La prévision de production éolienne et photovoltaïque à EDF. Julien Najac, EDF R&D

Transcription

1 La prévision de production éolienne et photovoltaïque à EDF Julien Najac, EDF R&D

2 EDF

3 EDF ~ salariés ~ 37 millions de clients dans le monde puissance totale installée en France: 97 GW (autres 27 GW) origine de la production d EDF en France: nucléaire 91.6%, hydraulique 5.8% et thermique 2.6% EDF R&D ~ 2000 personnes (370 docteurs, 220 doctorants, 200 chercheurs enseignants) Le projet stratégique de la R&D: 3 missions principales Consolider un mix énergétique décarbonné Pérenniser l avantage nucléaire Développer les énergies renouvelables Augmenter les performances environnementales des énergies fossiles Penser le système électrique de demain Améliorer la gestion des actifs de réseaux Développer des réseaux électriques plus «intelligents» Développer une demande énergétique flexible et bas carbone Améliorer la connaissance des clients et de leurs demandes Promouvoir de nouveaux usages pour l électricité Développer des modèles techniques et économiques d efficacité énergétique

4 EDF ~ salariés ~ 37 millions de clients dans le monde puissance totale installée en France: 97 GW (autres 27 GW) origine de la production d EDF en France: nucléaire 91.6%, hydraulique 5.8% et thermique 2.6% EDF R&D ~ 2000 personnes (370 docteurs, 220 doctorants, 200 chercheurs enseignants) Le projet stratégique de la R&D: 3 missions principales Consolider un mix énergétique décarbonné Pérenniser l avantage nucléaire Développer les énergies renouvelables Augmenter les performances environnementales des énergies fossiles Penser le système électrique de demain Améliorer la gestion des actifs de réseaux Développer des réseaux électriques plus «intelligents» Développer une demande énergétique flexible et bas carbone Améliorer la connaissance des clients et de leurs demandes Promouvoir de nouveaux usages pour l électricité Développer des modèles techniques et économiques d efficacité énergétique prévision de production éolienne et PV

5 La production éolienne et photovoltaïque en France

6 Le parc éolien et photovoltaïque français (métropole) Un parc en croissance très rapide ces dernières années mais ralentissement en 2012 Puissance éolienne raccordée Puissance photovoltaïque raccordée Au 30 juin 2012: Données RTE installations installations 6,9 GW (5% de la PI totale) 3,3 GW (3% de la PI totale) 2.5% de la conso en % de la conso en 2011

7 Le parc éolien et photovoltaïque français (métropole) Une répartition géographique fonction du gisement mais pas seulement! Données RTE 2011

8 La production éolienne et photovoltaïque intermittente variabilité annuelle, saisonnière, journalière, infra-journalière spatialement hétérogène non programmable Été Hiver 01/ / /2012 Production d un parc PV à 13h Ciel clair Couvert l apm Couvert Variable Quelques journées typiques de la production d un parc PV

9 La production éolienne et photovoltaïque Le foisonnement géographique permet de limiter les effets de la variabilité spatiale et temporelle, mais pas toujours! 3000,00 Production éolienne France en juin 2010 Puissances en MW 2500, , , , MW en 24h ~ 2 tranches nucléaires 500,00 0,00

10 Les problématiques de la production éolienne et photovoltaïque à EDF

11 Problématiques Des prévisions de production éolienne et photovoltaïque: pour quoi, pour qui? différentes échelles spatiales et temporelles à l échelle nationale, pour EDF «Responsable d équilibre» et «Optimiseur» minimiser l écart entre la production et la consommation des clients d EDF et optimiser les moyens de production (de l échelle infra-journalière à annuelle) à l échelle locale pour EDF «Distributeur» (ERDF) prévoir des situations de congestion sur certaines lignes du réseau de transport (échelles infra-journalière et journalière) prévoir les pertes réseaux (de l échelle journalière à hebdomadaire) faire les meilleurs choix d investissements (échelle multi-annuelle) à l échelle d un ou de quelques installations pour EDF «Producteur» (EDF EN) (370 MW d éolien, 270 MW de PV en France) vendre la production sur les marchés dans certains pays (échelle journalière à annuelle) aide à la maintenance (échelle journalière) faire les meilleurs choix d investissements (échelle multi-annuelle)

12 Problématiques Zoom sur l activité EDF «Responsable d équilibre» et «Optimiseur» l électricité ne se stockant pas, l équilibre entre offre et demande doit être réalisé à tout instant certaines productions sont «fatales» (non programmables) : hydraulique fluviale, éolien, PV EDF est l acheteur unique de l éolien et du photovoltaïque (obligation d achats) EDF doit anticiper à tous les horizons de temps les différentes composantes de son périmètre de responsabilité: prévision de consommation prévision des productions «fatales» dont l éolien et le photovoltaïque programmation des moyens de production «commandables» (nucléaire, hydraulique, gaz ) et optimisation en fonction de leurs coûts respectifs L intermittence et la prévisibilité limitée des ENR rend cet exercice plus complexe

13 Problématiques projections, caractérisation des aléas prévisions Modèles basés sur l historique Erreur de prévision Modèles basés sur l imagerie satellite & au sol Modèles basés sur les prévisions météorologiques Modèles basés sur la production temps réel ~ 1 min ~ 1 heure ~ 1 jour ~ 1 mois ~ 1 an Horizon de prévisions

