennes pour lesprochaines 1 à 48 heures.

• Intervalles de confiance.

+1h +6h +12h +18h +24h +30h +36h …. +48h

Production [MW]

0

1

2

3

4

5

6

7

t0

Persistance

Prédiction pour les 48 heures suivantes

Méthode avancée

OBJECTIF

16 Oct.11:00 16 Oct. 23:00 17 Oct. 11:00 17 Oct. 23:00

6

Prédiction courtPrédiction court--termeterme

+1h +6h +12h +18h +24h +30h +36h… +48h

Production [MW]

0

1

2

3

4

5

6

7

16 Oct.11:00 16 Oct. 23:00 17 Oct. 11:00 17 Oct. 23:00

t0

MesurePrédiction pour les 48 heures suivantes

• Prédictions de la production des fermes éoliennes pour lesprochaines 1 à 48 heures.

• Intervalles de confiance.

OBJECTIF

7

Entrées : Entrées : 1. Données en1. Données en--ligneligne

0

1

2

3

4

5

6

7

+1h +6h +12h +18h +24h +30h +36h… +48ht0

SCADA

MODELE

Prévisions de la production

1.

• Contribution pour une performance optimale très court-

terme (0-6 heures).• Approche statistique (ARMA, réseaux de neurones).

8

Entrées : Entrées : 2. Prévisions météo2. Prévisions météo

+1h +6h +12h +18h +24h +30h +36h… +48h

2.PREVISIONS METEO

MODELE

Prévisions de la production

0

1

2

3

4

5

6

7

t0

SCADA1.

9

Entrées : Entrées : 2. Prévisions Météo2. Prévisions Météo

+1h +6h +12h +18h +24h +30h +36h… +48h

2.PREVISIONS METEO

0

1

2

3

4

5

6

7

t0

15 km

• Vitesse à 10m + Niveaux atmosph.

• Résolution spatiale: 15-30 km• Produites 1-4 fois par jour

10

DownscalingDownscaling

+1h +6h +12h +18h +24h +30h +36h… +48h

2.PREVISIONS METEO

0

1

2

3

4

5

6

7

t0

15 km

• Extrapolation au niveau de la ferme

• Conversion à la hauteur des AGs.

11

Entrées : Entrées : 3. Terrain3. Terrain

+1h +6h +12h +18h +24h +30h +36h… +48h

TERRAIN3.

t0

blk

90000 95000 100000 105000 110000

315000

320000

325000

330000

0

1

2

3

4

5

6

7

OROGRAPHIE315000

320000

325000

330000

blk

90000 95000 100000 105000 110000

RUGOSITE321000

321200

321400

321600

321800

322000

322200

322400

322600

322800

323000

mm

ss

t1

t2

t3

t4

t5

t6

t7t8

t9t10

t11

t12

t13

t14

t15t16t17

t18t19

t20t21

98600 98800 99000 99200 99400 99600 99800 100000 100200 100400 100600 100800 101000 101200 101400

PLAN DES AG

12

Approches : Approches : ‘PHYSIQUE’ ‘PHYSIQUE’ 11

+1h +6h +12h +18h +24h +30h +36h… +48h

TERRAIN 2.PREVISIONS METEO

MODELE

Prévisions de la production

3.

0

1

2

3

4

5

6

7

t0

SCADA1.

13

Approche : Approche : ‘PHYSIQUE’ ‘PHYSIQUE’ 22

+1h +6h +12h +18h +24h +30h +36h… +48h

TERRAIN 2.PREVISIONS METEO

MODELE

Prévisions de la production

3.

0

1

2

3

4

5

6

7

t0

SCADA1.

14

Approche : Approche : ‘STATISTIQUE’‘STATISTIQUE’

+1h +6h +12h +18h +24h +30h +36h… +48h

TERRAIN 2.PREVISIONS METEO

MODELE

Prévisions de la production

3.

0

1

2

3

4

5

6

7

t0

SCADA1.

