Soutenance mémoire
Prévision des variables météorologiques
Horizon de prévision
Dans le domaine de l’éolien, plusieurs horizons de prévision sont requis selon différentes applications (Giebel et al., 2003). La puissance prédite pour des horizons allant des millisecondes à quelques minutes peut être utilisée pour le contrôle des éoliennes. En effet certaines conditions météorologiques peuvent s’avérer dommageables pour les éoliennes. La prévision à très court terme pourrait alors permettre à une éolienne de détecter ces conditions météorologiques, et déclencher un système automatique pour l’arrêter afin de s’en préserver.
On peut aussi citer la prévision à court terme, pour des horizons allant de quelques heures à 72 heures. Ces horizons de prévision sont souhaités pour les opérations d’exploitation du réseau électrique et permettent de planifier les moyens de répondre à la demande d’énergie des consommateurs tout en équilibrant les réseaux électriques. Enfin, les prévisions de la production éolienne sont aussi souhaitées pour des horizons de temps plus long, pouvant aller jusqu’à 5 à 7 jours. Celles-ci peuvent être particulièrement importantes pour planifier les opérations d’entretien sur le réseau électrique qui nécessiteraient l’arrêt complet de la centrale éolienne. L’objectif de cette étude est de proposer une méthodologie capable de prédire la production éolienne qui facilitera son intégration dans les réseaux électriques. Par conséquent, c’est la prévision de la puissance de la centrale éolienne à court terme (l’horizon de prévision allant de quelques heures jusqu’à 72 heures) qui nous intéresse.
Les modèles numériques de prévisions météorologiques (NWP)
Les modèles numériques de prévisions météorologiques sont utilisés dans la plupart des modèles de prévision de la production éolienne à court terme. À partir des observations météorologiques mesurées de partout sur le globe, ils sont capables de calculer l’état futur de l’atmosphère à l’aide des lois de la physique qui gouvernent la météorologie. Les modèles globaux, qui évaluent l’état futur de l’atmosphère sur tout le globe, sont opérationnels dans à peu près 15 services nationaux de météorologie. Ces modèles opérationnels fournissent les prévisions météorologiques sur des maillages pouvant aller de 25km à 80km de résolution et
à différents niveaux de hauteur. Les prévisions météorologiques sur un maillage ayant des dizaines de kilomètres de résolution ne peuvent pas être suffisantes pour définir l’état de l’atmosphère au niveau d’une centrale éolienne. Il est donc utilisé les modèles à aire limité ou LAM (en anglais Limited Area Model) qui se servent des sorties des modèles globaux comme conditions initiales et conditions aux limites pour évaluer les prévisions météorologiques pour une région du globe avec une résolution beaucoup plus fine pouvant aller de 1km jusqu’à plusieurs kilomètres (Monteiro et al., 2009). L’opération qui consiste à partir des prévisions évaluées par le modèle global au LAM est généralement appelée downscaling en prévision éolienne (Giebel et al., 2003).
La courbe de puissance
La courbe de puissance d’une éolienne représente la relation qui existe entre les conditions météorologiques et la puissance produite par l’éolienne. Elle peut être modélisée pour une éolienne individuelle ou pour une centrale au complet. Dans certains modèles de prévision de la production éolienne, la courbe de puissance est utilisée pour convertir les prévisions météorologiques en prévisions de la production de la centrale ou de la turbine.
Les modules statistiques de traitement des sorties du modèle (MOS)
Les modules statistiques de traitement des sorties des modèles (MOS) sont souvent utilisés pour corriger les erreurs systématiques des modèles de prévision. Ils sont discutés en détail dans les travaux de Bédard et al. (2011) dont l’objet a consisté à implanter un MOS pour améliorer les prévisions de la vitesse du vent calculées par GEM-LAM, qui est un modèle numérique de prévisions météorologiques utilisé par Environnement Canada. Le MOS est souvent appliqué sur les sorties du NWP (Monteiro et al., 2009), pour améliorer les prévisions de la vitesse du vent au niveau de la centrale éolienne. Bédard et al. (2011) ont implanté un MOS en utilisant une méthode de régression linéaire et les réseaux de neurones.
Les détails de la méthode et les différentes équations utilisées pour les implanter peuvent être consultés dans Bédard (2010).
Procédure d’évaluation du modèle
Le protocole d’évaluation des modèles de prévision de la production éolienne proposée par Madsen et al. (2004) permet de garantir l’appréciation des nouveaux modèles de prévision de la production éolienne. La documentation comprend un ensemble de directives qui permettent de mieux utiliser les critères statistiques pour une meilleure évaluation des modèles. En suivant le protocole, les étapes suivantes doivent être respectées :
1. Décrire la centrale éolienne pour lequel le modèle est bâtit et évalué.
Tel que mentionné précédemment, les performances d’un modèle de prévision de la production éolienne dépendent de plusieurs facteurs. Il est donc important de fournir un ensemble d’informations sur la procédure utilisée, ainsi que sur la centrale éolienne expérimentale. Les informations suivantes doivent être disponibles :
• Le nombre de turbines éoliennes et la capacité totale d’énergie installée.
