Prédiction court terme du vent et de la production des éoliennes

 THESE Prédiction Court Terme du vent et de la production des éoliennes Présentation de La Compagnie du Vent : • Filiale du Groupe ENGIE (59%) et SOPER (41%) • Référence des énergies renouvelables (fin 2014) : – Éolien: • 26 parcs éoliens exploités en France • 439 MW installés en France et au Maroc dont environ 63 MW en maîtrise d’œuvre – Photovoltaïque: • 9 centrales solaires exploitées en France • 75 MWc installés en France • Dates et chiffres clés (fin 2014): er
– 1993: 1 parc éolien raccordé au réseau – 150 personnes – CA: 54 millions d’euros Contexte : La Loi de Transition Energétique définie par l’Etat a des implications précises sur les Energies Renouvelables, en particulier sur son mécanisme de rémunération. Jusque-­‐là, un contrat d’obligation d’achat permettait de vendre l’électricité d’origine éolienne selon un tarif fixe. Demain, il faudra vendre cette électricité sur le Marché (selon des tarifs variables) avant d’obtenir un complément de rémunération destiné à diminuer le risque. Cette vente sur le Marché requiert d’annoncer à l’avance (environ 36 h avant) la production qui sera livrée sur le réseau, donc de savoir prédire (à court terme) cette production. Pour cette raison, la prédiction court terme (PCT) du vent et de la production associée devient un enjeu important. C’est pourquoi La Compagnie du Vent a décidé de lancer une thèse sur le sujet, éventuellement précédée par un stage de fin d’étude sur ce même sujet. La Prédiction Court Terme (dont l’objectif est de prédire vent et production à 24 et 48h) a deux finalités : -­‐
Les industriels du secteur doivent se préparer à vendre l’électricité d’origine renouvelable sur le marché de l’énergie, ce qui requiert d’annoncer à l’avance la production qui sera vendue le jour J. -­‐
Pour des raisons évidentes de sécurité, la maintenance des parcs éoliens ne peut avoir lieu qu’en dessous d’une certaine vitesse de vent. Prévoir 1, 2 ou 3 jours à l’avance le vent qu’il fera permet d’organiser au mieux les interventions sur site. La PCT a déjà fait l’objet de travaux à La Compagnie du Vent (LCV). En particulier, LCV a mis en place un outil de modélisation physique de prédiction court terme (par simulation WRF du vent à partir de données méso-­‐
échelle type GFS) et a développé un processus automatique et journalier de prédiction pour tous les parcs de LCV (une trentaine). En coopération avec un bureau d’études spécialisé, elle a aussi conduit une étude sur la sensibilité de l’outil aux nombreux paramètres de la méthode (maillage, niveaux de descente d’échelle, conditions initiales…). Plus récemment, LCV a travaillé sur une méthode corrective se basant sur des historiques de correspondance vent–production. Ci-­‐après, le détail du sujet de la thèse Cifre. Sujet de Thèse Cifre – La Compagnie du Vent Contribution à la Prédiction Court Terme Du vent et du productible des parcs éoliens 1.
