2016LARE0038 LBridier

Modélisation et optimisation d’un système de stockage
couplé à une production électrique renouvelable

intermittente
Laurent Bridier
To cite this version:

Laurent Bridier. Modélisation et optimisation d’un système de stockage couplé à une production
électrique renouvelable intermittente. Energie électrique. Université de la Réunion, 2016. Français.
�NNT : 2016LARE0038�. �tel-01525696�
HAL Id: tel-01525696

https://theses.hal.science/tel-01525696
Submitted on 22 May 2017
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
7+Ê6(
SRXU REWHQLU OH JUDGH GH
'2&7(85 '( /¶81,9(56,7e '( /$ 5(81,21
6SpFLDOLWp eQHUJpWLTXH
3UpVHQWpH SDU
/DXUHQW %5,',(5
SUpSDUpH DX VHLQ GX /DERUDWRLUH 3K\VLTXH HW ,QJpQLHULH 0DWKpPDWLTXH SRXU O¶eQHUJLH

O¶(QYLURQQHPHQW HW OH %kWLPHQW 3,0(17
GDQV O¶eFROH 'RFWRUDOH 6FLHQFHV HW 7HFKQLTXHV 6DQWp 676
0RGpOLVDWLRQ HW 2SWLPLVDWLRQ G¶XQ

6\VWqPH GH 6WRFNDJH FRXSOp j XQH
3URGXFWLRQ pOHFWULTXH UHQRXYHODEOH
LQWHUPLWWHQWH
7KqVH VRXWHQXH SXEOLTXHPHQW OH -XLQ

GHYDQW OH MXU\ FRPSRVp GH
0 %HUQDUG 08/721
3URIHVVHXU (16 GH 5HQQHV /DERUDWRLUH 6$7,( 5DSSRUWHXU
0 ;DYLHU 52%2$0
'LUHFWHXU GH UHFKHUFKH &156 /DERUDWRLUH /$3/$&( 7RXORXVH 5DSSRUWHXU
0 6WpSKDQH /$6&$8'
3UpVLGHQW 'LUHFWHXU JpQpUDO (') 6WRUH DQG )RUHFDVW ([DPLQDWHXU
0 3DWULFH 321*e5$5'
3URIHVVHXU DX /DERUDWRLUH 3,0(17 ([DPLQDWHXU
0 3KLOLSSH /$85(7
3URIHVVHXU DX /DERUDWRLUH 3,0(17 'LUHFWHXU GH WKqVH
0 0DWKLHX '$9,'
0&) +'5 DX /DERUDWRLUH 3,0(17 &RGLUHFWHXU
,QYLWp 0 'HQLV /HIHEYUH VRFLpWp 4XDGUDQ
À mes fleurs
Remerciements
Cette thèse a été financée par une allocation de recherche issue du projet Enertosck avec
l’Université de La Réunion et le fonds de recherche OSEO incluant tous les partenaires du
projet : Aerowatt, Mecamidi, Saft, Sogreah (aujourd’hui Artelis), EDF-SEI, INP Grenoble,
laboratoire PIMENT, Université de La Réunion.
Je voudrais tout d’abord remercier M. Philippe LAURET, Professeur à l’Université
de La Réunion et précédent directeur du laboratoire PIMENT, qui a été mon directeur
de thèse et m’a donné l’opportunité d’effectuer ce travail de recherche au sein de ce
laboratoire. En tant que directeur de thèse, je lui suis reconnaissant de m’avoir accompagné
et toujours encouragé malgré, parfois, des phases de doutes ou de difficultés. Je le remercie
aussi de la confiance qu’il m’a toujours accordée même lorsque j’en manquais moi-même.
Merci également d’être allé à la “chasse aux heures” de TD de mathématiques à effectuer
dans les différents départements afin de me permettre d’enseigner à l’Université.
Je suis également reconnaissant à Mathieu David qui grâce à ses conseils avisés a
su m’orienter vers des pistes fructueuses. En tant qu’ingénieur en calcul scientifique et
modélisation, l’introduction au domaine de l’énergétique a été un vrai défi pour moi.
Mathieu a su apporter son esprit, ses capacités, sa compréhension et ses connaissances
dans son domaine. Bien que le temps passé à m’accompagner durant ces trois années ait
été pris sur ses propres activités, il s’est toujours montré disponible et m’a grandement
aidé dans toutes les étapes de cette thèse.
Je remercie également la société AEROWATT, aujourd’hui QUADRAN, qui a piloté
le projet EnerStock et m’a donné tous les éléments pour bien démarrer mon travail.
En particulier, mes remerciements vont à son directeur technique Denis Lefèbvre pour
ses documents et les données de production annuelle. Tous les échanges avec Sylvain
Tavernier, chargé d’affaire sur ce projet, m’ont été aussi extrêmement utiles, notamment
dans le travail de modélisation.
Je tiens à remercier à M. Bernard Multon, professeur à l’ENS de Rennes ainsi qu’à M.
Xavier Roboam, directeur de recherche au CNRS, d’avoir acceptés d’être rapporteurs de
mon mémoire. Je remercie également à M. Stéphane Lascaud, Ingénieur à EDF d’avoir
accepté de prendre part à mon jury. Je souhaite remercier l’ensemble des membres du jury
pour l’énergie dédiée à la lecture et correction de mon mémoire de thèse. Vos corrections,
remarques et commentaires ont été très appréciés.
Enfin, une pensée particulière va à tous ceux qui m’ont accueilli au sein de leur unité
à l’Université de La Réunion, en particulier Philippe Charton et Christiane Vincent du
Département de Mathématiques-Informatique et Khalid ADDI de l’Esiroi. Que tous mes
iii
iv
amis et collègues de l’IUT : Fabiola, Jocelyne, Audrey, Gilles, Christian... soient également
remerciés de ces bons moments de repas, de fou rires ou même de répétition musicale qui
resteront gravés dans ma mémoire. Je voudrais remercier tous mes collègues du Dépar-
tement SBE, de l’IUT du bâtiment EnerPos à l’IUT , ainsi que tous les doctorants et
étudiants du laboratoire, en particulier Audrey Journoud qui m’a si souvent servi du thé.
Merci également aux militants de l’Écologie solidaire à La Réunion, en particulier Jean-
Alain Cadet, Danon Odayen, Gérard Chopinet et Yvette Duchemann, qui m’ont permis
d’agir dans la continuité de mon travail, ce qui a contribué, de mon point de vue, à donner
du sens à cette étude.
Finalement, je suis particulièrement reconnaissant à mes parents ainsi qu’à mes soeurs,
en particulier Sophie qui m’a toujours encouragé dans cette voie. Son expérience du doc-
torat m’a beaucoup servi et m’a permis de prendre du recul lorsqu’il le fallait. En dernier
mais première dans mon cœur, je remercie ma femme Emmanuelle. Merci d’avoir su me
soutenir et me donner les meilleures conditions possibles pour terminer ce travail. Ces der-
niers mois furent intenses et pleins d’émotions. Merci de m’avoir donné cette magnifique
petite Capucine ainsi que cet enfant bientôt prêt à naı̂tre. Pour terminer, un remerciement
spécial à ma grande fille Clara qui m’a également soutenu, tout en gardant consciencieu-
sement sa petite soeur.
“Allé Soley la fini Chapé”
“Lèr ke lé pou dansé”
“Get pa si la pli la po mouyé ton sévé kafrine”
“Roul ton maloya ma fi”
“Si ton ker lé kontan”
Kalou Pilé
“Mi sa si somin mi wa cou d’kony na plin ki coté zot i vient.”

“Partout mi sava tout sa mi compren pa na trop wati watia.”
“Toute lo wati watia.”
“Toute zot wati watia.”
Alain Peters
Cette thèse à été rédigée sous LATEX avec le template “book” basique.
vi
Table des matières
1 Introduction générale 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Énergies renouvelables intermittentes (EnRI) . . . . . . . . . . . . . . . . . 4
1.2.1 Contexte énergétique . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1.1 Contexte mondial, européen et français . . . . . . . . . . . 4
1.2.1.2 Énergies Renouvelables (EnR) . . . . . . . . . . . . . . . . 9
1.2.1.3 Problématique spécifique aux EnRI . . . . . . . . . . . . . 11
1.2.2 EnRI en contexte insulaire . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2.1 Zones non interconnectées (ZNI) . . . . . . . . . . . . . . 12
1.2.2.2 La Réunion . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Intermittence et prévision . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.3.1 Intermittence . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.3.2 Prévision . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3 Systèmes de Stockage d’énergie (SSE) . . . . . . . . . . . . . . . . . . . . . 20
1.3.1 Enjeux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.2 Description générale . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.2.1 Technologies . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.2.2 Comparaison . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3.3 Stockage d’énergie renouvelable . . . . . . . . . . . . . . . . . . . . 31
1.3.3.1 Projets industriels et commerciaux . . . . . . . . . . . . . 31
1.3.3.2 Recherche et Développement . . . . . . . . . . . . . . . . 33
1.4 Problématique et objectifs de la thèse . . . . . . . . . . . . . . . . . . . . . 36
1.4.1 Cadre du projet Enerstock . . . . . . . . . . . . . . . . . . . . . . . 36
1.4.1.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
vii
viii TABLE DES MATIÈRES
1.4.1.2 Cahier des charges . . . . . . . . . . . . . . . . . . . . . . 37

1.4.2 Approche retenue . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.4.2.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.4.2.2 Démarche . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2 Modélisation 41
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2 Modèle de stockage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2.1 Modèles usuels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2.1.1 Modèles dynamiques . . . . . . . . . . . . . . . . . . . . . 42
2.2.1.2 Modèles statiques . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.2 Modes d’intégration . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2.2.1 Présentation . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2.2.2 Site isolé . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2.2.3 Site connecté au réseau . . . . . . . . . . . . . . . . . . . 48
2.2.3 Modèle retenu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.3.1 Mode d’intégration . . . . . . . . . . . . . . . . . . . . . . 49
2.2.3.2 Modélisation systémique . . . . . . . . . . . . . . . . . . . 50
2.2.3.3 Description et hypothèses de modélisation . . . . . . . . . 51
2.2.3.4 Equations . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3 Modèle économique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3.1 Modèles standards . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3.1.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3.1.2 Critères de performance économique . . . . . . . . . . . . 54
2.3.2 Modèle utilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.3.2.1 Objectif et choix du modèle . . . . . . . . . . . . . . . . . 57
2.3.2.2 Hypothèses du modèle économique . . . . . . . . . . . . . 58
2.3.2.3 Calcul de la NPV . . . . . . . . . . . . . . . . . . . . . . . 59
2.4 Scénarios d’injection réseau . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.4.1 Principe général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.4.2 Description des scénarios . . . . . . . . . . . . . . . . . . . . . . . . 65
2.4.2.1 Scénarios S1 : puissance prévue et lissée . . . . . . . . . . 65
TABLE DES MATIÈRES ix
2.4.2.2 Scénarios S2 : puissance constante garantie . . . . . . . . 67

2.4.2.3 Scénarios S3 : combinaisons de scénarios . . . . . . . . . . 69
2.4.3 Tarification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.5 Modèle de dimensionnement du stockage . . . . . . . . . . . . . . . . . . . 71
2.5.1 Modèles existants . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.5.1.1 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.5.1.2 Modèles de production . . . . . . . . . . . . . . . . . . . . 72
2.5.1.3 Critères de performance technique . . . . . . . . . . . . . 73
2.5.1.4 Dimensionnement déterministe . . . . . . . . . . . . . . . 75
2.5.1.5 Dimensionnement stochastique . . . . . . . . . . . . . . . 77
2.5.2 Modèle développé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.5.2.1 Objectifs et motivations . . . . . . . . . . . . . . . . . . . 79
2.5.2.2 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.5.2.3 Dimensionnement optimal du stockage . . . . . . . . . . . 81
2.5.3 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3 Optimisation 85
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2 Méthodes et outils d’optimisation SSE+EnRI . . . . . . . . . . . . . . . . 86
3.2.1 Problèmes d’optimisation . . . . . . . . . . . . . . . . . . . . . . . 86
3.2.1.1 Cadre général . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.2.1.2 Dimensionnement SSE optimal . . . . . . . . . . . . . . . 88
3.2.2 Programmation linéaire, non linéaire et stochastique . . . . . . . . . 89
3.2.2.1 Problèmes déterministes . . . . . . . . . . . . . . . . . . . 89
3.2.2.2 Prise en compte de l’incertitude . . . . . . . . . . . . . . . 91
3.2.2.3 Application au dimensionnement optimal . . . . . . . . . . 92
3.2.3 Programmation dynamique . . . . . . . . . . . . . . . . . . . . . . 93
3.2.3.1 Cadre général . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.2.3.2 Dimensionnement optimal . . . . . . . . . . . . . . . . . . 93
3.2.4 Métaheuristiques et heuristiques . . . . . . . . . . . . . . . . . . . . 96
3.2.4.1 Métaheuristiques à trajectoire . . . . . . . . . . . . . . . . 96
3.2.4.2 Métaheuristiques à population . . . . . . . . . . . . . . . . 96
x TABLE DES MATIÈRES
3.2.4.3 Heuristiques . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.2.5 Outils d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.2.5.1 Solveurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.2.5.2 Logiciels ad hoc . . . . . . . . . . . . . . . . . . . . . . . . 99
3.3 Gestion optimisée SSE+EnRI . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.3.1 Motivations du choix heuristique . . . . . . . . . . . . . . . . . . . 100
3.3.2 Cas d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.3.2.1 Productions et prévisions . . . . . . . . . . . . . . . . . . 102
3.3.2.2 Valeurs de base techniques . . . . . . . . . . . . . . . . . . 105
3.3.3 Heuristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.3.3.1 Algorithme glouton . . . . . . . . . . . . . . . . . . . . . . 106
3.3.3.2 Utilisation de la bande de tolérance (H1) . . . . . . . . . . 106
3.3.3.3 Gestion proactive des défauts (H2) . . . . . . . . . . . . . 109
3.3.3.4 Limitation des oscillations (H3) . . . . . . . . . . . . . . . 111
3.3.3.5 Limitation des pertes d’énergie (H4) . . . . . . . . . . . . 113
3.3.4 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.3.4.1 Charge adaptative (CA) . . . . . . . . . . . . . . . . . . . 115
3.3.4.2 Dimensionnement optimal . . . . . . . . . . . . . . . . . . 116
3.4 Comparaison CA et modèles NLP/LP/MILP . . . . . . . . . . . . . . . . . 117
3.4.1 Solutions de référence . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.4.1.1 Problème de référence . . . . . . . . . . . . . . . . . . . . 117
3.4.1.2 Modèle fixe de base (y) . . . . . . . . . . . . . . . . . . . 120
3.4.1.3 Modèle libre de base (yzd) . . . . . . . . . . . . . . . . . . 125
3.4.1.4 Modèle libre avec stratégies (βxyzd) . . . . . . . . . . . . 127
3.4.1.5 Solveurs utilisés . . . . . . . . . . . . . . . . . . . . . . . . 130
3.4.2 Comparaison avec la charge adaptative . . . . . . . . . . . . . . . . 131
3.4.2.1 Lissage Horaire (S1a) sur une journée . . . . . . . . . . . . 132
3.4.2.2 Lissage horaire (S1a) sur l’année . . . . . . . . . . . . . . 136
3.4.2.3 Garantie annuelle (S2a) . . . . . . . . . . . . . . . . . . . 140
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
TABLE DES MATIÈRES xi
4 Dimensionnement optimal 145

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.2 Dimensionnement technico-économique . . . . . . . . . . . . . . . . . . . . 145
4.2.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.2.1.1 Démarche et Définitions . . . . . . . . . . . . . . . . . . . 145
4.2.1.2 Valeurs de base économiques . . . . . . . . . . . . . . . . 148
4.2.2 Optimisation des seuils adaptatifs . . . . . . . . . . . . . . . . . . . 148
4.2.3 Scénarios non garantis (S1) . . . . . . . . . . . . . . . . . . . . . . 152
4.2.3.1 Lissage horaire (S1a) . . . . . . . . . . . . . . . . . . . . . 152
4.2.3.2 Lissage journalier (S1b) . . . . . . . . . . . . . . . . . . . 153
4.2.4 Scénarios garantis (S2) . . . . . . . . . . . . . . . . . . . . . . . . . 154
4.2.4.1 Garantie H24 (S2a) . . . . . . . . . . . . . . . . . . . . . . 154
4.2.4.2 Garantie sur un créneau horaire (S2b) . . . . . . . . . . . 156
4.2.4.3 Garantie sur deux créneaux horaires (S2c) . . . . . . . . . 158
4.3 Amélioration des services rendus . . . . . . . . . . . . . . . . . . . . . . . . 159
4.3.1 Combinaison des scénarios garanti/non garanti (S3) . . . . . . . . . 159
4.3.1.1 Scénario S3a . . . . . . . . . . . . . . . . . . . . . . . . . 160
4.3.1.2 Scénario S3b . . . . . . . . . . . . . . . . . . . . . . . . . 161
4.3.2 Optimisation des créneaux horaires . . . . . . . . . . . . . . . . . . 162
4.3.2.1 Scénario S3d . . . . . . . . . . . . . . . . . . . . . . . . . 162
4.3.2.2 Scénario S3c . . . . . . . . . . . . . . . . . . . . . . . . . 163
4.3.3 Hybridation des sources . . . . . . . . . . . . . . . . . . . . . . . . 164
4.4 Analyse de sensibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.4.1 Analyse de sensibilité globale . . . . . . . . . . . . . . . . . . . . . 167
4.4.1.1 Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.4.1.2 Modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
4.4.1.3 Sensibilité technique . . . . . . . . . . . . . . . . . . . . . 171
4.4.1.4 Sensibilité technico-économique . . . . . . . . . . . . . . . 172
4.4.1.5 Régression linéaire . . . . . . . . . . . . . . . . . . . . . . 174
4.4.2 Impact de la qualité de prévision . . . . . . . . . . . . . . . . . . . 175
4.4.2.1 Comparaison Persistance et Modèle ECMWF (PV) . . . . 175
xii TABLE DES MATIÈRES
4.4.2.2 Impact des variations de l’erreur . . . . . . . . . . . . . . 177

4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
Conclusions et Perspectives 181
Annexes 185
A1 ANNEXE A : Charge Adaptative . . . . . . . . . . . . . . . . . . . . . . . 185
A1.1 Seuil de décharge adaptative . . . . . . . . . . . . . . . . . . . . . . 185
A1.2 Algorithme CA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
A2 ANNEXE B : Exemples de trajectoires optimisées . . . . . . . . . . . . . . 188
A2.1 Scénario S1a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
A2.2 Scénario S2a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
A3 ANNEXE C : Amélioration des services rendus . . . . . . . . . . . . . . . 190
A3.1 Scénarios S3a et S3b . . . . . . . . . . . . . . . . . . . . . . . . . . 190
A3.2 Scénarios S3c et S3d . . . . . . . . . . . . . . . . . . . . . . . . . . 191
A4 ANNEXE D : Indices de sensibilité . . . . . . . . . . . . . . . . . . . . . . 193
Bibliographie 194
Table des figures
1.1 Consommation énergétique mondiale et émission de GES. . . . . . . . . . . 4

1.2 Répartition de la satisfaction des besoins mondiaux en énergie (ktep).
Source : BP Statistical Review of World Energy, Juin 2015. . . . . . . . . 5
1.3 Evolution du coût de l’énergie et prospective. Source : AIE, 2014. . . . . . 6
1.4 Consommation et dépendance énergétiques de l’Union Européenne. Source
Eurostat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Production et consommation d’énergie primaire en France.
Source : Commissariat au développement durable, Ministère de l’Environ-
nement, 2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Emissions de CO2 en Europe et en France . . . . . . . . . . . . . . . . . . 8
1.7 Evolution des capacités de production EnR installées. Source : IRENA, 2014. 10
1.8 Les énergies renouvelables à La Réunion - Production électrique (MW).
Source OER 2015. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.9 Site de production d’électricité et de stockage à La Réunion. Source EDF-
SEI 2015. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.10 Variabilité de la production d’électricité d’origine renouvelable intermittente. 18
1.11 Services réseau pouvant être assurés par le stockage. Source EDF, 2011. . . 22
1.12 Schéma de principe d’une STEP. Source ECRIN [Multon and Ruer, 2003]. 24
1.13 Schéma de principe d’un Volant d’inertie. Source NREL, 2004. . . . . . . . 24
1.14 Schéma de principe d’un stockage à air comprimé en caverne. Source ECRIN
[Multon and Ruer, 2003]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.15 Schéma de principe d’une batterie Lithium-Ion. Source CEA, 2006. . . . . 27
1.16 Schéma de principe d’une batterie à circulation. Source Regenesys. . . . . . 28
1.17 Caractéristiques technico-économiques des Systèmes de Stockage d’Énergie
(SSE). Source ARER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.18 Répartition des SSE par puissance/temps de réponse. Source ENEA. . . . 30
1.19 Applications du stockage par type. Source CEA . . . . . . . . . . . . . . . 30
xiii
xiv TABLE DES FIGURES
1.20 Applications du stockage d’énergie : équilibre offre-demande. . . . . . . . . 31

1.21 Capacités de stockage installées dans le monde. Source EPRI, 2010. . . . . 32
1.22 Plan de thèse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1 Organisation du chapitre 2. . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2.2 Courbe de rendement turbine hydraulique. . . . . . . . . . . . . . . . . . . 43
2.3 Dynamique batterie Li-Ion modélisée sous Simulink. . . . . . . . . . . . . . 44
2.4 Comparaison dimensionnement modèles batterie cinétique vs statique. . . . 45
2.5 Modes d’intégration du SSE. . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.6 Site isolé : schéma de principe. Source [Chauhan and Saini, 2014]. . . . . . 48
2.7 Production EnRI (PV) connectée au réseau. . . . . . . . . . . . . . . . . . 48
2.8 Micro-réseau et systèmes de production distribués. Source [Mohammadi
et al., 2012] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.9 Modèle SSE-EnRI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.10 Principe de compensation de l’intermittence par le stockage. . . . . . . . . 52
2.11 Scenarios d’injection Réseau. Source [Zhao et al., 2015] . . . . . . . . . . . 62
2.12 Tolérance et défaut de service dans les scénarios d’injection réseau. . . . . 63
2.13 Exemple de production EnRI+SSE avec défaut. . . . . . . . . . . . . . . . 65
2.14 Scénarios d’injection réseau S1a et S1b. . . . . . . . . . . . . . . . . . . . . 66
2.15 Scénario S1a - exemples d’annonce EnRI+SSE. . . . . . . . . . . . . . . . 67
2.16 Scénarios de puissance garantie S2. . . . . . . . . . . . . . . . . . . . . . . 68
2.17 Scénarios combinés S3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.18 Modélisation du dimensionnement : Méthodologie standard. Source [Mo-
hammadi et al., 2012] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.19 Modèle de production éolienne. . . . . . . . . . . . . . . . . . . . . . . . . 73
3.1 Méthodes de dimensionnement de SSE couplé à une production EnRI.

Source [Upadhyay and Sharma, 2014]. . . . . . . . . . . . . . . . . . . . . . 88
3.2 Méthode de séparation-évaluation dans la programmation mathématique. . 90
3.3 Méthode de coupes dans les programmes linéaires en nombres entiers (ILP). 90
3.4 Recherche de gestion SSE optimale par programmation dynamique. Source
Y. Riffoneau, 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.5 Fonctionnement SSE optimal par programmation dynamique. . . . . . . . 95
TABLE DES FIGURES xv
3.6 Dimensionnement optimal (SDP) : Tolérance vs Capacité SSE. Source Thèse

P. Haessig, 2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.7 Logiciels de dimensionnement SSE-ENRI : schéma de principe. Source [Sinha
and Chandel, 2015] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.8 Erreurs de prévision - Éolien, Houle, PV. . . . . . . . . . . . . . . . . . . . 104
3.9 Stratégies d’utilisation de la bande de tolérance. . . . . . . . . . . . . . . . 107
3.10 Comparaison des stratégies d’utilisation de la bande de tolérance. . . . . . 108
3.11 Comparaison sans (DI) vs avec la stratégie H2 (DC) - Scénario S1a. . . . 110
3.12 Seuil tarif Énergie en défaut (RevenusH2 > RevenusDI ) - Scénario S1a. . . 110
3.13 Réduction des oscillations liées à la stratégie H2. . . . . . . . . . . . . . . 112
3.14 Influence du seuil de décharge adaptatif seuilD (H3). . . . . . . . . . . . . 113
3.15 Influence du seuil de charge adaptative seuilC (H3) - Scénario S1a. . . . . 114
3.16 Zones de stratégies de charge/décharge adaptative (CA). . . . . . . . . . . 115
3.17 Méthode heuristique de gestion optimisée SSE+EnRI (CA). . . . . . . . . 116
3.18 Matrice des contraintes SOC (C2). . . . . . . . . . . . . . . . . . . . . . . 122
3.19 Représentation Injection réseau (exemple sans SSE, 11 défauts). . . . . . . 132
3.20 Optimisation non linéaire fixe (H2 non autorisée). . . . . . . . . . . . . . . 133
3.21 Optimisation linéaire - modèles fixe (H2 non autorisée). . . . . . . . . . . 134
3.22 Optimisation linéaire mixte en nombres entiers - modèle de base. . . . . . . 134
3.23 Optimisation linéaire mixte en nombres entiers - modèle avec stratégie. . . 135
3.24 Charge adaptative - heuristiques H1,H2 imposées, 5 défauts. . . . . . . . . 136
3.25 Optimisation non linéaire/linéaire - modèle fixe de base. . . . . . . . . . . 138
3.26 Optimisation linéaire mixte en nombres entiers - modèles libres. . . . . . . 138
3.27 Comparaison Charge Adaptative - Modèle de référence (M*), Éolien. . . . 140
3.28 Comparaison Modèle de référence - Charge Adaptative, Houle. . . . . . . . 141
3.29 Comparaison Modèle de référence - Charge Adaptative, PV. . . . . . . . . 141
4.1 Dimensionnement et paramètres adaptatifs (scénario S1a). . . . . . . . . . 149

4.2 Influence du paramètre seuilC (scénario S1a, seuilD = 20%). . . . . . . . 150
4.3 Influence du paramètre seuilD (S1a, seuilC = 20%). . . . . . . . . . . . . 151
4.4 Dimensionnement SSE - scénario S1a (lissage horaire). . . . . . . . . . . . 153
4.5 Dimensionnement SSE - scénario S1b (lissage journalier). . . . . . . . . . . 154
4.6 Dimensionnement SSE - scénario S2a (puissance garantie annuelle). . . . . 155
xvi TABLE DES FIGURES
4.7 Éolien, scénario S2a-PG = 100 kW/MWc (1 mois). . . . . . . . . . . . . . 156

4.8 Dimensionnement SSE - scénario S2b1 puissance garantie 7h-17h. . . . . . 157
4.9 Dimensionnement SSE - scénario S2b2 puissance garantie HP[19h-21h]. . . 158
4.10 Dimensionnement SSE - scénario S2c puissance garantie 7h-17h et 19h-21h. 159
4.11 scénario S3a : puissance garantie HP = [18h-22h]. . . . . . . . . . . . . . . 160
4.12 scénario S3b : puissance garantie 18h-22h. . . . . . . . . . . . . . . . . . . 161
4.13 Solutions viables - scénario S3d. . . . . . . . . . . . . . . . . . . . . . . . . 162
4.14 Dimensionnement SSE - scénario S3c (puissance garantie HC & HP=18h-
22h). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
4.15 Hybridation des sources - scénario S1a (lissage horaire). . . . . . . . . . . 165
4.16 Hybridation des sources - scénarios S2 (PG =100 kW garantis). . . . . . . . 166
4.17 Analyse de sensibilité technique du modèle CA. . . . . . . . . . . . . . . . 171
4.18 Analyse de sensibilité du modèle de dimensionnement technico-économique
par la méthode FAST-RBD. . . . . . . . . . . . . . . . . . . . . . . . . . . 173
4.19 Impact de la qualité de la prévision PV : ECMWF et persistance. . . . . . 176
4.20 Impact de la qualité de la prévision sur le dimensionnement. . . . . . . . . 178
A.1 Effets du seuil de décharge adaptative seuilD. . . . . . . . . . . . . . . . . 185

A.2 S1a-PV, tolérance = 0 (DT R ≤ 5%). . . . . . . . . . . . . . . . . . . . . . 188
A.3 Puissance injectée et SOC - service S2a (puissance garantie annuelle). . . . 189
A.4 Dimensionnement SSE - Service S3a (lissage horaire + puissance garantie[18h-
22h]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
Liste des tableaux
2.1 Exemple de calcul d’amortissement d’un investissement (US vs FR). . . . . 60

2.2 Exemple de calcul de Valeur Actualisée Nette (NPV). . . . . . . . . . . . . 61
2.3 Estimation des coûts du combustible et des investissements évités - La
Réunion (Source : EDF-SEI 2013). . . . . . . . . . . . . . . . . . . . . . . 70
2.4 Paramètres du dimensionnement SSE+EnRI. Source [Iqbal et al., 2014] . . 77
2.5 Variables aléatoires du dimensionnement SSE+EnRI . . . . . . . . . . . . 79
2.6 Variables technico-économiques du modèle de dimensionnement. . . . . . . 84
3.1 Indicateurs statistiques de prévision/production EnRI. . . . . . . . . . . . 104

3.2 Valeurs de base des variables techniques. . . . . . . . . . . . . . . . . . . . 105
3.3 Critères d’optimisation linéaire (modèles de base). . . . . . . . . . . . . . . 125
3.4 Stratégies autorisées de fonctionnement du stockage. . . . . . . . . . . . . . 126
3.5 Solveurs utilisés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.6 Comparaison optimisation globale et charge adaptative sur une année. Ser-
vice S1a-Éolien-Fond Caraı̈bes, Sept.2010-Août2011. . . . . . . . . . . . . . 137
3.7 Temps de calcul : modèles linéaires/non linéaires et charge adaptative. Ser-
vice S1a - Éolien, Fond Caraı̈bes, Sept. 2010-Août 2011 (N = 8760h). . . . 139
3.8 Comparaison modèle de référence et charge adaptative sur une année Ser-
vice S2a, paramètres de base S = 1000 kWh, tol = 25%P prod et PG =
50%P prev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.1 Valeurs de base des variables économiques. . . . . . . . . . . . . . . . . . . 148

4.2 Bornes des variables d’entrée du modèle CA retenues pour l’AS. . . . . . . 169
4.3 Bornes des variables de sortie du modèle CA retenues pour l’AS. . . . . . 170
4.4 Coefficients de détermination linéaire. . . . . . . . . . . . . . . . . . . . . . 174
4.5 Qualité des prévisions PV. . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
xvii
xviii LISTE DES TABLEAUX
A.1 Combinaison et optimisation des scénarios H24. . . . . . . . . . . . . . . . 190

A.2 Combinaison et optimisation des scénarios restreints. . . . . . . . . . . . . 191
A.3 Sensibilité - 1er ordre - du modèle de dimensionnement technico-économique
(basé sur CA) obtenue par la méthode FAST-RBD, Scénario S1a, Ne =
2048 × 14 + 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
Notations
Note 1 : Les expressions en anglais ainsi que les variables ou paramètres sont en italique.
Note 2 : Les puissances ou énergies en kW ou kWh par MWc sont rapportées à la
puissance installée.
xix
xx LISTE DES TABLEAUX
Nomenclature
Pof f re Engagement de puissance J+1 [kW]

Pprev Prévision de puissance [kW]
Pprod Puissance produite (EnRI) [kW]
Eprod Énergie produite (EnRI) [kWh]
Pstock Puissance de stockage (Pstock > 0 décharge, Pstock < 0 charge) [kW]
Pgrid Puissance injectée (vendue) au réseau [kW]
Egrid,Serv Énergie annuelle fournie dans le respect du scénario choisi [kWh]
Pecart Écart entre Production et Engagement (à compenser par stockage) [kW]
Perr Érreur de prévision = Pprod − Pprev [kW]
PG Engagement constant garanti toute l’année [kW]
Pinst Puissance installée [kW]
Plost Puissance produite perdue (délestage) [kW/MWc]
Elost Énergie produite perdue (délestage) [kWh/MWc]
Psup,inf Puissance max. pouvant être déchargée,chargée [kW/MWc]
S Capacité de stockage nominale utile [kWh/MWc]
Smax Capacité de stockage réellement disponible [kWh/MWc]
SOC État de charge du stockage [%S]
SOCmin,max État de charge minimal, maximal du stockage [%S]
dod Profondeur de décharge continue du stockage [%S]
ηdecharge Rendement du stockage en décharge [%]
ηcharge Rendement du stockage en charge [%]
seuilD Paramètre de décharge adaptative [%S]
seuilC Paramètre de charge adaptative [%S]
DT R Part de défaut annuelle [%année]
DMT Durée moyenne d’une défaillance [h]
tol Tolérance sur la fourniture de puissance [%P prod (ou kW)]
coef prev Part de la prévision prise pour engagement [%]
α Facteur sur la qualité de prévision [%]
β Part de la production injectée au réseau (modèle linéaire) [%]
γ Facteur multi-objectif Fiabilité et productivité/efficacité (modèle [%]
linéaire)
rMAE Erreur moyenne absolue relative [%P prod ]
NP V Valeur actualisée nette [e/MWh]
F IT Tarif de revente de l’énergie avec stockage [e/MWh]
F IT0 Tarif de revente de l’énergie sans stockage [e/MWh]
SDR Coefficient de pénalité appliqué au tarif de revente de l’énergie [%]
inv Coût de l’installation de production EnRI [Me/MWc]
omenri/sse Coût de maintenance EnRI/SSE [%inv]
Δt Pas de temps [h]
N Nombre de pas de temps sur l’année
X(i) ou Xi ième coordonnée du vecteur X
x Valeur moyenne de la variable x
x∗ Solution optimisée pour la variable x
LISTE DES TABLEAUX xxi
Notations en gras
S1-3 Scénarios d’injection réseau N°1 à 3

H1-4 Heuristiques N°1 à 4
CA Charge adaptative
NLP,LP,MILP Programmes non linéaire, linéaire, linéaire mixte en nombres entiers
Abréviations
ACS Coût annualisé du système (Annualized Cost of System)

AS Analyse de Sensibilité
CCS Capture et Stockage du Carbone (Carbon Capture and Storage)
CRE Commission de Régulation de l’Énergie
ECMWF Institut européen de prévision météo. (European Center for Medium range
Weather Forecasting)
EnR Énergie Renouvelable
EnRI Énergie Renouvelable Intermittente
GC Mode connecté au réseau (Grid Connected)
GES Gaz à Effet de Serre
ktep,Mtep Millier, million de tonnes équivalents Pétrole
LCE,LCOE Coût unitaire de l’Énergie (Levelized Cost of Energy)
LPSP Probabilité de non fourniture de la demande (Loss of Power Supply Probability)
NPV Valeur actualisée nette (Net Present Value)
PAC Pile À Combustible
PBP Temps de Retour sur Investissement (Payback Period)
Prev Prévision de la puissance produite
Prod Production électrique issue d’une source EnRI
SA Mode site isolé (Stand-Alone)
SSE Système de Stockage d’Énergie
STEP Station de Transfert d’Énergie par Pompage-turbinage
TAC Coût annualisé total (Total Annualized Cost)
UVE Unité de Valorisation de l’Énergie
ZNI Zone Non Interconnectée
resp. Respectivement
i.e. C’est-à-dire (id est)
e.g. Par exemple (exempli gratia)
cf Confer
xxii LISTE DES TABLEAUX
Publications
Les travaux menés dans le cadre de la présente thèse ont donné lieu aux publications
suivantes :
Journaux
• L. Bridier, D. Hernández-Torres, M. David, P. Lauret ; A heuristic approach

for optimal sizing of ESS coupled with intermittent renewable sources
systems ; Renewable Energy, 2016, vol. 91, p. 155-165.
• L. Bridier, D. Hernández-Torres, M. David, P. Lauret ; Optimal design of a sto-
rage system coupled with intermittent renewables ; Renewable Energy, 2014,
vol. 67, p. 2-9.
• D. Hernández-Torres, L. Bridier, M. David, P. Lauret ; Technico-economical ana-
lysis of a hybrid wave powerair compression storage system ; Renewable
Energy, 2015, vol. 74, p. 708-717.
Conférences
• L. Bridier, M. David, P. Lauret ; Optimal design of a storage system coupled with

intermittent renewables, présenté au World Renewable Energy Congress (WREC) ;
2013, Australie.
• D. Hernández-Torres, L. Bridier, M. David, P. Lauret , T. Ardiale ; Optimal sto-
rage sizing for dedicated grid services using day ahaead forecast data with
renewable wave, wind and PV power ; 2014, présenté au Symposium Énergie
& Environnement, Fort de France, Martinique.
1
2 LISTE DES TABLEAUX
Résumé
L’objectif de cette thèse est la gestion et le dimensionnement optimaux d’un Système de

