Développement d'une capacité de prévision de la production éolienne

L’énergie éolienne a connu une croissance importante au cours de la dernière décennie dans beaucoup de régions dans le monde. Elle constitue par conséquent la source d’énergie renouvelable qui présente le plus grand taux d’intégration au sein des réseaux électriques. Pour soutenir son évolution et augmenter sa valeur économique, l’industrie éolienne et la recherche doivent être capables de trouver les solutions des problèmes qui peuvent freiner son évolution et qui sont liés à la nature de cette source d’énergie. L’un des principaux défis étant de trouver des solutions face à l’intermittence du vent qui rend sa production variable et incontrôlable. Pour ce faire, le développement d’outils capables de prédire la puissance produite des centrales éoliennes à court terme est une solution qui aidera les opérateurs des réseaux électriques à intégrer davantage l’énergie éolienne dans leur portefeuille énergétique tout en maintenant le réseau électrique équilibré en tout temps. \n \nLe développement d’un modèle de prévision de la production éolienne en utilisant une approche physique se fait en deux étapes. La première étape consiste à prédire la vitesse du vent et d’autres variables météorologiques (température, pression, humidité, etc.) au niveau de la centrale éolienne et la seconde consiste à utiliser un modèle de puissance pour convertir ces prévisions du vent en prévisions de la puissance. Cette étude se concentre sur la deuxième dont le but est de proposer une méthodologie permettant d’évaluer la courbe de puissance d’une centrale éolienne et par la suite, d’utiliser cette courbe de puissance pour convertir des prévisions du vent en prévisions de la puissance produite d’une centrale éolienne. \n \nLe développement de la courbe de puissance est effectué en menant une série d’expériences qui ont permis de converger vers une méthodologie offrant une bonne précision, en utilisant les données mesurées du vent et de la puissance produite d’une centrale éolienne. En comparant la méthode des Bins avec les réseaux de neurones artificiels (RNA), les résultats ont montré que les RNA procurent les meilleurs résultats, principalement à cause de leur facilité à prendre en compte plusieurs variables, même avec un nombre limité de données mesurées. Une expérience similaire est effectuée en comparant deux différentes proches tout en utilisant la même méthode. La première consiste à modéliser la courbe de puissance de la centrale éolienne en utilisant la vitesse du vent lue à un mât de mesures; tandis que la deuxième utilise la moyenne des vitesses du vent lues aux éoliennes. Les réseaux de neurones sont exploités pour tester l’influence de plusieurs paramètres météorologiques sur la courbe de puissance de la centrale éolienne. La courbe de puissance de la centrale éolienne est donc proposée en utilisant la meilleure méthode identifiée, l’approche offrant le meilleur résultat et les paramètres s’étant avérés plus pertinents. La courbe de puissance de la centrale éolienne est par la suite utilisée pour convertir les prévisions météorologiques calculées par GEMLAM 2.5km en prévisions de la puissance produite. L’évaluation du modèle, par le calcul des paramètres statistiques, a permis d’enregistrer une erreur absolue moyenne normalisée qui varie entre 9.6 et 14.1 % de la capacité totale de la centrale sur les 48 horizons de prévision disponibles. Cette étude a été menée en utilisant les données mesurées de deux centrales éoliennes situées au Canada.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.