Introduction 1.1. Un secteur de l’Energie en pleine mutation Avec la raréfaction des énergies fossiles et des risques géopolitiques qui lui sont associés, des politiques de transition énergétique sont à l’œuvre partout en Europe, avec comme fer de lance le développement des énergies renouvelables. L’union européenne s’est fixée l’objectif de satisfaire 20% de sa consommation finale d’énergie par les énergies renouvelables à l’horizon 2020. Pour la France, cette ambition se traduit par une cible de 23% déclinée par filière. Avec l’hydraulique, l’éolien devra contribuer majoritairement avec un objectif de production de 5 Mtep. 1.2. Enjeu de la thèse : De l’obligation d’achat à la vente sur le marché Contrairement au photovoltaïque soumis à Appel d’offres depuis 2012, l’énergie éolienne est encore rémunérée par un tarif d’achat fixe, mais plus pour très longtemps. Aujourd’hui, un nouveau mécanisme de soutien à l’éolien est à l’étude qui consisterait, pour le producteur, à vendre l’électricité de son parc sur le « marché de gros », puis à se voir verser par l’Etat une prime basée sur un « target price », défini a priori en fonction des prix de marché. Or la vente sur le marché impose d’annoncer à l’avance (environ 36 h avant) la quantité d’électricité qui sera livré en temps et en heure à EDF, grâce à une prédiction court terme du vent et de la production. Ce nouveau système de rémunération devrait être applicable d’ici un peu plus d’un an. Il met ainsi le sujet de la prédiction court terme au cœur de la valorisation de l’énergie éolienne. 2. Prédiction dans l’Eolien : long et court terme Il existe dans le domaine éolien deux types de prédiction (du vent et de la production) : • la Prédiction Long Terme consistant à évaluer la distribution du vent représentative de la durée de vie du parc (20 ans) ainsi que la production annuelle moyenne attendue sur cette même durée, • la Prédiction Court Terme (PCT) dont l’objectif est de prédire vent et production à 24 et 48 h. La prédiction Long Terme vise à évaluer la faisabilité des projets (puis leur financement). Elle consiste à réaliser une campagne de mesures du vent sur le site même, puis à corréler ces mesures (1 à 2 ans de données) avec un enregistrement long terme (10 ou 15 ans de données issues d’une station météo ou d’origine satellitaire). La prédiction court terme (sujet de la thèse proposée) sert, quant à elle, deux objectifs : a. les industriels du secteur doivent se préparer à vendre l’électricité d’origine renouvelable sur le marché de l’énergie, ce qui requiert d’annoncer à l’avance la production qui sera vendue le jour J. b. Pour des raisons évidentes de sécurité, la maintenance des parcs éoliens ne peut avoir lieu qu’en dessous d’une certaine vitesse de vent. Prévoir 1, 2 ou 3 jours à l’avance le vent qu’il fera permet d’organiser au mieux les interventions sur site. 3. Une thèse en statistique : enrichir méthodes et compétences Il existe deux grandes catégories de méthodes de prédiction : physique et statistique. La Compagnie du Vent s’intéresse à la PCT (Prédiction Court Terme) depuis 3 ans en traitant le sujet sous l’angle de la modélisation physique, c’est à dire en exploitant des données issues de simulation de modèles physiques reproduisant la dynamique de l’atmosphère à basse altitude. Ces données pouvaient provenir de modèles météorologiques reconnus (tels que GFS ou WRF). Sur le plan statistique, les travaux à LCV ont été plus limités. Ils ont essentiellement consisté à apporter des corrections aux prédictions « physiques » grâce à l’utilisation de corrélation simple entre valeurs prédites et valeurs réelles. Les résultats furent encourageants, mais on peut certainement espérer bien davantage de méthodes statistiques plus sophistiquées. De plus, si la compétence physique est bien représentée dans la société, il n’en est pas de même pour la statistique. Cette thèse doit donc sa raison d’être autant dans la volonté d’améliorer nos méthodes que nos compétences. 