Soutenance mémoire
La nature variable de l’énergie photovoltaïque
L’effet photovoltaïque caractérise un phénomène physique de conversion d’énergie propre à certains matériaux semi-conducteurs qui génèrent un courant électrique par exposition à la lumière. Dans la suite de ce document, les termes rayonnement solaire et éclairement seront utilisés de manière équivalente et sont définis comme l’intégration de la luminance – puissance électromagnétique à travers un angle solide infinitésimal – sur l’hémisphère exposé. De cette manière, l’éclairement représente une puissance par unité de surface, exprimé en W/m² . La production électrique d’une cellule photovoltaïque dépend des caractéristiques de conception de la cellule qui lui attribueront un certain rendement – rendement qui sera notamment susceptible de varier en fonction de la température de la cellule et de l’éclairement incident (Beyer et al., 2004). Cependant, la variable fondamentale qui régit les fluctuations de la production électrique est le rayonnement solaire incident correspondant à la sensibilité spectrale de la cellule. Les influences de la température de cette dernière et de la distribution spectrale du rayonnement solaire incident sur la production photovoltaïque ne seront pas à l’étude dans cette thèse : seul le rayonnement total (c.-à-d. intégré sur l’ensemble du spectre solaire) sera ainsi considéré.
Plus précisément, le rayonnement solaire total incident sur plan horizontal, noté GHI (Global Horizontal Irradiance – éclairement global sur plan horizontal) est une variable essentielle pour l’exploitation de l’énergie solaire par la conversion photovoltaïque. Cette technologie de conversion peut être utilisée sur une grande variété de supports, directement sur les toitures de bâtiments ou parkings existants, sur des supports adaptant leurs orientations pour maximiser la production, mais aussi moins couramment sur des façades, des routes, des voitures, des drones, etc. Ainsi, le fait d’analyser le rayonnement solaire global sur un plan horizontal et sa variabilité rend l’étude indépendante de l’orientation et de la sensibilité spectrale des cellules et assure une certaine transposabilité des méthodes développées à différents sites et cas d’études.
Au-delà de son intérêt pour l’énergie solaire, ce rayonnement solaire incident au sol a été reconnu par le Système mondial d’observation du climat (GCOS, Global Climate Observing System) comme l’une des variables climatiques essentielles pour la caractérisation de l’état du système climatique mondial et pour la surveillance du climat à long terme (“Implementation Plan for the Global Observing System for Climate in Support of the UNFCCC”, 010).
La variabilité du rayonnement solaire au sol s’exerce à différentes échelles temporelles, et chaque échelle de variabilité peut être associée à un ou des phénomène(s) physique(s).
Les mouvements complexes des nuages et des constituants atmosphériques comme la vapeur d’eau ou les aérosols génèrent une forte variabilité infrajournalière du rayonnement solaire incident. Dans l’étude du rayonnement solaire, la décomposition en une partie attribuée aux effets des nuages et une partie associée aux variations des constituants de l’atmosphère non nuageuse est très largement utilisée. Cependant, Oumbe et al. (2014) soulignent le très faible couplage qui s’exerce entre ces deux composantes, justifiant l’hypothèse de leur indépendance et de séparabilité généralement utilisée en pratique. Ces échelles de variabilité vont nous intéresser dans cette thèse et nous chercherons à les prévoir. En particulier, les nuages seront au cœur de l’analyse puisqu’ils sont le principal facteur influant le rayonnement solaire perçu au sol (Dambreville, 2014), à l’exception des zones où la fréquence de jours sans nuages est très importante et pour lesquelles les aérosols et le contenu en vapeur d’eau jouent alors des rôles dominants.
La rotation terrestre autour de son axe des pôles géographiques engendre une variabilité journalière à l’origine de l’alternance jour/nuit et la révolution de la Terre autour du Soleil apporte une contribution saisonnière à ces variations du rayonnement au sol. Enfin, sur des échelles annuelles et pluriannuelles, les changements météorologiques et climatiques mènent une tendance ou des oscillations lentes. Les mouvements de rotation et de révolution de la Terre étant précisément connus (l’erreur sur le calcul rapide des angles solaires comme celui proposé par Blanc et Wald (2012) est de l’ordre du millième de degrés), il est possible d’établir des modèles théoriques du rayonnement solaire hors atmosphère très précis dans le passé aussi bien que dans le futur.
