Vous êtes ici : Accueil / Recherche / Thèses / Resume / DUPRE

DUPRE

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%.

Recherche