03/12/2007 03/12/2007 Impact de la production d`électricité
Transcription
03/12/2007 03/12/2007 Impact de la production d`électricité
Impact de la production d’électricité décentralisée de type éolien sur la fiabilité du réseau électrique belge. Symposium « De la bonne idée à la réalisation pratique » : 28/11/2007 Ir. François VALLEE Prof. Jacques LOBRY Service de Génie Electrique Faculté Polytechnique de Mons 03/12/2007 03/12/2007 Plan de la présentation Contexte général de l’étude Etat de l’art des techniques d’évaluation de la fiabilité Mise en œuvre d’une simulation Monte Carlo Non Séquentielle Développement de modèles statistiques de vent pour une simulation Monte Carlo Non Séquentielle Impact de la production éolienne sur la fiabilité du réseau électrique belge : Résultats de simulation Optimisation de la gestion prévisionnelle de la production éolienne : Capacité équivalente, modèle dynamique à 2 états Conclusions générales et perspectives 2 Contexte général de l’étude Etat de l’art des techniques d’évaluation de la fiabilité Mise en œuvre d’une simulation Monte Carlo Non Séquentielle Développement de modèles statistiques de vent pour une simulation Monte Carlo Non Séquentielle Impact de la production éolienne sur la fiabilité du réseau électrique belge : Résultats de simulation Optimisation de la gestion prévisionnelle de la production éolienne : Capacité équivalente, modèle dynamique à 2 états Conclusions générales et perspectives 3 Contexte général (1) : évolution récente des réseaux électriques Libéralisation du marché de l’énergie électrique (Directive CE 96/92) séparation des activités production/transport développement de la production décentralisée échanges accrus entre réseaux interconnectés Protocole de Kyoto (réduction des émissions de CO2) développement des énergies renouvelables et, notamment, de l’éolien. Systèmes de transmission utilisés au plus près de leurs limites physiques Critère déterministe de sécurité N-1 insuffisant Prise en compte du caractère aléatoire des possibles pannes sur le réseau 4 Contexte général (2) : Notion de fiabilité du système électrique Fiabilité du système électrique : Mesure de la capacité du système à fournir l’électricité demandée en ses différents points d’utilisation selon des critères acceptables (normes de qualité, contraintes du réseau, …) ; 2 sous-catégories à la fiabilité : • Adéquation : capacité du système à satisfaire la demande du consommateur dans des conditions de fonctionnement statiques (tout en vérifiant des contraintes de bon fonctionnement); • Sécurité : aptitude du système à faire face à des perturbations soudaines et sévères (court-circuit,…). Fiabilité du système électrique Adéquation du système 5 Sécurité du système Contexte général (3) : L’éolien en chiffres. Prévisions pour la Belgique Plus de 47 GW installés à travers le monde en 2004. Plus de 28 GW en Europe, et en croissance très forte (+30% /an de 1995 à 2004). X 10 ! + Belgique 2004 : 68 MW potentiel 500 – 1000 MW (en 2010 ?) Durée de vie d’une éolienne : 20 ans. 6 Contexte général (4) : Politiques gouvernementales belges en terme d’énergie Protocole de Kyoto => réduction des émissions de CO2 ; En Belgique : Fermeture progressive des centrales thermiques classiques à charbon ; Limitation à 40 ans du permis des actuelles centrales nucléaires ; Lois encourageant le recours aux énergies renouvelables ; Estimation à 1.5 GW du potentiel éolien installé en Belgique. Impact de ces modifications du parc sur : Les émissions de CO2 (études déjà menées et posant question quant au retrait du nucléaire. Caractère intermittent du vent) ; L’impact du caractère aléatoire de la production éolienne sur la capacité du système électrique à rencontrer la charge appelée (aspect adéquation). 7 Contexte général (5) : L’éolien dans le marché libéralisé. Nécessité d’optimiser la gestion du parc de production centralisé non modulable en cas de pénétration éolienne accrue => Développer des méthodes d’estimation prévisionnelle de la production éolienne ; + Influence de la production éolienne (caractère aléatoire) sur la capacité du système à couvrir la charge mais également sur les flux de puissance à travers le réseau électrique ; Développer des modèles statistiques pour la production éolienne et les utiliser afin d’aboutir à de nouvelles techniques d’évaluation de la production éolienne. 