En réalité, il existe des couplages entre les différentes échelles temporelles de variabilité. Bengulescu (2017) propose d’utiliser la transformée adaptative de Hilbert-Huang comme outil d’analyse des séries temporelles du rayonnement solaire, dont la nature de ces dernières s’avère être non linéaire et non stationnaire. Ces travaux ont notamment démontré l’existence d’une modulation en amplitude de la variabilité stochastique à hautes fréquences du rayonnement par le cycle annuel qui, lui, est de nature déterministe.
Il est possible d’évaluer l’éclairement incident au sol en absence de nuages en tenant compte de la transparence ou trouble de l’atmosphère sensible à la composition de cette dernière, notamment en vapeur d’eau ou en aérosols. Ces modèles sont dénommés modèles d’éclairement par condition de « ciel clair ». Il existe une grande variété de modèles permettant un calcul de ces profils journaliers d’éclairement par ciel clair et de nombreuses comparaisons des modèles existants ont été proposées par la communauté scientifique (Badescu et al., 2013; Engerer et Mills, 2015; Gueymard, 2012; Ineichen, 2016, 2006; Inman et al., 2013). Dans notre étude, nous avons choisi d’utiliser le modèle ESRA (European Solar Radiation Atlas) pour sa robustesse et sa possibilité d’effectuer le calcul rétrospectivement, en temps réel ainsi qu’en prévision. En effet, ce modèle d’éclairement par ciel clair ESRA est un modèle de calcul empirique alimenté par une base de données climatologique de moyennes mensuelles d’indice de trouble de Linke (Remund et al., 2003). Cependant, il ne prend en compte ni la variabilité interannuelle ni la variabilité inframensuelle du trouble de Linke.
Le modèle McClear (Lefèvre et al., 2013) est un modèle physique exploitant les propriétés optiques des aérosols, le contenu en vapeur d’eau et en ozone dans l’atmosphère estimés dans le cadre des différents projets européens MACC (Kaiser et al., 2012; Peuch et al., 2009) et actuellement de CAMS (Copernicus Atmospheric Monitoring Services) par approximation à l’aide d’abaques précalculés du code de transfert radiatif libRadtran (Mayer et Kylling, 2005). Cependant, l’absence actuelle de disponibilité en temps réel ou en prévision de ce modèle constitue un point discriminant pour notre étude : pour des contraintes techniques du moment, le modèle délivre des estimations depuis 004 jusqu’à maintenant avec deux jours de délai. Or, l’ensemble des données sur les propriétés des aérosols et des contenus de la colonne d’atmosphère en vapeur d’eau et d’ozone utilisé par McClear étant dans l’absolu disponible en analyse et en prévision, il n’y a pas d’impossibilité à voir émerger dans le futur une version de McClear accessible en prévision jusqu’à deux à trois jours en avance.
Intérêt de la prévision photovoltaïque pour le réseau électrique
L’étude de la stabilité dynamique de réseaux de grande envergure nécessite la connaissance d’un grand nombre de paramètres influençant grandement leur comportement futur. Or l’énergie solaire photovoltaïque (PV) connaît une forte croissance en termes de puissance installée dans le monde (voir figure 3). Selon Du et al. (2017), cette technologie devient d’ores et déjà compétitive sur les marchés de l’énergie, ce qui laisse à penser que cette croissance ne va pas s’essouffler dans les prochaines années. En France, le principal gestionnaire du réseau de distribution est l’entreprise ENEDIS (ex. ERDF) et a pour mission de distribuer l’électricité aux consommateurs de l’échelle régionale à l’échelle locale, via les lignes de moyennes et basses tensions en assurant l’équilibre entre l’offre et la demande d’électricité. À ces échelles, la variabilité et l’incertitude de la production croissante d’énergie photovoltaïque sont un défi pour les gestionnaires du réseau en termes de qualité d’alimentation (courant, tension, fréquence) et du maintien des coûts des opérations d’ajustement en temps réel entre l’offre et la demande (Bletterie et Pfajfar, 2007; Ela et al., 2013).