15

État de l’artÉtat de l’art

Prediktor Risø Physical -

WPPT IMM; Technical University of Denmark

Statistical ≈1GW,West-Denmark

Zephyr, Combination of WPPT and Predictor

Risø and IMM Physical,Statistical

-

Previento University of Oldenburg, Germany

Physical -

HIRPOM University College Cork, IrelandDanish Meteorological Institute

Physical Under development

SIPREÓLICO University Carlos III, Madrid Statistical ≈ 4 GW, Spain

More-Care WPF (Armines)

Armines/Ecole des Mines de Paris

Statistical,Fuzzy Neural networks

Crete, Ireland, Madeira, Azores

AWPT ISET Statistical,Neural networks

≈ 10 GW, Germany

Prediction Model Developer Method Operation

16

L’INTERFACEHOMME-MACHINE

En opération en Irlande, en

Crète, à Madeire et aux

Azores

Le système en opérationLe système en opération……

17

… aussi dans un SCADA industriel… aussi dans un SCADA industriel

WindFarm

WindDirection

UpdatePastWi

ndData

WindFarm

WindSpeed

WindDirection

WindSpeed

WindDirection

ConvertSkiron

FarmId

WindSpeed

WindDirection

CombineMai

nData

CombineMai

nData

WindDirection

Hilarm

WindFarm

WindFarm

WhenOff

WhenOn

AvailHorizon

WindFarm

TurbineNumber

Avaliability

WindFarm WindFarm

Windfarms

LinkToWF

FarmId

WindSpeed

WindDirection

WindFarms

LinkToWF

WindFarm

WindSpeed

WindDirection

WindFarms

WindFarm

WindSpeed

WindDirection

WindPower

ReadScada

WindFarm

WindSpeed

WindDirection

GetLongTerm

Setup ArminesSetup Armines

Setup ArminesSetup Armines

Setup ArminesSetup Armines

ParamsParams

SCADA

STWFMOD_Wind_Output

Time

Farm

Cluster

Turbines

Speed

Power

WF_METEO

Time

SKIRON

Data

PAST_Wind

Time_Index

Power

SCADA

HILARM

WindSpeed

Convert

Data

Availability

Turbines

Wind Farm

Time_Index

Cluster

Calculate

on Horizon

Static_Static_

Insert Data

For Short

Term Linked

ST_

PAST_Wind

Time_Index

Power

Insert data For

Long Term

LT_

LTWF_METEO

Time

LTWFMOD_Wind_Output

Time

Farm

Cluster

Turbines

Speed

Power

Start

Online_

STWF_Wind_Output

Time

Farm

Cluster

Turbines

STWF_Wind_Output

Time

Farm

Cluster

Turbines

LTWF_METEO

Time

Horizon

Forecasts

LTWF_Wind_Output

Time

Farm

Cluster

Turbines

Speed

Power

LTWF_Wind_Output

Time

Farm

Cluster

Turbines

Speed

Power

_WF_M1b__WF_M1b_

_WF_M1c__WF_M1c_

MAIN_MAIN_

Modules court-terme

(systèmes autonomes) 0-6 heures

Entrées: SCADAFuzzy neural nets

Cluster

Speed

Power

Speed

Power

_WF_M1a__WF_M1a_

Modules long-terme

(systèmes interconnectés) 0-48 heures

Entrées: Météo, ScadaUpdates: chaque heurePas de temps: 1 heure

Fuzzy neural nets

18

Exemple de prédictionExemple de prédiction

Demande Électrique : 1500 – 4100 MW

Puissance Éolienne Installée 2002: 140 MW

Projection 2005 : 500 MW

Projected Increase in Wind Generation

0200400600800

10001200

1999

2001

2003

2005

2007

2009

Years

MW

CurrentPlans

PossibleExpansion

Cas d’Étude: Irlande

Source: ESB National Grid

19

0

0.2

0.4

0.6

0.8

1

1.2

1 1001 2001 3001 4001 5001 6001 7001 8001 9001 10001

Time [x1 hour]

Power/Pnominal [p.u.]

Prédiction enPrédiction en--ligneligne

Production d’une ferme éolienne

20

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

1 26 51 76 101

126

151

176

201

226

251

276

301

326

351

376

401

426

451

476

501

526

551

576

601

626

651

676

701

726

751

776

801

826

851

876

901

926

951

976

1001

Time [x 1 hour]

Power/Pnominal [p.u.]

9000 9500 10000

Prédiction enPrédiction en--ligne: ligne: IRLANDEIRLANDE

Production d’une ferme éolienne

21

0

1

2

3

4

5

6

7

1 7 13 19 25 31 37 43Look-ahead time [h]

Pow

er [M

W]

P9086_2

F9086_2

0

1

2

3

4

5

6

7

8

1 7 13 19 25 31 37 43Look-ahead time [h]

Pow

er [M

W]

P9101_2

F9101_2

0

1

2

3

4

5

6

7

1 7 13 19 25 31 37 43Look-ahead time [h]

Pow

er [M

W]

P9130_2

F9130_2

MesuresPrédiction

Exemple de prédiction à 43

heures de la production

d’une ferme éolienne

PerformancePerformance

22

0

1

2

3

4

5

6

7

1 7 13 19 25 31 37 43

Look-ahead time [h]