4. La coopération avec Enercoop Pionnière dans l’éolien en France, La Compagnie du Vent a installé la toute première éolienne de France (en 1991) puis, en 1993, le premier parc éolien français : le parc de Port La Nouvelle (près de Narbonne). Après 20 ans d’exploitation, ce dernier a vu son contrat d’obligation d’achat par EDF venir à échéance en 2013. Dès lors, il fallait imaginer la suite : vendre l’électricité produite sur le marché, ou trouver un nouvel acheteur. C’est cette dernière solution qui a été choisie, par la signature d’un contrat avec Enercoop, une coopérative d’achat-­‐vente d’électricité d’origine renouvelable. De son côté, Enercoop souhaitait en retour une collaboration avec LCV sur le sujet de la prédiction. De cette discussion, il est ressorti que Enercoop s’intéressait davantage au processus de valorisation de la vente d’électricité d’origine éolienne sur le marché (dont la prédiction est une étape incontournable), qu’aux méthodes prédictives elles-­‐mêmes. Il fut alors convenu que chaque entité conduirait une thèse Cifre (LCV sur la PCT elle-­‐même, et Enercoop sur la valorisation de l’électricité « éolienne »), selon un mode collaboratif avec l’autre entité : échanges entre les deux doctorants, organisation de séminaires réguliers... L’objectif ultime, dépassant l’objectif des thèses, serait que LCV puisse fournir un outil de prédiction compétitif à Enercoop, et en retour monter en compétence dans le domaine du « trading ». 5. La thèse et ses objectifs 5.1. Les travaux introductifs de LCV sur la Prédiction Court Terme (PCT) -­‐
-­‐
-­‐
-­‐
-­‐
Première étude de comparaison de performance PCT entre différents prestataires (bureaux d’étude spécialisés). La précision s’avère être de l’ordre de 30 %. Les premiers travaux de LCV ont débuté en 2010 : formation au logiciel WRF (Wind Research Forecast). Ce logiciel est une référence internationale pour la prédiction court terme du vent. Il est utilisé par de nombreux laboratoires de Météorologie dans le monde, et fait l’objet de développement et mise à jour régulière. Si son téléchargement est facile et gratuit, il n’en va pas de même pour son implémentation et sa mise en marche : WRF est constitué de nombreux modules ayant eux-­‐mêmes de nombreux paramètres et variables d’entrée-­‐sortie… Il faut toutefois souligner que l’utilisation qu’en font les laboratoires n’est pas la même que LCV. Ainsi, les éoliennes évoluent au sein de la couche limite alors que les recherches des labos portent sur une couche atmosphérique plus étendue. De plus, le degré de précision exigé par l’éolien est, pour des raisons de rentabilité financière, bien plus élevé qu’en météorologie. Principe de WRF. WRF est un code de CFD en régime non permanent, qui calcule à chaque pas de temps (1 min ?), un champ de vitesse de vent au sein d’un maillage dont le pas d’espace est de l’ordre du kilomètre. Ce calcul s’appuie sur des conditions initiales correspondant au champ de vent GFS… Prédiction du vent et de la production. On s’intéresse à la PCT de deux variables : o PCT du vent sur le site (en un point du parc éolien), à hauteur de moyeu des éoliennes. WRF calculant le vent à 10 m au-­‐dessus du sol, une étape d’extrapolation du profil vertical est nécessaire. o Le passage à la production du parc se fait par application de la courbe de puissance (relation caractéristique vent-­‐puissance électrique de l’éolienne). Le pas d’espace de WRF étant de l’ordre du km, il n’est pas possible de réaliser un calcul par éolienne. Plateforme de PCT : après avoir rendue fonctionnelle la mécanique WRF sur un parc éolien, une plateforme de pilotage a été développée permettant de : o lancer chaque nuit les calculs pour tous les parcs éoliens de LCV, grâce à un robot logiciel o calculer les indicateurs classiques de performance : MAPE, RMSE, … pour chaque site, présenter les résultats sur un graphe afin de comparer l’évolution journalière des prédictions vent et production avec le vent et la production réels enregistrés sur le parc éolien. Réalisation d’une étude visant à évaluer la performance du logiciel WRF sur l’ensemble des parcs éoliens de LCV, tout en testant de nombreux jeux de paramètres (maillage, niveaux de descente d’échelle, conditions initiales…). Des premiers résultats de prédiction avaient déjà montré la difficulté de WRF à améliorer la prédiction GFS. Cette étude complète a confirmé ce résultat, remettant en cause la méthode WRF et réorientant la recherche vers l’utilisation directe des données GFS avec application éventuelle