De manière à atténuer les effets déstabilisants de la variabilité PV et ainsi assurer la fiabilité des réseaux électriques existants, plusieurs stratégies peuvent être adoptées. Ces dernières dépendent de l’infrastructure du réseau, des interconnexions disponibles qui rendent possible les transactions sur les marchés de l’énergie, de la possibilité d’effacement de certaines unités (Lew et al., 2013), du taux de pénétration des énergies intermittentes et de la capacité de stockage (stations de transfert d’énergie par pompage – STEP, batteries à hydrogène, au lithium, au plomb, au sel, à flux organique, volant d’inertie, etc.). Ela et al. (2013) proposent différentes stratégies de réduction des déséquilibres en évaluant leur impact sur le coût de production et l’équilibre consommation-production en Arizona. Lorsque peu d’énergies renouvelables variables sont installées sur un territoire, les gestionnaires de réseau se limitent souvent aux prévisions sur la demande en électricité pour orchestrer et planifier les unités de production à moindres coûts grâce à des algorithmes d’optimisation. Cependant, l’augmentation de la part des énergies renouvelables intermittentes dans le mix devient particulièrement préoccupante, notamment sur certains réseaux insulaires (Diagne et al., 2012, 2013) où l’absence – ou l’insuffisance – d’interconnexion avec des réseaux voisins nécessite un pilotage intelligent des réserves et/ou des autres sources de production. Dans de telles conditions, il est non seulement nécessaire d’avoir des prévisions de leur production, mais il faut surtout qu’elles soient fiables à tout instant pour le gestionnaire réseau, c’est-à-dire de bonne qualité.
|
Table des matières
NOMENCLATURE
CHAPITRE I – INTRODUCTION
I.1 CONTEXTE ET ENJEUX
I.2 LA NATURE VARIABLE DE L’ÉNERGIE PHOTOVOLTAÏQUE
I.3 INTÉRÊT DE LA PRÉVISION PHOTOVOLTAÏQUE POUR LE RÉSEAU ÉLECTRIQUE
I.4 HORIZON ET RÉSOLUTION TEMPORELLE DE PRÉVISION
I.5 PRÉVISION LOCALE ET AGRÉGÉE
I.6 MÉTHODES DE PRÉVISION EXISTANTES EN FONCTION DES ÉCHELLES SPATIALES ET TEMPORELLES CONSIDÉRÉES
I.7 OBJECTIFS ET DÉMARCHE DE LA THÈSE
I.8 STRUCTURE DU MANUSCRIT
CHAPITRE II – ANALYSE DES PERFORMANCES DES PRÉVISIONS SOLAIRES
II.1 INTRODUCTION À L’ANALYSE DES PERFORMANCES DANS LE DOMAINE DE LA PRÉVISION SOLAIRE
II.2 LA MESURE PYRANOMÉTRIQUE IN SITU, UNE MESURE DE RÉFÉRENCE POUR L’ANALYSE DES PERFORMANCES
II.2.1 Moyens de mesures du rayonnement solaire existants
II.2.2 Instrumentation déployée dans le cadre de l’étude
II.2.3 Analyses de qualité des mesures pyranométriques
II.2.4 Visualisations des données favorisant l’identification d’anomalies sur la mesure in situ
II.3 LIMITATION DES MÉTHODES STANDARDS D’ÉVALUATION DES PERFORMANCES DES PRÉVISIONS
II.3.1 Métriques usuelles
II.3.2 Pratiques pertinentes pour l’application des métriques statistiques
II.3.3 Le cas de la métrique RMSE
II.3.4 Rappel des attentes des utilisateurs
II.4 PRÉSENTATION DE MÉTHODES EXPLORATOIRES QUI TENTENT DE COMBLER LE MANQUE LIÉ AUX MÉTHODES EXISTANTES ET EN