Power [MW]

MeasurePrediction (origin hour 8467)

0

1

2

3

4

5

6

7

1 7 13 19 25 31 37 43

Look-ahead time [h]

Power [MW]

MeasurePrediction (origin hour 8467)

Exemple de prédiction

à 43 heures de la

production d’une

ferme en Irlande

Le cas typique (bonne précision pour 1-24 heures, plus faible entre 24-48 heures):

PerformancePerformance

23

Erreur (RMS)Pnominale de la ferme

100%

9-20 %de la Puissance Nominale

ERREUR (RMS):

Période : hiver 2003

Performance (statistiques)Performance (statistiques)

24

Jusqu’à plus de 50%d’amélioration par rapport

à la Persistance

RMS(Modèle)-RMS(Persist.)

RMS(Persist.)100%

RMS: Root Mean Square error.

Période : hiver 2003

Performance (statistiques)Performance (statistiques)

25

Intervalles de confiance 85% (calculés par une méthode basée sur le concept

de ‘Resampling’)

Exemple de prédiction

à 43 heures de la

production d’une

ferme en IrlandeMesures Prédiction

Intervalles à 85%

Gestion de l’incertitudeGestion de l’incertitude

26

Projets de RechercheProjets de Recherche19921992--20032003

LemnosWind Power Integration Study

CARE

MORE-CARE

DispowerRespireMicroGrids

ANEMOS (2002-2006)

1992

27

ANEMOS ProjectANEMOS Project

FRANCE: ! Ecole des Mines de Paris/ARMINES

(coordinator)! ARIA Technologies! EDF! Meteo France

DANEMARK: ! RISOE ! IMM - Technical University of Denmark! ELSAM

ESPAGNE:! CIEMAT! Carlos III University of Madrid! EHN - Energia Hidro. de Navarra! REE- Red Eléctrica de España! IDAE

ALLEMAGNE:! University of Oldenburg! EWE! OVERSPEED GmbH

IRELANDE:! ESB National Grid

GRECE:! IASA - University of Athens! NTUA - ICCS! PPC

GRANDE-BRETAGNE:! RAL-Rutherford Appleton Lab.

http://anemos.cma.fr

“Development of A NExt generation wind resource forecasting systeM for thelarge-scale integration of Onshore and off-Shore wind farms”.

• ARMINES

• CENERG

• Uni OLDENBURG

• ICCS / NTUA

• PPC

"ESB

• EDF

• EHN

•UC3M

" REE

• IDAE

• METEOFRANCE

• EWE

• OVERSPEED

RAL •

• IASA

CIEMAT•

• ELSAM• RISOE

• DTU

• ARIA

20 PARTENAIRES, 7 PAYS

20022002--20062006

ENERGIE: ENK5-CT-2002-00665

28

! ÉvaluationÉvaluation des performances des modèles existants au travers de cas tests réels dans plusieurs pays et Amélioration Amélioration de ces modèles.! Évaluation Évaluation des différents systèmes de prévisions météo (Hirlam, Météo-France, Skiron).

! PlatePlate--forme forme de de prédiction prédiction ‘ANEMOS’

RECHERCHE :RECHERCHE :

DEVELOPMENT:DEVELOPMENT:

État de l’art État de l’art ::

http://anemos.cma.fr

ANEMOSANEMOSObjectifsObjectifs

!! Modélisation statistique et physiqueModélisation statistique et physique (terrains complexes, CFD).

! Incertitude/Risque des prédictionsIncertitude/Risque des prédictions et mesure/visualisation en-ligne des erreurs.

! Prévision météo haute résolutionPrévision météo haute résolution.

!! «« UpscalingUpscaling »» (prédiction au niveau régional/ national).

! OffOff--shoreshore (premiers résultats de prédiction pour des fermes offshore).

29

ANEMOSANEMOSApplications / Cas d’étudeApplications / Cas d’étude

Single FarmsRegional/National

ScaleRegional/National

ScaleIslandsIslands

Various Terrains

APPLICATIONSAPPLICATIONS

Off-ShoreOff-ShoreOn-ShoreOn-Shore

30

ConclusionsConclusions

La prédiction de la production éolienne : un outil essentiel pour une gestion optimale des parcs éoliens.

Le module de prédiction développé par l’École des Mines : un système complet (prévision ‘spot’, gestion de l’incertitude) en opération dans plusieurs pays européens.

Le projet européen ANEMOS : un projet ambitieux pour un large développement de la prédiction éolienne et une meilleure intégration de l’énergie éolienne sur le réseau électrique.