Stockage d’Énergie (SSE) couplé à une production d’électricité issue d’Énergies Renouve-
lables Intermittentes (EnRI). Dans un premier temps, un modèle technico-économique du
système SSE-EnRI est développé, associé à trois scénarios types d’injection de puissance
au réseau électrique : lissage horaire basé sur la prévision J-1 (S1), puissance garantie
(S2) et combiné (S3). Ce modèle est traduit sous la forme d’un programme d’optimi-
sation non linéaire de grande taille. Dans un deuxième temps, les stratégies heuristiques
élaborées conduisent à une gestion optimisée - selon les critères de fiabilité, de producti-
vité, d’efficacité et de profitabilité du système - de la production d’énergie avec stockage,
appelée “charge adaptative” (CA). Comparée à un modèle linéaire mixte en nombres en-
tiers (MILP), cette gestion optimisée, applicable en conditions opérationnelles, conduit
rapidement à des résultats proches de l’optimum. Enfin, la charge adaptative est utilisée
dans le dimensionnement optimisé du SSE - pour chacune des trois sources : éolien, houle,
solaire (PV). La capacité minimale permettant de respecter le scénario avec un taux de
défaillance et des tarifs de revente de l’énergie viables ainsi que les énergies conformes,
perdues, manquantes correspondantes sont déterminées. Une analyse de sensibilité est
menée montrant l’importance des rendements, de la qualité de prévision ainsi que la forte
influence de l’hybridation des sources sur le dimensionnement technico-économique du
SSE.
Mots clés : Stockage d’énergie renouvelable, dimensionnement optimal, services réseau,
optimisation heuristique.
Abstract
This thesis aims at presenting an optimal management and sizing of an Energy Storage
System (ESS) paired up with Intermittent Renewable Energy Sources (IReN). Firstly, we
developed a technico-economic model of the system which is associated with three typical
scenarios of utility grid power supply : hourly smoothing based on a one-day-ahead forecast
(S1), guaranteed power supply (S2) and combined scenarios (S3). This model takes the
form of a large-scale non-linear optimization program. Secondly, four heuristic strategies
are assessed and lead to an optimized management of the power output with storage
according to the reliability, productivity, efficiency and profitability criteria. This ESS
optimized management is called “Adaptive Storage Operation” (ASO). When compared
to a mixed integer linear program (MILP), this optimized operation that is practicable
under operational conditions gives rapidly near-optimal results. Finally, we use the ASO in
ESS optimal sizing for each renewable energy : wind, wave and solar (PV). We determine
the minimal sizing that complies with each scenario, by inferring the failure rate, the viable
feed-in tariff of the energy, and the corresponding compliant, lost or missing energies. We
also perform sensitivity analysis which highlights the importance of the ESS efficiency and
of the forecasting accuracy and the strong influence of the hybridization of renewables on
ESS technico-economic sizing.
Keywords : Renewable energy storage, optimal sizing, grid services, heuristic optimzation.
Chapitre 1
Introduction générale
1.1 Introduction
Dans ce premier chapitre, afin de mieux comprendre les enjeux liés à la production et
à la consommation d’énergie, la problématique de la thèse est, dans un premier temps,
resituée dans un contexte énergétique mondial, européen, national et insulaire. Dans ce
contexte souvent tendu, les énergies renouvelables, même intermittentes (éolienne, marine,
solaire) représentent, face aux énergies fossiles polluantes en déclin, une alternative écolo-
gique et économique en plein essor [Delucchi and Jacobson, 2011, Jacobson and Delucchi,
2011].
Une présentation de ces énergies renouvelables intermittentes (EnRI) est donc faite
dans un deuxième temps. Les systèmes de stockage d’énergie (SSE) apparaissent comme
une solution pertinente à l’insécurité sur le réseau due à l’intermittence des EnRI et aux
ruptures d’équilibre entre production et consommation d’énergie. Les évolutions technolo-
giques en matière de SSE entraı̂nant une baisse des coûts [Shah and Booream-Phelps, 2015]
ainsi que les contraintes fortes pesant sur les gestionnaires de réseau permettent d’entre-
voir un réel intérêt technico-économique à coupler la production d’électricité au stockage
[International Energy Agency, 2014]. C’est ainsi que l’on observe, au niveau mondial, une
recrudescence des projets de couplage SSE-EnRI [Akhil et al., 2015]. Une description des
SSE ainsi qu’un état des lieux des projets industriels de couplage EnRI-SSE sont alors
dressés dans le paragraphe 1.3.
Enfin, le cadre, la méthodologie ainsi que les apports visés - objectifs - du travail
effectué sont brièvement exposés à la fin de ce chapitre. Dans cette dernière partie, nous
souhaitons poser le problème en amont et répondre aux questions : “Pourquoi cette thèse ?
Pour quoi faire ?”. Les choix effectués, les hypothèses prises, les stratégies élaborées et les
résultats obtenus seront détaillés dans les trois chapitres suivants.
3
4 CHAPITRE 1. INTRODUCTION GÉNÉRALE
1.2 Énergies renouvelables intermittentes (EnRI)
Les projets EnR répondent à deux grands objectifs partagés au niveau européen et
mondial : limiter les émissions de CO2 , principal gaz responsable de l’effet de serre et
réduire la dépendance aux ressources fossiles en raison de leur raréfaction inéluctable et
de l’augmentation de leur coût. L’enjeu est donc de taille puisqu’il s’agit de répondre aux
deux défis majeurs de l’Énergie du XXIe siècle : l’atténuation du changement climatique,
notamment par la baisse de l’émission des GES, et la maı̂trise et la sécurité de l’appro-
visionnement en énergie (équilibre offre/demande). Ces problématiques sont encore plus
prégnantes dans un contexte insulaire non interconnecté.
1.2.1 Contexte énergétique
1.2.1.1 Contexte mondial, européen et français
*** Une consommation non durable à croissance rapide

La demande mondiale en énergie primaire i.e. issue directement de ressources naturelles
a plus que doublé en 40 ans : de 5000 Mtep en 1970 à 13000 Mtep en 2012 (figure 1.1a).

2&'( 2&'(
%5,&6 %5,&6
$XWUHV
$XWUHV

Consommation (Mtep)
Emissions (MtCO 2 )

(a) Evolution de la demande mondiale en énergie.(b) Emissions de CO2 dans le monde. Source :
Source : EnerData. Enerdata, Energy Statistical Yearbook, 2014.
Figure 1.1 – Consommation énergétique mondiale et émission de GES.
Cela correspond à une augmentation moyenne de plus de 2,2% par an et pourrait se

traduire, si cette croissance rapide se confirmait, par plus de 25000 Mtep en 2050 [Percebois
and Mandil, 2012]. Selon l’Agence Internationale de l’Énergie (AIE), cette consommation
mondiale devrait continuer à augmenter durant les prochaines décennies du fait, d’une
part, de la forte croissance démographique i.e. de 7 à 9 milliards de 2010 à 2050 et,
d’autre part, de la croissance économique essentiellement soutenue par les pays émergents
hors OCDE 1 tels l’Inde et la Chine [International Energy Agency, 2013].
1. OCDE = Organisation de Coopération et de Développement Economiques (Europe, Australie,
Canada, Corée, Etats-Unis, Israël, Japon, Mexique, Nouvelle-Zélande).
1.2. ÉNERGIES RENOUVELABLES INTERMITTENTES (ENRI) 5
En 2011, les émissions dues à la combustion d’énergie représentant 80% des émissions
mondiales continuent d’augmenter (figure 1.1b), mais à un rythme nettement plus faible
que l’année précédente : +2,7% contre +5,3% en 2010 [Observatoire&Statistiques, 2015].
En particulier, les émissions par habitant de la Chine ont triplé au cours des vingt der-
nières années. En 2011, elles s’élèvent ainsi à 5,9 t CO2 /habitant, plus qu’en France (5,0 t
CO2 /hab.) mais près de trois fois moins qu’aux États-Unis (16,9 t CO2 /hab.). Les émis-
sions mondiales de CO2 dues à la combustion d’énergie sont désormais supérieures de 49%
à celles de 1990, année de référence du protocole de Kyoto.
La figure 1.2 montre que les énergies fossiles satisfont la grande majorité (82% en
2011) des besoins mondiaux et, parmi elles, la première source est le pétrole avec 33% de
l’approvisionnement, puis le charbon (27%) et le gaz (21%). Les énergies renouvelables
restent stables à 13% de la consommation d’énergie primaire, dont 10% pour l’hydraulique
tandis que le nucléaire fournit 5% (-1 point) de la demande mondiale [BP, 2014].

"#$

!

Figure 1.2 – Répartition de la satisfaction des besoins mondiaux en énergie (ktep).

Source : BP Statistical Review of World Energy, Juin 2015.
L’enjeu climatique requiert de moins recourir aux énergies carbonées, ce qui nécessite
non seulement de maı̂triser voire réduire la demande d’énergie mais aussi de dévelop-
per davantage les énergies décarbonées moins polluantes que représentent aujourd’hui les
énergies renouvelables. Le Groupement International d’Expert sur le Climat (GIEC ou
IPCC en anglais) rappelle d’ailleurs, dans son dernier rapport spécial sur le changement
climatique [Seyboth et al., 2012], qu’en plus des mesures de sobriété et d’efficacité énergé-
tique, des procédés de capture et de stockage de carbone 2 , les énergies renouvelables sont
un des moyens essentiels d’atténuation des émissions de GES. Par conséquent, cet enjeu
climatique conduit à un changement fort du mix énergétique mondial. Pour autant, ce mix
doit toutefois être pensé en prenant en compte les autres enjeux énergétiques majeurs tels
la sécurité et la maı̂trise de l’approvisionnement.
2. Carbon Capture and Storage (CCS) en anglais.

*** Un coût de l’énergie en hausse

L’édition 2014 du World Energy Outlook (WEO) de l’AIE propose des prédictions en
matière énergétique jusqu’en 2040. Les conclusions des experts de l’OCDE ne sont pas
optimistes puisque le scénario central prévoit une augmentation de 37% de la demande
énergétique d’ici 2040, une augmentation de la consommation de pétrole de 90 millions
de barils par jour (mb/j) en 2013 à 104 mb/j en 2040 [IEA, 2014].
Quelle que soit la zone, le rapport prévoit que les prix de l’énergie - toutes formes
confondues - vont continuer à augmenter, comme le montre la figure 1.3. En particulier,

2008
2013
2040
Prix de l’Energie ($/tep)

8( -DSRQ 86 &KLQH ,QGH
Figure 1.3 – Evolution du coût de l’énergie et prospective. Source : AIE, 2014.
les prix de l’électricité, resp. du gaz, pour les clients résidentiels français ont augmenté de
18,6% (12,86 ce/kWh en 2013), resp. 22,6% (10,2 ce/kWh), de 2010 à 2013.
*** Une volonté partagée d’atténuation des émissions de GES
A l’instar de la majorité des pays de la planète, la figure 1.4 montre que la part fos-
sile donc très fortement carbonée représente plus des trois quarts de la consommation
européenne d’énergie, d’où une forte dépendance - plus de la moitié de l’approvisionne-
ment énergétique - vis-à-vis de l’extérieur [Enerdata]. Le recours aux sources d’énergies
renouvelables est considéré comme un élément fondamental de la politique énergétique
européenne. En Décembre 2008, les objectifs à l’horizon 2020 appelés “3x20” de réduction
des émissions de GES, d’augmentation de la part des EnR dans la consommation finale
(23% pour La France) et de diminution de la demande en énergie primaire ont été fixés
par l’UE. Le Parlement européen souhaite également développer un réseau cohérent et
décentralisé de sources et de moyens de transports d’énergies renouvelables, base d’une
« troisième révolution industrielle » [Rifkin, 2012]. En 2014, la commission européenne
a adopté une nouvelles séries d’orientations 3 données aux politiques énergétique et cli-
matique pour renforcer le cadre existant mais sans objectifs contraignants en matière
d’énergies renouvelables et d’efficacité énergétique.
3. Conseil européen, 23-24 Oct. 2014 - Conclusions sur le cadre d’action en matière de Climat-Énergie
à l’horizon 2030. http ://www.consilium.europa.eu/uedocs/cms data/docs/pressdata/fr/ec/145364.pdf

Charbon
Pétrole
Consommation (Mtep)
Gaz naturel
Nucléaire
ENR
Déchets

Charbon
Pétrole
Gaz naturel
Total
Dépendance (%)

Figure 1.4 – Consommation et dépendance énergétiques de l’Union Européenne. Source

Eurostat.
En France, la production nationale d’énergie primaire, comme le montre la figure 1.5,

est passée de 44 Mtep en 1973 (dont 9% de nucléaire) à 136 Mtep en 2012 (81% de
nucléaire) alors même que les productions de charbon, de pétrole et de gaz naturel ont
poursuivi leur déclin, jusqu’à s’arrêter complètement en 2004 pour le charbon. Notons que

Charbon Charbon
Pétrole Pétrole
Gaz naturel Gaz naturel
Nucléaire Electricité primaire
Hydraulique et éolien EnR thermiques et déchets
EnR thermiques et déchets

Consommation (Mtep)

Production (Mtep)

Figure 1.5 – Production et consommation d’énergie primaire en France.

Source : Commissariat au développement durable, Ministère de l’Environnement, 2014
l’uranium n’est pas produit mais enrichi en France, ce qui en fait une ressource primaire
massivement importée, contrairement à ce que pourrait laisser croire le graphique.
Concernant les émissions de GES, l’on note, dans la figure 1.6 des émissions liées à la
combustion de combustibles fossiles, une tendance à la baisse insuffisante pour respecter
les objectifs 3x20.

Europe
Emission (MtCO 2 )

France
Emission (MtCO 2 )

Figure 1.6 – Emissions de CO2 en Europe et en France
Les lois “Grenelle 1” en 2009 4 et “Grenelle 2” en 2010 5 ainsi que la loi pour la transi-
tion énergétique en 2015 6 ont réaffirmé, en particulier dans la perspective de la conférence
mondiale sur le climat 7 des objectifs chiffrés en matière d’efficacité et de sobriété éner-
gétiques, notamment la réduction de 50% de la consommation énergétique en 2050 ainsi
qu’une part des énergies renouvelables à 32% de la consommation finale et à 40% de la
production d’électricité en 2030. Un rapport de l’Agence française de l’Environnement et
de la Maı̂trise de l’Énergie [ADEME, 2015] paru en Avril 2015 étudie même, de façon ob-
jective et sérieuse, les modalités et les conséquences d’un scénario de production électrique
“100% EnR” pour la France à l’horizon 2050. Les conclusions de ce rapport montrent que
cet objectif, loin d’être farfelu, est atteignable avec un coût moyen de l’électricité estimé
à 11,9 ce/kWh, à mettre en comparaison avec le coût actuel de 9,1 ce/kWh.
En conclusion, le contexte énergétique mondial, européen et français en particulier, est
favorable à l’essor des EnR pour plusieurs raisons :
— hausse du coût de l’énergie ainsi que l’inéluctable épuisement des ressources fossiles,
— contrainte partagée de réduction des impacts environnementaux, en particulier liés
aux émissions de GES,
— volonté de baisse de la dépendance énergétique, notamment aux énergies fossiles
importées.
4. Loi N°2009-967, 3 août 2009, relative à la mise en oeuvre du Grenelle de l’environnement.
5. Loi N° 2010-788 du 12 juillet 2010 portant engagement national pour l’environnement.
6. Loi N°2015-992 du 17 août 2015 relative à la Transition Energétique pour la Croissance Verte.
7. COP21, Paris, Décembre 2015
1.2.1.2 Énergies Renouvelables (EnR)
Les sources d’énergie renouvelable (EnR) sont principalement le soleil, le vent, la mer
(courants marins, marées, vagues, gradient de température) et les cours d’eau, la biomasse,
ainsi que la chaleur de la terre. On parle alors d’énergies solaire, éolienne, hydraulique, hou-
lomotrice, marémotrice, thermique des mers, issue de la biomasse, géothermique. D’autre
part, les flux des déchets organiques et de chaleur de l’activité économique qui peuvent
donner lieu à une valorisation énergétique sont également considérés comme des énergies
renouvelables. Il s’agit essentiellement de valorisation des déchets de l’agriculture et de
l’exploitation forestière, part fermentescible des ordures ménagères et des déchets indus-
triels, énergie issue des process industriels. Les EnR sont produites à partir de ces sources
naturelles directement inépuisables à l’échelle humaine (vent, mer, soleil) mais peuvent
être également cultivées comme le bois-énergie ou les agrocarburants. Ces sources renou-
velables peuvent être converties en énergie sous diverses formes permettent de produire
de l’énergie utile (électricité, chaleur, froid, carburants) :
— soit de manière centralisée à l’aide de centrales (ou fermes) de production raccordées
au réseau électrique haute tension ou de production de chaleur/froid distribués par
réseaux,
— soit de manière décentralisée à l’aide d’installations de petite capacité raccordées
au réseau électrique basse ou moyenne tension ou d’installations de production de
chaleur et de froid à l’échelle d’un ou quelques bâtiments, raccordés ou non [site
isolé] au réseau basse tension.
Les énergies renouvelables sont des énergies de flux. Elles se régénèrent en permanence
d’où une valorisation qui ne restreint pas leur utilisation ultérieure.
On distingue six types d’EnR [Augustine et al., 2012] :
1. Énergie éolienne :
produite à partir des vents atmosphériques, soit à terre (onshore) soit en mer (off-
shore).
2. Énergie solaire :
produite à partir des rayons solaires, issue soit du rayonnement global sur des cellules
photovoltaı̈ques (PV) pour produire de l’électricité soit du rayonnement direct pour
chauffer un fluide caloporteur permettant de produire de l’électricité (centrale solaire
thermodynamique, Concentrating Solar Power Plant ou CSP en anglais).
3. Énergie marine :
produite à partir soit des courants marins, de la houle ou des vagues, du gradient
de température entre surface et profondeurs de la mer, ou encore de la marée.
4. Énergie issue de la biomasse :
produite à partir de la combustion de matière organique (bois, bagasse, biogaz après
méthanisation) ou transformations chimiques (agrocarburants) [IFP, 2010]. C’est
la deuxième source d’énergie renouvelable en France après l’hydraulique. Elle est
considérée renouvelable s’il existe une gestion durable de la ressource limitant les
impacts environnementaux. La combustion du bois-énergie est fortement émettrice
de CO2 d’où des systèmes de capture et stockage du carbone [GIEC, 2011]. L’éner-
gie produite à partir des déchets urbains dans des Unités de Valorisation Energé-
tiques (UVE) n’est pas considérée comme énergie renouvelable. Les biocarburants
ne donnent pas lieu à une production électrique mais sont utilisés comme carburants
non fossiles dans les transports.
5. Énergie hydro-électrique :
produite à partir de barrages situés sur des rivières, fleuves ou lac artificiels et équi-
pés de turbine entraı̂nant un générateur. L’hydroélectricité est, de loin, la première
source d’électricité renouvelable : 3782,0 TWh sur 5016,4 TWh, soit 75% en 2013
de la production renouvelable mondiale [Observ’ER, 2013]. La filière hydraulique,
avec une puissance installée de 25,4 TW, représente 13,8% de la consommation
d’électricité française.
6. Énergie géothermique :
exploite le gradient de température de l’écorce terrestre pour produire de l’électri-
cité ou de la chaleur, de trois manières différentes : la géothermie à moyenne et
basse énergie des nappes aquifères de 30 à 150 °C (utilisable uniquement pour la
chaleur), la géothermie à très basse énergie exploite la chaleur à environs 10 mètres
de profondeur pour le chauffage (ou la climatisation) des logements individuels et la
géothermie profonde issues de nappes aquifères ou de roches sèches dont on tire la
vapeur sous haute pression convertie en électricité. La production mondiale d’élec-
tricité géothermique reste marginale avec 11,7 GWe en 2012 dont près d’un tiers
aux Etats-Unis [REN21, 2013].
Certaines énergies renouvelables sont considérées comme stables car ne varient peu
pendant la durée de leur production : énergie géothermique, bois-énergie, hydraulique,
marémotrice, thermique des mers.
La figure 1.7 retraçant l’évolution et la répartition mondiale et européenne des EnR
montre une part grandissante des EnR dans la production totale qui est passée, y compris
l’hydraulique, de 18,53% en 2002 à 20,78% en 2012 [Taylor et al., 2015].

!! "#
$ % &

Figure 1.7 – Evolution des capacités de production EnR installées. Source : IRENA,
2014.
1.2.1.3 Problématique spécifique aux EnRI
Les EnR intermittentes sont les énergies éolienne, photovoltaı̈que ou marine qui pré-
sentent les caractéristiques suivantes [Aerowatt and EDF-SEI] :
1. non programmables : Le niveau de production ne peut être adapté au profil
de consommation des usagers. La production globale d’un système électrique doit
s’ajuster en permanence à la consommation. Ces énergies ne permettent pas ces
ajustements, leur profil de production est subi et n’est pas modulable.
2. non garanties : ces énergies sont par nature non garanties : on ne peut malheureu-
sement pas garantir la présence de soleil, ni de vent. Si la production de ces énergies
se substitue à des combustibles fossiles, elle n’épargne en revanche pas l’investisse-
ment dans des moyens présentant des garanties en termes de puissance. Des moyens
de production garantie sont donc nécessaires pour compenser l’absence potentielle
de production (absence de vent, absence de soleil).
3. difficilement prévisibles : ces énergies sont difficilement prévisibles même si de
nombreux travaux sont en cours dans ces domaines pour favoriser le développement
de ces énergies et une meilleure gestion des systèmes électriques. Les horizons de
prévisions recherchés aujourd’hui sont essentiellement de deux types :
— Prévisions du jour pour le lendemain permettant d’optimiser au mieux la pla-
nification de production des différents moyens de production et notamment les
arrêts/démarrages, les politiques de gestion des stocks hydrauliques ;
— Prévisions infra journalières qui rendent possible l’anticipation des ruptures
potentielles d’équilibre offre-demande en ajustant le programme de fonctionne-
ment des différents ouvrages de production.
Il existe d’autres besoins de prévision moins contraignants pour la gestion du sys-
tème électrique : prévisions à la semaine, au mois, pour prévoir au mieux les ap-
provisionnements en combustibles, une planification efficace des maintenances des
autres moyens de production, une optimisation des stratégies de gestion des stocks
hydrauliques. L’absence de ces prévisions entraı̂ne une amoindrissement de l’opti-
misation du système mais ces prévisions à moyen/long terme représentent un enjeu
moindre par rapport aux deux types de prévision évoqués précédemment. D’une
manière générale, des moyens de production complémentaires sont nécessaires pour
compenser les erreurs de prévision.
4. fluctuantes : Les installations éoliennes et photovoltaı̈ques présentent des fluctua-
tions rapides de leur production. Cette instabilité nécessite la mise en oeuvre de
moyens de compensation pour ajuster l’équilibre offre-demande en temps réel.
5. inadaptées aux services système : les installations photovoltaı̈que et éolienne
aujourd’hui n’offrent pas de possibilité d’ajustement fréquence puissance (réserve
primaire) permettant d’assurer la sécurité du système électrique.
6. dénuées d’inertie : les installations photovoltaı̈ques et éoliennes interfacées par de
l’électronique de puissance n’offrent pas pour le PV et peu pour l’éolien, d’énergie
cinétique, ce qui tend donc à augmenter les vitesses de variation de la fréquence,
rendant plus difficile le maintien de la stabilité du réseau.
Lorsque la présence d’une EnRI est massive sur un système électrique, ces caractéris-
tiques peuvent alors rapidement être incompatibles avec la gestion sécurisée dynamique
du réseau.
1.2.2 EnRI en contexte insulaire
1.2.2.1 Zones non interconnectées (ZNI)
L’insertion d’éoliennes et de photovoltaı̈que dans un réseau isolé, notamment insulaire,

pose des problèmes plus difficiles à résoudre que dans un grand réseau continental in-
terconnecté [SEI, 2013]. La puissance fournie par ces différentes sources est par nature
aléatoire. Les variations de vents ou d’ensoleillement conduisent à de fortes variations
de la puissance fournie. Ces variations de puissance sont susceptibles de provoquer des
variations de fréquence et de tension. En outre, aux conditions limites, lorsque le vent dé-
passe une certaine valeur, l’éolienne se déconnecte du réseau, faisant passer sa puissance
injectée de Pmax à 0. Cette instabilité aléatoire de la production peut être atténuée par
le foisonnement de l’ensemble des générateurs raccordés sur le territoire [Notton, 2015].
Mais sur des zones géographiques limitées comme celles des systèmes électriques insulaires,
ce foisonnement reste limité. En effet, le foisonnement, consistant à multiplier les types
d’énergies intermittentes pour moyenner les irrégularités de ce type de production, s’il est
efficace à l’échelle d’un pays car les variations météorologiques y sont importantes, peut
s’avérer insuffisant à l’échelle d’une région ou d’une ı̂le. Par ailleurs, avec les technologies
actuellement utilisées en France, les générateurs éolien et photovoltaı̈que ne participent
pas au réglage de la fréquence, rarement au réglage de la tension et apportent peu sinon
aucune puissance de court-circuit, nécessaire à la bonne tenue en tension du réseau lors
de défauts. Par conséquent, lorsque la part de production de source aléatoire n’est plus
marginale dans un réseau isolé, il est nécessaire d’augmenter la réserve disponible sur les
autres moyens de production afin de conserver le contrôle de la fréquence et de la tension
et d’éviter ainsi de dégrader la qualité de fourniture à la clientèle, voire des coupures.
Ces multiples contraintes incitent les gestionnaires de réseau isolé à limiter le taux
instantané de pénétration d’énergie aléatoire dans l’énergie totale injectée sur le réseau
(cf note 10). Les autorités des Canaries ont ainsi réglementé le taux de pénétration en
limitant la puissance éolienne raccordée en fonction des heures de la journée (heures de
pointe, heures pleines, heures creuses), avec des valeurs adaptées à chaque ı̂le de l’archipel
[RUPplus et al., 2007]. En outre, les conditions particulières qui prévalent dans les régions
non-interconnectées (ZNI) disposant d’un système électrique qualifié ”d’insulaire”, ne per-
mettent pas l’émergence d’un marché concurrentiel dans le secteur énergétique. Ainsi et
compte tenu des réalités économiques de ces zones, EDF-SEI 8 continue, en Corse et en
outre-mer, d’intégrer l’ensemble des métiers de l’électricité pour en assurer le service pu-
blic : production, achat, gestion de l’équilibre offre-demande, transport et distribution aux
clients finaux.
Les particularités de zones non interconnectées (ZNI) à un réseau continental sont les
suivantes 9 :
1. Des systèmes isolés.
Dans le domaine de l’énergie, les ı̂les présentent la particularité commune de former
des « petits systèmes isolés » i.e. ne bénéficiant pas d’interconnexion à un réseau
électrique continental, ou alors de façon limitée (cas de la Corse). Ces régions sont
8. EDF-SEI : filiale d’EDF dédiée aux Systèmes Electriques Insulaires.

9. http ://sei.edf.com/nos-engagements/ particularites-des-systemes-insulaires-47782.html
dans une situation particulière par rapport aux pays continentaux. L’électricité doit
être produite sur place et l’équilibre offre-demande est fragile.
2. Des coûts de production importants.
Chaque région doit produire sur place la totalité de l’électricité qu’elle consomme.
D’où un surcoût élevé en comparaison des coûts de production courants sur le terri-
toire continental. Ainsi, en Corse et en outre-mer, le coût de revient de l’électricité
est, dans le meilleur des cas, deux fois plus élevé que son prix de vente au tarif
garanti par la péréquation tarifaire (voir ci-dessous).
3. Une péréquation nécessaire.
Les coûts liés au développement des réseaux électriques dans les ZNI sont en général
plus élevés que sur un réseau continental. L’équilibre économique est alors assuré par
un système de solidarité nationale : la contribution au service public de l’électricité
(CSPE). Etabli par la loi, ce fonds est financé par une contribution de tous les
consommateurs d’électricité en France.
Aujourd’hui, le problème de l’intermittence des EnRI est traité principalement par la
mise en fonctionnement de centrales thermiques (gaz, fioul ou charbon) afin de compenser
les fluctuations dans la production d’énergie renouvelable. Mais ces centrales thermiques
dites à flamme sont le plus souvent fortement émettrices de CO2 ou de particules fines,
ce qui augmente l’impact environnemental de la production électrique. Une maı̂trise de
la consommation d’énergie s’avère nécessaire et pourrait permettre le déplacement des
charges électriques des périodes de pointe vers les périodes creuses ou l’énergie est dispo-
nible et bon marché. Les technologies de foisonnement des sources de production peuvent
jouer aussi un rôle important dans la réduction de l’écart entre la demande et la produc-
tion et, par suite, faciliter l’intégration des énergies renouvelables dans le réseau électrique.
Le déplacement d’énergie peut être également réalisé par du stockage contribuant ainsi à
l’équilibre offre-demande (cf section 1.3).
1.2.2.2 La Réunion
*** Une production et une consommation fortement carbonées

Le bilan énergétique 2014, dressé par l’Observatoire de l’énergie Réunion (OER) dans
son rapport annuel [OER, 2015] montre que l’ı̂le de La Réunion reste très dépendante des
produits fossiles avec 1,4 million de tonnes importées. 86,8% de l’énergie consommée sont
issus du charbon, fioul lourd, carburéacteur/gazole/essence et gaz butane. La production
électrique à La Réunion provient à deux tiers des énergies primaires fossiles (pétrole et
charbon) et à un tiers des énergies renouvelables (bagasse, hydraulique, photovoltaı̈que,
éolien et biogaz). La figure 1.8 montre l’évolution de cette production.
Pour autant, la production d’électricité ne représente qu’un quart des importations de
produits fossiles. L’immense majorité, les trois quarts restants, provient des transports
(route, maritime et aérien) soit 569 304 tonnes de carburant. A La Réunion, près de
635 712 tonnes de charbon ont été brûlées en 2014 dans les centrales du Gol et de Bois
Rouge. La part des sources renouvelables a atteint 33% de la production électrique totale
en 2014 (37,8% en 2013), essentiellement grâce à l’hydraulique (14,9%), mais aussi au
photovoltaı̈que (8,3%) et à la bagasse issue de la canne (8,8%). Même si La Réunion est
encore aujourd’hui “pétrodépendante” et importe une part importante de son énergie, l’ı̂le
GWh
2 857,2
3000 2 749,8 2 811,1 2 813,4
2 699,5 0,2
2 618,2 1,2
2 546 1,1
2 462 42,9 100,6 159,9 218,2 254,2 264,8
24,9
2500 2 365 15,3
2 271 5,7
2 192 0,6
0,08 401,7 425,8
2 078 541,5 488
531,0 557
2000 1 942 269,9 251,2
1 872 632,1 267,1
1 758 510,4 576,4 658 277,5 269,0 251,4
577 262,6
261 273 238
1500 630
500 594 292 Batterie NaS
560 232
252 241
Autres EnR (PV + Eolien + Biogaz)
1000 261
558 1 210,5 Hydraulique
649 898 1 305,1
654 632 983 1 247,1 1 346,3 1 267,6
500 1 314,5 Bagasse
610 1 253,5 1 287,8
charbon / huiles usagées
327 466 475 567 765 601 527 298 338,7 519,7 472,8 612,1 491,4 483,2 704,8
0 Fioul Lourd / gazole
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Années
Figure 1.8 – Les énergies renouvelables à La Réunion - Production électrique (MW).