RÉPONSE AUX BESOINS UTILISATEURS
II.4.1 Suivi des rampes
II.4.2 Erreur temporelle : le Temporal Distortion Index (TDI)
II.5 MÉTRIQUES PROPOSÉES
II.5.1 Quantifier la capacité de la prévision à suivre les rampes
II.5.2 Quantifier l’alignement temporel de la prévision par rapport à la mesure
II.6 CARACTÉRISATION CATÉGORIELLE DES PERFORMANCES : VERS UNE INDÉPENDANCE DE L’ENSEMBLE DES DONNÉES UTILISÉES
II.6.1 Classification d’instants
II.6.2 Classifications de jours
II.6.3 Autres classifications pertinentes
II.7 PRÉSENTATION DE L’ANALYSE DES PERFORMANCES POUR TROIS MÉTHODES DE PRÉVISION DE RÉFÉRENCE
II.7.1 Suggestion de représentation graphique des résultats et métriques sélectionnées
II.7.2 Trois méthodes de références utilisées pour l’illustration des avantages et inconvénients des
métriques sélectionnées
II.7.3 Résultats globaux et par catégorie
II.8 CONCLUSIONS DU CHAPITRE
CHAPITRE III – OBSERVATION DES COMPLÉMENTARITÉS DES SOURCES D’INFORMATION
III.1 COMPLEXITÉ DE LA SCÈNE 3D ET DE SES OBSERVATIONS
III.1.1 Une vision partielle des nuages pour chaque point d’observation
III.1.2 Taille de la couverture nuageuse perçue par l’image satellite
III.1.3 Image hémisphérique : la distorsion optique au service d’une vision périphérique du ciel
III.1.4 Perception d’une grille horizontale par les deux types d’images en fonction de son altitude imposée.
III.1.5 Effet parallaxe
III.2 DIFFÉRENCE DE RÉSOLUTION SPATIALE ENTRE IMAGES HÉMISPHÉRIQUES ET IMAGES SATELLITES
III.2.1 Résolution spatiale et taille du pixel
III.2.2 Taille du pixel satellite
III.2.3 Taille du pixel de l’image hémisphérique
III.3 DIFFÉRENCE DE RÉSOLUTION TEMPORELLE DES INFORMATIONS
III.3.1 Instant d’acquisition des pixels de l’image satellite
III.3.2 Résolution temporelle des informations in situ
III.4 OBSERVATION DES COMPLÉMENTARITÉS DES DIFFÉRENTES SOURCES D’INFORMATION
III.4.1 Ciel clair
III.4.2 Ciel couvert
III.4.3 Ciel variable
III.4.4 Ressemblance multiéchelle de la couverture nuageuse
III.4.5 Nets dépassements de la courbe de ciel clair
III.4.6 Situations propices à l’exploitation de complémentarités
III.4.7 Anomalies ou événements limitant l’exploitation des données
III.5 VERS L’EXPLOITATION DES COMPLÉMENTARITÉS
CHAPITRE IV – SIMULATEUR GÉOMÉTRIQUE 3D : VALIDATION SPATIALE DE LA GÉOLOCALISATION
IV.1 L’ESTIMATION DE L’OMBRE PORTÉE DES NUAGES : UNE ÉTAPE DU PROCESSUS PRÉVISIONNEL
IV.2 MÉTHODES DE GÉOLOCALISATION DES NUAGES PAR PHOTOGRAMMÉTRIE
IV.3 OBJECTIFS D’UNE SIMULATION DE L’APPROCHE
IV.4 DESCRIPTION DU SIMULATEUR
IV.4.1 Choix de la représentation 3D des nuages
IV.4.2 Génération d’images synthétiques à partir d’une situation nuageuse donnée
IV.4.3 Application de la méthode de géolocalisation des nuages en 3D
IV.4.4 Comparaison des ombres portées au sol
IV.5 ANALYSE DES RÉSULTATS
IV.5.1 Analyse statique
IV.5.1 Analyse dynamique
IV.6 CONCLUSIONS DU CHAPITRE
CHAPITRE V – CONCLUSION
Télécharger le rapport complet