14 La prévision court-terme de la production éolienne et photovoltaïque de quelques heures à quelques jours

15 Le modèle de prévision court-terme Problématique: comment passer de l information fournie par les modèles météo (paramètres météo simulés, résolution spatiale et temporelle des modèles) à une information locale (productions PV ou éolienne)? choix de la descente d échelle statistique: Modèle météo + «simplicité», rapidité de mise en œuvre, souplesse + performances - hypothèses sous-jacentes fortes: robustesse de la relation statistique? sensibilité aux évolutions des modèles météos? modèle statistique rayonnement, température, vent, pression Productions PV ou éoliennes

16 Le modèle de prévision court-terme Période de calibration Opérationnel Prévisions météo Principe général Prévisions météo Données historiques de production Modèle statistique production éolienne ou PV - des relations statistiques sont établies pour chaque parc éolien ou PV - les prévisions peuvent être agrégées à l échelle d un territoire (île, métropole) Les modèles météo utilisés: - modèles ARPEGE de Météo France (jusqu à 3-4 jours d échéances) - modèle déterministe de l ECMWF (jusqu à 10 jours d échéances) - système EPS de l ECMWF (jusqu à 14 jours d échéances)

17 Le modèle de prévision court-terme Prévision de production éolienne à l échelle France métropolitaine Erreur de prévision

18 Le modèle de prévision court-terme Production éolienne France en juin ,00 Puissances s en MW 2500, , , ,00 Réalisé J J+1 J+2 500,00 0,00

19 Le modèle de prévision court-terme Les sources d erreur sont nombreuses: ordre d importance Les prévisions du modèle météo Les données historiques de production PV ayant servi à calibrer le modèle statistique La représentativité du parc ayant servi à calibrer le modèle statistique Le modèle statistique (algorithme)

20 Le modèle de prévision court-terme Les sources d erreur sont nombreuses: ordre d importance Les prévisions du modèle météo Les données historiques de production PV ayant servi à calibrer le modèle statistique La représentativité du parc ayant servi à calibrer le modèle statistique Le modèle statistique (algorithme) Les prévisions des modèles météo sont la principale source d erreur: - certains paramètres météo comme le rayonnement solaire sont parfois mal reproduits par les modèles météo - la résolution spatiale des modèles météo est parfois insuffisante pour reproduire les phénomènes météo de petite échelle qui affectent la production PV et éolienne (relief et convection atmosphérique par ex.)

21 Le modèle de prévision court-terme Causes des grosses erreurs

22 Le modèle de prévision court-terme Exemples de grosses erreurs 01/11/2008 Trajectoire! réalisé prévisions DTG J prévisions DTG J+1 Puissance en MW MW /11/ 1/08 02/11/ 1/08 03/11/ 1/08 04/11/ 1/08 05/11/ 1/08 06/11/ 1/08 07/11/ 1/08 08/11/ 1/08 Prévisions J+1 Observations Ecart vent à 50m 12h UTC

23 Le modèle de prévision court-terme Exemples de grosses erreurs 01/11/2008 Trajectoire! Position de la dépression dans les prévisions Position réelle de la dépression Pression réduite au niveau de la mer (Observations) Ecart Prev - Obs (pression 50m)

24 Le modèle de prévision court-terme Exemples de grosses erreurs Réalisations J J+1 06/02/2009 Avance de phase et intensité! Puissance en MW MW /02/ :00 01/02/ :30 02/02/ :00 02/02/ :30 03/02/ :00 03/02/ :30 04/02/ :00 04/02/ :30 05/02/ :00 06/02/ :30 06/02/ :00 07/02/ :30 07/02/ :00 08/02/ :30 08/02/ :00 09/02/ :30 Prévisions J+1 Observations Ecart vent à 50m 12h UTC

25 Le modèle de prévision court-terme Exemples de grosses erreurs Position de la dépression dans les prévisions Position réelle de la dépression 06/02/2009 Avance de phase et intensité! Pression réduite au niveau de la mer (Observations) Ecart Prev - Obs (pression 50m)

26 Le modèle de prévision court-terme Les sources d erreur sont nombreuses: ordre d importance Les prévisions du modèle météo Les données historiques de production PV ayant servi à calibrer le modèle statistique La représentativité du parc ayant servi à calibrer le modèle statistique Le modèle statistique (algorithme) Dysfonctionnement Augmentation de la puissance installée Indisponibilité Chroniques de production PV 10 min

27 Le modèle de prévision court-terme Les sources d erreur sont nombreuses: ordre d importance Les prévisions du modèle météo Les données historiques de production PV ayant servi à calibrer le modèle statistique La représentativité du parc ayant servi à calibrer le modèle statistique Le modèle statistique (algorithme) - en opérationnel, lorsqu un nouveau parc est raccordé, on utilise le modèle statistique d un parc proche ou on répartit la PI supplémentaire sur l ensemble ou un sous-ensemble de parcs déjà calibrés - lorsque le nombre de parcs raccordés au réseau augmente rapidement, le modèle peut devenir obsolète!

28 Le modèle de prévision court-terme Les sources d erreur sont nombreuses: ordre d importance Les prévisions du modèle météo Les données historiques de production PV ayant servi à calibrer le modèle statistique La représentativité du parc ayant servi à calibrer le modèle statistique Le modèle statistique (algorithme) Le modèle statistique: - le choix des paramètres météo «expliquant» la production: - l algorithme rayonnement, température, force du vent

29 Perspectives

30 Les pistes d amélioration Raccordement des horizons de prévision Prévisions saisonnières Capacité à intégrer les outils dans les processus opérationnels Imagerie satellite / sol pour le très court terme descente d échelle dynamique Correction par remontée temps réel Approche probabiliste Degré de maturité de la technique / fiabilité

31 Merci!