Source OER 2015.
dispose de nombreuses sources d’énergie renouvelable qui lui permettraient d’atteindre à

terme l’autosuffisance énergétique. Ainsi, la bagasse, issue de la canne à sucre, permet
déjà d’alimenter un foyer réunionnais sur dix. Les principaux enjeux restent la capacité de
l’ı̂le à maı̂triser la demande en énergie et à diminuer la vulnérabilité du réseau électrique
face aux évènements extrêmes.
La politique tarifaire incitative a généré une forte croissance de la puissance photo-
voltaı̈que installée entre 2006 et 2010 à La Réunion : en 2013, 160 MW de panneaux
photovoltaı̈ques étaient raccordés au réseau contre 9,9 MW en 2008. Cette forte crois-
sance et le caractère intermittent de la ressource ont amené les autorités à prendre un
arrêté ministériel en 2008 10 fixant le seuil maximal d’énergies intermittentes à 30% de la
puissance appelée sur le réseau. Au-delà de ce seuil, le gestionnaire de réseau est autorisé
a déconnecter des sources de production intermittentes. La Réunion atteint cette limite
de 30% les jours ensoleilles, venteux et/ou fériés entraı̂nant, par exemple, 47 jours de
déconnexions d’installations PV en 2014 (55 jours en 2013) [OER, 2015].
EDF, en partenariat avec les collectivités locales, développe également des réseaux élec-
triques intelligents (“smart grids” en anglais), rendus plus performants grâce notamment
à l’électronique de puissance et l’informatique permettant l’échange d’informations, la
régulation voire la prise de contrôle à distance (Projet MILLENER).
*** Vers une autonomie électrique durable
10. Arrêté du 23 avril 2008 relatif aux prescriptions techniques de conception et de fonctionnement pour
le raccordement à un réseau public de distribution d’électricité en basse tension ou en moyenne tension
d’une installation de production d’énergie électrique. Chapitre III : Prescriptions techniques particulières
applicables aux installations de production situées dans une zone du territoire non interconnectée au
réseau métropolitain continental. Article 19 : « Toute installation de production dont la puissance Pmax
atteint au moins 1% de la puissance minimale transitant sur le réseau, cette puissance minimale corres-
pondant à la valeur moyenne des minima constatés pendant les trois années précédant le raccordement
doit fonctionner sans limitation de durée dans la plage de fréquence de 48Hz à 52Hz. » Article 22 : «
Toute installation de production visée par les dispositions de I de l’article 19 et mettant en oeuvre de
l’énergie fatale à caractère aléatoire telles les fermes éoliennes et les installations photovoltaı̈ques peut
être déconnectée du réseau public de distribution d’électricité à la demande du gestionnaire de ce réseau
lorsque ce dernier constate que la somme des puissances actives injectées par de telles installations atteint
30% de la puissance active totale transitant sur le réseau. Les circonstances dans lesquelles ces déconnec-
tions peuvent être demandées sont précisées dans la convention de raccordement et les modalités selon
lesquelles elles sont effectuées le sont dans la convention d’exploitation ».
La loi pour la Transition Energétique et la Croissance Verte (TECV) du 17 Août 2015

a posé des objectifs ambitieux dans les territoires d’Outre-Mer : autonomie énergétique
en 2030 avec des objectifs intermédiaires de 30% d’EnR à Mayotte et de 50% d’EnR à la
Réunion, en Martinique, en Guadeloupe et en Guyane en 2020. Dans la perspective d’une
autonomie énergétique, le scénario STARTER [Agence Régionale de l’Energie Réunion,
2009b] proposait en 2009 un objectif de 65% de renouvelable dans la production électrique
à l’horizon 2020 pour atteindre l’indépendance électrique totale en 2030.
La Programmation Pluriannuelle de l’Énergie (PPE) élaborée en concertation avec les
acteurs du marché (Etat, collectivités, entreprises, gestionnaire) fixe un objectif de 43%
en 2018, 49% en 2023 et 100% d’EnR en 2030 dans le mix énergétique réunionnais [Région
Réunion and Etat/Préfét, 2015]. La PPE rappelle également que cet objectif ambitieux
d’autonomie électrique en 2030 n’est possible que par la conjugaison des axes : maı̂trise de
la demande en énergie, lutte contre la précarité énergétique, développement des énergies
renouvelables dont l’hydro-électricité, le photovoltaı̈que, l’éolien, mais surtout la biomasse
(bagasse, canne fibre, bois énergie, déchets verts, effluents, etc.) associés à des moyens de
stockage. Des scénarios similaires avaient déjà été étudiés et modélisés (tendanciel, volon-
tariste) et ont servi de base technique à la prospective du mix énergétique à La Réunion
sur les 20 ans à venir [Agence Régionale de l’Energie Réunion, 2009b]. Avec 173,1 MW de
panneaux raccordés, La Réunion se classe d’ailleurs au sixième rang européen en surface
installée. Par ailleurs, l’utilisation des énergies de la mer, notamment la houle et l’énergie
thermique (ETM), font partie des grands projets de demain car elles disposent d’avan-
tages financiers et écologiques majeurs : stabilité et gratuité de la ressource permettant un
fonctionnement permanent et, pour l’ETM, une fourniture d’électricité quasi-constante,
garantie sur l’année. Les premiers résultats recueillis grâce aux des tests menés dans le Sud
de l’ı̂le sont concluants et la construction d’un prototype en mer est prévue à La Réunion
ou en Martinique en 2016 [Journoud, 2015]. Le gestionnaire de réseau EDF assure, de
son côté, que pour parvenir à l’objectif de 50% d’EnR dans la production d’électricité en
2020, c’est une conjonction de toutes les filières qui est nécessaire. De la cogénération aux
énergies marines en passant par l’hydraulique, le photovoltaı̈que ou l’éolien, La Réunion
affirme donc sa volonté d’aller vers une autonomie électrique.
Cependant, le chemin vers une autonomie énergétique durable reste encore long et in-
certain. Le scénario ambitieux de 100% d’électricité renouvelable en 2030 suppose non
seulement des efforts en matière de maı̂trise de la consommation (MDE 11 ) par un renfor-
cement de la sobriété et de l’efficacité énergétique mais aussi de promouvoir des modes de
production d’électricité innovants tels que la houle, l’énergie thermique des mers (ETM),
la géothermie, le bois-énergie ou le développement de la canne-fibre (2 à 3 fois plus riche
en fibre-énergie que la canne à sucre). Force est de constater qu’en 2014, ces filières ne
sont encore qu’au stade d’études, ce qui reporte la réalisation de ce scénario.
En résumé, La Réunion dispose de nombreuses ressources et de nombreux atouts (mer,
solaire, éolien, hydraulique...) pour que l’objectif d’autonomie électrique - 100%EnR -
puisse devenir une réalité. La réussite de ce projet repose non seulement sur la conjonc-
tion de plusieurs facteurs (sobriété et efficacité énergétiques, développement des énergies
renouvelables) mais aussi sur une nécessaire volonté collective forte.
11. MDE : Maı̂trise de la Demande en Énergie. Ensemble des actions des pouvoirs publics, entreprises
et particuliers afin de limiter voire réduire la consommation finale d’énergie.
*** Une intégration progressive des EnR facilitée par le stockage

L’augmentation de l’intégration d’EnRI dans le réseau, levier de l’autonomie énergé-
tique, impose la fourniture de puissances prévues et/ou garanties notamment grâce à des
dispositifs de stockage d’énergie. La figure 1.9 montre le parc de production d’électricité
dont trois sites avec stockage d’énergie.
Figure 1.9 – Site de production d’électricité et de stockage à La Réunion. Source EDF-

SEI 2015.
Il s’agit :
1. Bois-Rouge (EDF) : Batterie Sodium-Sulfure (NaS) 7,2 MWh/1 MWc installée en
2009, arrêtée en 2013 pour des problèmes techniques, puis redémarrée en 2014 et
située à proximité de de la centrale thermique (charbon/bagasse) de Bois-Rouge de
100 MW.
2. Projet “Bardzour” 12, Le Port (Akuo) : Batterie Li-Ion 4,5 MWc/9MWh couplée à
9 MWc de PV. Mise en service en Septembre 2014.
3. Projet “Les Cèdres”, Le Gol (Akuo) : Batterie Li-Ion 4,5 MWc/9MWh couplée à 9
MWc de PV. Mise en service prévue en 2016.
4. Site d’Albioma en toiture du Leclerc du Portail à Saint-Leu. 1 MWc PV + stockage.
Mise en service en Août 2014.
Les 2 projets industriels de stockage de l’entreprise Akuo Energy sont lauréats d’un
appel à projet de la Commission de Régulation de l’Énergie (CRE) lancé en 2012 Un
nouvel appel d’offres a été publié en Mai 2015 pour 50 MW PV+stockage dont environ
10MW pour La Réunion 13 .
L’électricité sur le réseau n’est pas directement stockée par le gestionnaire-dispatcher ; il
faut pourtant maintenir un équilibre entre la production et la consommation. Les moyens
12. Rapport de stage de Nicolas Lan Fook, élève-ingénieur de l’ESIROI, Septembre 2014.
13. http ://www.cre.fr/documents/appels-d-offres, http ://www.developpement-
durable.gouv.fr/Installations-avec-stockage-100.html, visités le 30 Juin 2015.
actuels de prévisibilité et d’ajustement ne permettent pas d’injecter sur le réseau une

puissance instantanée supérieure à 30% d’électricité intermittente. L’avenir des filières de
production d’énergie intermittente se trouve donc probablement, en partie, dans le déve-
loppement de sous-filières accompagnées de moyens de stockage. La production EnRI-SSE
permettrait notamment de lever le verrou des 30% d’intermittence supportés par le ré-
seau électrique. Pour le moment, le stockage est peu répandu car comparativement trop
coûteux par rapport à l’intermittence. C’est pourquoi les conditions précises du dévelop-
pement des EnR intermittentes nécessiteront encore des études technico-économiques et
environnementales - recherche et développement - non seulement des solutions de stockage
mais aussi des réseaux intelligents, des mécanismes de production distribuée ou encore des
systèmes dits résilients [Tsuchida, 2014].
1.2.3 Intermittence et prévision
1.2.3.1 Intermittence
L’intermittence est le caractère plus ou moins irrégulier voire fatal d’une production
électrique, lié en particulier aux variations de flux des sources d’énergie mobilisées. Deux
éléments caractérisant le degré d’intermittence [Pestourie, 2012] :
1. l’amplitude et le spectre fréquentiel de l’aléa qui caractérise la variabilité de la
production ;
2. la facilité ou difficulté avec laquelle on peut prévoir le flux intermittent, aux diffé-
rentes échelles de temps (horizons de prévision) concernés.
Les énergies intermittentes combinent ces deux caractéristiques à des degrés divers. Il
est difficile de comparer les sources tant celles-ci ont des caractéristiques (temporelles
et spatiales) différentes, par ailleurs fortement liées aux particularités du site considéré
[Widén et al., 2015].
— énergie éolienne : caractère aléatoire marqué et difficile à prévoir longtemps à l’avance,
— énergie houlomotrice : cycles plus réguliers que le vent qui les génère,
— énergie marémotrice : cycles réguliers et prévisibles,
— énergie solaire (PV) : cycles a priori réguliers (saisonnier et diurne) auxquels se
superposent des variations directement liées à la météo (nébulosité) dont on peut
prévoir la valeur moyenne mais pas la valeur précise à chaque instant. Cette valeur
instantanée nécessiterait de prévoir la nature et le moment exacts de passage des
nuages.
Le degré d’intermittence va également dépendre de la granularité géographique, du fait
du foisonnement entre installations donc de leur dispersion géographique : sites éoliens
obéissant à des régimes de vent différents, sites PV suffisamment éloignés pour ne pas être
affectés par les mêmes systèmes nuageux.
Les énergies photovoltaı̈que et éolienne sont des énergies intermittentes difficilement
prévisibles avec différentes typologies de journées et une forte variabilité, comme le montrent
les exemples de la figure 1.10. Si la puissance peut être relativement élevée, les quanti-
tés d’énergie sont relativement faibles. En éolien, le facteur de charge moyen est, par

3XLVVDQFH 0:

7HPSV PLQXWHV
(a) Production éolienne. (b) Production PV.
Figure 1.10 – Variabilité de la production d’électricité d’origine renouvelable intermit-

tente.
exemple, de 23% sur Fonds Caraı̈bes en Guadeloupe et 16% sur le site de La Perrière à
La Réunion. Sur une année, le rapport de la durée équivalente à pleine puissance sur la
puissance installée peut varier du simple au triple (par exemple 600h à 1800h pour un site
PV de Guadeloupe). En outre, l’intermittence des productions EnRI dépend fortement de
la zone géographique d’implantation.
D’autre part,il ne faut pas négliger la part de l’électronique de puissance (liée au raccor-
dement de certaines productions décentralisées) dans les impacts sur le système électrique.
Le recours à l’électronique de puissance est positif sur de nombreux aspects liés au rac-
cordement de la production décentralisée mais peut impacter fortement la stabilité du
réseau. La réduction de l’inertie du réseau et donc la sensibilité accrue à toute perturba-
tion sont directement liées à l’interfaçage de ces nouvelles sources de production et sont
indépendantes de la nature intermittente de leur production.
Les EnRI ne sont pas des sources d’énergie comme les autres. Elles dépendent du
temps et ne sont pas forcément là lorsque on en a besoin. La modulation exigée de la
production entraı̂ne souvent une perte d’énergie. Le terme “fatale” est alors utilisé pour
qualifier l’électricité produite par les énergies intermittentes (éolien, solaire, houle) lorsque
celle-ci est inutilisable, faute de demande et de stockage. La variabilité d’une heure sur
l’autre, d’une minute sur l’autre, d’une seconde sur l’autre peut être importante. Ces
moyens de production « ne soutiennent pas » le réseau qui a besoin d’inertie, d’où une
plus grande sensibilité aux « événements système » et donc un système plus vulnérable.
Des moyens de production complémentaires à ce type d’énergie fatale sont par consé-
quent nécessaires pour produire quand cette puissance fatale n’est pas disponible et pour
compenser ces fluctuations. Un seuil minimum de génératrices disposant d’inertie telles
que les machines tournantes (turbines) est nécessaire à tout instant. La production EnRI
ne peut donc fonctionner seule car c’est une « production fragile » qui ne se substitue
pas à des moyens dispatchables. il faut également provisionner une réserve de puissance
et d’énergie suffisante et trouver un nouvel optimum pour la gestion de l’ensemble des
moyens de production.
L’insertion des EnRI est un défi technique et économique car il faut :

— anticiper les évènements brutaux (chute de production, rampes de forte amplitude)
et donc améliorer la prévision à court et moyen terme ;
— garantir une réserve de puissance mobilisable pour compenser l’absence d’inertie ;
— lisser les intermittences hautes fréquences et rendre moins sensibles les installations.
L’agrégation des sources (foisonnement) peut permettre de contenir la variabilité de

la production EnRI cumulée à très court terme (ou haute fréquence) mais ne l’atténue,
en général, que de façon limitée, en particulier pour les fluctuations à long terme [David
et al., 2014]. Ce foisonnement dépend en outre de la répartition sur le territoire et du
type d’installation. Des actions sont entreprises à la fois du côté des producteurs EnR et
du gestionnaire de réseau pour mieux caractériser le productible et son intermittence :
monitoring des productions au pas 5 à 10 minutes et campagnes de mesure au pas 1 à
5 secondes, analyses statistiques de la variabilité, travaux sur la prévision, analyse des
impacts sur le système.
1.2.3.2 Prévision
Les informations détaillées sur les prévisions de la production et de la consommation

d’énergie représentent un élément essentiel pour les stratégies de gestion et d’exploita-
tion du réseau électrique. En effet, des prévisions fiables pour la production d’énergies
renouvelables intermittentes permettent un moindre recours au stockage et une meilleure
intégration de quantités plus importantes d’EnRI sur le réseau.
La prévision est une estimation de l’évolution à court, moyen ou long terme d’une va-
riable ou d’un phénomène. Elle est utilisée dans le domaine des énergies intermittentes afin
d’anticiper la production à venir. En fonction de cette prévision, des décisions peuvent être
prises et des stratégies appliquées, notamment concernant le fonctionnement de moyens
de production (EnRI ou stockage). La prévision doit être adaptée à l’application voulue.
Les méthodes de prévision sont souvent élaborées dans une collaboration entre les utilisa-
teurs (opérateurs réseau, producteurs...) et les prévisionnistes afin de définir le contexte
et les objectifs de leur application. Dans le cadre de la participation des énergies renou-
velables intermittentes au mix énergétique, le gestionnaire du réseau électrique a besoin
de prévisions sur la production pour assurer un système d’approvisionnement électrique
performant, sécurisé et économique [Diagne, 2015].
Deux éléments caractérisent la prévision : l’horizon de prévision et la granularité. L’ho-
rizon de prévision est le temps pendant lequel les différentes variables ou phénomènes
sont prédits alors que la granularité correspond au pas de temps de cette prévision. On
distingue ainsi trois types de prévision [Kostylev, 2011] :
— Les prévisions immédiates : elles ont un horizon de prévision allant de 15 minutes
(m+15) à 2 heures (H+2) avec une granularité de 30 secondes a 5 minutes. Ces
prévisions permettent de prendre des décisions relatives à la régulation du réseau et
à la distribution en temps réel ;
— Les prévisions a très court terme : elles ont un horizon de prévision allant de 1
heure à 6 heures avec une granularité horaire. Elles sont utilisées dans le suivi des
charges (load following) et dans l’actualisation du planning d’utilisation des moyens

de production ;
— Les prévisions à court terme : elles ont un horizon de prévision allant de 1 jour a 3
jours (J+1 à J+3) avec une granularité horaire. Elles sont exploitées dans le choix
des unités de production (unit commitment) dans l’objectif de minimiser le coût
global lié à la mise en route ou à l’arrêt de chaque unité. Ces prévisions journalières
aident a optimiser la planification des moyens de production, de stockage et de mai-
trise de la demande énergétique. Ce type de prévision est souvent réalisé la veille
pour le lendemain pour une annonce de production J+1 transmise au gestionnaire
généralement en fin d’après-midi.
Dans les pays de forte production éolienne, la prévision est essentielle dans les systèmes
de contrôle des réseaux électriques [Monteiro et al., 2009]. De même, la prévision de la
production photovoltaı̈que occupe une place de plus en plus importante, encore plus dans
les pays ou la législation favorise l’utilisation de l’énergie solaire. Des efforts croissants
sont actuellement consacrés à la recherche pour améliorer les prévisions du rayonnement
solaire donc les prévisions de production photovoltaı̈que correspondante qui en découlent
directement. Des prévisions du rayonnement solaire plus fiables permettront d’amélio-
rer l’intégration des EnRI solaires, que ce soit sans ou avec stockage, dans les réseaux
électriques, en particulier insulaires.
Déterminée de plus en plus par des sociétés spécialisées, la prévision est devenue un
marché qui intéresse à la fois les producteurs et le gestionnaire de réseau. Elle reste
cependant un obstacle technique et de nombreux travaux de recherche sont en cours,
notamment via l’utilisation d’images satellitaires [Lorenz et al., 2004].
En conclusion, les problématiques énergétiques des milieux insulaires seront celles aux-
quelles sera confronté le monde de demain. Par leurs spécificités énergétiques, à savoir un
gisement important d’énergies renouvelables, un mix énergétique majoritairement fossile,
un accès a l’énergie tendu et couteux ainsi qu’un réseau intrinsèquement plus fragile et
plus vulnérable, ces territoires sont des laboratoires pertinents pour éprouver les nouvelles
technologies de stockage et de gestion du couple EnRi-SSE. Dans ce contexte, nous avons
développé une méthode de gestion du stockage en essayant de répondre aux besoins et
aux contraintes à la fois du producteur et du gestionnaire de réseau électrique (cf section
1.4).
1.3 Systèmes de Stockage d’énergie (SSE)
Le présent paragraphe est une synthèse des enjeux et problématiques liés au stockage
d’énergie renouvelable intermittente (EnRI) ainsi que des applications associées. Les dif-
férents systèmes de stockage sont rappelés dans le paragraphe 1.3.2 mais ne seront pas
présentés en détail dans ce chapitre. Les questions suivantes sont donc abordées :
1. Pourquoi stocker et pour quoi faire ?
2. Comment et sous quelle forme stocker de l’énergie, en particulier issue de sources
intermittentes ?
1.3. SYSTÈMES DE STOCKAGE D’ÉNERGIE (SSE) 21
1.3.1 Enjeux
L’enjeu du ”stockage d’énergie” est d’apporter de la flexibilité et de renforcer la fiabilité

des systèmes énergétiques. Il s’agit d’équilibrer l’offre et la demande en énergie, aussi bien
pour la fourniture d’électricité que de chaleur ou de froid. Aujourd’hui, la réponse aux
« pointes » de consommation, c’est-à-dire la régulation de la demande d’électricité aux
heures pleines i.e. de forte demande, est principalement réalisée soit par l’importation
d’électricité, soit par la mise en fonctionnement de centrales à gaz ou au fioul (turbines à
combustion ou TAC) soit par le stockage hydraulique (STEP) [CEA, 2012]. Le déploiement
d’autres systèmes de stockage permettrait non seulement de baisser le coût de l’électricité
importée mais aussi de diminuer, de manière significative, les émissions de GES engen-
drées par l’utilisation de centrales thermiques et d’une manière générale par le recours
aux ressources fossiles. Par ailleurs, le stockage stationnaire de l’énergie, aussi bien le sto-
ckage d’électricité que le stockage thermique, est associé au développement des énergies
renouvelables en garantissant un courant de « qualité » sur le réseau de distribution. En
effet, la production intermittente d’électricité grâce aux énergies solaires et/ou éoliennes
engendre des fluctuations importantes qui perturbent et détériorent les équipements de
distribution. En outre, l’offre intermittente est souvent en inadéquation avec la demande,
par exemple, pour le photovoltaı̈que lors de la pointe du soir. Le stockage, en fonction
de son dimensionnement, de ses spécifications techniques, adossé à une source d’énergie
intermittente, peut offrir des garanties en termes de puissance, de prévisibilité, de sta-
bilité, voire fournir une énergie programmable (« dispatchable ») tout en assurant des
services systèmes requis pour le bon fonctionnement des systèmes électriques [Lefebvre,
2011]. Dans le chapitre 3 seront d’ailleurs présentés différents scénarios de fonctionnement
possibles du couple EnRI-SSE.
Dans le contexte actuel de développement des énergies renouvelables, le stockage de
l’énergie apparaı̂t donc comme une solution possible pour favoriser l’insertion des éner-
gies renouvelables fluctuantes, améliorer l’efficacité énergétique, apporter de la flexibilité
aux systèmes énergétiques et renforcer la sécurité des réseaux. L’étude ADEME-ATEE-
DGCIS 14 sur le potentiel du stockage d’énergies à l’horizon 2030 a confirmé que le stockage
d’électricité peut jouer un rôle important dans l’équilibre offre-demande, en particulier les
jours de grand froid [Artelys et al., 2013]. En effet, en stockant aux périodes de moindre
demande et en déstockant pendant les quelques heures d’ultra-pointe, des investissements
dans des capacités de production (TAC) peuvent être évités. Cette valeur capacitaire du
stockage d’électricité représente environ la moitié des valorisations présentées et reste in-
dépendante de l’évolution des prix des combustibles. Elle dépend cependant fortement de
la durée de décharge et du taux de pénétration du stockage d’électricité : un stockage
d’électricité “longue durée” - plusieurs jours - permettra de déplacer la demande vers
d’autres jours où la consommation est moins forte, alors qu’un déploiement important de
stockage d’électricité “courte durée” - quelques heures - ne permettrait pas de résoudre
un manque prolongé de capacités de production, le stockage d’électricité ne pouvant plus
se recharger entre deux périodes d’ultra-pointe. Il est ainsi recommandé de favoriser des
projets de R&D innovants pour réduire les coûts du stockage, ce qui devrait permettre de
répondre à long terme à un important déploiement du parc intermittent, avec des coûts
14. Agence de l’Environnement et de la Maı̂trise de l’Énergie, Association Technique Énergie Environ-

nement, Direction Générale de la Compétitivité de l’Industrie et des Services
de revient satisfaisants.
Le mix énergétique optimal concerne la production d’énergie mais également son sto-
ckage sous ces diverses formes, notamment l’électricité, la chaleur et par voie d’hydrogène.
Dans cette optique, il faut aussi considérer notamment la dépense énergétique néces-
saire pour fabriquer (investissement énergétique) et recycler les éléments du système. Par
exemple, des études sur les batteries électrochimiques, notamment le bilan du programme
INVESTIRE [E. Alsema, 2003], montrent que l’investissement énergétique d’un accumula-
teur est très lourd [Robin et al., 2005]. Par ailleurs, d’autres solutions pour mieux adapter
la production à la consommation existent : une consommation pilotée par la production
que l’on pourrait qualifier de consommation intelligente (tarification incitative, heures
creuses par exemple, délesteurs de charge...). Des actions dans la maı̂trise de l’énergie
(MDE) - efficacité et sobriété énergétiques - pourraient également contribuer à réduire les
besoins de stockage et à améliorer les bilans carbone de la consommation d’énergie.
Le stockage de l’énergie électrique représente donc un enjeu majeur pour permettre une
réelle pénétration des immenses ressources renouvelables naturellement dispersées, notam-
ment celles de la mer (vent, houle, courants), intermittentes et plus ou moins aisément
prédictibles. Il s’agit également d’une solution d’accroissement de la sûreté des systèmes
raccordés au réseau avec la possibilité de disposer d’un stockage décentralisé pilotable de
façon centralisée. En cela, les DOM-TOM représentent un terrain d’expérimentation pro-
pice au développement du stockage stationnaire d’électricité. Même si le gisement français
reste limité (200 à 400 MW), les projets étudiés (CAES de surface, batteries Li-Ion) sont
rentables pour la collectivité et les perspectives de déploiement au niveau mondial sont
prometteuses, en considérant non seulement les ı̂les mais également les régions dont le
réseau électrique est peu interconnecté [Lefebvre, 2011].
Les principaux services rendus au réseau par un SSE sont illustrés dans la figure 1.11 :
MRXU
7UDQVIHUWG¶pQHUJLH 3URGXFWLRQIDWDOH VHPDLQH
1 LJKW ' D\
/LVVDJH & KD UJH ,QWHUPLWWHQFH PLQXWH

' LVFKDUJH
: LQG
& RP SH QVD WHG3RZ HU
39VDQVLQHUWLH
6HUYLFHVV\VWqPH VHFRQGH
,QWHUPLWWHQFH
Figure 1.11 – Services réseau pouvant être assurés par le stockage. Source EDF, 2011.
1. Déplacement d’énergie (charge, resp. décharge, lorsque l’énergie est chère, resp.
moins chère), Lissage de charge, Effacement de pointe ;
2. Lissage de production EnRI (renewables capacity firming, PV/wind output smoo-
thing). Il s’agit de compenser la variabilité de la production EnRI par le SSE ;
3. Services système : régulation en fréquence et, dans une moindre mesure, en tension ;
Pour autant, les enjeux induits par chaque source d’EnRI peuvent présenter différentes
caractéristiques et il n’y a souvent pas qu’une seule technologie de stockage qui peut être
employée dans l’intégration des EnRI dans le réseau [Beaudin et al., 2010].
1.3.2 Description générale
1.3.2.1 Technologies
Stocker de l’énergie c’est garder une quantité d’énergie pour une utilisation future. Par
extension, le stockage d’énergie désigne aussi le stockage de la matière contenant l’éner-
gie. il existe deux sortes d’applications : le stockage stationnaire (ou fixe) et le stockage
embarqué (ou mobile). Nous nous intéressons plus particulièrement dans cette partie au
stockage stationnaire qui concerne les productions d’électricité, notamment issues d’EnRI,
connectées au réseau ou en site isolé.
Le stockage n’est pas une installation de production d’énergie comme les autres puisque
le fonctionnement d’un système de stockage connecté au réseau ne peut pas être envisagé
seul. En effet, un stockage seul est un « outil de production » qui consomme de l’énergie :
les pertes techniques induites par le stockage entrainent un bilan énergétique du système
négatif. Un ouvrage de stockage absorbe donc plus d’énergie qu’il n’en restitue, le ratio
entre énergie restituée et énergie absorbée définissant alors le rendement global du SSE.
Nous ne donnons dans cette section que les principales informations techniques (principes
de fonctionnement, caractéristiques, applications type) des différentes technologies de SSE
à grande échelle. L’objectif est plutôt de situer le stockage d’EnRI dans le contexte général
des SSE. Pour une revue complète et détaillée, le lecteur pourra se référer à [Augustine
et al., 2012] ou [Gonzalez et al., 2004].
Les Systèmes de Stockage d’Énergie (SSE) permettent de convertir l’électricité, diffici-
lement stockable directement, en énergie potentielle, cinétique ou chimique. Il existe cinq
catégories physico-chimiques de stockage stationnaire selon que l’énergie stockée soit sous
forme mécanique, chimique, thermique, électrochimique ou électromagnétique.
1. Stockage sous forme d’énergie mécanique.

— Station de Transfert d’Énergie par Pompage-turbinage ou STEP
(pumped-hydro energy storage ou PHS).
La STEP permet de stocker de grande quantité d’énergie électrique par l’inter-
médiaire de l’énergie potentielle de l’eau. Ce type de centrale hydroélectrique,
est utilisée pour transférer l’eau entre deux bassins situés à des altitudes diffé-
rentes. Lorsque le réseau fournit un surplus d’électricité, l’eau du bassin infé-
rieur est pompée dans le bassin supérieur (figure 1.12).
Figure 1.12 – Schéma de principe d’une STEP. Source ECRIN [Multon and Ruer, 2003].
Sous l’effet de la pesanteur, cette masse d’eau représente une future capacité de
production électrique. Lors d’un déficit de production électrique, la circulation
de l’eau est inversée : la pompe devient turbine et restitue l’énergie accumulée.
Avec un rendement pouvant atteindre plus de 80%, il s’agit de la solution la
plus employée pour stocker l’énergie des centrales électriques [Chen et al., 2009].
— Volant d’inertie (flywheels)

L’énergie peut être stockée sous forme d’énergie cinétique d’un dispositif en
forme de roue tournant autour de son axe central, comme indiqué dans la
figure 1.13.

PC

Figure 1.13 – Schéma de principe d’un Volant d’inertie. Source NREL, 2004.
Une machine électrique lui fournit l’énergie cinétique (fonctionnement moteur)

et la récupère selon les besoins (fonctionnement générateur), entraı̂nant une
baisse de la vitesse de rotation du volant d’inertie. L’ensemble fonctionne sous
vide afin d’éliminer les pertes d’énergie par frottement. Ce système permet de
restituer plus de 80% de l’énergie accumulée mais pour un temps de stockage
limité [Nair and Garimella, 2010]. En pratique, le volant d’inertie est utilisé
pour un lissage à très court terme de la fourniture d’énergie au sein d’appareils

de production. C’est notamment le cas des moteurs thermiques et surtout des
moteurs Diesel.
— A air comprimé (compressed air energy storage ou CAES )

Quand la demande d’électricité est faible, les systèmes existants utilisent d’an-
ciennes mines de sel comme réservoirs et un ensemble moteur-générateur-turbine.
Quand la demande d’électricité est importante, l’air comprimé en caverne est
utilisé pour faire tourner une turbine couplée à un alternateur produisant de
l’électricité (figure 1.14).
Figure 1.14 – Schéma de principe d’un stockage à air comprimé en caverne. Source
ECRIN [Multon and Ruer, 2003].
Le rendement, actuellement aux environs de 50%, est un axe de recherche et

de développement (CAES adiabatique, cf section 1.3.3.2). Le stockage à air
comprimé en caverne à partir des énergies éolienne et solaire fait l’objet d’ins-
tallations pilotes en Allemagne et aux Etats-Unis.
2. Stockage sous forme d’énergie chimique

— Hydrocarbure
Les hydrocarbures liquides sont actuellement la forme dominante du stockage
d’énergie en volume, notamment pour le secteur du transport. Les carburants
proviennent des énergies fossiles et ont un rendement de 75% de la “source à
la pompe”, le rendement source - électricité étant souvent inférieur à 50%. Les
biocarburants sont eux issus de la biomasse, avec un rendement de 70% “de la
biomasse à la pompe”.
— Biomasse
Tout combustible peut être considéré comme un stock d’énergie sous forme
chimique. En brûlant, le composé dégage de l’énergie sous forme de chaleur
qui peut être récupérée et valorisée. Le terme « biomasse » désigne l’ensemble

des matières organiques pouvant devenir des sources d’énergie. Dans le cas
des végétaux, elle est une forme de stockage de l’énergie solaire : les matières
organiques sont issues du CO2 capté lors de la photosynthèse. Toutefois, ce
processus de stockage d’énergie est long, de l’ordre de plusieurs mois, et d’un
rendement faible. En effet, seul 1% des rayonnements solaires utilisés lors de la
photosynthèse est restitué sous la forme de biomasse.
— Piles à combustible à hydrogène (fuel cells).
Le dihydrogène, communément appelé hydrogène, n’existe pas à l’état naturel
mais est très abondant sur Terre sous forme atomique H (eau, hydrocarbures...).
L’électrolyse, qui consiste à décomposer la molécule d’eau en hydrogène et en
dioxygène, nécessite de l’électricité (rentable si la production d’électricité pré-
sente elle-même un coût peu élevé). L’hydrogène a la faculté de restituer de
l’énergie, ce qui en fait une forme particulièrement intéressante de stockage.
Il peut être utilisé directement comme carburant de véhicules équipés de mo-
teurs à combustion fonctionnant au gaz. Il peut aussi être stocké avant d’être
reconverti en énergie par une pile à combustible, pour des applications station-
naires, fournissant soit de l’électricité (production connectée au réseau) soit de
la chaleur (maisons).
Un des avantages de l’hydrogène est qu’il peut être produit à partir de toutes les
sources d’énergie primaires (fossiles, EnR). Cependant, les systèmes électrolyseur-
hydrogène-pile à combustible ont un coût d’investissement encore élevé pour
un rendement global - synthèse du dihydrogène et compression ou liquéfac-
tion - faible. De plus, leur durée de vie s’avère encore insuffisante pour des
applications connectées au réseau électrique. Cependant, le vecteur Hydrogène
peut devenir compétitif pour des besoins à fort ratio énergie/puissance grâce au
découplage naturel puissance (stack) énergie (réservoir), découplage que l’on
retrouve dans les batteries redox. Par ailleurs, le “power to gas” - conversion de
l’électricité en dihydrogène (électrolyse) ou en méthane (méthanation) - mise
en oeuvre dans de nombreuses collectivités constitue une voie très prometteuse
de stockage des surplus EnR.
3. Stockage sous forme d’énergie thermique
Actuellement, le stockage thermique est peu exploité. Son usage devrait croı̂tre à
l’occasion du développement des fermes solaires thermodynamiques.
— Par chaleur sensible
L’élévation de la température d’un matériau permet de stocker de l’énergie.
Ce principe est, entre autres, celui des chauffe-eau solaires : ils récupèrent la
chaleur dans la journée pour la restituer ensuite, avec un rendement moyen de
l’ordre de 40% pour les systèmes les plus récents. Les matériaux privilégiés sont
l’eau, l’huile de synthèse, la roche ou encore le béton.
Pour de grands volumes, la chaleur de capteurs solaires ou des rejets industriels
peut être stockée dans le sous-sol. Le stockage géologique, pouvant être couplé
à des opérations de géothermie, est encore assez peu répandu.
— Par chaleur latente Ce mode de stockage est basé sur l’énergie mise en jeu
lorsqu’un matériau change d’état (par exemple solide-liquide). La transforma-
tion inverse permet de libérer l’énergie accumulée sous forme de chaleur ou de
froid, avec un rendement d’environ 60%. Cette technique peut être appliquée
dans les bâtiments, par l’intermédiaire des Matériaux à Changement de Phase
(MCP). Incorporés aux parois, ils servent de régulateur thermique en fonction
de la chaleur apportée par le soleil.
4. Stockage sous forme d’énergie électrochimique
— batteries électrochimiques
Le stockage de l’énergie dans les batteries électrochimiques est la technique la
plus répandue pour les petites quantités d’énergie électrique. En fonction du
type de batterie (plomb-acide, lithium-ion, nickel-métal hydrure, etc.), diffé-
rentes réactions chimiques sont provoquées à partir de l’électricité : il s’agit de
la phase de charge de la batterie. Selon la demande, les réactions chimiques in-
versées produisent ensuite de l’électricité et déchargent le système. Ce principe
est illustrée dans la figure 1.15.
charge décharge
e- e-
(Li+)solv (Li+)solv
e- e-
<H> + Li+ + e- <HLi> <HLi> <H> + Li+ + e-

<MLi> <M> + Li+ + e- <M> + Li+ + e- <MLi>
Figure 1.15 – Schéma de principe d’une batterie Lithium-Ion. Source CEA, 2006.
Les batteries électrochimiques sont souvent destinées à des applications por-

tables. De puissance relativement faible, elles présentent néanmoins une grande
capacité de stockage pour des durées de décharge élevées (jusqu’à plusieurs
heures) avec un taux de rendement de 70 à 90%. Ces dispositifs peuvent égale-
ment avoir des fonctions de secours lorsque le réseau électrique est défaillant ou
dans le cas d’une production d’électricité issue des énergies renouvelables, avec
des valeurs d’énergie stockée de quelques Wh jusqu’à 40 MWh. L’inconvénient
majeur est lié à leur durée de vie, limitée par les dégradations chimiques des
réactions et leur coût.
— batteries à circulation (flow batteries)
5. Stockage sous forme électromagnétique
— supercondensateurs (super capacitors )
Certains systèmes permettent de stocker directement l’énergie sous forme élec-
trique. Il s’agit principalement des supercondensateurs, composants électriques
constitués de deux armatures conductrices stockant des charges électriques op-
posées. Ils sont capables de délivrer une forte puissance pendant un temps très
court. À la différence des batteries électrochimiques, ils peuvent se décharger
en un temps de l’ordre de la seconde ou moins avec un rendement compris entre
Figure 1.16 – Schéma de principe d’une batterie à circulation. Source Regenesys.
80% et plus de 90%. Toutefois, ces dispositifs ne stockent pas de grandes quan-
tités d’énergie. Les supercondensateurs ont des applications dans le domaine
des transports terrestres. Ils assurent notamment l’arrêt et le redémarrage à
un feu rouge (stop and go).
— supraconducteurs (super conducting magnetic energy storage ou SMES)
Une autre piste est celle du stockage électromagnétique à base de matériaux su-
praconducteurs. Ce système se destine au stockage de grandes quantités d’éner-
gie, dont 50% peuvent être restituées en moins d’une seconde. De plus, un tel
dispositif bénéficie d’un rendement de 75% à plus de 90%. Toutefois, les appli-
cations de SMES, aux coûts encore très élevés, sont encore limitées et doivent
démontrer leur faisabilité à grande échelle, du fait de la nécessité de main-
tenir une température très basse. Elles sont développées essentiellement aux
États-Unis.
1.3.2.2 Comparaison
Les solutions de stockage sont nombreuses mais tellement différentes dans leurs spéci-
fications qu’elles sont difficiles à comparer. C’est la raison pour laquelle nous avons choisi
de présenter un ensemble de caractéristiques techniques et économiques qui permettent
d’améliorer les conditions d’acceptabilité des SSE. Le tableau suivant (figure 1.17) syn-
thétise ces caractéristiques [Agence Régionale de l’Energie Réunion, 2009a].
Les volants d’inertie sont plus adaptés à des temps de réponses courts avec de grandes
puissances de décharge ; ils sont donc bien établis sur les marchés de consommation éner-
gétique critique et des systèmes de régulation de puissance (UPS). Même si ils ont une
grande capacité de cyclage, les pertes par friction sont importantes et entraı̂nent des coûts
d’installation et de maintenance élevés [Chen et al., 2009]. Parallèlement aux volants, les
piles à combustible et les batteries à circulation sont également deux technologies en vue
dans les systèmes de stockage d’énergie renouvelable. Les systèmes de production photo-
voltaı̈ques hybrides hydrogène/pile à combustible sont employés en raison du fait qu’ils