• Les horizons de prévision disponibles.
• Les intervalles de temps dans lesquels les données ont été observées (moyennes de 10min, moyennes horaires, etc.).
• La fréquence de la mise à jour des prévisions des modèles numériques météorologiques. Les modèles numériques météorologiques mettent généralement plusieurs heures de calculs pour évaluer les prévisions météorologiques. Les prévisions météorologiques ne sont donc pas mise à jour à chaque heure de la journée.
• Les caractéristiques du modèle de prévision météorologique. Il doit être mentionné les informations telles que les horizons de prévisions disponibles, la résolution du maillage, et aussi mentionner si les prévisions sont interpolées au niveau de la centrale éolienne ou pas.
• Les données mesurées comme entrées du modèle. Certains modèles de prévision de la production éolienne utilisent les données mesurées pour ajuster la prévision. Dans le cas échant, cela doit être mentionné selon le protocole d’évaluation des modèles utilisé.
2. S’assurer que le modèle est évalué sur un ensemble de données tests n’ayant pas servir à l’apprentissage.
La procédure demande de spécifier de manière claire la période de temps sur laquelle les données sont disponibles, et surtout la manière dont les données sont séparées en deux groupes distincts. Un groupe devra servir pour bâtir le modèle et le deuxième servira à évaluer ses performances.
3. Utiliser un minimum de critères statistiques pour évaluer le modèle.
Le modèle doit être évalué avec des critères statistiques tels que le biais (Bias), l’erreur absolue moyenne (MAE) et l’erreur quadratique moyenne (RMSE). Ces valeurs doivent être normalisées par rapport à la capacité totale installée de la centrale éolienne.
4. Comparer le modèle par rapport à d’autres modèles.
Le modèle doit être comparé avec les modèles de référence ou avec d’autres modèles précédemment développés. Le coefficient d’amélioration doit être calculé et présenté pour chaque horizon de prévision. Il est suggéré non seulement d’évaluer le modèle sur tout l’ensemble de données de tests, mais aussi de présenter l’amélioration du modèle pour des périodes de temps plus courtes telles que des mois par exemple.
|
Table des matières
INTRODUCTION
CHAPITRE 1 MISE EN CONTEXTE
1.1 Concepts de base
1.2 Les familles de modèles
1.3 La performance des modèles
1.4 Avantages de la prévision régionale
1.5 Quelques exemples de modèle de prévision de la production éolienne
CHAPITRE 2 CONTRÔLE DE LA QUALITÉ DES DONNÉES ET DESCRIPTION DES VARIABLES IMPORTANTES
2.1 Les données mesurées
2.2 La procédure de contrôle de la qualité des données
2.3 Bilan du contrôle de la qualité des données
2.4 Description des variables importantes
CHAPITRE 3 MODÉLISATION DE LA COURBE DE PUISSANCE
3.1 L’impact du sillage sur la courbe de puissance de la centrale éolienne
3.1.1 Procédure d’évaluation des secteurs obstrués par le sillage
3.1.2 Secteurs obstrués du mât W2 et impact sur la courbe de puissance
3.2 Comparaison de deux différentes méthodes
3.2.1 La méthode des Bins
3.2.2 Les réseaux de neurones
3.2.2.1 Les entrées du réseau
3.2.2.2 Les sorties du réseau de neurones
3.2.2.3 Le choix des fonctions d’activation
3.2.2.4 Le nombre de couches cachées et le nombre de neurones par couche cachée
3.2.2.5 La technique d’apprentissage
3.2.2.6 Les résultats obtenus avec les réseaux de neurones
3.2.3 Comparaison de la méthode des Bins et des réseaux de neurones
3.3 Comparaison de deux différentes méthodologies
3.4 Choix des paramètres
3.5 Courbe de puissance proposée et analyse de l’incertitude
CHAPITRE 4 DÉVELOPPEMENT DU MODÈLE DE PRÉVISON
4.1 Description et architecture du modèle
4.2 Les arrêts des turbines
4.3 Prévision des variables météorologiques
4.3.1 Prévision de la moyenne des vitesses aux éoliennes
4.3.2 Prévision de la masse volumique de l’air
4.3.3 Prévision de la direction du vent
4.4 La conversion des prévisions météorologiques en prévisions de puissance
CHAPITRE 5 ÉVALUATION DU MODÈLE
5.1 Introduction
5.2 Procédure d’évaluation du modèle
5.3 Application de la procédure d’évaluation du modèle
5.4 Quelques résultats de la littérature
CONCLUSION
Télécharger le rapport complet
