03/12/2007 03/12/2007 Impact de la production d`électricité

Transcription

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
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
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
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
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
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
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
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
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
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
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
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
14
16
18
20
0
0
2
4
6
8
10
12
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
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
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
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
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
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
14
16
18
20
0
0
2
4
6
8
10
12
14
16
18
20
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
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
Uccle
0.1
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
20
0
0
2
4
6
8
10
12
Vitesse du vent (m/s)
14
16
18
20
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 (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
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
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
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
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
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