5BCMFBV
5BCMFBVÃMÃNFOUTEFDPNQBSBJTPOUFDIOJDP
ÃMÃNFOUTEFDPNQBSBJTPOUFDIOJDP
ÃMÃNFOUTEFDPNQBSBJTPOUFDIOJDPÃDPOPNJRVFTFOUSFMFTUFDIOPMPHJFTEFTUPDLBHF
ÃDPOPNJRVFTFOUSFMFTUFDIOPMPHJFTEFTUPDLBHFTPVSDF"3&3
TPVSDF"3&3
Figure 1.17 – Caractéristiques technico-économiques des Systèmes de Stockage d’Énergie

(SSE). Source ARER
sont propres, respectueux de l’environnement, modulaires et indépendants de combus-

tibles fossiles. Les batteries à circulation permettent de fortes puissances, des systèmes de
puissance et d’énergie découplés, une faible auto-décharge mais avec de faibles rendements
par rapport à d’autres formes de technologies de stockage. Les piles à combustible et les
batteries à circulation sont adaptées à l’intégration des énergies renouvelables à petite
échelle [Nair and Garimella, 2010].
La figure 1.18 place les différents SSE soit selon leur puissance ou énergie : petites (de
l’ordre du kW,kWh) ou grandes (de l’ordre du MW,MWh ou du GW,GWh), soit selon
leur temps de réponse : court (de l’ordre de la seconde, minute) ou long (de l’ordre de
l’heure).
Les applications envisagées, regroupées par catégorie dans la figure 1.19 ne sont pas
les mêmes en fonction du type de SSE sur la base de critères technico-économiques :
puissance/énergie, temps de réponse, maturité, coûts...
Les technologies telles que le CAES ou la STEP ne sont pas adéquates pour du stockage
à petite échelle en raison des travaux nécessaires et du coût associé. Elles sont plutôt
utilisées dans les réseaux d’électricité régionaux ou nationaux [Nair and Garimella, 2010].
Le stockage de l’énergie est au coeur des enjeux actuels, qu’il s’agisse d’optimiser les
ressources énergétiques ou d’en favoriser l’accès. Il permet d’ajuster la « production »
et la « consommation » d’énergie en limitant les pertes. L’énergie, stockée lorsque sa
disponibilité est supérieure aux besoins, peut être restituée à un moment où la demande
s’avère plus importante. Face à l’intermittence ou la fluctuation de production de certaines
énergies, par exemple renouvelables, cette opération permet également de répondre à une
ŶĞƌŐŝĞ
,ǇĚƌŽŐğŶĞĞƚWĂ
ϭϬ,ĞƵƌĞƐ ^ ^dW

ZĞĚͲKǆ ZĞĚͲKǆ
ŝŶĐͲƌŽŵŝŶĞ sĂŶĂĚŝƵŵ
^dW
W
DĂƌŝŶĞƐ
^ƚŽĐŬĂŐĞƚŚĞƌŵŝƋƵĞĚ͛ĠůĞĐƚƌŝĐŝƚĠ
͛ĠůĞĐƚƌŝĐŝƚĠ
,ĞƵƌĞƐ >ŝƚŚŝƵŵͲ/ŽŶ ^ŽĚŝƵŵͲ^ŽƵĨƌĞ

^ŽĚŝ
WůŽŵďͲĐŝĚĞ
EŝĐŬĞůͲĂĚŵŝƵŵ
sŽůĂŶƚƐĚ͛ŝŶĞƌƚŝĞ
DŝŶƵƚĞƐ
^ƵƉĞƌ
^D^
ĐŽŶĚĞŶƐĂƚĞƵƌƐ
^ĞĐŽŶĚĞƐ WƵŝƐƐĂŶĐĞ
ϭŬt ϭϬŬt ϭϬϬŬt ϭDt ϭϬDt ϭϬϬDt ϭ't WƵŝƐƐĂŶĐĞ
Figure 1.18 – Répartition des SSE par puissance/temps de réponse. Source ENEA.
5pSDUWLWLRQGHVWHFKQRORJLHVGHVWRFNDJH SDUIRQFWLRQQDOLWp
Figure 1.19 – Applications du stockage par type. Source CEA
demande constante comme le montre la figure 1.20 modifiée d’après [Chen et al., 2009].
Les méthodes de stockage dépendent du type d’énergie. Les sources d’énergies fossiles
(charbon, gaz, pétrole), sous forme de réservoirs à l’état naturel, remplissent naturellement
la fonction de stocks. Une fois extraites, elles peuvent facilement être isolées, hébergées
et transportées d’un point de vue technique. Le stockage s’avère plus complexe pour les
énergies intermittentes : leur production est relayée par des vecteurs énergétiques tels que
l’électricité, la chaleur ou l’hydrogène, nécessitant des systèmes spécifiques de stockage.
Il faut distinguer deux configurations d’utilisation très différentes [Robin et al., 2005] :

WRF

(a) Effacement de pointe. (b) Lissage de production.
Figure 1.20 – Applications du stockage d’énergie : équilibre offre-demande.
1. les systèmes autonomes (stand-alone) ;

2. les systèmes raccordés au réseau (grid-connected).
Dans les systèmes autonomes, le stockage est nécessaire afin de respecter l’adéquation
entre production et consommation. Des délestages de production (partiels ou totaux selon
la technologie du système de production) peuvent être effectués en cas de surplus d’énergie
lorsque la puissance produite à partir des éléments naturels intermittents (vent, houle,
solaire) est supérieure à la somme de la puissance consommée et de la puissance maximale
acceptable par le dispositif de stockage, fonction de l’état de charge Réciproquement,
des délestages de consommation peuvent éventuellement être opérés en cas de puissance
demandée supérieure à la somme de la puissance produite et de la puissance maximale
délivrable par l’accumulateur, toujours fonction de son état de charge. Mais ces délestages
sont généralement considérés comme indésirables et le système est dimensionné pour les
éviter.
Dans le cas de systèmes raccordés au réseau, la situation est sensiblement différente,
car les contraintes sont toutes autres. Si l’électricité est fournie au « fil du vent », du
soleil ou de la houle, le stockage est inutile. Pour autant, la présence d’un stockage offre
la possibilité de participer aux « services systèmes » (régulation du réseau) et de mieux
valoriser économiquement l’énergie produite. Dans ce contexte, le dimensionnement du
stockage relève d’une problématique différente de celle précédemment décrite, notamment
à travers les critères et les contraintes, mais les paramètres à optimiser restent les mêmes.
Un tel dispositif permet également l’ı̂lotage en cas de déconnexion du réseau. Dans ce cas,
on se retrouve dans la situation autonome décrite précédemment.
1.3.3 Stockage d’énergie renouvelable
1.3.3.1 Projets industriels et commerciaux
Le Département de l’Énergie des Etats-Unis (DOE) recense à travers le monde, en

Février 2015, 1250 projets opérationnels ou en cours de déploiement [US Departement
of Energy (DOE), 2015]. L’ensemble de ces installations représente, en Janvier 2015, une
puissance totale de 184,5 GW dont la très grande majorité (98% soit 181 GW) de stockage
hydro-électrique comme le montre la figure 1.21.

#$ "
!"

%
&"' )!*
+
(
Figure 1.21 – Capacités de stockage installées dans le monde. Source EPRI, 2010.
Mais les moyens de stockage se diversifient, notamment avec la construction de batteries

électrochimiques de grande capacité. 40 GW de puissance installée sont prévus d’ici à
2030, principalement au Japon et aux États-Unis. La version 2014 du rapport Energy
Technologies Perspectives (ETP) de l’AIE [Agence Internationale de l’Energie, 2014] met
l’accent sur le rôle de l’électricité dans l’atteinte des objectifs climatiques et consacre un
chapitre sur le stockage d’énergie, comme moyen de flexibilité des systèmes énergétiques.
Dans le scénario 2DS de ce rapport, les besoins additionnels de capacités de stockage sont
estimées au total à 310 GW entre les Etats-Unis, l’Inde, la Chine et l’Europe.
Les batteries électrochimiques, notamment Li-Ion, semblent être une des options les
plus prometteuses pour un stockage fixe ou mobile. Signe de cet essor croissant des batte-
ries de grande capacité, des projets de plusieurs dizaines de MW voient le jour Au Japon,
par exemple, le Sendai Substation Lithium Ion Battery Pilot Project 15 d’une puissance no-
minale de 40 MW pour une capacité de 20 MWh permettra de pallier les perturbations en
fréquence et en tension du réseau dues à l’augmentation de production EnRI (PV/éolien).
Toujours au Japon, le programme ENE-FARM a permis d’installer, de 2011 à 2015, près
de 70 000 unités de micro-cogénération (électricité + chaleur). Le principe repose sur un
système de pile à combustible (PAC) à usage domestique, capable de reformer du gaz
naturel issu du réseau (méthane -> hydrogène) pour fournir électricité et chaleur à la
maison. Aux Etats-Unis (Texas), la société Duke Energy, dans le cadre du Notrees Wind
Storage Demonstration Project, exploite depuis 2013 un accumulateur au plomb amélioré
(Advanced Lead Acid Battery) de 36 MW/24 MWh. Ce SSE permet de stocker l’électricité
afin de compenser l’intermittence et aider à la régulation en fréquence du réseau des 153
MW de turbines éoliennes sur le territoire. En Irlande du Nord, un projet de la société
AES pourrait atteindre les 100 MW 16 .
Concernant l’hydrogène, le démonstrateur de la plate-forme Myrte 17 installée en Corse
15. projet soutenu par le New Energy and Industrial Technology Development Organization (NEDO),
équivalent de l’Ademe au Japon, qui a lancé le programme “Development of Large Scale Energy Storage
System with High Safety and Cost Competitiveness”. Ce projet est déployé par l’entreprise TOSHIBA.
16. http ://www.windpowermonthly.com/article/1288692/aes-plans-100mw-northern-ireland-wind-
energy-storage, 2015-04-13
17. Mission hydrogène renouvelable pour l’intégration au réseau électrique
est constitué d’une centrale PV de 560 kWc couplée à une PAC de 100 kW. L’installation
permet de d’améliorer la gestion et la stabilisation du réseau électrique corse afin de [CEA,
2012]
— répondre aux pics de consommation, en restituant le soir sur le réseau l’énergie
électrique stockée ;
— atténuer les variations de production des panneaux photovoltaı̈ques selon l’enso-
leillement ;
— limiter les surtensions sur le réseau en situation de forte production photovoltaı̈que
ET de faible consommation.
Dans les DOM (La Réunion, Guadeloupe et Martinique), la limite de 30% d’EnRI étant
régulièrement atteinte, des appels d’offres de la CRE sur l’éolien en 2010 et sur les grandes
installations photovoltaı̈ques en 2012 ont imposé l’installation concomitante de capacités
de stockage d’énergie afin d’apporter des services aux réseaux électriques. Pour l’éolien,
neuf projets totalisant 66 MW ont été retenus en mars 2012 comme lauréats. En 2015,
aucun projet lauréat de l’appel d’offres n’a été mis en service. Pour le photovoltaı̈que, les
lauréats du lot spécifique aux territoires ultramarins de l’appel d’offres de 2012 (17 cen-
trales au sol retenues pour une puissance cumulée de 59 MW) ont commencé l’installation
des capacités de stockage, et ont reçu une extension de délai d’un an pour la mise en ligne
opérationnelle [DICOM-DGEC, 2014].
A La Réunion, une centrale de 9 MWc comportant 4,5 MWh de stockage par batterie
Li-Ion (projet Bardzour) est en exploitation depuis Septembre 2014 alors qu’une deuxième
de même capacité est prévue en 2016. Le projets portés par EDF-SEI ont permis également
l’installation d’une batterie NaS à La Réunion de 1 MWh (projet PEGASE) en 2010 ainsi
que l’équipement de 1500 foyers équipés de PV+stockage individuels (projet MILLENER),
5,1 GW pour 9 MWh de stockage au total, intégrés à un réseau intelligent. A Madagascar,
200 habitations sont équipées de panneaux photovoltaı̈ques d’une puissance nominale de
1,4 kWc couplés à 18 batteries Ni-Cd d’une capacité totale de 1,2 kWh, système développé
et déployé par la société SAFT.
1.3.3.2 Recherche et Développement
Les technologies de stockage de l’énergie font l’objet d’activités de recherche depuis de

nombreuses années [Department of Energy (DOE), 2013]. Les applications du stockage
ainsi que les différents vecteurs énergétiques (électricité, hydrogène, chaleur) sont souvent
développées en partenariat avec le monde industriel. A travers de nombreux programmes,
les chercheurs travaillent :
— à la mise au point de technologies stationnaires innovantes grâce aux recherches
menées sur les matériaux, et sur leur gestion ;
— au développement des énergies renouvelables et à leur intégration sur le réseau ;
— à la conception de systèmes de stockage adéquats et optimisés pour la production
EnRI.
Ces recherches couvrent des applications et des technologies diversifiées, qui vont de la
micro-électronique à la thermique, en passant par l’électrochimie, l’hydrogène et la ther-
mohydraulique [CEA, 2012].
Outre les travaux de recherche sur la conception ou le dimensionnement de systèmes de

stockage adaptés aux sources EnRI et optimisés pour elles, il est nécessaire d’améliorer les
modèles d’évaluation de leur durée de vie en cyclage complexe [Unterrieder et al., 2015]
et, parfois, leurs modèles de rendement, comme dans le cas des accumulateurs électrochi-
miques.
Les recherches sur le stockage entrent soit dans le champ des expérimentations avec
nouveaux matériaux ou procédés visant à améliorer les performances (rendements / durée
de vie, temps de réponse...) soit dans le champ de nouvelles modélisations/simulations
permettant de mieux gérer et anticiper les phénomènes physiques ou chimiques en jeu mais
aussi de dimensionner de façon optimale le SSE. Dans ce dernier cas, il s’agit d’optimiser
les caractéristiques, notamment la capacité qui est un critère principal, dans le contexte de
fourniture d’énergie : systèmes stationnaires (isolés, autonomes connectés ou production
réseau) ou embarqués.
*** Batteries
Une grande partie des recherches se concentrent sur les batteries électrochimiques, en
particulier Lithium-Ion. Les perspectives commerciales sont en effet immenses. Le marché
mondial des batteries devrait atteindre 80 milliards de dollars en 2020, soit deux fois
plus qu’en 2015. Dans ce domaine, la détermination de l’état de charge est un sujet
préoccupant car il est important de connaı̂tre avec précision l’état de la batterie à un
instant donné afin de gérer au mieux les systèmes et de prendre les bonnes décisions.
Des chercheurs du CEA 18 ont récemment modélisé sur un supercalculateur la cinétique
de charge (macroscopique) à partir d’éléments microscopiques, ouvrant ainsi la voie de la
prédiction du vieillissement d’une batterie Lithium-Ion [Krishnan et al., 2013].
Les matériaux font également l’objet d’études abondantes. Une nouvelle méthode in-
formatique a haute capacité de traitement a permis de scanner à ce jour des milliers de
molécules pour la recherche d’un nouvel électrolyte au Laboratoire de Berkeley [Cheng
et al., 2015]. D’autres matériaux que le Li-Ion sont également à l’étude. En particulier,
une équipe du Réseau français sur le stockage électrochimique de l’énergie (RS2E) a mis
au point une batterie Sodium-Ion aux caractéristiques comparables au Li-ion (densité de
90 Wh/kg et une durée de vie de 2000 cycles). L’avantage du sodium est d’être beaucoup
plus abondant (2,6% contre 0,06 % pour le lithium) donc moins cher à produire. 19
Les chercheurs visent par ailleurs à améliorer les procédés de charge/décharge. Un projet
de batterie à flux continu au Lawrence Berkeley National Laboratory financé par ARPA-
E a vu le jour en 2011 20 Une équipe de ce laboratoire a ainsi développé une technologie
basée sur des électrodes silicon-oxyde (SiO) de grande capacité qui augmente de 20% les
performances des batteries Li-Ion [Park et al., 2015].
*** CAES
Pour aider au développement du stockage d’énergie par air comprimé, une amélioration
du rendement de ces installations est nécessaire. Les études actuellement menées visent
18. Commissariat à l’Énergie Atomique et aux Énergies Alternatives - Institut Nanosciences et Cryo-
génie (INAC), Laboratoire de simulation atomistique, Grenoble.
19. https ://lejournal.cnrs.fr/articles/batterie-sodium-ion-une-revolution-en-marche, 27 Nov. 2015.
20. Bulletin Electronique Etats-Unis n°234, 4 Février 2011. http ://www.bulletins-electroniques.com/
actualites/65800.htm
ainsi à récupérer et à utiliser la chaleur émise lors de la compression de l’air. Le projet

de recherche Search, soutenu par l’ANR, auquel sont associés scientifiques et industriels
français vise à parvenir au CAES adiabatique [Hadj-Hassen, 2014].
*** PAC H2
Dans le domaine du stockage par pile à combustible à vecteur d’énergie dihydrogène,
la réduction du volume de stockage est un enjeu technique essentiel, notamment pour
les systèmes embarqués. Puisque l’hydrogène est le plus léger des éléments : il occupe,
à poids égal, beaucoup plus de volume qu’un autre gaz : dans les conditions normales
de température et de pression 333 litres/kWh pour l’hydrogène et 0,1 pour l’essence.
Le stockage sous forme solide d’hydrures permet ainsi de descendre à 0,25 L/kWh. Le
projet PUSHY partenariat du CEA et de la société leader française McPhy promeut cette
technologie. Pour des véhicules légers, le stockage gazeux sous pression constitue une
voie mature. Avec cette technologie, l’hydrogène occupe un volume de 0,47 litre/kWh.
Ainsi, des constructeurs proposent déjà des véhicules électriques à PAC Hydrogène ou
des prototypes avec une production prévue dans la prochaine décennie 21 . Cependant,
l’avenir de cette technologie dans le domaine des transports sera fortement liée à l’essor
des batteries.
*** Thermo-chimique
Enfin, dans le domaine de la chaleur sensible, on vise également à augmenter les perfor-
mances. Des rendements supérieurs à 70% ont ainsi pu être atteints pour des applications
stationnaires à grande échelle [Desrues et al., 2010].
*** Intégration des SSE
Par ailleurs, de nombreuses recherches visent à intégrer toutes ces technologies de sto-
ckage au sein d’un réseau intelligent. Le réseau intelligent ou smart grid peut en effet
supporter le déploiement de ces technologies avec de l’électronique de puissance, du sto-
ckage, des processus de contrôle et de gestion de l’information. Le smart grid permet un
fonctionnement optimisé du réseau électrique en fournissant des informations en temps-
réel. Le réseau intelligent du futur donnera donc la possibilité à tous les acteurs - produc-
teurs, consommateurs, gestionnaires - d’intervenir activement en gérant au mieux à la fois
l’équilibre offre-demande, la qualité de l’énergie fournie et d’améliorer ainsi la flexibilité,
l’équilibre et la stabilité et la sécurité du système [Zhang et al., 2015].
21. Toyota Mirai ou FCV, Honda Clarity Fuel Cell, Audi H-tron Quattro, Hyundai N 2025 Vision Gran
Turismo, BMW i8, Mercedes GLC F-Cell
1.4 Problématique et objectifs de la thèse
1.4.1 Cadre du projet Enerstock
1.4.1.1 Objectifs
Les objectifs généraux du projet Enerstock de production avec stockage sont d’une part
d’augmenter l’intégration des EnR en garantissant leur approvisionnement, d’autre part
d’améliorer la qualité des services rendus au réseau par rapport à la production d’origine
renouvelable sans stockage i.e. au fil de l’eau.
Les objectifs technologiques du programme Enerstock sont [Lefebvre, 2011] :
1. à court terme, de déterminer les conditions de réalisation concrète d’installations de

stockage d’énergie de plusieurs MW à travers une installation pilote en laboratoire,
puis (hors projet) une installation de démonstration. L’enjeu est de développer un
moyen de stockage (typiquement STEP et/ou batterie de moyenne puissance) adapté
à la particularité des réseaux isolés. La réalisation de ces installations sur les réseaux
des DOM doit permettre de lever les barrières techniques qui freinent ou empêchent
le développement de nouveaux projets éoliens ou solaires ;
2. à moyen terme, de contribuer à la création d’une filière française du stockage de

l’énergie à l’échelle de quelques MW, et dans un second temps permettre d’expor-
ter cette solution de stockage et les compétences acquises au sein des partenaires
industriels et exploitants français sur d’autres réseaux électriques isolés à l’étranger.
Le territoire visé pour le démonstrateur est l’ı̂le de La Réunion. Il cadre idéalement

avec le projet par une production à base d’énergie renouvelable existante et en fort dé-
veloppement associée à un besoin de stockage. Il existe aussi une volonté d’aboutir à
l’autonomie énergétique tant au niveau des autorités locales que nationales. La mise en
oeuvre du projet Enerstock tend, dans ce cadre, à associer les différents acteurs de la
filière : industriels (équipements hydrauliques et batteries), producteur d’électricité re-
nouvelable, gestionnaire de réseau insulaire, laboratoires de recherche et bureaux d’étude
dans le secteur, pôles de compétitivité compétents présents sur le territoire d’accueil du
projet.
Les innovations du projet Enerstock dans le domaine du stockage d’énergie portent sur
les composants de base (optimisation de l’architecture, du coût, du fonctionnement) et
sur le système hybride EnRI-SSE grâce à un pilotage anticipatif et réactif. Ce pilotage
doit permettre d’adapter les flux d’énergie aux besoins du gestionnaire du réseau et du
producteur mais aussi, couplé à des productions EnR fluctuantes, de réduire le recours aux
énergies fossiles. Les dispositifs de stockage ciblés ont une capacité de 1 à 20 h et visent à
accroitre la capacité d’accueil des EnRI en palliant les limites de ces sources d’énergies sur
les volets suivants : compensation des fluctuations, garanti de production, respect de la
prévision, réserve primaire, régulation de la tension. Il est proposé dans le cadre du projet
Enerstock d’étudier différents cas d’étude correspondant à des spécifications techniques
d’unités de production EnRI couplées à un stockage.
1.4. PROBLÉMATIQUE ET OBJECTIFS DE LA THÈSE 37
1.4.1.2 Cahier des charges
Dans le projet Enerstock, plusieurs cahiers des charges associés à différents niveaux de
qualité, différents niveaux de services, ont été définis au regard des besoins du système
électrique. L’objectif est d’aboutir pour chaque configuration à un design optimal des
installations (ratio de puissance EnR intermittente et stockage, capacité en énergie, mix
hybride de production) permettant de minimiser le coût de ce type d’installations, tout en
assurant le service attendu. On définit ainsi les cahiers des charges suivants, dont les exi-
gences s’accroissent pour permettre d’accepter de plus en plus d’énergies intermittentes :
1. Production « prévue et lissée ».
La production prévue et lissée consiste en la fourniture d’une puissance basée sur
les prévisions horaires avec interpolation linéaire entre chaque heure ronde.
2. Production « par gabarit garanti ».
La production par gabarit garanti consiste en la fourniture au gestionnaire de réseau
d’une puissance garantie constante sur l’année.
1.4.2 Approche retenue
1.4.2.1 Objectifs
L’objectif général de la thèse est d’améliorer la performance technico-économique d’un

système de stockage d’énergie couplé à une production d’électricité d’origine renouvelable
intermittente. Le système hybride que nous avons étudié est donc raccordé au réseau. Une
conséquence importante visée est l’augmentation du taux de pénétration des EnR sur ces
réseaux, notamment en contexte insulaire, d’où, in fine, une baisse de la dépendance aux
énergies fossiles ainsi que des émissions de gaz à effet de serre. Les objectifs techniques
sont le dimensionnement optimal et la gestion anticipée optimisée du stockage conduisant
à un minimum de défauts de service pour des coûts de revente acceptables.
Les apports conceptuels de la thèse sont :
1. Un MODELE d’analyse technico-économique du couplage Production intermittente
- Stockage, relatif à différents scénarios d’injection Réseau ;
2. Un ALGORITHME de charge/décharge fondé sur une optimisation heuristique
adaptée au contexte du stockage d’EnRI (charge adaptative) ;
3. Une METHODE de dimensionnement du stockage avec étude de l’impact des erreurs
de prévisions et du foisonnement des sources.
Les apports opérationnels de cette thèse sont fonction de l’acteur considéré. Il s’agit
pour le producteur de :
1. bénéficier d’une aide à la décision avant un projet d’investissement EnRI+SSE afin
de :
— choisir, pour chaque site, le type de source(s) adaptée(s) au scénario d’injection
souhaité et réciproquement,
— déterminer des caractéristiques techniques optimales pour le stockage en prio-
risant les paramètres les plus importants,
— réduire la capacité de stockage donc le coût d’investissement nécessaires,

— trouver un équilibre, technico-économique, viable à la fois pour le producteur
et le gestionnaire de réseau ;
2. disposer d’un outil simple et rapide permettant d’optimiser la gestion du système
de stockage en conditions opérationnelles ;
3. pouvoir fixer des objectifs de qualité aux sous-traitants chargés de la prévision, afin
de respecter des impératifs économiques.
Pour l’autorité de régulation, l’outil implémenté permettra d’adapter ses appels d’offres,
e.g. le niveau d’exigence requis ou la tolérance acceptée, en matière de production d’élec-
tricité d’origine renouvelable avec stockage. Cet outil donne également la possibilité de
déterminer, en fonction des besoins et du scénario d’injection spécifiques à une zone, les
contraintes techniques et économiques (politique tarifaire) raisonnables, l’intérêt du ges-
tionnaire et du producteur étant que le service contractualisé soit respecté au maximum.
1.4.2.2 Démarche
La ligne directrice adoptée dans cette thèse consiste en l’optimisation du fonctionne-

ment du stockage, en fonction de critères techniques et économiques adaptés au contexte
du respect par le producteur d’un scénario d’injection dans le réseau. Pour ce faire, un outil
a été développé permettant de dimensionner et de gérer de manière optimisée le stockage.
Le moyen utilisé est une modélisation systémique Production-SSE-Réseau conduisant à
un programme non linéaire à résoudre. L’outil de simulation développé sous Matlab im-
plémente et compare des stratégies heuristiques d’optimisation.
A partir des stratégies retenues, une méthode opérationnelle de gestion du stockage,
rapide à exécuter, est alors élaborée ; le dimensionnement optimal est obtenu par itéra-
tions de l’outil de simulation, relativement à des scénarios d’injection types. Une analyse
économique est menée afin de déterminer la profitabilité du stockage c’est-à-dire l’intérêt
financier, pour un producteur EnRI, d’investir dans un SSE, hors subventions éventuelles.
A partir de ce modèle économique nous définissons pour chaque scénario et chaque source
le tarif annuel minimal de revente d’énergie permettant un retour sur investissement dans
le stockage favorable, i.e. positif à 20 ans.
La méthode implémentée permet, par conséquent, non seulement de déterminer un
stockage optimisé mais aussi le choix des sources les plus adaptées, d’un point de vue
technico-économique affirmant ou infirmant ainsi leur faisabilité dans des projets à grande
échelle, en fonction de chaque scénario. La rapidité de calcul de la méthode rend possible
une analyse de sensibilité sur un échantillon de grande taille qui vient valider a posteriori
le choix des paramètres retenus. La figure 1.22 donne une synthèse du plan adopté pour
la thèse.
Dans le chapitre 2, le modèle systémique de fonctionnement du stockage et de ses inter-
actions avec le système de production et le réseau est défini ainsi que les critères techniques
et économiques associés. Des choix et des hypothèses sont faits pour construire un modèle
de type systémique. Une approximation physico-mathématique du couple (EnRI,SSE) est
élaborée grâce à des sous-systèmes ou blocs composant le système global à étudier et des
1.4. PROBLÉMATIQUE ET OBJECTIFS DE LA THÈSE 39
# " # " ! %

& " &
" "
# ' (
%%$ $
" $ )
*& *,--',-* +,',
Figure 1.22 – Plan de thèse.
flux d’échange entre ces blocs. Cette modélisation conduit à un programme mathématique
non linéaire (Non Linear Programming ou NLP) de grande taille.
Puis, la résolution du programme NLP est abordée dans le chapitre 3. Les différentes
stratégies de gestion du stockage y sont exposées et comparées afin de sélectionner un en-
semble d’heuristiques de référence - regroupées sous l’appellation “charge adaptative” - qui
tienne compte de l’état du stockage à chaque instant. Les stratégies retenues permettent
de gérer de manière optimisée le stockage en conditions opérationnelles, la veille pour le
lendemain. La charge adaptative est alors comparée avec d’autres méthodes/outils clas-
siques - programmes non linéaires, linéaires, mixtes en nombres entiers - validant ainsi,
dans une certaine mesure, le modèle élaboré.
Enfin, le chapitre 4 applique la charge adaptative au dimensionnement du stockage dans
trois cas d’étude : éolien en Guadeloupe et solaire/houle à La Réunion. Des scénarios non
prévus par Enerstock ont été rajoutés afin d’augmenter les performances rendues par le
SSE, notamment les puissances totales fournies. L’impact de la qualité de prévision ainsi
que du foisonnement des sources y est également déterminé.
Chapitre 2
Modélisation
2.1 Introduction
Dans ce chapitre sont présentés les modèles technico-économiques, existants et retenus

pour l’étude d’un Système de Stockage d’Energie (SSE) couplé à une production d’élec-
tricité intermittente.
Les données historiques de production seront utilisées comme entrées du modèle de
stockage. C’est pourquoi nous n’étudierons pas en détail les modèles de production d’élec-
tricité à partir des EnRI. Pour une revue plus complète de ces modèles, le lecteur pourra
se référer aux articles cités pour chaque source dans les sections relatives au stockage
et au dimensionnement. De même les séries temporelles de prévision sont tirées de mo-
dèles implémentés par des entreprises ou organisations (ECMWF, MetNext) spécialisées.
De nombreux travaux portent sur ce domaine spécifique, que ce soit dans le cadre des
énergies solaire, éolienne ou marine [Widén et al., 2015]. Les modèles standards (ferme
de production, systèmes distribués, auto-consommation, site isolé) sont brièvement intro-
duits. Le système étudié dans cette thèse est vu côté producteur. Il s’agit d’une unité de
production pouvant intégrer plusieurs source d’EnRI dont la limite d’étude est le point
d’injection sur le réseau Haute Tension (cf section 4).
Les services contractuels que doit fournir le producteur EnRI au réseau sont le fil rouge
de la deuxième partie de ce chapitre et de l’ensemble des chapitres suivants puisque le
dimensionnement du stockage vise à ce que ces services soient respectés au mieux. Les
services réseau sont décrits dans ce chapitre selon deux types : fourniture d’une puissance
non garantie d’une part (S1) et garantie d’autre part (S2).
L’objectif de cette modélisation est de permettre, par des simulations numériques pour
chaque service et pour chaque source, de dégager des principes optimaux de fonctionne-
ment du SSE au regard de critères technico-économiques définis par le producteur et/ou
le gestionnaire de réseau. Une synthèse du problème de dimensionnement optimal sous
forme de programme d’optimisation mathématique est alors donnée. La résolution de ce
programme d’optimisation sera abordée dans le chapitre 3.
L’organisation de ce chapitre est représentée dans la figure 2.1.
41
42 CHAPITRE 2. MODÉLISATION

Figure 2.1 – Organisation du chapitre 2.
2.2 Modèle de stockage
Le chapitre 1 a présenté les différentes technologies de stockage ainsi que les appli-
cations associées en fonction du rapport Energie/Puissance (constante de temps). Les
principaux paramètres technico-économiques communs ont été présentés dans une syn-
thèse. La présente section complète et approfondit cette présentation dans la perspective
de dimensionnement du stockage dans une production EnRI+SSE connectée au réseau
public, en particulier à un réseau insulaire ne disposant pas d’interconnexion.
2.2.1 Modèles usuels
Les modèles de fonctionnement du stockage peuvent être classés en deux catégories : les
modèles dynamiques ( haute fréquence) et les modèles statiques (basse fréquence). Dans
les modèles dynamiques, les processus transitoires à l’établissement d’un régime nominal
sont pris en compte, souvent au pas de temps de l’ordre de la seconde alors qu’ils sont
négligés dans les modèles statiques, dans des intervalles temporels de l’ordre de l’heure.
2.2.1.1 Modèles dynamiques
La modélisation essaye de traduire le plus précisément possible la réalité physique

dans un langage rationnel, généralement mathématique. Cependant, la modélisation n’est
qu’une traduction (approximative) du monde réel destinée soit à expliquer des observa-
tions - monde réel ↔ modèle (descriptif) - soit à prédire les valeurs de variables ou de
paramètres - modèle ↔ monde réel (prédictif). En effet, même si l’on peut établir et ré-
soudre des équations différentielles complexes régissant le fonctionnement (paramètres) en
2.2. MODÈLE DE STOCKAGE 43
temps réel des composants électroniques, mécaniques, chimiques, le monde réel dépasse
in fine le cadre de ce formalisme [Poincaré, 1917].
Dans ce contexte, les modèles dynamiques sont fortement liés à la physique du système
et dépendent donc de chaque type de stockage. Tous les éléments composant le système
doivent être modélisés plus ou moins finement, jusqu’à l’échelle nanométrique dans le cas
d’un stockage électro-chimique, afin d’approcher au mieux la dynamique de réponse à une
sollicitation, en particulier dans les mécanismes de charge/décharge. Pour le détail de la
dynamique associée à chaque SSE, le lecteur pourra se référer aux articles ou thèses cités.
*** Turbines : STEP / Eolien
La courbe de rendement de la turbine est très dépendante des données constructeur et
est généralement fournie sous forme d’abaque. La figure 2.2 en donne un exemple pour
trois types de turbines classiques.
Figure 2.2 – Courbe de rendement turbine hydraulique.
Dans le cas d’une STEP, les paramètres spécifiques ayant le plus d’influence sont la
hauteur de chute, le volume du bassin et le type de turbine et de générateur. La quantité
d’eau dans le réservoir amont QU R peut être modélisée par la formule [Ma et al., 2014b] :
t t
QU R (t) = QU R (t − 1)(1 − α) + qpump (t) dt − qturb (t) dt (2.1)
t−1 t−1
où α représente le taux de perte par évaporation et fuite et qpump , resp. qturb , le débit en
charge, resp. décharge.
*** Batteries
Dans le cas électro-chimique, la dynamique de la tension d’une batterie peut être mo-
délisée par des équations différentielles décrivant l’évolution du système. Dans [Tremblay
et al., 2007], ces équations sont données pour trois types de batteries (Pb-Acide, Li-Ion
et NiMH, NiCd). Par exemple, pour une batterie Li-Ion, le modèle dynamique de tension
de la batterie est donné par les fonctions
Q Q
Décharge (i∗ > 0) : Vbatt (it, i∗ , i) = E0 − K · · i∗ − K · · it + A · exp(B · it)
Q − it Q − it
(2.2)
Q Q
Charge (i∗ < 0) : Ebatt (it, i∗ , i) = E0 − K · · i∗ − K · · it + A · exp(B · it)
it + 0.1 · Q Q − it
(2.3)
où E0 est la tension

constante [V], K la constante de polarisation [V·Ah-1], i le courant
de batterie, it = idt la puissance extraite [Ah], Q la puissance maximale [Ah], A la
tension exponentielle [V], B la puissance exponentielle [Ah-1].
Ce type de modélisation dynamique conduit à une courbe caractéristique de décharge
et de charge dont l’allure est donnée dans la figure 2.3.