d’une correction. C’est aussi à partir de ce moment que l’intérêt d’investiguer des méthodes statistiques est apparu. Travaux de recherche portant sur l’application d’une correction simple des données GFS, fondée sur des historiques de correspondance vent-­‐production. Des résultats encourageants ont été obtenus, permettant de «recaler » le chronogramme de prédiction sur le réel. En revanche, même après correction, les données GFS ont une difficulté à suivre (en intensité notamment) les variations du vent réel. 5.2. Description du sujet de thèse Cette thèse doit s’inscrire dans la ligne des travaux et résultats déjà produits au sein de LCV, en mettant l’accent sur l’apport des méthodes statistiques. Les données de prédiction physique de type GFS continueront à être utilisées, non pas comme une fin en soi mais comme données d’entrée intégrant des informations précieuses (telles que l’arrivée des fronts de perturbation) pour des post-­‐traitements statistiques. Le véritable objectif est bien la prédiction de la production d’électricité d’un parc éolien, et non pas la prédiction du vent. Cette dernière est certes importante puisque vent et production sont bien entendu fortement corrélés, mais ne constitue qu’une variable intermédiaire. Pour passer à la production, il faut tout d’abord appliquer au vent une fonction de transfert (la courbe de puissance) qui, en théorie caractérise parfaitement un modèle précis d’éoliennes, mais qui dans les faits ne rend pas suffisamment compte du comportement réel de la machine : variabilité d’une machine à l’autre (sous performance intrinsèque de la machine pour diverses raisons), variabilité selon la direction du vent ou encore le niveau de turbulence… Toutes ces variabilités peuvent certainement être étudiées puis modélisées grâce à des méthodes statistiques. Ensuite, il faut impérativement tenir compte de la disponibilité de chaque machine (pourcentage du temps où la machine était en état de fonctionnement). Sur ce point, la statistique peut également nous aider par la mise au point de modèles de prédiction de la variable « disponibilité » (en temps et en énergie) et « pertes de production ». Enfin, l’aspect « correctif » reste essentiel. LCV dispose sur chacun de ses parcs éoliens, un grand volume de données d’historique de vent et production (par éolienne) qui seront d’un grand intérêt pour tester différentes méthodes correctives basées sur ces historiques. Il est évident que, sur ce point encore, l’utilisation de méthodes statistiques sera d’un grand apport. 5.3. Aspects théoriques o
-­‐
-­‐
Sur le plan théorique, la thématique étudiée est typiquement une thématique de modèle de régression. Les modèles que nous souhaitons étudier dans cette partie seront des modèles de régression non paramétriques. Les méthodes de régression ont été développées dès les années 1960 afin de s’affranchir des modèles paramétriques qui permettent de modéliser une relation entre une variable à expliquer d
Y et des variables explicatives X à valeurs dans R . Le principe sous-­‐jacent consiste à supposer la fonction inconnue m relativement lisse dans le modèle de régression Il est donc possible de l’estimer ponctuellement en effectuant des moyennes locales. La méthode la plus populaire est l’estimation par la méthode des noyaux à l’estimateur de la fonction m est donné par : p
La fonction K est une fonction de R dans R et le paramètre h est appelé la fenêtre. Dans son travail, le doctorant devra notamment traiter la limite des méthodes non paramétriques dans l’analyse de données réelles, dit le fléau de la dimension. En effet, pour avoir une estimation convenable de la fonction au point x, il ne faut conserver dans le calcul de la moyenne pondérée que les points Xi “proches” de X (la proximité est définie par h). Or en dimension élevée (p > 5), les points sont éloignés les uns des autres, et il faut donc augmenter la valeur de la fenêtre pour avoir suffisamment de points pour pouvoir effectuer une moyenne. Ce problème se retrouve dans l’analyse des vitesses de convergence de l’estimateur mn(x) où sous l’hypothèse principale que la fonction inconnue m est élément de Cµ, on obtient : Dès les années 1990, des hypothèses structurelles ont été rajoutées, la plus connue est celle ayant conduit aux modèles additifs (Buja et al., 1989). L’hypothèse forte est de supposer que la fonction p