8 Contexte général de l’étude Etat de l’art des techniques d’évaluation de la fiabilité Mise en œuvre d’une simulation Monte Carlo Non Séquentielle Développement de modèles statistiques de vent pour une simulation Monte Carlo Non Séquentielle Impact de la production éolienne sur la fiabilité du réseau électrique belge : Résultats de simulation Optimisation de la gestion prévisionnelle de la production éolienne : Capacité équivalente, modèle dynamique à 2 états Conclusions générales et perspectives 9 Etat de l’art des techniques d’évaluation de la fiabilité (1). Dans notre cas : fiabilité limitée au domaine de l’adéquation (états en régime) ; Réseaux électriques modernes complexes et vastes => Pour l’évaluation de l’adéquation du système électrique : scinder le système en 3 zones de fonctionnement (niveaux hiérarchiques). Niveau HL-I étudié lors de la présente étude. 10 Etat de l’art des techniques d’évaluation de la fiabilité (2). Solution : passer par une technique probabiliste ! 2 types d’approche : Analytique ; Simulation Monte Carlo. L’approche analytique : Modèle mathématique représentant le système ; Charge de calculs croissante avec la complexité du système ; => Hypothèses simplificatrices dans de tels modèles ; • Une seule entrée pour chaque type de production ; • Toute la production éolienne soumise à un même jeu de paramètres ; Si prise en compte du niveau HL-II, l’approche analytique est insuffisante. 11 Etat de l’art des techniques d’évaluation de la fiabilité (3). Les méthodes Monte Carlo : Le réseau électrique est modélisé comme une suite d’événements modifiant l’état du système ; Chaque état = photographie instantanée du système ; Les événements reconnus : fonction du niveau hiérarchique considéré ; Avantage : inclut, sans approximation excessive, nombre d’effets système ; Tirage limité à un échantillon d’états (sa taille dépend du seuil de précision fixé et de la complexité du système) ; Deux types d’approche Monte Carlo : Séquentielle (lien entre états) et Non Séquentielle (aucun lien statistique entre états) ; 12 Etat de l’art des techniques d’évaluation de la fiabilité (4). Combinaison des approches déterministes et probabilistes ; Analyse de « bien-être » du système : Définition de 3 états de fonctionnement du système électrique : HL-I Etat sain : Capacité disponible > Charge horaire appelée ; Etat marginal : Capacité disponible > Charge horaire appelée mais (Capacité disponible – Plus grosse unité) < Charge horaire appelée (Critère du LLU) ; Etat à risque : Capacité disponible < Charge horaire appelée 13 Etat de l’art des techniques d’évaluation de la fiabilité (5). Utilisation d’une simulation Monte Carlo ; Calcul des probabilités de résidence dans chacun des 3 états : Analyse de « bien-être » => critère déterministe incorporé dans une approche probabiliste ; Utilité : Prise en compte de la sévérité des pannes et de leur fréquence ; Prise en compte du caractère stochastique des pannes ! 14 Contexte général de l’étude Etat de l’art des techniques d’évaluation de la fiabilité Mise en œuvre d’une simulation Monte Carlo Non Séquentielle Développement de modèles statistiques de vent pour une simulation Monte Carlo Non Séquentielle Impact de la production éolienne sur la fiabilité du réseau électrique belge : Résultats de simulation Optimisation de la gestion prévisionnelle de la production éolienne : Capacité équivalente, modèle dynamique à 2 états Conclusions générales et perspectives 15 Mise en œuvre d’une simulation Monte Carlo Non Séquentielle (1) Simulation Monte Carlo Non Séquentielle limitée à HL-I ; => Approche de type Non Markovien ; => Les états de l’échantillon sont indépendants les uns des autres ; Objectif du programme : permettre de tester dans un canevas simple les modèles statistiques de vent imaginés pour l’approche Monte Carlo Non Séquentielle ; Algorithme : 2 états possibles pour une unité de production : panne ou fonctionnement à capacité maximale ; Charge horaire supposée uniformément répartie entre les valeurs de pointe et de base (=> approximation linéaire de cette dernière). 