Idisch (A)
í

Vbatt (V)

SOC(%)

Time (s)
Figure 2.3 – Dynamique batterie Li-Ion modélisée sous Simulink.
Des réactions secondaires entre les électrodes peuvent induire des pertes de charge :
c’est le phénomène dit d’auto-décharge. La valeur de ce paramètre dépend de chaque
type de batterie (NiMH, Li-Ion, ...), de ses caractéristiques de capacité/puissance mais
aussi de son état de charge (SOC) et de santé (state of health ou SOH) [Guasch and
Silvestre, 2003]. Dans [Pawel, 2014], le taux d’auto-décharge σbatt varie de 0,1 à 3,7% par
an en fonction de la technologie ou encore 0.2%/jour dans [Yang et al., 2008]. L’effet
de l’auto-décharge peut ne pas être pris en compte si la batterie est “cyclée” i.e. connaı̂t
des cycles ininterrompus de charges et de décharges [Rydh and Sandén, 2005]. Un autre
paramètre spécifique est le vieillissement de la batterie. Les modèles de vieillissement

prennent en compte deux facteurs : le vieillissement calendaire de la batterie au repos et
le vieillissement spécifique dû à un cyclage plus ou moins élevé. Un modèle de vieillissement
est proposé dans [Latimier et al., 2014]. Par convention, la batterie est déclarée en “fin de
vie” lorsque sa capacité initiale a baissé de 20% [Kularatna, 2014].
L’état de charge SOC, en Wh, peut être classiquement calculé [Yang et al., 2003] par
intégration de la puissance
t
SOC(t) = Ibat (t) · Vbat (t)dt (2.4)
t−1
dont une version discrétisée est [Estahbanati et al., 2014],[Yang et al., 2008] :
Δt
SOC(t + 1) = SOC(t)(1 + σ ∗ ) − Pbat · Δt · ηbat (t) (2.5)
24
où Δt est le pas de temps ou période d’échantillonnage (sampling period), σ le coefficient
d’auto-décharge de la batterie, Ibat (t), resp. Vbat (t), le courant, resp. la tension de la
batterie et ηIbat (t) est l’efficacité relative au courant en charge, son inverse en décharge.
Cette formule suppose que la température de la batterie est constante ; une baisse de
0,6% par degré est préconisée dans [Berndt, 1994] en l’absence de données constructeur.
Les phénomènes physico-chimiques en jeu étant complexes, l’on a recours en général à
une estimation de l’état de charge par des méthodes d’approximation [He et al., 2014,
Unterrieder et al., 2015]. Ces modèles d’estimations peuvent également prendre en compte
la tendance non linéaire du système à rester dans un état donné (hysteresis) [Zhang et al.,
2015] qui entraı̂ne des profils SOC-tension différents selon le sens croissant (charge) ou
décroissant (décharge).
Un modèle cinétique proposé par Manwell et McGowan [Manwell and McGowan, 1993]
a été utilisé pour le dimensionnement d’un SSE couplé à un générateur Diesel dans [Arun
et al., 2008]. L’étude conclut que le dimensionnement obtenu est peu différent de celui
calculé avec un modèle statique de batterie où l’efficacité est supposée constante (fig. 2.4).
0.5
Normalised storage capacity (days)
simple battery model

0.4 kinetic battery model
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2
Normalised generator rating
Figure 2.4 – Comparaison dimensionnement modèles batterie cinétique vs statique.
Les modèles haute-fréquence sont plutôt utilisés pour des applications temps-réel [Ren
et al., 2015], par exemple avec les batteries embarquées dans les véhicules électriques
[Nair and Garimella, 2010][Tremblay and Dessaint, 2009]. Dans [Castano et al., 2015]
plusieurs modèles ont été mis en oeuvre selon la technologie employée. Les modèles haute-
fréquence de SSE avec couplage de production d’électricité peuvent aussi être utilisés dans
des systèmes isolés (“stand-alone”) pour la compensation des variations rapides, infra-
secondes, de la source renouvelable, notamment en éolien [Mesbahi et al., 2014].
2.2.1.2 Modèles statiques
Lorsque le pas de discrétisation Δt du modèle considéré est supérieur à la constante

de temps τ du SSE, les phénomènes transitoires en jeu peuvent être négligés pour ce qui
concerne la production d’électricité. Ce qui importe est alors la capacité du SSE à fournir
(décharge) ou emmagasiner (charge) l’énergie requise au bout de cet intervalle de temps
Δt.
Dans la littérature sur le dimensionnement de stockage d’énergie à grande échelle, les
pas de temps sont généralement d’une heure [Korpaas et al., 2003]. Le SSE est alors défini
par ses caractéristiques de base [Robin et al., 2005] :
1. La capacité utile de stockage S,
2. la puissance de décharge, respectivement charge, maximale Pdecharge,max , respective-
ment Pcharge,max ,
3. l’efficacité en décharge, resp. décharge, ηdecharge , resp. ηcharge .
Deux conventions de signe sont possibles. La convention “décharge ≡ P < 0” correspond
au système vu du SSE dont l’énergie est réduite, resp. augmentée, en décharge, resp. en
charge. La convention généralement adoptée [Korpaas et al., 2003] est celle
Décharge ≡ Pstock > 0 (2.6)
qui correspond à un point de vue réseau, externe au SSE, où l’énergie déstockée s’ajoute à
celle produite par la ferme pour donner l’énergie totale injectée. C’est aussi la la convention
de signe classique du point de vue de la physique et des circuits électriques.
La puissance de stockage Pstock statique représente la moyenne de la puissance instan-
tanée durant le pas de temps. Les puissances sont considérées constantes sur l’intervalle
[t = nΔt ; t + Δt[. Nous emploierons pour simplifier, lorsqu’aucune ambiguı̈té n’est pos-
sible, la notation [t ; t + 1[ au lieu de [nΔt ; (n + 1)Δt[.
L’état de charge du SSE, en %, s’en déduit à chaque pas de temps t [Ru et al., 2013] :
SOC(t + 1) = SOC(t) − ηstock · Pstock (t) · Δt/S (2.7)

ηcharge si charge (Pstock (t) ≤ 0)
avec ηstock = 1 .
ηdecharge
si décharge (Pstock (t) > 0)
L’équation (2.7) correspond à l’équation (2.4) dans laquelle le taux d’auto-décharge est
considéré négligeable et le type de SSE non fixé a priori.
2.2.2 Modes d’intégration
2.2.2.1 Présentation
Trois modes de production/distribution de l’électricité peuvent être envisagés selon

que l’on soit connecté ou non au réseau : site isolé (non connecté), auto-consommation
(connecté), ferme (connecté) et correspondent à trois types d’intégration donc de contri-
bution du SSE à la fourniture d’électricité au réseau.
Le schéma synoptique d’un SSE couplé à une production d’électricité d’origine renou-
velable connecté ou non au réseau est présenté dans la figure 2.5. La demande est la
consommation d’une entité, foyer ou bâtiment public ou privé, disposant d’un compteur
électrique.
Figure 2.5 – Modes d’intégration du SSE.
2.2.2.2 Site isolé
En site isolé (stand-alone ou SA), la production avec stockage vise à satisfaire au mieux
une demande (charge ou load) c’est-à-dire une consommation en amont de la production
[Diaf et al., 2008] selon le principe indiqué dans la figure 2.6. Ce sont en général des
puissances de l’ordre du kW pour des capacités de l’ordre du kWh (SSE petite échelle).
Dans l’intégration des énergies renouvelables, trois configurations électriques sont pos-
sibles [Chauhan and Saini, 2014] : courant continu ou DC, courant alternatif ou AC, couplé
AC/DC. Dans les configurations AC ou DC, il n’y a qu’un bus sur lequel sont interfacés
tous les éléments à travers des circuits électroniques appropriés. La configuration AC est
plutôt utilisée dans les domaines haute-fréquence tels les applications pour l’aviation, les
sous-marins, ou l’aérospatiale.
La charge de délestage par désoptimisation du point de puissance maximale ou par
résistance de dissipation (dump load) permet au système de se départir d’une énergie qui
ne peut être utilisée ni par le SSE ni par le réseau. Cette énergie délestée sera notée Elost .
! "#
E ROLUH

Figure 2.6 – Site isolé : schéma de principe. Source [Chauhan and Saini, 2014].
2.2.2.3 Site connecté au réseau
EA,h > EL,h

SOCB,h = KB-max
EL,h > 0 Battery fully
EA,h > 0 charged
Charge
controller DC/AC
PV System E L,h > EA,h National grid
EA,h SOCB,h = KB-min
EA,h > E L,h EA,h < EL,h Battery fully
Hourly energy production SOCB,h < KB-max SOCB,h > KB-min discharged
Battery not fully Battery available
charged
EL,h > 0 EL,h > 0
Batteries User load

SOCB,h EL,h
Battery state of charge Hourly energy load
Figure 2.7 – Production EnRI (PV) connectée au réseau.
Le mode connecté (grid-connected ou GC), illustré dans la figure 2.7 est celui d’une
production industrielle, appelée centrale ou ferme, où le producteur fournit une énergie
soit au fil de l’eau si aucun moyen de stockage n’est prévu soit en fonction d’un scénario
d’injection contractualisé avec SSE. C’est le cas, par exemple en France, des appels d’offres
de la CRE. Cette approche est détaillée dans le mode d’intégration retenu de la section 3.
Ce sont en général des puissances de l’ordre du MW pour des capacités de l’ordre du
MWh (SSE grande échelle).
Une variante de ce mode GC fait l’objet d’un nombre croissant de publications. Il

s’agit des micro-réseaux (microgrids) ou systèmes distribués (Distributed Generation, DG
ou Distributed Energy Resources, DER), comme rappelé dans [Mohammadi et al., 2012]
dont est issue la figure 2.8.

(b) Micro-réseau EnRI+SSE.

(a) Cas général.
Figure 2.8 – Micro-réseau et systèmes de production distribués.

Source [Mohammadi et al., 2012]
Ce concept de production répartie datant d’Edison (1885) est aujourd’hui réactualisé

car il permet d’augmenter la fiabilité du système de production [Basak et al., 2012].
La problématique est alors de dimensionner le nombre, la répartition, la capacité des
unités de production en optimisant les coûts associés. Depuis 2009, la recherche sur les
systèmes distribués a majoritairement inclus des SSE. Cette thématique des micro-réseaux
est appelée à être un axe majeur de la production d’énergie dans le futur [Fathima and
Palanisamy, 2015].
2.2.3 Modèle retenu
2.2.3.1 Mode d’intégration
Le projet Enerstock vise à simuler puis expérimenter dans le cadre d’un cahier des
charges [Lefebvre, 2011] la fourniture au réseau public de la production industrielle d’élec-
tricité d’origine renouvelable intermittente couplée à un système de stockage. Les travaux
issus de ce projet ont donc naturellement porté essentiellement sur ce mode “Ferme” (Grid
Connected ou GC). Pour autant, le modèle développé et implémenté peut s’appliquer à
l’auto-consommation, dans le cas d’une revente d’énergie à tarif constant (cas des réseaux
insulaires).
Le mode de production en site isolé illustré dans la figure 2.5 (Mode 1) ne sera pas
étudié. Les scénarios et, par suite, les contraintes sur le stockage y sont différentes qu’en
mode connecté puisqu’il n’est pratiquement pas envisageable de ne pas satisfaire à un
instant donné la demande : le SSE doit compenser exactement, à chaque instant, la dif-
férence entre la production EnRI et la consommation. Le choix de charger ou d’injecter
dans le réseau n’est - a priori - pas possible et, par conséquent, les stratégies optimisées
de charge/décharge telles que développées dans le chapitre suivant n’ont pas lieu d’être.
L’optimisation pourrait être dans le mix à réaliser entre différentes sources pour minimiser
la taille du stockage.
2.2.3.2 Modélisation systémique
L’objectif est de déterminer quel scénario est techniquement faisable et économique-

ment viable, avec quelle EnRI et quelle taille de stockage. Le niveau de détail dynamique
avec modèle fin de chaque composant (notamment système de production / électronique
de puissance[onduleurs, transformateurs, hacheurs...]) n’est pas retenu. En effet, le choix
d’un tel modèle dépend du niveau auquel l’on se place et des objectifs attendus. Le parti
pris dans le présent mémoire est de considérer des données de production de l’ordre de
dix minutes. La dynamique liée à des influences infra-minute ou seconde n’a donc pas
lieu d’être, dans cette première approche. Le temps de réponse τ du stockage doit être
compatible avec les intervalles temporels des données, donc de l’ordre de la minute au
maximum. Puisque les pas de temps considérés pour les simulations sont de l’ordre de
la dizaine de minutes, les effets transitoires liés à la dynamique haute-fréquence - infra-
seconde - peuvent être négligés. Le modèle retenu est donc basse-fréquence (statique) mais
pourra être utilement couplé à un modèle dynamique plus fin si une technologie spécifique
est à étudier plus précisément. La contrainte technique, hypothèse principale du modèle,
est donc que le SSE est capable de fournir au bout du pas de temps considéré l’énergie
demandée si cette énergie est disponible. Ceci est justifié par le fait que les compensations
à effectuer sont en général faibles devant la puissance maximale (cf chapitre 3).
% $
% $ $
%% $&$
! %%$
"
"!
" $ $
$% $%

##

$%$
Figure 2.9 – Modèle SSE-EnRI.
La figure 2.9 représente le schéma du modèle par blocs de production et de stockage.

L’efficacité du bloc SSE prend en compte les éventuels onduleurs ou convertisseurs élec-
triques en entrée/sortie du système. Notons que ce modèle peut être appliqué à un pro-
blème de consommation d’énergie, dans un bâtiment ou une maison par exemple, en
remplaçant l’engagement de puissance Pof f re par la demande Pconso.
La puissance de charge/décharge Pstock est ici vue de l’extérieur, côté production/réseau,
mais pas vue du coté stockage. Autrement dit, le stockage est vu comme émetteur et pas
comme récepteur, d’où la convention classique de signe : “Décharge ≡ Pstock > 0”. La
puissance réellement produite par l’installation EnRI, en sortie des éventuels équipements
électriques (onduleurs), est notée Pprod . Le cas échéant, elle pourra être notée PP V , resp.
PW P ou PW V , pour la puissance PV, resp. éolienne ou houlomotrice. La puissance qui n’a
pu être stockée dans le SSE ni injectée sur le réseau est considérée perdue et notée Plost .
Il ne s’agit pas de construire un contrôle commande du stockage en conditions opération-
nelles car aucun type particulier de stockage n’est privilégié a priori. En outre, ce contrôle
nécessiterait, d’une part, une modélisation dynamique du système donc une connaissance
fine des réponses de chaque composant et, d’autre part, des données annuelles complètes
au pas de temps de la seconde, ce qui n’était le cas que pour une seule des trois sources
étudiées. Le modèle sera donc statique et de type “boı̂te noire”.
Le désavantage de cette modélisation est une réponse globale au problème du dimen-
sionnement, les composants donc les paramètres spécifiques n’étant pas détaillés. Il s’agit
là d’une première approche qui nécessite un approfondissement dans chaque cas particu-
lier de SSE. Cependant, l’avantage de cette “vue d’ensemble” est de disposer d’éléments
d’aide à la décision permettant non seulement de faire des choix de technologie donc d’in-
vestissements mais aussi d’obtenir des consignes ou principes généraux de gestion pouvant
être mis en oeuvre dans l’élaboration du contrôle commande optimisé d’un SSE donné.
2.2.3.3 Description et hypothèses de modélisation
Le principe directeur du modèle que nous avons implémenté est le fait que le stockage
intervient essentiellement pour compenser l’intermittence des EnRI, c’est-à-dire, comme
indiqué dans la figure 2.10, l’écart entre l’offre (ou engagement) et la production réelle.
L’objectif est d’augmenter la prévisibilité des sources et leur stabilité (objectif gestion-
naire) donc leur pénétration dans le réseau (objectif producteur ou citoyen).
Dans la modélisation de type “boı̂te noire” adoptée, le SSE est connu et défini unique-
ment par ses caractéristiques (statiques) de base :
1. la puissance maximale de charge Pcharge,max ,
2. la puissance maximale de décharge Pdecharge,max ,
3. le rendement en charge ηcharge ,
4. le rendement en décharge ηdecharge ,
5. l’état de charge minimal SOCmin ,
6. l’état de charge maximale SOCmax ,
7. l’état de charge initial SOC0,
!!

!"
"
" " ! "
"

Figure 2.10 – Principe de compensation de l’intermittence par le stockage.
8. la profondeur de décharge maximale dodmax .

Les variables d’entrées que nous n’avons pas retenues sont l’auto-décharge et le vieillis-
sement car ces paramètres sont très dépendants du type de stockage et nécessitent une
modélisation physique plus fine, comme indiqué dans la section précédente. Il en est de
même pour les paramètres liés directement à chaque technologie comme la température
dans les batteries ou la hauteur de bassin dans une STEP. En effet, le modèle élaboré uti-
lise comme entrées des données historiques de production et non pas les caractéristiques
des composantes servant à cette fourniture de puissance, par exemple, vitesse du vent,
type et dimension des pâles en éolien.
Concernant le vieillissement, un comptage des cycles sera effectué afin d’avoir malgré
tout, un indicateur de ce facteur en sortie. En effet, d’une part l’objectif fixé est prioritai-
rement de respecter le scénario contractualisé et d’autre part le SSE sera supposé avoir
une durée de vie de 20 ans (cas de la batterie Li-Ion SAFT Insperion 1MW). Ce para-
mètre ne sera donc pas intégré à l’optimisation mais pourrait utilement l’être, notamment
dans le cas de micro-réseau avec des batteries de plus faible puissance (quelques dizaines
de kW ou moins) d’une durée de vie autour de 10 ans voire moins. Dans tous les cas,
ces paramètres ont un impact sur l’endommagement donc sur les paramètres techniques
du stockage et, par suite, sur les résultats technico-économiques [Latimier et al., 2014],
impact qu’il faudrait quantifier dans une approche plus fine.
L’auto-décharge n’est pas pris en compte car très variable selon les types de stockage.
De plus, dans notre étude, le stockage est rarement au repos car cela correspondrait à
une production EnRI exactement égale à l’offre prévue la veille. Dans le cas d’un SSE
électro-chimique, la batterie serait donc cyclée et les effets de l’auto-décharge négligeables
[Rydh and Sandén, 2005].
Nous supposons enfin que les temps de réponse du stockage sont suffisamment inférieurs
au pas de temps considéré pour fournir ou emmagasiner l’énergie requise si celle-ci est dis-
ponible. Cela implique une contrainte supplémentaire sur le SSE. La puissance modélisée
fournie ou absorbée par le stockage correspond alors à la puissance moyenne du système
réel sur le pas de temps, ce qui permet de négliger les effets transitoires du système :
t+Δt
1 instant
Pstock (t) = Pstock (τ ) dτ (2.8)
Δt t
Ainsi, à l’intérieur du pas de temps, les puissances, Pstock en particulier, sont considérées
constantes. L’énergie à charger/décharger durant [t; t + Δt] est donc proportionnelle, au
coefficient d’efficacité près, au produit de la puissance Pstock (t) par le pas de temps Δt,
conformément à l’équation (2.7) du SOC en modèle statique.
Les rendements en charge,décharge ηcharge,decharge sont posés comme étant les rende-
ments globaux du sous-système stockage. Toutes les pertes internes, notamment la dissi-
pation de chaleur par effet Joule, sont intégrées dans ces rendements globaux. Les rende-
ments intermédiaires entre le SSE et le point de livraison réseau tels l’interface électrique
(lignes, onduleurs, convertisseurs, transformateurs éventuels) sont supposés également y
être englobés. En première approximation, ces rendements sont supposés constants au
cours de l’année et indépendants de l’état de charge. Une modélisation plus fine pour un
type de stockage spécifique, par exemple électro-chimique, gravitaire ou à air comprimé,
fait partie des perspectives de cette thèse.
2.2.3.4 Equations
La puissance du stockage Pstock est contrainte par la puissance maximale en charge/décharge

et par la capacité disponible. Le fonctionnement du stockage et le calcul de son état de
charge découlent des choix effectués précédemment, adoptés par exemple dans [Ru et al.,
2013], avec, en sus, la prise en compte de la profondeur de décharge maximale. En fonction
des besoins en énergie et de la tolérance tol admise sur la puissance injectée au réseau,
le stockage doit charger ou décharger avec une certaine puissance Pt à l’instant t comme
suit :
— DECHARGE (Pt ) avec Pt > 0 :

⎧
⎪
⎪Pstock (t) = min(Pt , Pdecharge,max , Psup (t), Pof f re (t) + tol)
⎪
⎪
⎪
⎪
⎨Pgrid (t) = Pprod (t) + Pstock (t)
Plost (t) =0 (2.9)
⎪
⎪
⎪
⎪SOC(t + 1) = SOC(t) − ηdecharge
1
Pstock (t)Δt/S
⎪
⎪
⎩
DOD(t + 1) = DOD(t) + (SOC(t) − SOC(t + 1))
— CHARGE (Pt ) avec Pt ≤ 0 :
⎧
⎪
⎪ Pstock (t) = max(Pt , −Pcharge,max , Pinf (t), −Pprod (t))
⎪
⎪
⎪
⎪
⎨Pgrid (t) = min(Pprod (t) + Pstock (t), Pof f re (t) + tol)
Plost (t) = Pprod (t) + Pstock (t) − Pgrid (t) (2.10)
⎪
⎪
⎪
⎪ SOC(t + 1) = SOC(t) − ηcharge Pstock (t)Δt/S
⎪
⎪
⎩DOD(t) =0
où

Psup (t) = min(SOC(t) − SOCmin , DODmax − DOD(t)) · S · ηdecharge /Δt
. (2.11)
Pinf (t) = (SOC(t) − SOCmax ) · S/(ηcharge Δt)
Les puissances sont exprimées en kW, l’état de charge et la profondeur de décharge en

pourcentage de la capacité utile.
Ces équations expriment en premier lieu le fait que la puissance du SSE est, en condi-
tions opérationnelles et à chaque instant, limitée par sa puissance maximale, sa capacité
disponible, la profondeur maximale admise en cas de décharge ainsi que l’écart à compen-
ser, à la tolérance près.
Idéalement, sans aucune stratégie, le SSE devrait compenser exactement l’écart entre
l’engagement de puissance et la puissance EnRI réellement produite i.e. :
Pt = Pecart (t) = Pof f re (t) − Pprod (t) (2.12)
Les stratégies de fonctionnement optimisé du stockage appelées “charge adaptative” et

décrites dans le chapitre 3 proposeront de ne pas respecter scrupuleusement cette égalité.
2.3 Modèle économique
2.3.1 Modèles standards
2.3.1.1 Classification
Les modèles standards peuvent être répertoriés selon les critères utilisés pour quanti-
fier la performance, souvent synonyme de rentabilité, du système étudié. Cette évaluation
n’est en général pas spécifique à un SSE et se réfère à tout système de production d’élec-
tricité, couplé/hybride ou non, connecté au réseau [Mohammadi et al., 2012]. La viabilité
économique d’une installation dépend de différents paramètres comme les taux d’actua-
lisation, d’inflation ainsi que les coûts d’investissement initial, de remplacement éventuel
du stockage, de fonctionnement et de maintenance.
Il existe deux types de situations prises en compte dans ces modèles : marché “spot”
ou prix constant. Dans le marché spot le prix de revente est fluctuant selon l’offre et la
demande et peut varier du simple au double. Cette situation correspond plus à un marché
interconnecté qu’à des zones isolées [Korpaas et al., 2003].
2.3.1.2 Critères de performance économique
Pour dimensionner le SSE, il est nécessaire d’évaluer le système non seulement en terme
technique - fiabilité notamment, cf section 2.4 - mais aussi économique. La rentabilité
2.3. MODÈLE ÉCONOMIQUE 55
économique du couple EnRI-SSE peut être mesurée à travers différentes notions présentées
ci-après [Luna-Rubio et al., 2012].
En ce qui concerne les coûts, l’analyse sur tout le cycle de vie (Life Cycle Cost Analysis
ou LCCA [Ma et al., 2014a]) est l’approche historique privilégiée. L’analyse complète des
coûts sur le cycle de vie prend en compte l’ensemble des coûts associés au projet pendant
toute sa durée de vie. Les coûts associés sont classiquement : l’investissement initial, les
coûts de fonctionnement et de maintenance (Operation and Maintenance ou OM), les coûts
de remplacement, les coûts résiduels liés à la valeur de récupération (salvage value) [Zakeri
and Syri, 2015]. Ces coûts sont actualisés annuellement durant la vie de l’installation
EnRI+SSE. En effet, si l’on veut comparer des flux financiers cumulés sur une période
pluriannuelle donnée, ceux-ci doivent être convertis en valeur actualisée (NPV) à travers
un taux d’actualisation annuel act (discount rate) pour tenir compte de l’évolution du
coût du capital.
Le coût d’investissement total invtot (Total Capital Cost ou TCC) est le coût initial de
l’ensemble des composants du système :
invtot = CSSE · S + CEnRI · Pinst + Cpcs · Ppcs (2.13)
où CX représente le cout unitaire du composant X soit par MWh ou MW soit par module
lorsque l’on cherche à optimiser le nombre d’unités de production EnRI/SSE. Le PCS
(Power Conversion système) représente l’interface électrique i.e. l’ensemble des éléments
de conversion de puissance tels les onduleurs, transformateurs, hacheurs...
*** Coût total annualisé (Total Annualized Cost of the System ou TAC)
Le TAC est calculé en prenant en compte la valeur actualisée nette (Net Present Value
ou NPV) des coûts totaux (investissement initial, maintenance et coûts de remplacement)
sur la période, annualisée via le facteur de recouvrement de l’investissement Capital Re-
covery Factor ou CRF [Luna-Rubio et al., 2012] :
T AC = (NP V (invtot ) + NP V (rempl) + NP V (OM)) · CRF (2.14)
où inv, resp. rempl et OM représentent l’investissement, resp. les coûts de remplacement
et de maintenance du système, l’installation EnRI+SSE dans notre cas.
La NPV reflète la valeur présente réelle d’une coût/revenu actualisée par la valeur du
capital à l’année n. La NPV d’un flux financier C sur une période n est donnée par [Short
et al., 1995] :
n
Ci
NP V [act, n, C] = i
(2.15)
i=0
(1 + act)
Le CRF est donnée par [Lazou and Papatsoris, 2000] :
d(1 + d)n
CRF [d, n] = (2.16)
(1 + d)n−1 − 1
avec d le taux d’intérêt nominal (e courants), pris égal au taux d’actualisation act et n la
période considérée, par exemple la durée de vie du système, en années. Dans [Yang et al.,
2009], le coût annualisé du système (Annualized Cost of System ou ACS) est calculé avec
le CRF basé sur le taux d’actualisation réel d = act−inf

1+inf l
l
, en e constants [Short et al.,
1995]. Le coût de remplacement de la batterie est alors actualisé par le facteur de fonds
d’amortissement SFF (sinking fund factor)
d
SF F [d, n] = . (2.17)
(1 + d)n − 1
*** Coût énergétique unitaire (Levelized cost of energy , LCOE ou LCE)

Le coût énergétique unitaire peut être défini comme le prix constant par unité d’éner-
gie qui permet un juste retour sur l’investissement. C’est une estimation économique de
l’énergie générée par le système de production qui inclut tous les coûts pendant toute sa
durée de vie. Ce coût est donc le ratio entre le coût total annualisé du système et l’énergie
totale (EnRI) produite [Luna-Rubio et al., 2012] :
T AC
LCE = (2.18)
Etot
Cette approche a notamment été utilisée par [Diaf et al., 2008] pour le dimensionnement
optimal du stockage d’EnRI. Le LCE d’un SSE est calculé spécifiquement dans [Pawel,
2014].
*** Valeur Actualisée Nette globale (Net Present Value ou NPV)
La NPV du flux de trésorerie ou cash flow du système peut être calculée en ajoutant
les valeurs actualisées des revenus et y soustrayant les valeurs actualisées des coûts totaux
[Dufo-López et al., 2009] :
NP VCashF low = NP Vrevenus − NP Vcoûtstotaux (2.19)
Les revenus sont liés à la revente d’énergie au réseau (mode connecté GC) ainsi qu’à
la valeur résiduelle V R du bien en fin de vie
N
Revenus(n) = Egrid,n (t) ∗ cgrid,n (t) + V R (2.20)
t=1
où Egrid,n (t) est l’énergie injectée sur le réseau au tarif cgrid,n (t), durant l’intervalle [t−Δt, t[
de l’année n. Une approche uniquement fondée sur les revenus est aujourd’hui moins ré-
pandue car elle ne prend pas en compte l’ensemble des coûts (investissements et fonction-
nement) liés à l’installation de production, avec ou sans stockage.
*** Taux interne de retour (Internal Rate-of-Return ou IRR)
Le taux interne de retour est le taux d’intérêt réel du système durant sa durée de
vie opérationnelle (n années). Il fait référence au retour sur investissement (ROI) et est
associé à la NPV des flux de trésorerie. L’IRR est calculé comme le taux d’actualisation
permettant une NPV du projet égal à 0 [Short et al., 1995] :
n
Ck
= NP V = 0 (2.21)
k=0
(1 + IRR)k
*** Temps de retour sur Investissement (Payback period ou PBP)

Le PBP est la période de retour sur investissement i.e. le temps nécessaire à ce que
l’ensemble des coûts soit compensés par l’ensemble des recettes. On peut le calculer par
[Chauhan and Saini, 2014] :
investissement initial
P BP = (2.22)
rentrée de fonds par période
En conclusion, les critères économiques sont issus de l’analyse des coûts et des revenus
sur la durée de vie totale du projet. Les définitions associées et présentées (LCE, ACS,
PBP, NPV, IRR...) sont aussi appelés critères de faisabilité économique [Luna-Rubio
et al., 2012]. Ces critères sont utilisés par différents auteurs pour l’élaboration de modèles
de dimensionnement optimal, généralement en tant que fonction objectif à minimiser
(cf section 2.5). Chauhan [Chauhan and Saini, 2014] présente une revue des fonctions
objectifs coûts utilisées dans des articles de dimensionnement SSE avec EnRI. Dans [Zakeri
and Syri, 2015], est également présentée une revue des différentes approches économiques
relatives au stockage d’énergie électrique. Les critères les plus utilisés sont le coût total
rapporté à l’énergie produite LCE, en e/MWh, et la valeur actualisée nette des coûts
NPV, en e ou e/MWc.
2.3.2 Modèle utilisé
2.3.2.1 Objectif et choix du modèle
L’objectif final de l’analyse économique est de déterminer la profitabilité du stockage

c’est-à-dire l’intérêt financier, pour un producteur EnRI, d’investir dans un SSE pour
fournir un profil de puissance ou scénario dédié. A partir de ce modèle, il doit être possible
de définir, pour chaque scénario et chaque source, le tarif annuel minimal de revente
d’énergie permettant un retour sur investissement dans le stockage favorable i.e. positif à
20 ans.
Pour obtenir l’intérêt ou le gain économique du SSE à 20 ans, l’ensemble des coûts
et des revenus doivent être considérés. C’est pourquoi les variables d’entrée économiques
prennent en compte à la fois l’investissement, son amortissement, les coûts d’exploitation
y compris l’éventuel remplacement du stockage ainsi que les revenus issus de la produc-
tion/revente d’énergie. Les taux d’actualisation et d’inflation font également partie du
modèle et permettent ainsi de déterminer la valeur actualisée nette de la rentabilité de
l’installation avec et sans stockage.
Le rapport exhaustif de la NREL 1 [Short et al., 1995] sur l’évaluation économique des
technologies liées aux énergies renouvelables présente les éléments de choix d’un critère
économique en fonction du type de projet EnR. Ce rapport recommande l’analyse NPV
globale pour évaluer les décisions d’investissement dans des projets ayant des caractéris-
tiques techniques, économiques, sociales ou environnementales différentes, comme dans
notre cas - avec et sans stockage. Cette méthode permet une comparaison avec un in-
vestissement plus grand mais des retours plus favorables. L’analyse des coûts sur le cycle
1. National Renewable Energy Laboratory, Département de l’Energie américain.
de vie (LCC) est aussi considérée dans ce rapport comme pouvant être utilisée pour de
telles comparaisons. La LCC est employée dans [Ma et al., 2014a] afin de déterminer l’al-
ternative de stockage (STEP ou PAC par exemple) économiquement la plus intéressante.
Cependant, il nous a paru important de tenir compte également non seulement des coûts
mais aussi des revenus, différents avec et sans stockage. Les revenus seront donc intégrés
au calcul de la NPV globale.
Le modèle d’analyse NPV globale choisi vise à déterminer la rentabilité économique de
la production EnRI avec stockage sur la période d’étude considérée. Une approche similaire
a été utilisée dans [O’Connor et al., 2013] pour évaluer la performance économique d’une
ferme de production d’électricité à partir d’énergie renouvelable couplée à un SSE.
Remarquons enfin que les différents objectifs d’optimisation sont liés entre eux : maxi-
misation de la fiabilité et de l’énergie injectée donc des bénéfices d’une part, minimisation
de la capacité requise, de l’énergie perdue et du tarif de revente d’autre part. En parti-
culier, la rentabilité du stockage augmente lorsque, à capacité constante, plus d’énergie
est fournie au réseau. L’exigence d’une valeur ajoutée positive du stockage à 20 ans aura
donc tendance à maximiser aussi l’énergie fournie au réseau dans le respect du scénario.
D’autre part, puisque plus l’énergie produite peut être injectée au réseau moins celle-ci
est perdue, cette contrainte sur la rentabilité du stockage tendra également à minimiser
l’énergie perdue.
2.3.2.2 Hypothèses du modèle économique
Le modèle économique retenu ne prend pas en compte des pénalités quadratiques ap-
pliquées lorsque le scénario n’est pas respecté qui conduiraient à valoriser fortement une
injection proche de la limite tolérée. Les pénalités sont supposées linéaires, selon un coeffi-
cient fixé - e.g. 50 2 à 100% - appliqué au tarif de revente de l’énergie conforme, fournie dans
le respect du scénario. Une étude sur l’incidence de ce niveau de pénalité sera effectuée
dans le chapitre 3 (section)
Une pénalité élevée de 100% incite fortement le producteur à respecter au maximum le
scénario qu’il a contractualisé avec le gestionnaire. Les revenus sont alors proportionnels
à l’énergie injectée dans le respect du scénario Egrid,Serv (énergie conforme) et au tarif de
revente F IT :
revenus(n) = Egrid,Serv (n) · F IT · (1 + inf l)n (2.23)
Le coût de maintenance comprend l’ensemble des coûts d’exploitation par nature très
dépendants du site, de la technologie, des subventions ... Son montant courant est donné
par [Short et al., 1995] :
maintenance(n) = (omEnRI invEnRI + omsse invsse ) · (1 + inf l)n (2.24)
Il ne s’agit pas, dans ce cadre, d’exprimer une vision exhaustive des coûts de fonctionne-
ment et de maintenance (main d’oeuvre, matériel, charges fixes/variables...) d’une instal-
2. Critère de pénalisation de l’appel d’offres éolien-stockage de la CRE [Commission de Régulation de
l’Energie, 2010] : “la production durant la période de 10 minutes pendant laquelle [un] écart survient est
rémunérée à 50% du tarif [de rachat]” (§6.2 Garantie de la production électrique).
lation de production EnRI couplée à un SSE associés mais de comparer les 3 sources sur
une même base.
La durée de vie de l’installation est supposée supérieure ou égale à 20 ans, ce qui est,
en général, le cas des centrales EnRI [Pawel, 2014].
Le tarif (feed-in tariff ou F IT ) est le prix de revente de l’énergie conforme i.e. res-
pectant le scénario d’injection réseau, contractualisé entre le producteur au gestionnaire.
Afin de comparer, pour chaque scénario, les tarifs optimisés de revente de la production
EnRI+SSE, le tarif de revente sans stockage F IT0 sera fixé identique pour chaque source.
Les coûts du stockage (acquisition et maintenance), au vu de la modélisation par bloc
(cf section 2.2), englobent les coûts des éléments de conversion de puissance associés.
La durée de l’analyse économique, ou durée d’étude en années et notée Ne , peut être
supérieure à la durée de vie du stockage mais inférieure à la durée de vie de la centrale.
En effet, le projet étant délimité par l’installation construite, il n’y pas de sens à étudier
ce projet après sa durée de vie. En général, cette durée d’étude correspond à la durée
d’amortissement du bien, soit 20 ans dans notre cas. La valeur résiduelle est la valeur d’un
bien à la fin de la période considérée. Si l’investissement peut être revendu ou recyclé, elle
est positive. S’il doit être démantelé ou détruit, elle peut être négative. En général, cette
valeur est estimée comme tarif de revente du bien en fin de période d’étude. Elle est traitée
comme une source de revenu. Dans le cas d’une centrale de production EnRI, il n’est pas
possible de revendre l’installation en fin de vie, cette valeur sera prise égale à 0 pour une
période d’étude de 20 ans.
La production injectée sur le réseau est supposée constante sur la durée d’étude, égale
à la production initiale. En effet, en l’absence d’historique de production sur plusieurs
dizaines d’années, l’hypothèse que la moyenne météorologique annuelle (ensoleillement,
vent, houle) reste stable sur 10 ou 20 ans est raisonnable dans les zones à fort poten-
tiel. D’autre part, l’on peut supposer que les variations éventuelles en cours de projet
pourraient être compensées par des gains de productivité, par exemple des progrès tech-
nologiques. En tout état de cause, cette hypothèse ne remet pas en cause l’analyse issue du
modèle économique puisqu’elle s’applique à la production avec stockage et sans stockage.
2.3.2.3 Calcul de la NPV
L’amortissement qui vient en déduction des taxes prélevés sur le revenu est nécessaire à
l’analyse économique. L’amortissement permet à une entreprise de constater, de manière
comptable, la dépréciation ou la perte de valeur d’un bien au fil des années et de son
utilisation. Deux méthodes de calcul peuvent être envisagées : l’amortissement dégressif
et l’amortissement linéaire 3 . L’amortissement est calculé à partir des règles MACRS 4
éditées dans une publication annuelle du service des impôts américain [Internal Revenue
Service, 2014]. Le taux d’amortissement y est donné par type et durée de projet. Pour la
production d’énergie renouvelable, ce taux est fixé à 200%.
La valeur nette comptable (VNC) est la valeur du bien diminuée de l’amortissement.
3. Declining Balance Depreciation et Straight Line Depreciation en anglais
4. Modified Accelerated Cost Recovery System
L’amortissement dégressif est basé sur l’investissement initial inv puis calculé à l’année
n + 1 de proche en proche en fonction de la VNC de l’année précédente comme suit :
V NC(n + 1) = V NC(n) − amortis(n + 1) (2.25)
avec l’amortissement

