DUPRE
Aurore Dupré
Dimensionnement d'un système de prévision éolienne à court terme.
22 janvier 2020
Jury:
Directeur de thèse : Philippe Drobinski - Directeur de recherche, LMD
Co-directeur de thèse : Jordi Badosa - Ingénieur de recherche, LMD
Rapporteurs :
Antoine Rousseau - Directeur de recherche, Inria - Montpellier
Freddy Bouchet - Directeur de recherche, ENS - Lyon
Examinateurs :
Bénédicte Jourdier - Ingénieur de recherche, EDF Lab
Mathilde Mougeot - Professeur, ENSIIE
Mireille Bossy - Directeur de recherche , Inria - Sophia Antipolis
Invité :
Christian Briard - Ingénieur, Zephyr ENR
Résumé:
Dans un contexte de réchauffement climatique et de
transition énergétique, le développement des énergies
renouvelables est indispensable afin de garantir une
production d'énergie qui réponde à une demande en croissance
constante. Les producteurs éoliens Français bénéficient
d’une période de rachat obligatoire de leur production de la
part d’EDF durant 15 ans. Après cela, ils doivent vendre
leur production sur le marché concurrentiel. Pour ce faire
ils doivent annoncer à l'avance la quantité d'énergie qu'ils
injecteront sur le réseau. En cas de déséquilibre, des
pénalités leurs sont imputées. En France, l'échéance limite
pour vendre son énergie est de 30 minutes. Ainsi, dans cette
thèse, plusieurs approches de réduction d'échelle,
paramétriques (régression linéaire) et non paramétriques
(forêts aléatoires) sont développées, calibrées et évaluées.
Les échéances considérées vont de 30 min à 3 h. Les
méthodes de réduction d'échelle considérées sont très
rarement utilisées pour des échéances inférieures à l’heure
puisque les modèles numériques sont généralement exécutés
toutes les 6 à 12 h. L'utilisation de mesures in-situ dans
les méthodes de réduction d'échelle, afin de corriger la
prévision numérique à l'initialisation, permet un gain de
performance significatif. Comparé avec les méthodes
statistiques classiques pour la prévision court terme,
l'amélioration par rapport à la méthode de persistance va de
1.5% à 10 min à plus de 30% à 3h. Afin de limiter
l'accumulation d'erreurs lors du passage de la prévision du
vent à la prévision de la puissance éolienne, une analyse de
l’erreur induite par différentes variables météorologiques,
comme la direction du vent ou la densité de l’air, également
est présentée. Dans un premier temps, la prévision ferme par
ferme est explorée puis la dimension spatiale est
introduite. Pour finir, la valeur économique d’un tel
système de prévision court terme est explorée. Les
différentes étapes du marché de l'électricité sont étudiées
et les différentes sources d'incertitude et de variabilité,
comme les erreurs de prévision et la volatilité des prix,
sont mises en évidence et évaluées. Pour les deux fermes
considérées dans cette étude, les résultats montrent que les
prévisions court terme permettent une augmentation du revenu
annuel entre 4 et 5%.
Abstract:
In a context of global warming and energy transition,
the development of renewable energies is essential in order
to ensure energy production that meets a constantly growing
demand. French wind power producers benefit from a
"obligation to purchase'' from EDF for 15 years. After that,
they have to sell their production in the competitive
market. To do so, they must announce in advance the amount
of energy they will inject into the grid. In case of
imbalance, they are charged penalties. In France, the
deadline for selling energy is 30 minutes. Thus, in this
thesis, several downscaling approaches, parametric (linear
regression) and non-parametric (random forests) are
developed, calibrated and evaluated. The considered lead
times range from 30 min to 3 h. The downscaling
methods considered are rarely used for lead times lower than
1 h since numerical models are generally run every 6 to 12
hours. The use of in-situ measurements in downscaling
methods to correct the numerical prediction at
initialization, allows a significant performance gain.
Compared to traditional statistical methods for short term
forecasting, the improvement compared to the persistence
method ranges from 1.5%, 10 min ahead, to more than 30%, 3 h
ahead. In order to limit the accumulation of errors in
the conversion from wind speed forecast to wind power
forecast, an analysis of the error induced by different
meteorological variables, such as wind direction or air
density, is presented. First, the forecast at the farm
scale is explored and then the spatial dimension is
introduced. Finally, the economic value of such a
short term forecasting model is explored. The different
steps of the electricity market are studied and the
different sources of uncertainty and variability, such as
forecast errors and price volatility, are identified and
assessed. For the two wind farms considered in this study,
the results show that the short term forecasts allow an
increase in annual income between 4 and 5%.