16 Mise en œuvre d’une simulation Monte Carlo Non Séquentielle (2) 1 état = 1heure ; Nombre d’itérations = 228 années ; Précision voulue = 10-4 (seuil lié aux faibles pénétrations éoliennes considérées) ; 17 Contexte général de l’étude Etat de l’art des techniques d’évaluation de la fiabilité Mise en œuvre d’une simulation Monte Carlo Non Séquentielle Développement de modèles statistiques de vent pour une simulation Monte Carlo Non Séquentielle Impact de la production éolienne sur la fiabilité du réseau électrique belge : Résultats de simulation Optimisation de la gestion prévisionnelle de la production éolienne : Capacité équivalente, modèle dynamique à 2 états Conclusions générales et perspectives 18 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (1) Développement d’une approche adaptée à l’aspect non séquentiel de l’outil à disposition ; Etat de l’art : Majoritairement, 2 types de modèles : • Modèles statiques multi-états (études analytiques) ; • Recours à des séries temporelles de type ARMA (besoin de ressources informatiques importantes) : approche adaptée à une simulation de type séquentiel ! Pour la simulation Monte Carlo Non Séquentielle, 1 méthode originale est proposée : • Approche visant à associer une distribution moyenne à un bruit Normal par région de vent. 19 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (2) Segmentation en zones géographiques de vent ; Application au cas belge ; Première approche : utilisation des vitesses de vent moyennes annuelles. Nord Sud Centre => 3 zones de vent => collecter des mesures de vent pour chaque zone (Nord, Centre, Sud). 20 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (3) Mesures de vent collectées auprès de l’IRM pour Uccle (Centre), Saint-Hubert (Sud), Ostende (Nord) ; Données fournies sur la base d’une année-type (8760 données par site) ; Définition de la probabilité d’appartenance Pi à un intervalle de vitesses de vent [Wi-1, Wi] (Ni = nombre de vitesses comprises dans cet intervalle) : Pi = Ni 8760 Densité de probabilité pi associée à ce même intervalle [Wi-1, Wi] : Pi = p i × (Wi − Wi −1 ) 21 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (4) Construction des histogrammes de densité de probabilité mesurés pour Uccle, Saint-Hubert et Ostende ; Histogramme de densité de probabilité IRM pour le site Uccle Histogramme de densité de probabilité IRM pour Ostende 0.16 Histogramme de probabilité IRM pour Saint-Hubert 0.14 Histogramme de probabilité 0.25 Histogramme de densité de probabilité IRM 0.14 Histogramme de probabilité (année-type) 0.12 0.2 0.12 Probabilité 0.1 0.08 0.06 0.08 0.06 0.04 0.04 0.02 0.02 0 0 2 4 6 8 10 12 Vitesse de vent (m/s) 14 16 18 20 Probabilité Densité de probabilité 0.1 0 0.15 0.1 0.05 0 2 4 6 8 10 12 Vitesse de vent (m/s) 14 16 18 20 0 0 2 4 6 8 10 12 Vitesse de vent (m/s) 14 16 18 Allure d’une distribution de Weibull => 1ère méthode envisagée mais non retenue : tirage direct sur loi de Weibull associée à la zone de vent considérée. 22 20 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (5) Inconvénients liés à l’inversion directe de la loi de Weibull : Une loi de Weibull par zone de vent : Ok pour la Belgique (territoire restreint) mais : quid d’un territoire plus vaste ? Quantité accrue d’opérations (2 opérations pour chaque loi) => nouvelle méthode réduisant ce problème du nombre d’ opérations ; Niveau de corrélation géographique à prendre en compte également. « Worst case » du point de vue « variation de la puissance éolienne produite » => sites éoliens entièrement corrélés ; MAIS la méthode d’inversion directe et la définition de lois de Weibull différentes par zone de vent => un niveau direct d’indépendance entre zones ! 23 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (6) Deuxième méthode : Association d’une loi moyenne (pour l’ensemble du territoire considéré) et d’un bruit Normal N(m,σ) propre à chaque zone de vent : Notion de bruit Normal : calcul des écarts (heure par heure) entre la vitesse moyenne arithmétique des 3 sites à disposition et la vitesse sur chacun des sites => distribution Normale des écarts calculés ! Distribution des écarts par rapport à Weibull moyenne pour Ostende Distribution des écarts par rapport à Weibull moyenne pour le site d'Uccle Distribution des écarts par rapport à Weibull moyenne pour le site de Saint-Hubert 1200 ecart : 0.5m/s 800 1200 écart : 0.5m/s écart : m/s 700 1000 600 800 600 400 Ostende 500 Nombre d'échantillons Uccle Nombre d'échantillons