amortisdeg (n + 1) = V NC(n) ∗ dep/Ne si degressif > linéaire
amortis(n + 1) =
amortislin (n + 1) = V NC(n)/(Ne − n + 1) si linéaire ≥ degressif
(2.26)
et V NC(0) = inv.
Le tableau 2.1 donne un exemple d’amortissement pour un investissement d’un million
d’euros sur 10 ans (arrondi à l’unité la plus proche).
Table 2.1 – Exemple de calcul d’amortissement d’un investissement (US vs FR).
Année Amortissement Amortissement Amortissement VNC fin Amortissement VNC fin

dégressif (US) Linéaire retenu (US) d’exercice (US) dégressif (FR) d’exercice (FR)
1 200000 100000 200000 800000 225000 775000
2 160000 88889 160000 640000 174375 600625
3 128000 80000 128000 512000 135141 465484
4 102400 73143 102400 409600 104734 360750
5 81920 68267 81920 327680 81169 279582
6 65536 65536 65536 262144 62906 216676
7 52429 65536 65536 196608 54169 162507
8 39322 65536 65536 131072 54169 108338
9 26214 65536 65536 65536 54169 54169
10 13107 65536 65536 0 54169 0
La durée d’étude est la durée d’amortissement de l’installation prise égale à sa durée

de vie, soit 10 ans pour cet exemple. Aucune revente n’est escomptée et la valeur résiduelle
du bien en fin de projet est nulle. Le taux d’amortissement dégressif américain dep est
de 200% sur la période (double declining balance depreciation), soit 20% par an et le
taux annuel français est égal à (1/10) ∗ 2, 25 soit 22,5%. La base légale française conduit
donc à un amortissement plus rapide que le calcul américain, ce qui est une incitation à
l’investissement.
Le flux de trésorerie (”cash flow” en anglais) pour l’année n représente la trésorerie
nette après enlèvement des taxes sur le revenu taxable, compte-tenu de l’amortissement
de l’investissement :
Cn = revenus(n) − OM(n) − taxe ∗ (revenus(n) − OM(n) − amortis(n)) (2.27)
où la maintenance à la fin de l’année n + 1 est donnée par
OM(n + 1) = OM(1) ∗ (1 + inf l)n (2.28)
Un calcul classique de la Valeur Actualisée Nette (NPV) du cash flow est alors effectué.
La NPV, cumul sur la période de tous les cash flows actualisés, est donnée par [Short et al.,
1995] :
n
Ck
NP V (n) = (2.29)
k=0
(1 + act)k
où C0 est le cash flow initial i.e. la valeur opposée de l’investissement de départ.
Le tableau 2.2 reprend l’exemple précédent avec un taux de d’actualisation de 10%. Le
revenu initial est tiré d’une production annuelle de 1 GWh revendue à 100 e/MWh. Le
coût de maintenance est de 5% de l’investissement initial et subit une inflation, comme le
tarif de revente et le revenu, de 2%.
Table 2.2 – Exemple de calcul de Valeur Actualisée Nette (NPV).

Année Investissement Maintenance Amortissement Revenus Revenu taxable Impôt Cash flow net Cn Valeur actualisée
n (a) (b) (c) (d) (e)=(a-b-c) (f)=(e)*taxe (g)=(c-a-b-f) (g)*coefact (n)
0 1000000e 0 0 0 NA NA -1000000e -1000000e
1 0 51000 200000 204000 0 0 153000 139091
2 0 52020 160000 208080 0 0 156060 128975
3 0 53060 128000 212242 31181 7795 151386 113738
4 0 54122 102400 216486 59965 14991 147374 100658
5 0 55204 81920 220816 83692 20923 144689 89841
6 0 56308 65536 225232 103388 25847 143077 80763
7 0 57434 65536 229737 106767 26692 145611 74722
8 0 58583 65536 234332 110213 27553 148196 69134
9 0 59755 65536 239019 113728 28432 150832 63967
10 0 60950 65536 243799 117313 29328 153521 59189
NP V = -79921 e
Le revenu taxable et, par suite, l’impôt prélevé est nul les 2 premières années, compte-
tenu de la maintenance et de l’amortissement déductibles. La valeur négative de la NPV
indique un projet qui n’est pas rentable, hors subvention publique ou aide extérieure.
Le temps de retour sur investissement dans le stockage tris mesure l’intérêt économique
d’investir dans un SSE par rapport à une production sans stockage. Si ce temps est
supérieur à la durée de vie de l’installation, il est préférable pour le producteur de réaliser
le projet sans SSE. Il est défini par
tris = min{n ≤ Ne ; NP VEnRI+SSE (n) > NP VEnRI (n)} (2.30)
si l’ensemble est non vide, “> Ne ” sinon, avec Ne période d’étude inférieure à la durée de
vie de l’installation. Rappelons que, bien que n’étant pas explicite dans cette formule, la
valeur actualisée des bénéfices, avec ou sans stockage, est bien dépendante de toutes les
variables d’entrée, notamment du tarif de revente.
En conclusion, le critère économique retenu n’est pas le revenu ni le coût total mais la
valeur ajoutée du SSE qui mesure l’intérêt d’investir dans un stockage par rapport à une
production EnRI seule. La performance économique du stockage est donc évaluée par sa
contribution à la rentabilité de l’installation. Cette contribution, appelée valeur ajoutée
ou gain, sur une période de n années est définie, pour chaque scénario et source d’énergie,
par
valeur ajouteeSSE (n) = NP VEnRI+SSE (n) − NP VEnRI (n) (2.31)
On voit ici l’intérêt de choisir un calcul économique (NPV) permettant de comparer des
projets exclusifs l’un de l’autre avec des investissements et des revenus différents. En
effet, dans ce cadre, le modèle économique adopté permet alors de calculer le tarif de
revente minimal F IT ∗ pour le scénario considéré donnant une valeur ajoutée - positive
- du stockage à 20 ans. C’est ce critère qui est choisi dans le cadre de l’optimisation
technico-économique du dimensionnement (cf chapitres suivants).
2.4 Scénarios d’injection réseau
2.4.1 Principe général
Les scénarios présentés dans cette section ne sont pas des services système au sens
strictement électrique du terme : qualité de l’électricité (maintien en fréquence ou en
tension), arbitrage prix ou réserves primaires, secondaires, tertiaires... Le mot “service”
sera tout de même employé pour désigner la prestation de fourniture annuelle d’énergie
issue de la production couplée EnRI+SSE qui est un engagement contractualisé entre le
producteur et le gestionnaire. Cet engagement donc les scénarios associés diffèrent selon
soit
— le type d’engagement : production lissée journalière ou garantie annuellement,
— la plage horaire : toute la journée ou sur un ou plusieurs créneaux horaires,
soit les deux. La figure 2.11 donne trois exemples de scénarios classiques : puissance
garantie, effacement de pointe (ou peak shaving en anglais), lissage infra-horaire.

( )P !! g" $ " "
Figure 2.11 – Scenarios d’injection Réseau.

Source [Zhao et al., 2015]
La présente section donne le principe général, la description ainsi que les tarifs appli-
cables à chacun des 8 scénarios d’injection réseau relatifs aux trois types de service fournis
par le producteur au gestionnaire : S1, S2 et S3.
Le principe général défini dans le cahier des charges du projet Enerstock [Lefebvre,
2011] est que le producteur annonce la veille pour le lendemain une offre de puissance
qu’il s’engage à respecter. Cette offre ou engagement de puissance est encadrée par un
contrat annuel sur lequel se sont engagés le producteur, pour la fourniture du service et
le gestionnaire pour le tarif d’achat de l’énergie ainsi produite.
Deux types de tolérance sont alors prévues :
1. la tolérance sur le niveau de puissance injectée tol,
2.4. SCÉNARIOS D’INJECTION RÉSEAU 63
2. la tolérance sur le non respect de l’engagement DT Rmax .

La tolérance sur le niveau de puissance injectée tol peut être vue de deux façons. Du
point de vue du producteur, il s’agit d’une marge de manoeuvre en cas de besoin liée à
une production trop forte ou trop faible. Côté gestionnaire, la tolérance peut être utilisée
comme un paramètre de décision, par exemple dans le cas d’un appel d’offres, afin d’avoir
plus sûrement un scénario respecté et donc un réseau plus sécurisé. Le producteur n’est pas
considéré en défaut s’il fournit une puissance comprise entre l’engagement plus ou moins la
tolérance Pof f re ±tol. L’énergie injectée dans le réseau peut donc être légèrement différente
de l’engagement compte tenu de la tolérance admise ainsi que des défauts éventuels. Ces
deux niveaux de tolérance sont des variables d’entrée du modèle.
Un défaut représente le pas de temps Δt durant lequel le service donc le scénario n’est
pas respecté i.e.

1 si Pgrid (t) < Pof f re (t) − tol (défaut)
def aut(t) = ,
0 sinon (service respecté)
La part de défaut (Default Time Rate ou DTR), est alors définie comme la proportion
du temps où le service n’est pas respecté. Le taux DTR est donc une mesure de la non
fiabilité du système EnRI+SSE :
N
1
DT R = def aut(t), (2.32)
N t=1
où N est le nombre de pas de temps sur la période considérée. Un DTR de 0% signifie un
système totalement fiable alors qu’un système avec un DTR de 100% ne l’est pas du tout.
La figure 2.12 montre un exemple de défaut survenant lorsque la production réelle du
jour est, malgré le stockage, inférieure - à la tolérance près - à l’engagement de puissance
(offre) fait la veille.

Figure 2.12 – Tolérance et défaut de service dans les scénarios d’injection réseau.
Durant un défaut, l’engagement de puissance fait la veille n’est pas satisfait, à la tolé-
rance autorisée près, soit à cause d’une défaillance technique soit à cause d’une production
insuffisante mal anticipée. Cette définition est similaire à celle développée dans [Yang et al.,
2008] pour un système hybride Solaire+Eolien couplé à une batterie. Dans cette étude où
l’engagement correspond à une demande de consommation, le DTR est alors représenté
par la perte de probabilité de fourniture de puissance (Loss of Power Supply Probability
ou LPSP, cf section 2.5.1.3).
Le producteur est considéré comme ayant respecté le service, donc son engagement,
si la part de défaut est inférieure à un seuil contractuel DT Rmax . Pour les applications
numériques et les simulations des chapitres suivants, la valeur de base de ce seuil est fixée
égale à 5% [Lefebvre, 2011].
Il n’y a pas de défaut lors d’une surproduction. Ce cas pourrait représenter un dépas-
sement haut de l’offre mais l’énergie produite en surplus qui ne peut ni être chargée dans
le SSE ni fournie au réseau est considérée comme perdue (Elost ). Cette perte se produit
lorsque le stockage est plein et que la production est plus élevée que la borne supérieure
admise Pof f re (t) + tol. Elle peut être programmée soit par une déconnexion d’une par-
tie des équipements de production soit par une opération des onduleurs/convertisseurs
situés juste avant le réseau soit encore via une valorisation en interne de cette énergie
(auto-consommation par exemple).
L’énergie Egrid,Serv injectée dans le réseau pendant que le service est satisfait, aux
tolérances près, est appelée énergie conforme et est donnée par
N
Egrid,Serv = (1 − def aut(t)) · Pgrid (t) · Δt
t=1
= Pgrid (t) · Δt. (2.33)

1≤t≤N
Pgrid (t)≥Pof f re (t)−tol
L’intérêt du producteur comme celui du gestionnaire est de minimiser les défauts (respect
du service) et de maximiser cette énergie conforme injectée dans le réseau donc les revenus
du producteur et, par suite, la rentabilité de l’installation.
Un exemple de production EnRI+SSE fournie au réseau est donné dans la figure 2.13
qui montre les cas d’énergie perdue et de défaut dus à la capacité restreinte du stockage.
Les puissances produite (EnRI) et injectée (EnRI+SSE) sont données en kW par MW
installé.
Dans cet exemple, lorsque le stockage est plein à 7h30 et que la production est supérieure
à l’offre annoncée la veille, l’énergie produite est perdue, au sens défini dans le modèle de
stockage, alors que le stockage vide à 18h entraı̂ne, dans un contexte de faible production,
un non respect de l’offre appelé défaut. L’on voit naturellement l’intérêt de mettre en
place des stratégies qui permettront de limiter ces évènements ; c’est ce qui sera fait au
chapitre 3.
Deux classes principales de scénarios d’injection réseau ont été définies dans le cahier
des charges du projet Enerstock [Lefevre and Guilbaud, 2011]. Ces scénarios correspondent
aux exigences requises par le gestionnaire de réseau afin de répondre aux impératifs de
prévisibilité et de sécurité d’approvisionnement du réseau. La première classe de scénarios
S1 consiste en la fourniture d’une puissance non garantie mais prévue et lissée la veille

P bid (kW)
P bid − tol (kW)
P bid + tol (kW)
P prod (kW)
P grid (kW)
SOC(%S)
Energie perdue
Puissance (kW/MWc)

Défaut

Heure
Figure 2.13 – Exemple de production EnRI+SSE avec défaut.
pour le lendemain alors que la deuxième classe S2 permet d’injecter sur le réseau une
puissance constante garantie, aux tolérances près, toute l’année. Enfin, afin d’augmenter
les puissances fournies, il nous a paru utile d’y ajouter une dernière classe de scénarios
S3 comme combinaison des deux premières. Ce type de scénario comporte une partie non
garantie, par exemple hors créneau de pointe, et une partie garantie, par exemple durant
la pointe du soir. Les variantes de chaque scénario permettent d’adapter soit le type de
puissance fournie (S1) soit les horaires de début ou de fin du scénario et de concentrer le
scénario S2 sur des créneaux de pointe plus intéressants financièrement car plus tendus
en terme d’approvisionnement.
Ces scénarios seront étudiés plus en détail dans le chapitre 4, en condition opérationnelle
où seulement la production antérieure au jour J et la prévision J+1 sont connues.
2.4.2 Description des scénarios
2.4.2.1 Scénarios S1 : puissance prévue et lissée
Le premier type de scénarios S1 correspond à une puissance

— prévue : le producteur annonce la veille une chronique de production pour le lende-
main,
— lissée : la chronique de production est horaire et une interpolation linéaire de la
puissance est faite entre chaque heure ronde.
Dans ce type de service, aucun minimum garanti de puissance n’est fourni par le pro-
ducteur au gestionnaire qui peut donc annoncer une puissance nulle à certaines heures de
la journée. Deux profils de chronique horaire, associées à deux variantes des scénarios S1,
sont envisagés et représentés :
— scénario S1a : chronique horaire basée sur la prévision,

— scénario S1b : chronique de production constante sur la journée (mais variable d’une
journée à l’autre)
La figure 2.14 représente ces deux scénarios du service S1.

Figure 2.14 – Scénarios d’injection réseau S1a et S1b.
Afin d’étudier le niveau de puissance adapté à chaque source pour chaque scénario, le
facteur coef prev est introduit. Ce coefficient multiplicatif positif représente la part de la
puissance prévue que le producteur s’engage à fournir la veille pour le lendemain. Ceci
conduit pour chaque variante aux définitions suivantes de la puissance annoncée Pof f re la
veille pour le lendemain :
S1a ≡ Pof f re (heure) = coef prev · Pprev (heure) (2.34)

S1b ≡ Pof f re (jour) = coef prev · P prev (jour) (2.35)
Par exemple, choisir coef prev = 1, resp. 0,8 et 1,2, dans le scénario S1b revient à
annoncer chaque jour exactement la moyenne de prévision de puissance durant toute
la journée du lendemain, resp. -20% et +20%. Il est envisageable que ce facteur soit
réactualisé tous les jours pour le lendemain en fonction des informations disponibles,
notamment du seuil de confiance sur la prévision donc de la probabilité que cette prévision
se réalise. Plus cette probabilité est grande plus le niveau de puissance annoncé peut être
élevé et le coefficient coef prev proche voire supérieur à 1.
La figure 2.15 donne un exemple d’annonce la veille pour le lendemain dans le cas du
scénario S1a.
L’annonce horaire est, au coefficient sur la fourniture de puissance coef prev près, égale
à la prévision horaire du lendemain. Les scénarios S1 sont donc fortement dépendant de
la prévision de puissance, donc météorologique, qui détermine l’offre horaire sur laquelle
s’engage le producteur, la veille pour le lendemain.
Bien que ce scénario ne garantisse pas une puissance minimale il permet au gestion-
naire :
— d’anticiper la production disponible du lendemain,
— de lisser l’offre i.e. de compenser les variations infra-horaires ou infra-journalières de
ce type d’énergie intermittente.

Eolien
Houle
PV

Puissance (kW/MWc)

Heure
Figure 2.15 – Scénario S1a - exemples d’annonce EnRI+SSE.
Ces scénarios contribuent donc à améliorer la sécurité de l’approvisionnement énergétique

et, par suite, la pénétration des EnRI sur le réseau.
2.4.2.2 Scénarios S2 : puissance constante garantie
Il est très important pour le gestionnaire afin de sécuriser son réseau de s’assurer à J-1
d’avoir une offre disponible suffisante. Cela implique de pouvoir disposer d’offres garanties
c’est-à-dire avec un engagement de fourniture d’une puissance minimale. C’est l’objectif
de la classe de scénarios S2 qui consiste en la fourniture d’une puissance PG constante
garantie sur l’année, aux tolérances (tol et DT Rmax ) près.
L’estimation de cet engagement de puissance peut être basé sur la prévision, par
exemple la moyenne de l’année à venir, ou plus simplement la moyenne de production
des années précédentes. Ainsi, pour ce type de service, le coefficient coef prev ne sera pas
utilisé puisque les variables de sortie optimales seront obtenues directement en fonction
de la puissance garantie PG (cf chapitre 4).
La consommation étant variable sur une journée avec des périodes de pointe (HP) à
midi et le soir, il est opportun de définir des plages de production afin de maximiser le
service rendu pendant ces créneaux horaires. Trois variantes sont donc envisagées selon
qu’aucun, un ou deux créneaux soient définis
— S2a : aucun créneau restreint. Le producteur s’engage sur une puissance garantie
toute la journée (et toute l’année).
— S2b : un seul créneau horaire de production HP . Une puissance garantie durant
HP (heures pleines) et rien en dehors (créneau heures creuses HC), si ce n’est les
rampes de montée, resp. de descente, en puissance durant l’heure précédente, resp.
suivante.
— S2c : deux créneaux HP 1 = [10h ;14h] et HP 2 = [19h ;21h] de puissance garantie
sur l’année. Aucune puissance n’est fournie au réseau hors créneaux HC, si ce n’est
les rampes de montée et de descente durant les heures encadrantes.
Ces définitions sont résumées par les expressions suivantes :
S2a ≡ Pof f re (an) = PG (2.36)

S2b ≡ Pof f re (HP ) = PG (2.37)
S2c ≡ Pof f re (HP1&2 ) = PG (2.38)
Le scénario S2b correspondant à un engagement minimal de puissance durant un cré-

neau horaire fixé sur l’année est lui-même décliné en deux variantes selon le créneau horaire
considéré :
— S2b1 : garantie jour durant HP = [7h ;17h].
— S2b2 : garantie pointe du soir HP = [19h ;21h].
La figure 2.16 résume schématiquement les quatre scénarios du service S2.

Figure 2.16 – Scénarios de puissance garantie S2.
Le scénario S2b2 correspond à un effacement de pointe du soir et est d’autant plus

intéressant que le réseau possède déjà une forte intégration EnRI.
2.4.2.3 Scénarios S3 : combinaisons de scénarios
Dans l’objectif d’optimiser la fourniture d’énergie sur la journée, deux scénarios diffé-
rents sont définis sur deux créneaux distincts HP (pointe du soir) et HC (hors pointe) :
HP = [19h ; 21h],
HC = [0h ; 24h[−(HP + Hrampes ) = [0h; 18h[ ∪ ]22h ; 24h[ = ]22h ; 18h[.
Les scénarios S3 retenus visent à augmenter la puissance fournie lors du pic de demande
entre 19h et 21h, grâce au lissage horaire ou journalier durant la période hors pointe
(S1HC ) associé à la fourniture d’une puissance garantie en pointe du soir (S2HP ) :
S3a ≡ S1aHC + S2b2HP (2.39)

S3b ≡ S1bHC + S2b2HP (2.40)
La figure 2.17 présente schématiquement la deux scénarios du service S3.

Figure 2.17 – Scénarios combinés S3.
L’intérêt - à priori - de ces combinaisons est non seulement de perdre moins d’énergie
lors des heures creuses mais aussi de maximiser la puissance injectée lors de la pointe du
soir. Il s’agit ainsi d’augmenter les revenus du producteur donc la viabilité de l’installation
EnRI+SSE tout en garantissant au gestionnaire un niveau de service optimisé, notamment
en période tendue.
2.4.3 Tarification
Il n’y a pas de tarif obligatoire imposé à EDF pour l’achat - revente côté producteur - de
puissance EnRI avec stockage. La tarification est proposée par les candidats producteurs
à chaque appel d’offres spécifique. Par exemple, AKUO, lauréat de l’appel d’offre de la
CRE paru en 2012 (CRE2), a réalisé une installation PV de 9 MW avec un stockage (Li-
Ion) de 9 MWh soit 1 MWh/MWc. Son engagement garantit une puissance de 3,6 MW
entre 2 heures annoncées la veille. Le tarif de revente pour ce scénario PV+stockage serait
compris entre 350 et 400 e/MWh. Il n’y pas de pénalités pécuniaires directes - somme à
reverser au gestionnaire - imposées au producteur en cas de non respect de l’engagement,
l’autorité considérant, à juste titre, que le simple fait de ne pas valoriser une production
en défaut est déjà très pénalisant.
En fonction du scénario adopté pour l’injection de la production du système, la valo-
risation économique n’est pas la même. En effet, une puissance garantie constante (S2)
peut permettre de limiter les investissements dans des systèmes de production utilisant
des énergies fossiles. Ce qui n’est pas le cas d’une puissance non garantie constante (S1).
D’autre part, si l’horaire d’injection correspond à une pointe de consommation, il per-
mettra d’éviter le démarrage de systèmes de production conventionnels dont le coût de
l’énergie est élevé (S2b2). Le tableau 2.3 donnes les ordres de grandeur des coûts évités en
fonction du scénario réalisé pour la zone non interconnectée (ZNI) de l’ı̂le de La Réunion.
La capacité à produire une puissance garantie constante sur un créneau de pointe est donc
valorisable à un coût bien supérieur à celui d’une production lissée et prévue.
Table 2.3 – Estimation des coûts du combustible et des investissements évités - La

Réunion (Source : EDF-SEI 2013).
Scénario d’injection réseau Combustible fossile Investissement

évité évité
S1a Puissance prévue lissée 100 e/MWh -
S1b Puissance constante 150 e/MWh -
non garantie
S2a Puissance constante 200 e/MWh 300 e/MW
garantie
S2b1 Puissance constante 200 e/MWh 100-300 e/MW
garantie créneau
S2b2,c Puissance constante 250 e/MWh 100-300 e/MW
garantie pointe
Notons que le tarif de revente F IT0 correspond à une production revendue directement,
sans stockage, au réseau (pas de service spécifique fourni) et F IT1,2,3 est le tarif de revente
avec stockage pour les scénarios de type S1, S2 ou S3. A priori, la condition F IT0 <
F IT1 < F IT2 est vérifiée puisque la puissance garantie peut éviter au gestionnaire de
prévoir des moyens de compensation à démarrage rapide tels que les turbines à combustion
(TAC), au coût environnemental et financier élevé. De plus, les scénarios S2 sont plus
intéressants pour le gestionnaire que les scénarios S1, une puissance minimale garantie
2.5. MODÈLE DE DIMENSIONNEMENT DU STOCKAGE 71
sur l’année améliorant significativement la sécurité de l’approvisionnement par rapport à

une puissance non garantie, même prévue et lissée.
2.5 Modèle de dimensionnement du stockage
2.5.1 Modèles existants
2.5.1.1 Méthodologie
Dimensionner le stockage c’est trouver la taille optimale permettant, compte-tenu de

la production et éventuellement des prévisions, de maximiser (ou minimiser) des critères
de performance prédéfinis. Les modèles de dimensionnement du stockage, que ce soit
en mode connecté (GC) ou non (SA), suivent une méthodologie commune utilisée par la
communauté scientifique. Trois types de paramètres d’entrée sont distingués [Mohammadi
et al., 2012] :
— les paramètres économiques,
— les paramètres météorologiques (mesures et prévision),
— les paramètres de production (non renouvelable, EnR/EnRI, SSE)
Une procédure d’optimisation est alors effectuée afin de déterminer la configuration
optimale en fonction de critères prédéfinis. Les paramètres en sortie sont le coût optimisé,
le nombre de modules élémentaires (panneaux PV, turbines éoliennes, batteries...) ou la
répartition de production (énergie/puissance) dans le cas d’un système distribué, la taille
du stockage ainsi que son fonctionnement associés sur la période, comme indiqué dans la
figure 2.18.
Deux types de modèles sont considérés dans la littérature liée au dimensionnement
optimal d’un stockage hybride selon que l’on soit en site isolé (SA) ou connecté au réseau
(GC) . En mode isolé, la contrainte principale sera principalement la fiabilité du système
basée sur le taux d’énergie manquante ou non fournie (loss of power supply probability
ou LPSP). La configuration avec le coût minimal est prise parmi celles qui garantissent
la fiabilité de la fourniture d’énergie, inférieure à 2% dans [Yang et al., 2008]. En mode
connecté (GC), l’optimum technico-économique est également recherché mais avec une
contrainte moins forte sur la fiabilité qui peut être fixée à un seuil permettant d’obtenir
un optimum viable.
Cependant les scénarios d’injection réseau du point de vue du producteur tel qu’envi-
sagés dans la présente thèse n’ont été que peu étudiés. C’est par exemple le cas du très
répandu logiciel de dimensionnement HOMER qui nécessite d’entrer une charge (demande
ou load) à satisfaire. Pour autant, une analogie peut être établie entre l’annonce Pof f re
faite par le producteur au gestionnaire dans le cadre d’un contrat de fourniture d’une
puissance garantie ou lissée et la demande classique liée au besoin d’un consommateur
final. En effet, ce sont tous deux des profils de puissance qui doivent être respectés par le
producteur, souvent à l’échelle d’un ou de quelques bâtiments pour un micro-réseau, afin
de satisfaire au mieux, grâce au stockage, la puissance journalière requise i.e. l’offre (en
mode GC) ou la demande (en mode SA).

!

"
#
Figure 2.18 – Modélisation du dimensionnement : Méthodologie standard.

Source [Mohammadi et al., 2012]
2.5.1.2 Modèles de production
Différents modèles ont été développés afin de caractériser la production PV, éolienne,
houlomotrice à partir des mesures météorologiques. Ces modèles permettent de com-
prendre, de caractériser voire de prédire le fonctionnement d’une installation EnRI. Nous
n’en donnerons ici qu’un aperçu puisque ce sont les données historiques qui seront utilisées
dans les simulations des chapitres suivants.
*** Eolien
Le modèle production Pw [kW]/vent V [m/s] développé dans [Mohammadi et al., 2012]
et basé sur une approximation polynomiale cubique prend en compte quatre paramètres :
la puissance nominale de la turbine Pr , la vitesse du vent Vr associée à la puissance
nominale, Vci ,Vco la vitesse de coupure basse, haute indiquées dans la figure 2.19. Un
exemple de courbe de montée en charge y est donné. Ces caractéristiques spécifiques sont
liées essentiellement à la turbine (type, puissance).
*** Energie houlomotrice
Là encore, le modèle et les paramètres caractéristiques dépendent fortement du type
d’installation employée. Pour une conversion mécanique de l’énergie de type Pelamis 5
couplée à un stockage à air comprimé, le lecteur pourra notamment se référer à l’article
[Hernandez et al., 2014].
5. Le démonstrateur installé par l’entreprise SeaWatt, au large de Saint-Pierre de La Réunion, a été

arrêté en 2014 pour raisons financières.