m de R dans R peut être approchée par une somme de fonctions univariées par exemple : On obtient alors des vitesses équivalentes à celles obtenues en estimation univariée : Cependant la valeur µ est inconnue et depuis une dizaine d’années l’émergence de méthodes adaptatives permet de trouver des estimateurs ayant la même vitesse de convergence que les estimateurs où µ est supposée connue. Cependant la plupart des méthodes existantes admettant de bonnes propriétés théoriques sont difficilement implémentables dans la pratique. Une nouvelle méthode proposée par Cornillon et al. (2013) concilie les deux aspects adaptativité et implémentation relativement facile. L’idée sous-­‐jacente d’ibr est la suivante. Les estimateurs non paramétriques classiques peuvent s’écrire sous la forme matricielle : où S est la matrice de lissage qui dépend des données X et d’un paramètre de lissage λ (qui peut être la fenêtre en estimation à noyau, le nombre de voisin pour l’estimateur des plus proches voisins, la pénalité pour des splines de lissage...). La méthode ibr part d’un estimateur initial biaisé (c’est à dire avec un λ grand) et l’étape suivant consiste à corriger l’estimateur initial et itérer ce procédé. Si le même estimateur est utilisé à chaque étape, l’estimateur à l’étape k s’écrit : Des résultats théoriques ont été démontrés dans Cornillon et al. (2013) et des applications de cette méthode dans l’énergie dans Cornillon et al. (2014). Le candidat devra adapter la méthode à des données provenant de différentes sources et il semble intéressant alors d’essayer de proposer un estimateur à mi-­‐chemin entre l’additif et ibr. On pourrait imaginer que l’estimateur initial serait où les X1 seraient les données provenant de WRF et les X1 des mâts de mesures, ou encore les X1 les données à proximité de la ferme éolienne et X2 celles provenant des sites plus distants.... Une autre piste de recherche serait de proposer plusieurs méthodes mais aussi plusieurs jeux de données de variables explicatives et d’agréger tous les résultats obtenus comme cela est fait avec des forêts d’arbres et comme cela est souvent fait en prévision de courbe de charges Cho et al. (2013). La difficulté consiste à bien calculer les poids. Des travaux récents Biau et al. (2015) semblent intéressants et l’objectif serait de les utiliser et de les adapter. 5.4. Déroulement de la thèse : Compte tenu de ces orientations, la thèse devrait se dérouler selon les étapes suivantes : a. Etablir une bibliographie sur les techniques de prédiction court terme appliquée à l’éolien. Un certain nombre de thèses est paru sur le sujet, en investiguant le plus souvent une technique bien précise, et dans un cadre académique. Assimiler les travaux déjà réalisés par LCV dans le domaine. b.
Acquérir une connaissance métier de l’éolien afin d’apprécier la complexité globale du domaine, tant en termes de méthodes que des données à disposition. Le doctorant devra se former aux méthodes d’évaluation de la ressource en vent et du productible, afin d’acquérir une culture et des connaissances suffisamment fines dans le domaine, pour être capable d’en extraire les informations les plus pertinentes et d’adapter les outils statistiques avec le maximum d’efficacité. c.
Réfléchir sur les données à disposition, leur degré de précision et de fiabilité, et les informations qu’elles contiennent. Mettre au point des algorithmes de sélection-­‐exclusion. d.
Identifier et comparer des méthodes de prédiction du vent. Apprécier une limite sur la performance de ces modèles à l’aide d’indicateurs adaptés. Greffer à cette prédiction une méthode corrective. e.
Développer une méthode de prédiction de la disponibilité des éoliennes. Développer le calcul d’une disponibilité de type « énergétique » plus à même de rendre compte des pertes de production passées et à venir. f.
Sélectionner les « bons ingrédients » du modèle final, puis intégrer les algorithmes retenus à la plateforme logicielle existante PrediWind, permettant d’obtenir un service quotidien de prédiction vent-­‐production des parcs éoliens de LCV, en collaboration avec les développeurs informatiques de l’entreprise. 6.