Nombre d'échantillons 1000 400 300 St-Hubert 800 600 400 200 200 0 -15 200 100 -10 -5 0 5 Ecart en vitesse de vent (m/s) 24 10 15 0 -15 -10 -5 0 5 Ecart de vitesse de vent (m/s) 10 15 0 -15 -10 -5 0 5 Ecart vitesses de vent (m/s) 10 15 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (7) Première étape de la deuxième méthode : L’histogramme moyenne arithmétique calculé suit une loi de Weibull => Méthode de l’inversion directe pour générer une vitesse de vent commune à l’ensemble du territoire étudié ; Estimation des moindres carrés => paramètres A et B optimaux (A = 5.25 et B = 3.55) ; Approximation de l'histogramme moyenne arithmétique des données IRM par Weibull 0.35 Validation de la densité de probabilité moyenne 0.35 Histogramme moyenne arithmétique Weibull : A = 5.25 et B = 3.55 0.3 0.25 Densité de probabilité Probabilité 0.25 0.2 0.15 0.1 0.2 0.15 0.1 0.05 0 Histogramme moyenne arithmétique des 3 sites IRM Histogramme simulé par tirage direct sur la loi de Weibull moyenne Densité de probabilité de la loi de Weibull moyenne 0.3 0.05 0 25 2 4 6 8 10 12 Vitesse de vent (m/s) 14 16 18 20 0 0 2 4 6 8 10 12 Vitesse de vent (m/s) 14 16 18 20 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (8) Deuxième étape : Tirage direct d’un bruit N(m,σ) pour chaque zone (=> 1 seule opération par zone!) ; La moyenne m et l’écart type σ sont calculés via la méthode des moments (appliquée à chaque histogramme d’écarts X) : E( X ) = m V (X ) = σ 2 Une fois la vitesse de vent moyen calculée par inversion directe de la loi de Weibull moyenne (2 opérations) et le bruit tiré pour chaque zone (nombre de zones * 1 opération), la vitesse de vent à associer à chaque zone : V site ( j ) = Vmoyen ( j ) − Bsite ( j ) 26 Développement de modèles statistiques de vent pour simulation Monte Carlo Non Séquentielle (9) Validation de la méthode de tirage « Weibull moyenne + bruit N(m,σ) » : Comparaison avec les histogrammes de données IRM : Observations : Corrélation entre zones induite par la loi de Weibull moyenne propre à l’entièreté du territoire ; Sous-segmentation possible suivant le bruit N(m,σ). Comparaison histogramme "Weibull moyenne + bruit Saint-Hubert" et données IRM 0.25 Comparaison histogramme "Weibull moyenne + bruit Uccle" et données IRM 0.18 Weibull moyenne + N(1.2,1.83) 0.16 Données IRM : Uccle Donnée IRM Saint-Hubert Saint-Hubert : Weibull moyenne + N(0.6688,1.6981) Comparaison entre histogramme "Weibull moyenne + bruit Ostende" et les données IRM 0.14 Données IRM : Ostende Weibull moyenne + N(-1.87,2.38) 0.12 0.2 0.14 0.08 St-Hubert 0.15 0.1 0.06 Densité de probabilité Uccle 0.1 Probabilité Densité de probabilité 0.1 0.12 Ostende 0.08 0.06 0.04 0.04 0.05 0.02 0.02 0 0 2 4 6 8 10 12 Vitesse du vent (m/s) 27 14 16 18 20 0 0 5 10 15 Vitesse de vent (m/s) 20 0 0 2 4 6 8 10 12 Vitesse du vent (m/s) 14 16 18 20 Contexte général de l’étude Etat de l’art des techniques d’évaluation de la fiabilité Mise en œuvre d’une simulation Monte Carlo Non Séquentielle Développement de modèles statistiques de vent pour une simulation Monte Carlo Non Séquentielle Impact de la production éolienne sur la fiabilité du réseau électrique belge : Résultats de simulation Optimisation de la gestion prévisionnelle de la production éolienne : Capacité équivalente, modèle dynamique à 2 états Conclusions générales et perspectives 28 Impact de la production éolienne sur la fiabilité du réseau électrique belge (HL-I) Le parc éolien belge considéré : + 300MW offshore (C-Power) : pas de données IRM => Inversion directe de la loi de Weibull associée (A = 9 et B = 2.025) ! 29 Impact de la production éolienne sur la fiabilité du réseau électrique belge (HL-I) Impact de la production éolienne sur la fiabilité (HL-I) du système électrique belge (sans import / export) : Constatations : Production additionnelle (éolien ou thermique) => diminution du LOLP ; A capacité identique, le thermique classique plus « fiable » que l’éolien ; Les 2 méthodes de tirage des vitesses de vent => valeurs quasi-identiques d’indices (établies à partir des mêmes histogrammes de départ) ; Observation : méthode « Weibull moyenne + bruit » ; caractère « tout ou rien » => LOLP légèrement dégradé ! 