%
Figure 2.19 – Modèle de production éolienne.
*** Photovoltaı̈que ou PV :
Le système photovoltaı̈que est vu comme une source d’énergie qui transforme l’enso-
leillement, les radiations solaires, en énergie électrique. La modélisation utilisée peut être
de type “boı̂te noire” avec une approximation polynômiale [Mohammadi et al., 2012] :
PP V = AP V x2 + BP V x + CP V (2.41)
où x est la radiation solaire en W/m2, AP V , BP V , CP V sont des constantes calculées à

partir des données mesurées. Des formules simplifiées à partir de l’irradiance incidente Gin
en W/m2 : PP V = Gin ∗ Surf ace ∗ ηP V ∗ ηB ∗ ηonduleur sont utilisées dans [Bataineh and
Dalalah, 2012].
Des paramètres supplémentaires peuvent être introduits pour tenir compte d’effets plus
complexes. Par exemple, cinq paramètres (a, b, c, Rs and nM P P ) sont intégrés pour la prise
en compte des effets non linéaires des facteurs environnementaux sur la performance des
panneaux PV [Zhou et al., 2007].
2.5.1.3 Critères de performance technique
Il existe différents critères qui permettent d’évaluer la performance d’un système de

production couplé EnRI+SSE [Upadhyay and Sharma, 2014] :
1. critères techniques ou technologiques,
2. critères économiques,
3. critères environnementaux : émissions de GES, impacts paysagers ou fonciers...,
4. critères socio-politiques : acceptabilité social et/ou politique d’un projet, impact sur
l’emploi...
Les critères le plus souvent utilisés dans le dimensionnement sont soit des critères
uniquement techniques comme la fiabilité du système hybride EnRI+SSE soit également
économiques comme sa rentabilité (cf section 2.3.1.2). Dans le choix technico-économique,
il s’agit généralement de minimiser le coût total sur la période, en valeur ou par MWh, sous
les contraintes liées au stockage avec des variantes liées au type d’application [Mohammadi
et al., 2012].
Cette partie présente les différents critères techniques de mesure de la fiabilité du sys-
tème, couramment utilisés dans l’étude des systèmes EnRI+SSE [Luna-Rubio et al., 2012].
D’une manière générale, la fiabilité (reliability) d’un système de production électrique est
sa capacité à satisfaire la demande ou l’engagement de puissance pendant la durée de vie
de l’installation. Cette capacité est d’autant plus importante et difficile à obtenir que la
production EnRI est, par nature, fluctuante.
*** Probabilité de défaut d’approvisionnement LPSP (Loss of Power Supply
Probability [%])
Ce concept a été introduit dans [Yang et al., 2003] pour les systèmes isolés. Il permet
d’évaluer la fiabilité de la satisfaction de la demande dans le cas d’un système isolé (Loss of
load probability ou LLP) et représente la part d’énergie non fournie sur l’énergie demandée
[Luna-Rubio et al., 2012] :
N
DE(t)
LP SP = N t=1 (2.42)
t=1 Pload (t)Δt
où DE(t) est l’énergie manquante (deficit energy) pendant l’intervalle de temps [t; t +
Δt[ et Pload est la demande (load) due à la consommation.
Une autre définition est posée dans [Yang et al., 2008] et se réfère à la part, en temps
et non plus en énergie, de défaut de service
power f ailure time
LP SP = (2.43)
period
Une application de ce critère sur une journée en mode SA - PV + batterie - pour des
LP SP de 1% et 2% est alors donnée.
*** Probabilité de perte de charge LOLP (Loss Of Load Probability [%])
Le LOLP est la probabilité qu’une situation de LOL survienne, c’est-à-dire un moment
où la consommation est supérieure à l’ensemble des moyens de production à disposition,
ce qui peut conduire conduire à un délestage. Ce critère est aussi employé dans la sécurité
des systèmes électriques nationaux pour le lequel le nombre d’heures admissibles de LOL
sur une année (Loss Of Load expectation ou LOLE) est de 3 heures (LOLP = 0,034%).
*** Taux de demande non satisfaite UL (Unmet Load [%])
Il s’agit de l’énergie non fournie durant les LOL divisée par la demande totale annuelle.
*** Niveau d’autonomie LA (Level of Autonomy )
LA est définie comme le complément à 1 du ratio entre le nombre d’heures de LOL
divisé par le nombre totale d’heures où l’installation est opérationnelle :
HLOL
LA = 1 − (2.44)
Htot
*** Energie attendue non fournie EENS (Expected energy not supplied) et Mesure
de fiabilité énergétique EIR (Energy Index of Reliability)
L’EENS est un index probabiliste de fiabilité utilisé dans [Tina et al., 2006] pour une
production hybride (éolienne + PV) sans stockage. Cet index mesure l’énergie manquante
non fournie au système (réseau /consommateur) à cause d’une production trop faible qui
ne permet pas de satisfaire le besoin (engagement producteur/demande locale).
En posant L la demande et Ph la puissance produite par le système hybride, l’EENS
est donné par :
⎧ Pmax
⎪
⎪
⎪
⎪ Et − Pt · fprod (Pt )dPt si Et > Pmax ,
⎪
⎨ Pmin
Pmax
EENS(t) = (2.45)
⎪
⎪ (Et − Pt ) · fprod (Pt )dPt si Pmin ≤ Et ≤ Pmax ,
⎪
⎪
⎪ Pmin
⎩0 si E < P .
t min
où Et est l’énergie à fournir, Pmin,max la puissance minimale (prise égale à 0), maximale
produite et fprod est la densité de probabilité de la production.
L’EIR est alors définie comme le complément à 1 du rapport de l’énergie manquante
totale sur l’énergie à fournir pour la période considérée :
N
EENS(t)
EIR = 1 − t=1
N
(2.46)
t=1 Et
EIR vaut donc 1 si aucune énergie n’a manqué et 0 si aucune énergie requise n’a été
fournie.
Dans le dimensionnement d’un système électrique, les critères de fiabilité sont essen-
tiels à sécurité de l’approvisionnement. En mode isolé (SA) mais aussi connecté (GC), il
s’agit de répondre au mieux à une demande de consommateurs finaux, ce qui n’est pas
la configuration - ferme de production EnRI centralisée, couplée à un SSE, connectée au
réseau - que nous avons étudiée. Pour autant, ces critères sont aussi valides dans notre cas
en considérant que la demande (consommation) est l’offre i.e. l’engagement de production
avec stockage fait par le producteur au gestionnaire, la veille pour le lendemain, dans le
cadre d’un contrat de service relatif à un scénario d’injection réseau annuel, d’où
LP SPof f re ≡ DT R. (2.47)
2.5.1.4 Dimensionnement déterministe
Il est important de ne pas confondre un modèle déterministe où chaque variable a une
valeur déterminée (entrée) ou à déterminer (sortie) avec une méthode de résolution d’un
problème, e.g. programme mathématique, qui, elle, peut être de nature ou comporter un
aspect stochastique. C’est le cas, par exemple, des méthodes de Monte-Carlo, d’intelligence
artificielle ou métaheuristiques (algorithmes génétiques, réseaux neuronaux, etc) qui seront
évoquées dans le chapitre 3.
Les modèles de dimensionnement consistent en l’élaboration puis la résolution d’un

programme mathématique du type
min f (x, p) (2.48)

⎧
⎪
⎨gi (x) ≤ 0, i = 1, ..., k
s.c. hj (x) = 0, j = 1, ..., l (2.49)
⎪
⎩
Lr ≤ xr ≤ Ur , r = 1, ..., N
Les paramètres d’entrées p sont en général les données météorologiques (vitesse du

vent, ensoleillement, hauteur des vagues/période pic...) ou les données historiques de pro-
duction/prévision. Lors du dimensionnement, les paramètres sont considérés fixes dans le
modèle déterministe. Les variables de décision xn , n = 1, ..., N caractérisent quantitative-
ment et qualitativement le système étudié : production et stockage. La fonction objectif
f est liée au point de vue adopté mais consiste souvent à minimiser un coût global. Les
contraintes sont liées au stockage mais aussi au problème spécifique, par exemple d’alloca-
tion de ressources dans des micro-réseaux (systèmes distribués). Les sorties sont fonction
de l’optimum x∗ et représentent le gain attendu. Nous donnerons dans cette section uni-
quement les grands principes de la modélisation du dimensionnement d’une production
EnRI+SSE qui ont guidé nos choix. Pour une étude plus détaillée le lecteur pourra se
référer aux articles cités.
Le tableau 2.4 propose une vue d’ensemble des différentes approches du problème de
dimensionnement du stockage dans un contexte général (SA/GC, micro-réseau ou ferme)
de production électrique d’origine intermittente.
Dans de nombreux modèles, la production PV, éolienne ainsi que le fonctionnement
d’un stockage électrochimique sont modélisés via des modules élémentaires de production
(panneaux, turbines, batteries en parallèle/série) et l’on retrouve leur nombre (entier)
comme variables de décision à optimiser/déterminer [Fetanat and Khorasaninejad, 2015].
Les systèmes distribués, par exemple à l’échelle d’un quartier ou d’une zone d’activité,
sont les plus complexes à modéliser et dépassent le cadre du dimensionnement. Du fait de
la multiplicité des consommateurs et des sources sur un territoire, ce sont trois types de
problèmes qui sont traités dans la littérature [Gamarra and Guerrero, 2015] :
— problème de choix de sources puis de dimensionnement (power mix selection and
sizing). Dans une zone donnée, il s’agit de choisir les sources les plus adaptées à
la demande puis de dimensionner ces sources en fonction des critères d’efficacité
technique (fiabilité), économique (rentabilité), environnementaux (émissions CO2 )
voire sociaux ou politiques.
— problème d’allocation de ressources (siting) : quels moyens de production à quel
emplacement du micro-réseau ? Dans ce problème non seulement les ressources mais
aussi leur coût de transmission à l’utilisateur final sont pris en compte. Les consom-
mateurs actuels mais aussi futurs doivent également être intégrés dans la recherche
d’une planification optimale.
— problème d’ordonnancement (scheduling) : quelle production doit fournir quelle puis-
sance à quel moment ? Ce type de problème a pour objectif la minimisation des coûts
opérationnels et environnementaux tout en satisfaisant la demande. Les conditions
Table 2.4 – Paramètres du dimensionnement SSE+EnRI.

Source [Iqbal et al., 2014]
Entrées Sorties
Nombre et type d’unité de production EnRI Energie totale produite
Superficie utilisée Nombre et puissance installée des unités de production
Données météorologiques Durée de vie
Technologie des unités de production Best mix
Coûts de maintenance Variabilité de la source EnRI
Mode de fonctionnement Bénéfice attendu
Durée de vie superficie estimée
Efficacité Investissement total
Conditions météorologiques Localisation des installations
variables spécifiques liées au type de source
Fonction objectif Contraintes
Min : Coût total du système Contrainte environnementale/atmosphérique
Min : Coût par énergie produite Contrainte sur la gestion de la demande
Min : Superficie de terrain Contrainte économique/budgétaire
Min : Investissement Capacité de stockage
Min : Coût total de maintenance Puissance nominale en charge/décharge
Min : Pollution sonore et GES Emission de CO2
Min : LPSP Contrainte social ou règlementaire
Max : Efficacité Contrainte LPSP
Max : Productivité Durée de vie des composants
Max : Fiabilité du système Puissance installée des unités de production
Max : Bénéfices Contraintes de distribution (lignes)
Max : Durée de vie Superficie utilisée
Max : Revenus Nombre d’unités de production
Max : Objectif(s) spécifique(s) au(x) type(s) de sources Contrainte(s) spécifique(s)
optimales de fonctionnement pour différentes configurations de micro-réseau sont

recherchées par différentes techniques d’optimisation relativement à une plusieurs
fonctions objectif (multi-objective optimization).
Les modèles associés font en général intervenir des doubles sommes portant à la fois sur
les variables de décision temporelles mais aussi sur les unités de production considérées
[Fossati et al., 2015].
Dans [Maleki et al., 2015], en mode autonome, le respect d’une fiabilité maximale, fixée
à 5%, est introduit comme une contrainte :
LP SP ≤ LP SPmax = 5% (2.50)
La prédiction de la production couplée à un modèle météorologique est notamment

utilisée dans [Delfanti et al., 2015] pour dimensionner en puissance et en énergie le stockage
associé à une ferme photovoltaı̈que.
2.5.1.5 Dimensionnement stochastique
Un aspect important du dimensionnement est l’existence d’incertitude dans des carac-

téristiques liées à la conception et au fonctionnement du système. Les modèles stochas-
tiques permettent de prendre en compte l’incertitude de certaines variables comme le prix
de l’électricité ou plus communément la météorologie ou la demande par nature aléatoires
[Giannakoudis et al., 2010]. On ajoute aux quantités déterministes - nous entendons par
là : ”déterminées ou à déterminer” - dans les équations des variables aléatoires. La fonction
objectif est alors une fonction aléatoire, souvent l’espérance du critère choisi alors que la
contrainte stochastique exprime la probabilité que la contrainte déterministe se réalise. Le
modèle peut donc être représenté de nouveau sous la forme d’un programme d’optimisa-
tion mais comportant certaines variables aléatoires appelé programme stochastique :
min f (x, p, ξ) (2.51)

P[gi (x, p, ξ) ≤ 0] ≥ αi , i = 1, ..., k
s.c. (2.52)
P[hj (x, p, ξ) = 0] ≥ βj , j = 1, ..., l
où ξ est un vecteur aléatoire de loi L.

Dans [Arun et al., 2009], l’inégalité de l’équation (2.52) exprime la contrainte que la
probabilité de satisfaction de la demande soit supérieure au seuil de confiance α. L est
une loi approchée donnée soit par sa densité soit par sa répartition. Elle est en général
obtenue via des considérations physiques et validée de manière empirique. Par exemple,
la vitesse du vent peut être modélisée par une loi de Weibull [Haessig, 2014].
Ierapetritou donne une classification des incertitudes [Ierapetritou et al., 1996] :
— Incertitudes inhérentes au Modèle.

Ces incertitudes sont liées au paramètres mécaniques, électriques, chimiques ou phy-
siques utilisées pour représenter chaque sous-système. Ces paramètres incluent des
constantes dépendantes des matériaux ou composants fournies soit par les construc-
teurs soit par l’expérience in situ. Par exemple les membranes dans les piles à com-
bustible et électrolyseurs sont fonction de paramètres tels les coefficients de transfert
de masse, les résistances (Ohm), du type de membrane qui dépendent du matériau.
— Incertitudes inhérentes au Système.

Les paramètres correspondants sont souvent considérés constants mais peuvent va-
rier en conditions opérationnelles. Par exemple, l’efficacité du SSE entre dans cette
catégorie car elle peut fluctuer en fonction de l’usure des composants, matériaux, de
la température, des variations de pression...
— Incertitudes externes.
Ces incertitudes résultent des variations observées aussi bien dans les conditions
environnementales que la demande ou les prix. Les valeurs des paramètres associés
sont généralement obtenus grâce à des méthodes de prévision, des données histo-
riques et des indicateurs de marché.
— Incertitudes discrètes.
Ces incertitudes sont associées à la disponibilité des équipements ou à d’autres
évènements ponctuels pour lesquels les valeurs sont généralement données par le
constructeur.
Des exemples de variables qui peuvent être stochastiques i.e. pour lesquelles il existe
des variations et des incertitudes significatives sont donnés dans le tableau .
Table 2.5 – Variables aléatoires du dimensionnement SSE+EnRI
Sous-système Variable
Prévision Vitesse du vent, direction
Prévision Rayonnement solaire, ensoleillement
Prévision Hauteur des vagues, amplitude
Production Productible
Demande Consommation unitaire, globale
Stockage Tension / Courant batterie
Stockage Température
Stockage Etat de charge
Réseau Prix de l’électricité (marché “spot”)
Les modèles stochastiques peuvent aussi intégrer un modèle de prévision [Ghofrani

et al., 2014].
2.5.2 Modèle développé
2.5.2.1 Objectifs et motivations
Dans les modélisations standards de la section précédente, un modèle de production

pour une source EnRI spécifique est introduit et conduit à des données simulées de produc-
tion. Cette production couplée à un SSE doit satisfaire au mieux une demande (“load”).
La demande est en général soit issue de données historiques soit simulée (moyenne ou
journée type mensuelle [Shaahid and Elhadidy, 2007]). Ce n’est pas l’option prise dans ce
mémoire où ce sont les données historiques (séries temporelles 10 minutes) de production
disponibles pour le solaire et l’éolien qui seront utilisées en entrée des simulations. La
production houlomotrice sera simulée à partir des données météorologiques, la hauteur
des vagues notamment [Hernández-Torres et al., 2015].
L’objectif pour le gestionnaire est que le service (production lissée ou garantie) contrac-
tualisé avec le producteur soit respecté tout au long du contrat. Plusieurs services rendus
au réseau peuvent être contractualisés (cf section 2.4) mais d’une manière générale le
producteur s’engage sur une offre de puissance Pof f re annoncée la veille. La puissance
de stockage Pstock vient compenser l’écart entre l’annonce et la production EnRI Pprod .
L’objectif pour le producteur est de maximiser ses revenus et par suite l’énergie annuelle
Egrid fournie au réseau dans le respect du service. Une contrainte supplémentaire est que
l’investissement conséquent réalisé dans le stockage ait une réelle (positive) valeur ajoutée
financière au bout de sa durée de vie.
Les modélisations classiques conduisent à un programme sous contraintes, de type li-
néaire/non linéaire (LP/NLP) éventuellement mixtes en nombres entiers (MILP/MINLP),
avec une fonction objectif économique ou technico-économique, sur l’année. Les solutions
sont la capacité SSE optimale, éventuellement le nombre d’unités (mode distribué DG),
le coût opérationnel, les intervalles de confiance (modèle stochastique), etc. Nous avons
fait le choix de nous placer d’un point de vue opérationnel du producteur qui à chaque
pas de temps t doit se poser la question : combien d’énergie doit-on charger/décharger ?
L’objectif étant qu’au bout de chaque année, le scénario ait été respecté avec une bonne
rentabilité du système. Nous avons fait ce choix pour trois raisons :
1. les approches directes classiques NLP/IP, MINLP/MILP même résolues par mé-
thodes métaheuristiques (GA, SA, TS...) peuvent être relativement gourmandes en
temps dans des problèmes de très grandes tailles (plusieurs centaines de milliers de
variables/contraintes) ;
2. une stratégie heuristique opérationnelle d’optimisation du fonctionnement du sto-
ckage permet de déduire des solutions technico-économiquement “viables” au pro-
blème original ;
3. le respect du service étant la contrainte primordiale à la fois pour le producteur et le
gestionnaire, il nous a paru judicieux d’élaborer un modèle permettant d’améliorer
la fiabilité du couplage EnRI-SSE puis de le comparer, sur ce critère, à une approche
classique de programme linéaire/non linéaire.
2.5.2.2 Méthodologie
La recherche d’une capacité optimale nous conduit à l’élaboration d’une méthode heu-
ristique de fonctionnement optimisé du stockage appelée “charge adaptative” dont la jus-
tification sera donnée au chapitre 3. La démarche adoptée est par conséquent décomposée
en deux phases :
1. Recherche de stratégies opérationnelles augmentant la fiabilité du couplage EnRI-
SSE (Chapitre 3).
2. Dimensionnement optimal et étude de l’influence de chacun des paramètres d’entrée
(analyse de sensibilité), à partir des stratégies retenues (Chapitre 4).
La méthodologie standard de la figure 2.18 est donc reprise mais l’optimisation technico-
économique est alors réalisée en 2 étapes :
1. Recherche de la capacité minimale S ∗ permettant de respecter le service (aux tolé-
rances admissibles près).
2. Détermination du tarif de revente F IT ∗ associé à cet optimum permettant une
valeur ajoutée du stockage i.e. un intérêt d’investir dans un SSE, à 20 ans.
Le parti pris dans cette thèse est d’utiliser des données historiques de production qui
ont l’inconvénient d’être liées à un site donné pour lequel une installation est déjà opé-
rationnelle depuis plus d’un an. L’analyse qui en découle ne peut donc, à priori, être
directement reproduite sur un autre site, ce que permettrait une modélisation de la pro-
duction à partir des paramètres météorologiques. En contrepartie, l’avantage des séries
historiques est de disposer de données de production et de prévision réelles donc fiables,
à la mesure près, d’où une analyse plus proche de la réalité bien que moins reproductible.
De plus, dans cette configuration la nature aléatoire de la source est directement exprimée
et n’a pas à être modélisée. Les arrêts pour cause de maintenance, de vent trop faible,
trop fort (cyclone) ou de panne entraı̂nant une production nulle y sont intégrés.
2.5.2.3 Dimensionnement optimal du stockage
Pour des caractéristiques du SSE données, en particulier sa capacité utile, le problème

initial est de déterminer le fonctionnement optimal qui minimise le tarif nécessaire per-
mettant une rentabilité du stockage à 20 ans tout en respectant le service. D’un point de
vue technique, cela revient à maximiser l’énergie totale injectée directement proportion-
nelle au revenu annuel, sous les contraintes de puissance, de capacité et de profondeur de
décharge.
En posant, comme inconnue à déterminer le N-vecteur
y = Pstock , (2.53)
le problème original peut être formulé comme suit :

⎧
⎪
⎪DT R(y, t) < DT Rmax
⎪
⎨
tris20 −Pcharge,max ≤ y(t) ≤ Pdecharge,max
min F IT (y) s.c. , t = 1, ..., N (NLP).
⎪
⎪SOCmin ≤ SOC(y, t) ≤ SOCmax
⎪
⎩
dod(y, t) ≤ dodmax
(2.54)
Le problème original est donc un problème non continu, non linéaire (Non Linear
Programming ou NLP) de grande taille. Dans le chapitre 3, seront présentées des méthodes
et stratégies pour résoudre ce programme (NLP). Nous chercherons alors à obtenir, en
un temps de calcul court, des solutions optimisées de bonne qualité.
2.5.3 Synthèse
Dans le cadre du dimensionnement où l’on cherche à calculer la taille optimisée du

stockage, celle-ci n’est plus une variable d’entrée mais une sortie S ∗ , capacité minimale
conforme i.e. permettant de respecter le service avec un taux de défauts
DT R ≤ DT Rmax ≡ Respect du service (2.55)
D’autres variables secondaires de sortie (résultat) technique n’ont pas été retenues en
première approche : SOC, σSOC valeur moyenne et écart-type de l’état de charge du
stockage (%S), ainsi que SOCuse = temps d’utilisation du stockage (%année). Ce ne sont
pas des critères principaux d’optimisation mais peuvent apporter des informations sur la
manière dont le stockage est utilisé. De même, le nombre de cycles annuel Ncycles sera
donné le cas échéant mais ne constituera pas, en tant que tel, un critère d’optimisation
pour les raisons évoquées dans la section 2.2.3.3.
D’une manière générale, l’exposant ∗ et les termes “optimal” ou “optimisé” indiquent
que la sortie est issue d’un processus d’optimisation (simulations itératives du modèle de
charge adaptative) aboutissant au respect du service. Nous emploierons le terme “optimisé”
au lieu d’optimal lorsque nous ferons référence à la stratégie heuristique, appelée charge
adaptative (CA), élaborée dans le chapitre 3. En effet, cet algorithme (cf annexe A)
ne garantit pas un optimum global mais une solution réalisable sous-optimale bien que
proche, en un sens qui sera précisé, de l’optimum.
Le tarif de revente optimisé F IT ∗ est celui qui permet, dans le respect du service, un
retour sur investissement dans le stockage tris de 20 ans. Le prix de revente F IT est
considéré constant sur l’année, un marché de l’énergie ayant peu de sens dans des zones
non interconnectées (ZNI) où les acteurs sont peu nombreux et, par conséquent, l’équilibre
offre-demande fortement biaisé.
Les coûts relatifs de maintenance opérationnelle, en pourcentage de l’investissement ont
été pris égaux pour le stockage et la centrale de production EnRI. Cette approximation
globale ne détaille les coûts de fonctionnement car ceux-ci comportent généralement une
part fixe qui dépend plus du type d’installation que de l’investissement.
Les revenus engendrés par la production avec stockage n’ont pas été retenus car direc-
tement proportionnels à l’énergie injectée dans le respect du service. Il nous a paru plus
intéressant d’obtenir un tarif de revente cohérent plutôt que de le fixer pour étudier un
temps hypothétique de retour sur investissement. En effet, en l’état actuel du marché, des
temps de retour de plus de 50 ans sont impraticables alors que des tarifs supérieurs à 500
e/MWh sont utopiques.
En résume, le dimensionnement du SSE étudié est un problème d’optimisation technico-
économique d’un programme non linéaire de grande taille, avec au total :
— 3 sources : solaire PV, éolien, houle,
— 7 scénarios : 2 non garantis (S1a,b), 4 garantis (S2a,b1,b2,c) et 2 combinés (S3a,b),
— 22 variables d’entrée : 15 techniques et 7 économiques,
— 5 variables de sortie : 4 techniques et 1 économique
et, pour chaque jeu de données - production et prévision - N = 8760 (pas de temps Δt =
1 heure) à N = 52560 (10 minutes) variables de décision Pstock (t), t = 1, ..., N.
Les critères d’évaluation des solutions (sorties) sont :
1. Fiabilité = 1 − DT R∗ .
La fiabilité est représentée par la part du temps, en %, où l’engagement de puissance
(scénario) est respecté : 100%, resp. 0%, signifie un engagement toujours, resp.
jamais, respecté (DT R∗ < DT Rmax ).
2. Profitabilité = F IT0 /F IT ∗ .
Nous la définissons comme valeur ajoutée du SSE. Plus cette valeur est proche de 0
- par exemple, inférieure à 25% - moins un producteur aura intérêt d’investir dans
le stockage de sa production EnRI. Une valeur ajoutée de 100% signifie que le gain
du stockage en terme de puissance injectée - qualité de service (scénario) et quantité
(énergie revendue) - au réseau compense exactement son coût, sur 20 ans.
∗
3. Productivité = Egrid,Serv .
Il s’agit de la productivité conforme du système, exprimée en %Eprod i.e. la part de
l’énergie injectée - EnRI+SSE - dans le respect du service (scénario sur lequel s’est
engagé le producteur). Une valeur de 100% signifie que le producteur a réussi, via
le stockage, à injecter autant d’énergie que toute la production intermittente, non
plus au fil de l’eau mais en respectant un scénario prévu, lissé ou garanti.
∗
4. Efficacité = 1 − Elost .
L’efficacité du couplage SSE+EnRI est définie comme le complément à 1 de la part
d’énergie perdue rapportée à l’énergie EnRI produite annuellement Eprod . Moins il y
a d’énergie perdue et plus le stockage a été efficace dans le respect de l’engagement
relatif à un scénario. Une efficacité de 100% signifie que toute l’énergie intermittente
produite peut être injectée, grâce au SSE, afin de satisfaire au scénario de fourniture
de puissance considéré, aux tolérances admises - tol et DT Rmax - près.
Ces critères sont classées dans l’ordre d’importance c’est-à-dire que l’on cherchera en
tout premier lieu à respecter les service, puis parmi les solutions fiables, retenir les plus
rentables.
Il est à noter que le modèle retenu comporte deux paramètres d’entrée importants
non considérés, dans le processus de dimensionnement, comme variables : la production
de la centrale Pprod et la prévision à J-1 Pprev . Ces paramètres sont dépendants de chaque
source d’EnRI sur chaque site/année. L’influence de la qualité de prévision est analysée
sous 2 formes : indirectement via le niveau de puissance annoncé (variable coef prev) et
directement par le degré de précision de la prévision (variable alpha) qui permet de faire
varier l’erreur et, par suite, la qualité de la prévision. Pour le service S1, c’est cette erreur,
fonction et de la production et de la prévision, qui devra être compensée, au mieux, par le
stockage via la méthode de charge adaptative implémentée. Ces données seront présentées
et examinées dans le chapitre 3.
Les variables d’entrée/sortie considérées sont regroupées dans le tableau 2.6 suivant.
Les puissances sont rapportées au MW installé (EnRI).
Notons que dans un calcul de revenus sans dimensionnement optimal (chapitre 3), le
tarif de revente de l’énergie pour le scénario Sn n’est plus une sortie mais une entrée notée
cSn (ou simplement cS s’il n’y a pas d’ambiguı̈té), resp. cSn,Dtr (ou cD ) pour le tarif de
revente de l’énergie conforme i.e. injectée dans le respect du scénario, resp. en défaut.
En conclusion, le problème de dimensionnement optimal est posé comme un problème
de programmation non linéaire. Ce programme pourrait être traité de manière directe
(solveurs ad hoc) mais sera résolu à travers la recherche d’une gestion d’énergie heuristique
’optimisée’ (charge adaptative) permettant de dimensionner le SSE. Les deux méthodes -
directe et heuristique - seront comparées, du point de vue de la fiabilité d’abord, dans le
chapitre 3.
Table 2.6 – Variables technico-économiques du modèle de dimensionnement.
i Variable d’entrée Xi Description

Variables techniques
1 Pcharge,max Puissance maximale de charge [kW/MWc]
2 Pdecharge,max Puissance maximale de décharge [kW/MWc]
3 S Taille de stockage [kWh/MWc]
4 SOC0 Etat de charge initial [%S]
5 SOCmin Etat de charge minimal [%S]
6 SOCmax Etat de charge initial [%S]
7 DODmax Profondeur de décharge maximale [%S]
8 ηcharge Rendement en charge du stockage [%]
9 ηdecharge Rendement en décharge du stockage [%]
10 tol Tolérance sur la puissance injectée dans le réseau [kW, %P prod ]
11 DT Rmax Taux de défaillance maximal admissible [%année]
12 seuilC Seuil de charge adaptative [%S]
13 seuilD Seuil de décharge adaptative [%S]
14 coef prev Part de la prévision annoncée [%]
15 α Facteur de qualité de la prévision [%]
Variables économiques
16 inv Investissement installation EnRI [Me/MWc]
17 om Maintenance annuelle de la centrale [%inv]
18 cstock Coût unitaire de stockage [e/kWh]
19 dvstock Durée de vie du stockage [année]
20 act Taux d’actualisation annuel [%]
21 inf l Taux d’inflation annuel [%]
22 tax Taxe publique sur les revenus [%]
j Variable de sortie Yj Description
1 S∗ Capacité minimale permettant de respecter le scénario
i.e. DT R∗ < DT Rmax et inférieure à 2 [MWh/MWc]
∗
2 Egrid Energie injectée dans le réseau associée à l’optimum S ∗ [%Eprod ]
Mesure de la productivité totale
∗
3 Egrid,Serv Energie injectée dans le respect du service, à l’optimum [%Eprod ]
Mesure de la productivité conforme
∗
4 Elost Energie perdue, à l’optimum [%Eprod ]
Mesure de l’efficacité
∗
5 Elack Energie manquante, à l’optimum [%Eprod ]
6 F IT ∗ Prix de revente (Feed-In Tariff) minimal (< 400 e/MWh)
pour un retour sur investissement fixé à 20 ans, associé à S ∗
Chapitre 3
Optimisation
3.1 Introduction
Le chapitre 2 a présenté les modèles technico-économiques retenus en vue de l’im-

plémentation d’un outil de gestion d’un Système de Stockage d’Énergie (SSE) couplé une
production d’électricité d’origine renouvelable intermittente (EnRI). Une synthèse du pro-
blème de dimensionnement sous forme de programme d’optimisation non linéaire (NLP)
de grande taille a été donnée. La construction d’une loi de gestion ”optimisée” - pas néces-
sairement optimale - appelée charge adaptative est développée dans le présent chapitre.
Cette loi permettra de dimensionner le SSE afin de respecter avec des tailles de stockage
viables, en conditions opérationnelles et aux tolérances admises près, le scénario sur le-
quel le producteur s’engage annuellement, tout en lui garantissant un intérêt économique
à investir dans ce stockage.
D’une manière générale, les problèmes d’optimisation sont des problèmes de recherche
de minimum (ou maximum) d’une fonction d’une ou plusieurs variables soumises ou non à
des contraintes. Ces problèmes sont courants dans tous les domaines de la physique, de la
chimie, de l’économie, des sciences sociales ou environnementales... Ce chapitre présente
les principales méthodes utilisées pour l’optimisation du couple EnRI-SSE mais ne détaille
pas tous les algorithmes. L’objectif de cette partie n’est pas de donner une liste exhaus-
tive de méthodes et outils de ce vaste domaine qu’est l’optimisation ou programmation
mathématique mais plutôt d’exposer les différentes options possibles et les choix qui ont
été faits dans cette thèse. Nous avons donc pris le parti de limiter les considérations théo-
riques générales ; pour une revue plus complète des méthodes, le lecteur pourra utilement
se référer aux citations ainsi qu’aux nombreux livres s’y rapportant, notamment [Allaire,
2006, Chong and Zak, 2013, Rao, 1996].
Une approche intégrant diverses méthodes de résolution de ce problème d’optimisation
original est abordée dans le présent chapitre. En premier lieu sous l’angle général des
méthodes et outils disponibles pour ce type de problème : non linéaire, non différentiable
avec un grand nombre de variables et des données incertaines. Puis des heuristiques, ou
stratégies, basées sur une méthode simple de résolution, l’algorithme glouton, adaptée à la
structure du problème sont proposées et regroupées sous le nom de “charge adaptative”.
En deuxième lieu, différents modèles sont élaborés conduisant à des programmes non
85
86 CHAPITRE 3. OPTIMISATION
linéaires (NLP), linéaires (LP), linéaires mixtes en nombres entiers (MILP). Un modèle
de référence (M*) est sélectionné sur le critère de fiabilité d’abord puis de productivité et
d’efficacité du couplage EnRI+SSE. Enfin, une comparaison est effectuée entre ce modèle
et la charge adaptative (CA).
3.2 Méthodes et outils d’optimisation SSE+EnRI
3.2.1 Problèmes d’optimisation
3.2.1.1 Cadre général
Nous rappelons la définition d’un problème d’optimisation, dans sa version détermi-

niste :
min f (X)
X∈RN (3.1)
sous les contraintes g(X) ≤ 0
où X sont appelées variables de décision (cf chapitre 2).
f est appelée la fonction objectif et g = (gk ) représente l’ensemble des contraintes
auxquelles sont soumises les variables. g définit ainsi le domaine des contraintes appelé
domaine de faisabilité ou domaine réalisable. Notons qu’il est possible de transformer les
inégalités en égalités en rajoutant des variables (slack en anglais). Si g ne dépend pas de
X, le problème est un problème d’optimisation sans contraintes, sinon d’optimisation sous
contraintes.
Si le nombre de variables N est grand (plusieurs dizaines voire centaines de milliers)
et que l’ensemble des solutions est fini, le problème est un problème d’optimisation com-
binatoire (ou discret) où l’on cherchera plutôt à utiliser des méthodes dites de recherche
opérationnelle (operation research ou RO). Ce sont des méthodes développées pour traiter
des problèmes de grande taille : problèmes de planification, d’ordonnancement, d’emploi
du temps, de tournée de véhicules, de routage dans les réseaux de télécommunications
...[Allaire, 2006]. Ces problèmes d’optimisation combinatoire sont NP-difficiles i.e. sont
résolus en un temps qui augmente de façon exponentielle avec la taille. Par exemple, le
problème du voyageur de commerce (Traveling Salesman Problem ou TSP) avec 100 va-
riables - villes - nécessiterait des siècles à être énuméré exhaustivement. Le mot méthode
peut être entendu dans ce chapitre comme algorithme. Nous ne donnerons pas de version
détaillée des algorithmes mais nous nous bornerons à présenter les caractéristiques princi-
pales qui ont conduit à leur utilisation dans des problèmes de gestion ou dimensionnement
optimal SSE+EnRI.
Il est possible de classer les problèmes d’optimisation en deux types (cf chapitre 2,
section modèle de dimensionnement) :
— déterministe : la variable de décision X garde une valeur déterminée si les condi-
tions initiales de sa réalisation sont inchangées. Dans l’optimisation déterministe, la
programmation robuste (robust programming) cherchera à ce que la solution ne soit
pas trop sensible à des variations des conditions initiales ;
3.2. MÉTHODES ET OUTILS D’OPTIMISATION SSE+ENRI 87
— stochastique : certaines variables Xi sont aléatoires de loi connue ou approchée ou

de caractéristiques (espérance, variance) estimées.
D’autres classifications sont envisageables [Yang, 2010] : mono / multi objectif, avec /
sans contraintes, uni / multimodal, discret / continu / mixte, contraintes et/ou fonction
objectif non linéaire / quadratique / de type cône du second ordre (second order cone ou
SOS) / linéaire.
Plusieurs types de contraintes peuvent être définies :
1. contraintes de bornes Xmin < X < Xmax . Le domaine de définition est un pavé.
2. contraintes linéaires A · X = b ou A · X ≤ b ou b1 < A · X < b2 . Le domaine des

contraintes est alors un polyèdre.
3. X réel, entier, binaire ou mixte. On parle alors d’optimisation continue, discrète

ou mixte. Certains solveurs acceptent également un type “semi-continu” ou “semi-
entier” signifiant que la variable peut prendre soit la valeur 0 soit tout autre valeur,
réelle ou entière, du domaine de définition [IBM, 2013, Gur, 2013].
Plus f est régulière, par exemple une ou deux fois continûment différentiable, plus les
méthodes pourront utiliser des théorèmes assurant soit la convergence soit l’établissement
d’un procédé direct de recherche de solutions. Ces théorèmes sur les conditions d’opti-
malité, tels le théorème de Lagrange, de Karush-Kuhn-Tucker (KKT) ou les conditions
nécessaires, suffisantes de premier, second ordre (first,second-order necessary,sufficient
conditions ou FONC, SONC, SOSC) en optimisation sous contraintes, se basent en effet
sur l’existence et la régularité de la dérivée première ou seconde de la fonction objectif et
des contraintes.
L’optimisation “globale” ou “prévisionnelle” consiste à trouver une solution au problème
NLP original , avec la connaissance, à chaque instant, de l’ensemble des données futures.
Lorsque l’avenir est incertain, il s’agit d’optimisation réactive [Riffonneau, 2009].L’ob-
tention de solution(s) dans l’optimisation globale nécessite la globalité des données, his-
toriques ou estimées, de production EnRI et de prévision météorologique sur toute la
période considérée (journée/semaine, mois/année). Elle est qualifiée de déterministe si les
variables de décision ou paramètres ont une valeur déterminée (ou à déterminer).
La recherche “locale” diffère de l’optimisation “globale” en ce sens que le parcours de
l’espace des solutions se fait uniquement en fonction des voisins proches d’une solution
courante qui peut être incomplète i.e. construite au fur et à mesure. Une application
au dimensionnement du stockage en est donnée à travers la charge adaptative exposée
dans le présent chapitre (cf section 3.3) qui peut s’apparenter à une stratégie d’un jeu
à 2 joueurs - producteur et gestionnaire - cherchant chacun à maximiser leur gain. La
question est alors de savoir, à chaque instant t, quelle est la meilleure stratégie de com-
pensation (charge/décharge) appelée gestion optimale du SSE, sachant ce qui s’est passé
les jours/instants précédents, notamment l’état de charge du stockage ainsi que la prévi-
sion, la production, etc. Dans ce cadre, l’effet de l’incertitude sur les données sera évalué
par l’impact de la qualité de prévision sur les résultats.
3.2.1.2 Dimensionnement SSE optimal
Nous présentons dans cette section les principales caractéristiques de l’optimisation

du dimensionnement et du fonctionnement (ESS optimal sizing and management) d’un
système de stockage d’énergie (SSE) couplé à une production d’énergie renouvelable inter-
mittente (EnRI). Dans [Upadhyay and Sharma, 2014], les méthodes de dimensionnement
optimal SSE-EnRI sont classées en cinq catégories indiquées dans la figure 3.1.
!

U L
UWLL

Q

#

Figure 3.1 – Méthodes de dimensionnement de SSE couplé à une production EnRI.