Cadre de travail 6.1. La Direction EMSI Le doctorant intégrera l’équipe DEMSI (Direction des Etudes, Mesures et Systèmes Innovants) de la Compagnie du Vent, composée de 12 personnes. Le service Etudes évalue le productible long terme des parcs, servant à l’estimation de la rentabilité des projets à construire (Etudes de Potentiel Eolien et Solaire). Il actualise aussi les objectifs de production des parcs en service et assure le suivi de performance des éoliennes. Pour réaliser ces expertises, le service Etudes s’appuie sur des campagnes de mesures installées par le service Mesures. Enfin, le service « Systèmes Innovants » a pour mission d’améliorer les méthodes et les outils au service de l’entreprise, par la réalisation de projets de R&D. Ces méthodes sont mises au point puis capitalisées dans des logiciels métier développés en étroite collaboration avec le service informatique. Dans le cas présent de cette thèse, le logiciel métier est PrediWind. 6.2. Moyens matériels Le doctorant disposera d’un bureau personnel équipé d’un poste informatique et d’une plateforme de développement logiciel. Il pourra accéder aux serveurs spécifiques de LCV, et aux données qui y sont hébergées concernant notamment les parcs et les éoliennes. Il pourra utiliser les logiciels métier de l’entreprise en rapport avec son sujet, en particulier PrediWind, qui lui permettra de disposer de données de bonne qualité. 6.3. Moyens humains Le doctorant sera encadré par un ingénieur chef de projets qui suivra son travail au « quotidien » et l’aidera dans ses démarches administratives ou autres, ainsi que par le Directeur de la DEMSI lui-­‐même. Au cours de la deuxième année, il pourra encadrer, s’il le souhaite, un étudiant en stage (bac+5) pour l’aider sur l’approfondissement de certains points techniques. Il sera également fortement soutenu par la Direction informatique de LCV (5 pers) qui l’aidera à la fois pour la mise en place des infrastructures (mise à disposition d’un poste informatique complet, installation de logiciels spécifiques, dépannage, paramétrage…), et pour l’accompagner dans ses travaux de développement logiciel. A LCV, cette activité de développement logiciel est très structurée et dispose de moyens importants tels qu’un budget dédié à des prestations externes qui s’ajoute à la présence de deux chefs de projets permanents temps plein. 6.4. Frais de déplacement Le doctorant passera la majorité de son temps à LCV, mais un tiers du temps environ au sein du laboratoire associé à la thèse. Ses déplacements entre Montpellier et le laboratoire seront pris en charge par l’entreprise, ainsi que tout déplacement sur un parc éolien ou pour une conférence, un séminaire… 7. Références ! Biau, G, Fischer, A. Guedj, A et Malley, J. COBRA a combined regression strategy, journal of multivariate analysis, sous press ! Costa, A, Crespo, A, Navarro, J, Madsen, H et Feitosa, E. A review on the young history of wind power short term prediction ! Cornillon P.A., Hengartner N., Lefieux V. & Matzner-­‐Løber E. (2014). Fully nonparametric short term forecasting electricity consumption,. Lecture Notes in Statistics : Modeling and Stochastic Learning for Forecasting in High Dimension. ! Cornillon, P-­‐A., Hengartner, N. et Matzner-­‐Lober, E. Recursive bias estimation for mutlivariate regression smoothers, ESAIM 2013 ! Erdem, E et Shi, J. Comparison of bivariate distribution construction approaches for analysing wind speed end direction data, Wind Energy, 2011 ! Wand, W, Guo, P et Huang, X, A review of wind power forecasting models ! Buja A., Hastie T. & Tibshirani R. (1989). Linear smoothers and additive models. Ann. of Statist., 17, 453–510. ! Cho H., Goude Y., Brossat X. & Yao Q. (2013). Modeling and forecasting daily electricity load curves : a hybrid approach,. JASA. ! Landberg L., Giebel H., Nielsen A., Nielsen T. & Madsen H. (2003). Short-­‐term prediction : an overview. Wind Energy, 6, 273–280.