30 Impact de la production éolienne sur la fiabilité du réseau électrique belge (HL-I) Lien entre production thermique et éolienne : Mise en évidence d’un rapport 1/5 (1MW thermique pour 5MW éolien) du point de vue fiabilité HL-I. Limites de l’éolien du point de vue couverture de la charge dues au caractère fluctuant de ce type de sources => Nécessité de pouvoir estimer la production éolienne! 31 Contexte général de l’étude Etat de l’art des techniques d’évaluation de la fiabilité Mise en œuvre d’une simulation Monte Carlo Non Séquentielle Développement de modèles statistiques de vent pour une simulation Monte Carlo Non Séquentielle Impact de la production éolienne sur la fiabilité du réseau électrique belge : Résultats de simulation Optimisation de la gestion prévisionnelle de la production éolienne : Capacité équivalente, modèle dynamique à 2 états Conclusions générales et perspectives 32 Méthodes d’estimation de la production éolienne (1) Méthode classique : Calcul d’une capacité équivalente : Modèle 2 états avec utilisation du nombre d’heures d’arrêt simultané de l’ensemble des parcs éoliens pour le calcul du FOR (taux de défaillance). FOR = No 228 * 8760 No : nombre d’heures simulées d’arrêt simultané de l’ensemble des parcs éoliens ; No très petit vis-à-vis de la durée totale de simulation => FOR très petit que les sites soient corrélés ou pas ! Comme le FOR est limité => les capacités équivalentes calculées sont voisines de P100% (puissance produite si l’ensemble des parcs était continuellement en fonctionnement ; avec ASWE : énergie moyenne annuelle fournie par l’ensemble des parcs éoliens). P100% = 33 ASWE 8760 Méthodes d’estimation de la production éolienne (2) Avantages et inconvénients de la première méthode d’estimation : + : Les écarts d’estimation sont forcément réduits en comparaison avec la gestion en « production fatale » de l’éolien. Puissance éolienne simulée pour la Belgique (MW) - : Cette estimation fixe (fixée à la capacité équivalente annuelle) est en opposition avec le caractère fluctuant de la production éolienne => Recours à un modèle d’estimation dynamique ! Capacité équivalente calculée et puissance éolienne horaire simulée pour la Belgique 350 Capacité éolienne équivalente Production éolienne globale simulée 300 250 200 150 100 50 0 34 0 20 40 60 80 100 120 140 Temps simulé (Heures) 160 180 200 Méthodes d’estimation de la production éolienne (3) Modèle prévisionnel dynamique de la production éolienne : Idée : Définition d’intervalles d’incertitude à associer à la production éolienne annoncée au jour J-1 (avant la transaction effective). 35 Contexte général de l’étude Etat de l’art des techniques d’évaluation de la fiabilité Mise en œuvre d’une simulation Monte Carlo Non Séquentielle Développement de modèles statistiques de vent pour une simulation Monte Carlo Non Séquentielle Impact de la production éolienne sur la fiabilité du réseau électrique belge : Résultats de simulation Optimisation de la gestion prévisionnelle de la production éolienne : Capacité équivalente, modèle dynamique à 2 états Conclusions générales et perspectives 36 Conclusions et perspectives (1) Libéralisation du marché + Kyoto => apparition de production décentralisée à caractère renouvelable ; En Belgique, potentiel éolien estimé à 1.5 GW => pas négligeable vis-à-vis d’un parc de production de l’ordre de 15 GW ; Eolien = énergie fluctuante => Problèmes en terme de fiabilité (couverture de charge, flux de puissance) => Nécessité de modèles statistiques adaptés ! Réseaux actuels surchargés => risque de situations de panne en cascade => nécessité de compléter les approches déterministes (critère N-1) de fiabilité par des méthodes probabilistes ; Recours à une simulation Monte Carlo Non Séquentielle ; 37 Conclusions et perspectives (2) Test et validation de modèles statistiques éoliens adaptés à l’approche Monte Carlo retenue ; Problématique de l’éolien : son caractère aléatoire => nécessité d’estimer la production en vue de gérer efficacement l’ensemble du parc de production ; Insuffisance d’une estimation basée sur une capacité équivalente de production ; Ouverture vers une approche dynamique de l’estimation ; Perspectives : Introduction des modèles éoliens dans une étude de fiabilité de niveau HL-II (impact de l’éolien sur la charge mais aussi sur les lignes) ; Gestion optimale du parc classique en présence de pénétration éolienne accrue ! 38