Source [Upadhyay and Sharma, 2014].
Une revue plus complète des méthodes de dimensionnement a été menée notamment
dans [Chauhan and Saini, 2014], [Dufo-López et al., 2009], et Luna [Luna-Rubio et al.,
2012]. Les méthodes probabilistes prennent en compte l’incertitude sur les données, no-
tamment la prévision ou le prix de l’électricité dans le cas de marchés interconnectés de
l’Énergie (prix spot).
Il existe deux manières de réaliser le dimensionnement optimal d’un SSE couplé à une
production d’EnRI :
— soit l’on construit ou définit une loi de gestion, optimale ou sous-optimale, d’énergie
qui minimise le ou les critères choisis (technique, économique, environnementaux).
Puis dans un deuxième temps cette politique est appliquée de manière itérative afin
de déterminer la capacité et la puissance optimale du SSE ;
— soit dans la boucle d’optimisation principale, l’on cherche à la fois et la politique de
gestion et la capacité de stockage optimales.
Dans les articles de dimensionnement cités, c’est la première voie qui est choisie. Typi-
quement dans [Belfkira et al., 2011], la loi de gestion est donnée - a priori - à travers des
règles simples, en posant ΔP = PRE − Pload la différence de puissance, entre la production
renouvelable et la demande, à compenser soit par la batterie soit par le générateur diesel.
Si ΔP > 0 (excès d’énergie) alors Charge(ΔP ). Si la batterie est pleine alors l’énergie en
excès est perdue. Dans le cas contraire (manque d’énergie), si ΔP peut être fourni par la
batterie alors Décharge(ΔP ) sinon ΔP est produit par le générateur diesel. La deuxième
voie est plus délicate à mettre en oeuvre [Haessig, 2014].
Dans les méthodes proposées, l’optimisation nécessite la connaissance de toute la pro-
duction. Il n’y a pas d’aide à la décision à chaque pas de temps ce qui conduit à un
dimensionnement qui minimise un coût ou maximise la fiabilité mais dont il est difficile
d’en déduire des décisions optimales - consignes de fonctionnement SSE - à chaque ins-
tant. C’est pourquoi nous proposons une démarche différente procédant de façon inverse :
une gestion optimisée du SSE, relative au(x) critère(s) choisi(s), avec des décisions heuris-
tiques basées, notamment, sur la situation et les données connues à l’instant t est d’abord
élaborée. Cette aide à la décision est alors utilisée pour dimensionnement optimal. Le mo-
dèle développé au chapitre 2 permet de tester et de choisir différentes stratégies de façon
à déterminer et comparer des solutions viables. L’objectif n’est pas d’obtenir une solution
optimale globale mais de déterminer des stratégies de gestion améliorant en priorité la
fiabilité du couplage puis sa productivité/rentabilité.
3.2.2 Programmation linéaire, non linéaire et stochastique
3.2.2.1 Problèmes déterministes
Les classes les plus étudiées sont les problèmes de Programmation linaire (LP) avec des
variables réelles ou en nombres entiers (Programmation Linéaire en Nombre Entiers ou
Integer Linear Programming, ILP) ou encore mixtes - (Mixed-Integer Linear Programming
ou MILP).
Un des premiers algorithmes performants de programmation linéaire dû à G.B. Dantzig
en 1947 est l’algorithme du SIMPLEX. Dans cette méthode, les sommets du polyèdre des
contraintes qui augmentent la fonction objective sont recherchés. Cependant la complexité
de cet algorithme peut, au pire, être exponentielle même si, en général, ce n’est pas le cas
(exponential worst-case complexity). C’est pourquoi les recherches se sont orientées vers
des méthodes fournissant des solutions en un temps polynomial. Kachiyan en 1979 fut le
premier à présenter une telle méthode mais avec plus d’intérêt théorique que pratique puis
Karmakar en 1984 proposa un nouvel algorithme polynomial de programmation linéaire.
Ce travail engendra le développement des méthodes dites de point intérieur [Allaire, 2006].
Un des prolongements de ces méthodes furent les algorithmes de type primal-dual [Wright,
1997]. L’algorithme des points intérieurs, à l’origine destiné aux LP est aujourd’hui utilisé
non seulement pour les ILP/MILP mais aussi pour les NLP dans les solveurs, par exemple
dans la fonction fmincon d’optimisation non linéaire sous contraintes de Matlab.
La programmation quadratique a permis de résoudre de nombreux problèmes non li-
néaires (mais différentiables). Les méthodes les plus connues telles la programmation qua-
dratique séquentielle ou SQP utilisent une approximation quadratique de la fonction ob-
jectif et du Hessien. Le problème (NLP) originel (cf chapitre 2) pourrait être approché par
un problème quadratique (QP) qui minimise la différence quadratique entre la puissance
SSE et la compensation requise sous des contraintes de capacité linéaires [Bridier et al.,
2014]. Nous verrons, au chapitre 4, dans quelle mesure cette approche n’est pas satisfai-
sante. Dans les problèmes comportant des variables de décision entières/binaires (IP/MIP,
MILP, MINLP) de grande dimension, une méthode souvent utilisée consiste à décompo-
ser le domaine des contraintes à explorer en régions faisables bornées par des frontières
alignées sur des entiers. Les domaines sont ainsi “séparés”, puis la région à explorer en
premier est “évaluée” : c’est la méthode la séparation-évaluation ou branch-and-bound en
anglais. La séparation permet d’obtenir une méthode générique pour énumérer toutes les
solutions tandis que l’évaluation évite l’énumération systématique de toutes les solutions.
Figure 3.2 – Méthode de séparation-évaluation dans la programmation mathématique.
Le principe des coupes de Gomory est de remplacer les contraintes dans le PLNE par
d’autres contraintes linéaires (les coupes) qui correspondent à l’enveloppe convexe des
variables entières se trouvant à l’intérieur du polyèdre {x ∈ RN |Ax ≤ b, x ≥ 0}.
Figure 3.3 – Méthode de coupes dans les programmes linéaires en nombres entiers (ILP).
La plupart des solveurs linéaires (LP / ILP / MILP) utilisent les méthodes de Branche-
ment/Séparation (Branch and Cut). Lorsque la fonction objectif n’est pas différentiable
ou que sa dérivée n’est pas ou difficilement accessible, il est nécessaire de disposer de
méthodes ne faisant pas intervenir les dérivées (derivative- ou gradient-free optimization),
par exemple le Nelder-Mead downhill simplex method [Nelder and Mead, 1965]. Mais ces
méthodes sont très sensibles au point de départ, près ou loin de la solution, et peuvent res-
ter coincées dans des minima locaux. Les méthodes métaheuristiques permettent d’éviter
cet écueil.
3.2.2.2 Prise en compte de l’incertitude
Les méthodes précédentes sont dites déterministes en ce sens que tous les paramètres
du système sont exacts et déterminés. Mais en réalité une incertitude existe toujours, no-
tamment dans le cas de propriétés physiques des matériaux (SSE, onduleurs, générateurs,
composants divers...) ou encore lorsque des prévisions sont en jeu. Dans cette vision plus
proche de la réalité, les variables sont des variables aléatoires. Il s’agit alors d’un problème
d’optimisation stochastique qui peut être écrit comme
min f (X, ξ)
X∈RN (3.2)
sous les contraintes g(X, ξ) ≤ 0
où ξ est une variable aléatoire de loi de probabilité souvent non connue de manière exacte
mais modélisée empiriquement.
Trois approches de prise en compte de l’incertitude sont possibles : l’analyse de sensi-
bilité, la programmation robuste et la programmation stochastique [Yang, 2010].
L’analyse de sensibilité consiste à évaluer la sensibilité de la solution (sorties) à des
variations des paramètres (entrées), par des méthodes d’échantillonnage donc de parcours
de l’espace des entrées. Relativement simple à implémenter dans le cas d’échantillons de
type Monte-Carlo, la qualité de l’analyse est contrainte par le temps de calcul néces-
saire, notamment dans le cas de fonctions complexes et longues à évaluer (solution d’une
EDP 1 par exemple) ainsi que par l’intervalle discrétisé de variation des paramètres (borne
min./max., pas).
La programmation robuste cherche à s’assurer que la solution trouvée n’est pas sen-
sible à de petites variations des paramètres. Elle peut être vue comme intermédiaire entre
l’analyse de sensibilité et la programmation stochastique puisque les paramètres dits in-
certains n’ont pas une valeur déterminée mais prennent leur valeur dans un intervalle
défini appelé domaine d’incertitude. Par exemple, dans le cas d’un programme linéaire
(LP) min{cT x : A · x ≤ b}, la version robuste du problème sera
min{cT x : A · x ≤ b, ∀A ∈ IA , c ∈ Ic , b ∈ Ib } (3.3)
où IA , Ic ,, Ib sont les domaines d’incertitude i.e. l’ensemble des réalisations possibles des
données incertaines [Ben-Tal et al., 2009].
La programmation stochastique - stochastic programming - vise la résolution des pro-
blèmes d’optimisation contenant des variables aléatoires du type 3.2. Pour résoudre nu-
mériquement le programme stochastique, on considère que ξ a une série finie de réalisa-
tions possibles ξ1 , ..., ξK appelées scénarios. Deux méthodes de résolution d’un programme
1. EDP = Equation Différentielle Partielle
stochastique peuvent être utilisées : résolution de l’équivalent déterministe et pour la pro-

grammation linéaire l’algorithme stochastique de Benders [Kall and Mayer, 2005]. En effet,
l’équivalent déterministe ayant souvent un nombre de variables ou de scénarios trop im-
portants pour une résolution directe, la décomposition de Benders [Benders, 1962] permet
d’obtenir des équivalents déterministes résolus en un temps raisonnable. Si la probabilité
de ξ est connue ou approchée, les solveurs chercheront plutôt à résoudre le problème
min Eξ [f (X, ξ)] (3.4)

X∈RN
sous les contraintes Eξ [g(X, ξ)] ≤ 0 (3.5)
L’avantage de la programmation stochastique est bien sûr de prendre en compte l’infor-

mation probabiliste dans le modèle même ; Cependant, l’implémentation est plus déli-
cate, notamment en cas de contraintes non linéaires. Une discussion plus approfondie des
concepts et méthodes associés peut être trouvée par exemple dans [Birge and Louveaux,
1997].
3.2.2.3 Application au dimensionnement optimal
Les modèles couramment utilisés sont des programmes mixtes en nombre entiers (MILP/MINLP
[Abbaspour et al., 2013]) où la fonction objectif coût est économique (NPC[Zhou et al.,
2010], LCOE[Lazou and Papatsoris, 2000]) ou technique (LPSP [Maleki et al., 2015], LA
[Luna-Rubio et al., 2012]) et les contraintes sont non linéaires. Des variables binaires mo-
délisent, dans le cas de plusieurs unités de production, le déclenchement ou pas de tel
moyen de production, la revente ou l’utilisation (charge stockage) de l’énergie [Fathima
and Palanisamy, 2015]. Dans ces études, la période est généralement de 24h à quelques
jours et le système est considéré retrouver le même état à la fin de la période [Berrada
and Loudiyi, 2016].
Le problème sous sa forme non linéaire gagnera à être linéarisé sous la forme (MILP)
pour lequel on dispose de méthodes plus performantes, notamment dans le cas de problème
de grande taille (étude infra-horaire sur une année).
L’approche probabiliste - prise en compte des variations aléatoires de certains para-
mètres tels les conditions météorologiques - permet de présenter des résultats dont la
probabilité (Méthode de Monte-carlo) est supérieure à un seuil de confiance donné α
[Arun et al., 2009],
Dans [Sinha and Chandel, 2015], parmi les techniques dites classiques (graphiques, ité-
ratives, probabilistes, par compensation/risque), la programmation linéaire est présentée
comme la technique permettant d’améliorer le plus la qualité de la décision. D’autre part,
il est souligné que ce modèle est plus flexible que les autres dans le sens où un large
éventail de problèmes peuvent être modélisés et facilement résolus de cette manière.
3.2.3 Programmation dynamique
3.2.3.1 Cadre général
Introduite par Richard Bellman en 1957 [Bellman, 1957], la programmation dynamique

est une méthode de résolution des problèmes d’optimisation séquentielle. Un problème
d’optimisation séquentielle est défini par 2 :
1. N : le nombre de périodes considérées,
2. xk ∈ Sk l’état du système au début de la période k,
3. uk ∈ Uk (xk ) : décision devant être prise à la période k,
4. wk : bruit aléatoire (éventuellement nul), suivant une loi de probabilité Hk (·|xk , uk ).
Dans le cas où w est nul l’on parle de programmation dynamique déterministe, stochas-
tique sinon.
Le système dynamique est décrit par la formule séquentielle :
xk+1 = fk (xk , uk , wk ), k = 1, ..., N (3.6)
où les fk sont appelées fonctions de transfert. Le coût total J à minimiser, engendré par
le processus complet de décision est donné par
N
J = gN +1 (xN +1 ) + gk (xk , uk , wk ), (3.7)
k=1
où gk (xk , uk , wk ) est la fonction de coût associée à la période k et gN +1 (xN +1 ) le coût total
de l’état atteint à la fin du processus.
Une politique de décision est une suite de fonctions (μ1 ,..., μN ) dans laquelle μk associe
à chaque état xk ∈ Sk une décision uk = μk (xk ). Cette politique est admissible si pour tout
k ∈ {1, ..., N} et xk ∈ Sk : μk (xk ) ∈ Uk (xk ). La programmation dynamique est fondée sur
le principe d’optimalité de Bellman : “toute politique optimale est formée de politiques
résiduelles optimales”. Ce principe est le fondement de l’algorithme d’optimisation associé
qui procède depuis la période N jusqu’à la période 1, selon les étapes suivantes :
(∀xN +1 ∈ SN +1 ) JN +1 (xN +1 ) = gN +1 (xN +1 ) (3.8)

(∀k ∈ {N, ..., 1}) Jk (xk ) = min E(gk (xk , uk , wk ) + Jk+1 (fk (xk , uk , wk )))
uk ∈Uk (xk )
où l’équation 3.8 est appelée “équation de Bellman”.
3.2.3.2 Dimensionnement optimal
La formulation 3.6 est particulièrement adaptée au problème de fonctionnement optimal

d’un SSE. En effet, si l’on ne tient pas compte du fait que les paramètres (capacité,
efficacité,...) se dégradent au fil des cycles, l’état de charge xt+1 = SOC(t + 1) ne dépend
2. http ://www.isima.fr/ vbarra/IMG/pdf/programmation dynamique.pdf, cours de Vincent Barra,
ISIMA, Clermont-Ferrand, Nov. 2006.
9
4 CHAP
ITRE3
. OPT
IMISAT
ION
qu ed el’é
tatp ré
cédentSOC( t
)àl ’
in s
t antk= te td elapu issance(d é
c
i s
ion )ut =
Pstock(t
).L acond itionn é
cess
aireaup rinciped ’
optim al
i téd
eB e
llm ane t
,p arsuit e
,d ela
prog ramm ati
ondyn am iqu ep euventd oncêtreapp l
iqu é
es.L’équat
iond eB el
lm ane sten
lienétro
ita veclath é
oried esg raphespu isquel asolutione stlep lusc our
tch emini.e
.d e
coûtm inim a
ld ansung rapheoùch aquen oeudrep ré
sentel’é
tatd ech argedus tockage
SOC( t)e tch aquea rê
tep as
s an
td el’é
tattàt+1aunpo idségalauc oûtt echni
c o
-
é
con omiquea ssocié
.L af onct
i onc oû
tp eu tê
tre
,p arex emple,l afonctionind icatr
iced e
dé
fail
lanced efau t(t)d éfini
eauch apitr
e2oul ec oû
td elap lus-valueénergé
tiquedu
stoc kage
.
Dansl ath è
ses outenuep arY .Riffoneau[R iffonn e
au,2 0 09
],lap rogramm ationdyn a-
miquee stapp liqué
eaud im ens
ionnementd’uns t o
ck agep arb att
eriesc oupl
éàunep ro-
du c
tionPV .Las o
lu tionop t
im a
leestvuec omm elep lusc ourtchem ind anslegr aphed es
diffé
rentsétats(SOC= 20
,30,40
..
.,90%)
,àch aqu einstant,dusy s
tèmeSSE(fi gure3. 4
).L e
coû
td ech aquea rca ssoc
iées
tladiffé
renced el av a
l o
risat
i oné
con omiqu edelapu issance
é
chan gé
ea ve
cl er é
seaue t
,s e
lonun m odè
led ev iei
lli
ssem ent,d el ap er
ted ec ap ac
ité
dansl ’
int erva
lled et emps( 10m in
.).L agest
i onr é
activere c
alcule
,pou rchaquej ourné
e,
enf onc t
i ond esp rév
is
ionsc our
t-t
erm elepo id sd ech aquea rce td é
terminelan ouve
lle
poli
tiqu eop tim a
leenp artantdel’
é
tatfin a
lc onnu:SOC (fin a
l)=SOC (
initia
l)=5 0%.
✵ ✶ ✆ ∆ ✠
✆ ∆ ✝ ✆ ∆
❈ ☛ ☞
❈ ☛ ☞
✌ ✷
✌ ✌
❙ ✍ ✎
✆ ✆
✵ ✠ ✵ ✠
❈ ☛ ☞
❈ ☛ ☞
✷ ✌
✷ ✷
✆ ✝ ✆ ✝
✵ ✵
❈ ☛ ☞
❈ ☛ ☞
✸ ✌ ✸ ✷
✆ ✏ ✆ ✏
✵ ✵
l=CF
’11+p012
✆ ✞ ✆ ✞
✵ ✵
❈ ☛ ☞
f
ina
❈ ☛ ☞
❈ ☛ ☞
✽
✷
✽
✌
✆ ✆
✵ ✟ ✵ ✟
Figure3
.4–R



ec

h


e

r

c h


ed


eg


e


s

ti
o

nS


SEo



ptim



al


ep

arp



r

o

g


ramm



a


t

iond



yn


am
iqu
e.
Sourc
eY.Riffon eau,2009 .
Le
sré
sult
atssontdonn
ésaupasd etemps10m in.sur24heu
res(fi
gur
e3 .5)
.Eneff e t
,
laprog
ramm a
tiondynamiquené
cess
itedelam ém
oireetuntempsdecal
culimpo r
t ant
pou
rd e
ss imulat
ion
ssurd espasd etemp
sp lusfins(inf
ra-m
inute
)oudesp é
r
i od
esplus
lon
gues(anné
e)[LuandSh ah
idehpour,2
0 0
5].
D
an scec as,leSSE-b
att
eri
e( 10bat
t e
ries12Vensé
r
i e
)estd
et a
il
lefixé
e1 2kWh,
d
’effic a
cit
é90% ,pou
r3kW cd ePV.L’object
ife
stl
efonc
tionn
ementopt
ima
lp e
rme
ttan
t
d
erépondreàlademand
eau m e
il
leu
rc oû
t
.
L
ap ro
gramma
tiondyn
am iqu
esto
chas
tique(st
ocha
sti
cdynami
cp rog
rammingouSDP )
3
r
eprendcepr
inc
ipeentenantcomptedesinc
ert
itud
es.P.Hae
ssi
g app l
iqu
el’équ
ati
on
3
. Th
è
sesou
tenu
eenJu
il
let2014àl
’Eco
leN
orm
aleSup
é
rieu
red
eCa
chan-Labo
rat
oir
eSAT
IE.

* " !! "" )! !
% # !
% + ! ! # !

%
7

%
&! '(
&! '(
% 6

%
5
d 4 %
%

$%

$
% $%
$
4 6 4 6 4

" " nnn ! n e"# $ &
Figure 3.5 – Fonctionnement SSE optimal par programmation dynamique.
(3.8) à la recherche d’une gestion optimale de l’énergie SSE-EnRI [Haessig, 2014]. La

partie aléatoire w modélise le bruit relatif aux erreurs de prévision Perr corrélés par un
facteur Φ = 0, 8, ce qui permet de générer des prévisions ou trajectoires. L’algorithme est
alors utilisé pour minimiser l’espérance du coût de gestion associée à ces prévisions.
Cette gestion optimale est utilisée pour dimensionner le stockage. Les résultats sont
présentés notamment en fonction de la tolérance sur la puissance fournie au réseau, comme
dans la figure suivante 3.6, pour une ferme éolienne de Pinst = 10 MWc. L’indication
chiffrée sur chaque courbe correspond à la limite tolérée du taux de défaillance (DTR ou
LPSP) pendant laquelle l’engagement n’est pas tenu.
Figure 3.6 – Dimensionnement optimal (SDP) : Tolérance vs Capacité SSE.

Source Thèse P. Haessig, 2014
Par exemple, pour un une tolérance de 1 MW soit 10%Pinst , P. Haessig obtient qu’il
faut, sur le site étudié (La Perrière, La Réunion), une capacité d’au moins 8 MWh, soit
800 kWh/MWc pour avoir moins de 5% de non-respect du scénario.
3.2.4 Métaheuristiques et heuristiques
La non-linéarité, la multimodalité, la grande irrégularité des fonctions à minimiser

peuvent rendre les méthodes itératives classiques inefficaces. Un autre problème peut ve-
nir du nombre important, par exemple plusieurs dizaines voire centaines de milliers, de
variables de décision. La nonlinéarité conjuguée à la grande dimension, comme dans notre
cas (cf modèle NLP présenté en fin de chapitre 2), compliquent encore plus les choses. Par
exemple, en optimisation combinatoire, le problème du voyageur de commerce (TSP) avec
100 villes donne lieu à 100 ! 9, 3 · 10157 combinaisons, ce qui rend impossible toute tenta-
tive d’énumération des trajets possibles. Il faut donc trouver des méthodes plus efficaces.
Les algorithmes heuristiques puis métaheuristiques ont été développés pour traiter de ce
type de problème combinatoire NP-difficile. Les métaheuristiques peuvent être classées
en 2 catégories : à solution unique (single-solution based ou trajectory metaheuristics), à
population de solutions (population-based metaheuristics) [Yang, 2010].
3.2.4.1 Métaheuristiques à trajectoire
La première catégorie d’algorithmes métaheuristiques est constituée des méthodes ité-

ratives à solution unique, basées sur un algorithme de recherche de voisinage. L’algorithme
démarre avec une solution initiale et l’améliore pas à pas en choisissant une nouvelle solu-
tion dans son voisinage. Les méthodes les plus utilisées sont les méthodes de descente (hill
climbing), le recuit simulé (simulated annealing ou SA), la recherche tabou tabu search
ou TS, la recherche adaptative aléatoire gloutonne (greedy randomized adaptive search
procedures ou GRASP), recherche par voisinage variable (variable neighborhood search ou
VNS), recherche locale itérée (iterated local search ou ILS) [Boussaı̈d et al., 2013].
La recherche tabou et le recuit simulé ont été appliqués avec succès dans de nombreux
problèmes d’optimisation combinatoire y compris liés au systèmes électriques. Le désa-
vantage de ces méthodes est que leur efficacité dépend beaucoup de la façon dont les
paramètres internes - la liste tabou ou la température - sont construits et utilisés [Sa-
degheih, 2011]. Dans cet article, une comparaison est faite entre les méthodes SA, TS
avec la programmation mixte en nombre entier (MIP) classique. L’objectif est l’optimisa-
tion d’un système de production et de distribution (power system planning) au regard du
coût en émissions carbone. L’auteur conclut que TS et SA peuvent avoir, selon le réglage
des paramètres internes, des résultats proches en nombre d’itérations mais inférieurs à la
programmation mixte en nombres entiers. L’algorithme génétique (cf section ci-dessous)
donne de meilleurs résultats, en terme de qualité et de rapidité (+37 à 43%), que TS et
SA.
3.2.4.2 Métaheuristiques à population
L’autre classe d’algorithmes métaheuristiques s’inspire en général des comportements

naturels ou biologiques et sont qualifiés d’évolutionnaires. Les premiers ont été les algo-
rithmes génétiques (Genetic Algorithms ou GA) développés par John Holland à la fin les
années 60. Depuis, d’autres méthodes ont été élaborées, utilisées et testées dans le cadre
de d’optimisation de système électrique, de gestion optimale d’énergie et de dimensionne-
ment de système de production : colonie de fourmis (Ant Colony Optimization ou ACO), à

particules (Particles Swarm optimization ou PSO) mais aussi DHS, Bat/Bee optimization,
Intelligence Artificielle... [Baños et al., 2011].
Une grande partie des articles de dimensionnement a été effectuée avec et GA et PSO,
éventuellement améliorés ou adaptés à la structure du problème. Une comparaison entre
PSO et GA est effectuée dans [Mohammadi et al., 2012] pour la conception optimale d’un
micro-réseau montrent des résultats très proches (moins de 0,1% d’écart dans l’évaluation
du coût optimal). Dans [Sinha and Chandel, 2015] les algorithmes génétiques sont analysés
comme les plus utilisés en matière de gestion et de dimensionnement optimaux SSE-EnRI,
notamment pour les systèmes hybrides PV-Éolien+SSE ou PV-Éolien-TAC+SSE et les
systèmes distribués avec stockage. Les performances de différents algorithmes évolution-
naires appliqués au dimensionnement optimal ont été évalués par [Maleki et al., 2015]pour
des systèmes PV-Éolien+SSE. Sept méthodes heuristiques ou métaheuristiques d’optimi-
sation ont été testées, selon le critère du coût total, et comparées : PSO, TS, IHS (recherche
basée sur les harmonies), IHSBSA (IHS+SA), ABSO (Artificial Bee Swarm Optimization).
Les auteurs concluent que ABSO montre des résultats plus prometteurs que pour les six
autres algorithmes.
Le point commun des méthodes métaheuristiques, parfois appelées méthodes stochas-
tiques, d’optimisation est qu’elle procèdent par la définition d’un cadre heuristique général
qui peut être utilisé, avec peu d’adaptations, pour des problèmes d’optimisation spécifiques
différents. C’est là un des avantages des méthodes métaheuristiques qui s’appliquent même
dans le cas non continu ou non différentiable ou d’une dérivée difficilement calculable donc
dans une classe beaucoup plus large de problèmes d’optimisation que les méthodes ité-
ratives classiques. D’autre part, elles se révèlent souvent efficaces dans les problèmes de
très grande taille et, de surcroı̂t, peuvent bénéficier de théorèmes de convergence tout en
fournissant en un temps raisonnable des solutions de bonne qualité. L’inconvénient de ce
type de méthodes est l’existence de paramètres à régler afin d’obtenir une convergence
satisfaisante, par exemple le taux de mutation (crossover) dans les algorithmes génétiques.
Le dimensionnement, en mode autonome (SA), d’un système hybride Éolien-PV couplé
à un stockage électrochimique a été optimisé grâce à un algorithme génétique dans [Yang
et al., 2008]. La capacité optimale de batterie est calculée en fonction du taux de défaut de
service admissible ou LPSP (cf chapitre 2) pris égal à 1 ou 2%. La solution correspondant
à un LPSP de 1% comporte 6 kWc en éolien et 12,8 kWc PV couplés à une série de 6
batteries d’une capacité totale de 14,4 kWh soit 766 Wh/kWc. Pour 2% de défauts, avec
6+11,5 kWc éolien+PV, un ratio de 686 Wh/kWc est obtenu.
3.2.4.3 Heuristiques
L’heuristique, dans le sens où nous l’entendons, est donc “une stratégie de recherche
de solution permettant de produire des solutions acceptables - de qualité satisfaisante
- à un problème complexe en un temps raisonnable”. Il faut distinguer les heuristiques,
par exemple des stratégies de placement dans le problème des dames ou des cavaliers sur
un échiquier, des métaheuristiques qui appliquent à chaque étape une heuristique. Dans
les méthodes heuristiques, l’on applique une stratégie, aléatoire ou pas, qui permet de
trouver une bonne solution pas forcément optimale rapidement. Remarquons que certains
articles parlent parfois d’heuristique (“heuristic”) pour ce que X. Yang a défini comme
métaheuristique à trajectoire : Dynamic Harmony search ou DHS.
Dans le cadre de la gestion d’énergie et dans toute la suite, le mot heuristique est lié à
la gestion empirique rule-based control fondée, en général, sur l’expertise du gestionnaire.
Les heuristiques associées font alors intervenir des conditions (’Si...Alors...Sinon’)
basées sur l’état du système afin d’orienter au mieux la décision à chaque instant. La mise
en oeuvre d’une optimisation “myope” c’est-à-dire sans connaissance du futur constitue, à
ce titre, une loi de gestion empirique. Quoique très liées à la structure du problème ainsi
que des paramètres d’entrée - production et prévision annuelles relatives à un site donné
par exemple - l’avantage de ces méthodes est :
1. de tenir compte de l’expérience acquise dans le domaine,
2. de fournir une solution de “bonne” qualité, bien que souvent non optimale, en un
temps de calcul rapide,
3. de dégager des processus décisionnels ou consignes de contrôle claires et facilement
implémentables donc utilisables et testables en conditions opérationnelles.
Par exemple, l’heuristique simple “Pstock = Perr ” que l’on pourrait qualifier de gloutonne
et qui consiste à compenser exactement, dans la mesure du possible (capacité/puissance
SSE disponibles), l’écart entre la production EnRI est appliquée dans [Haessig, 2014] afin
de la comparer à une optimisation proactive.
3.2.5 Outils d’optimisation
La recherche d’un dimensionnement optimal peut se ramener à la résolution d’un pro-

blème d’optimisation, linéaire ou non, sous contrainte. C’est pourquoi, avec l’intérêt gran-
dissant du stockage comme vecteur d’accroissement de la pénétration des EnRI (cf chapitre
1), des logiciels et des méthodes d’optimisation ont été utilisées ou parfois développées
ces dernières années afin de minimiser les coûts totaux et optimiser le fonctionnement
du stockage. Le nombre d’articles consacrés aux algorithmes d’optimisation de systèmes
hybrides EnRI-SSE a ainsi été multiplié par 10 de 1999 à 2009 [Baños et al., 2011]. Cet
intérêt croissant est notamment dû à la complexité des systèmes étudiés, souvent non
linéaires et de grande dimension. Les méthodes employées sont deux ordres : soit des lo-
giciels déjà développés, commerciaux ou libres, soit des implémentations ad hoc adaptant
des existants ou développant de nouveaux algorithmes d’optimisation.
3.2.5.1 Solveurs
Un solveur est un logiciel permettant de résoudre un problème d’optimisation. Il existe

une multitude de solveurs 4 libres, propriétaires ou de licence académique gratuite. Cer-
tains sont spécialisés dans la programmation linéaire 5 ou quadratique d’autres dans l’op-
timisation non linéaire. Tous ne permettent pas une prise en compte de l’incertitude,
4. https ://en.wikipedia.org/wiki/List of optimization software,
http ://www.orms-today.org/surveys/LP/LP-survey.html (Août 2015).
5. https ://en.wikipedia.org/wiki/Linear programming.
comme le font par exemple AIMMS, COIN-OR (libre), DECIS, LINDO ou encore les
solveurs accessibles sur le serveur NEOS.
Les méthodes principales utilisées sont les méthodes du simplex (primal-dual), des
points intérieurs, de la séparation-réduction (Branch and Cut), des fonctions barrière, du
domaine actif (active set).
Les solveurs parmi les plus connus et les plus couramment employés sont :
— logiciels propriétaires (commerciaux) : Cplex (IBM), Gurobi (Gurobi Optimiza-

tion), Xpress (FICO), Mosek.
— logiciels libres : COIN-OR, SCIP.
Des environnements intégrés incluant des méta-langages de description et de formali-

sation du problème à résoudre ont également été développés : AIMMS, GAMS, AMPL...
mais certains solveurs comme Cplex peuvent avoir leur propre interface.
Certains logiciels proposent une interface soit intégrée soit en API vers la plupart des
solveurs : GAMS, TomLab ou encore le package libre Matlab Opti Toolbox, déve-
loppé par l’Université d’Auckland, fournit une interface Matlab (mex file), libre et gratuite,
vers une grande partie des solveurs existants, libres ou propriétaires. L’Optimization
Toolbox du logiciel commercial Matlab propose des fonctions adaptées à chaque type
de problème : NLP = fmincon, QP = quadprog, LP = linprog et bintprog (variables
binaires).
3.2.5.2 Logiciels ad hoc
Un des logiciels les plus répandus dans le dimensionnement de SSE couplé à des EnRI
est HOMER 6 développé par la National Renewable Energy Laboratory (NREL) dans les
années 90. D’autres logiciels tels HYBRIDS, HOGA, RET Screen, TRNSYS, Web
Opt ont depuis fait leur apparition avec des spécificités pour chacun. Pour une revue
complète le lecteur pourra se référer à [Connolly et al., 2010, Upadhyay and Sharma,
2014, Chauhan and Saini, 2014]. D’une manière générale, ces logiciels fonctionnent sur une
analyse “bottom-up suivant le schéma 3.7 d’une ou plusieurs sources EnRI (hybridation)
couplée(s) à un système de stockage+onduleur, dans le but de répondre à une demande
(load) connectée (grid connected ou GC) ou non (stand-alone ou SA) au réseau.
6. Hybrid Optimization Model for Electric Renewables (HOMER).


Figure 3.7 – Logiciels de dimensionnement SSE-ENRI : schéma de principe.

Source [Sinha and Chandel, 2015]
Dans [Sinha and Chandel, 2015], des exemples sont cités où les algorithme génétiques
conduisent à de meilleurs résultats en terme d’optimisation comparés à ceux obtenus avec
HOMER. En outre, même en mode connecté, ces logiciels tendent à une satisfaction de la
demande, généralement sur des pas de temps horaires. Les scénarios dédiés avec tolérances
sur la puissance annoncée la veille pour le lendemain ainsi que sur la fiabilité ne sont donc
pas modélisés en tant que tels dans ces logiciels.
3.3 Gestion optimisée SSE+EnRI
3.3.1 Motivations du choix heuristique
Pour atteindre les objectifs fixés par la modélisation au chapitre 2 (résolution d’un
problème non continu non linéaire sur des données annuelles), il nous a paru nécessaire
de procéder différemment des modèles existants. Trois raisons ont motivé le choix heuris-
tique :
— la grande dimension du problème,
— la structure particulière du problème,
3.3. GESTION OPTIMISÉE SSE+ENRI 101
— la volonté d’obtenir des principes généraux de commande/fonctionnement du sto-

ckage en condition opérationnelle.
En effet, le problème, que ce soit sous une forme combinatoire, continue ou mixte (cf
section suivante) peut comporter 8760 variables pour un pas de temps horaire et jusqu’à
plusieurs dizaines de millions de variables et contraintes pour des données historiques de
production à la seconde sur l’année. Nous savons que dans ce cas des méthodes classiques
d’optimisation (recherche itérative d’un optimum global ou local) de la programmation
dynamique ou de la programmation non linéaire peuvent s’avérer peu performantes en
temps de calcul ou en place mémoire (cf section précédente). Notons qu’il ne s’agit pas,
dans ce cadre annuel, d’étendre l’horizon de planification, au sens où l’engagement serait
’planifié’ (annoncé) sur toute l’année, sauf dans le cas garanti S2. Dans les scénarios S1,
l’annonce est bien faite la veille pour le lendemain mais la réponse est apportée, dans
le mémoire, aux questions suivantes : “est-ce que, si le producteur annonce chaque jour
la prévision du lendemain, pourra-t-il tenir sur l’année cet engagement (aux tolérances
admises près) et si oui avec quelle capacité de stockage ?”“Dans ce cas, peut-il espérer une
rentabilité financière et a-t-il intérêt à investir dans un SSE ?”
En outre, l’objectif prioritaire de fiabilité nous conduit à rechercher une stratégie, au
sens d’ensemble de politiques ponctuelles, minimisant le nombre ou la part de défauts
(DTR). Or, il est facile de construire des cas où il vaut mieux se mettre en défaut (grande
compensation requise) pour éviter des défauts futurs éventuels (série de petites compen-
sations). Le principe de Bellman n’est donc pas strictement respecté si la fonction coût
est le nombre de défauts. Le problème (NLP) initial est de plus non continu donc non
différentiable et les algorithmes de programmation non linéaire itératifs standards (SQP,
méthodes de descente, Quasi-Newton...) ne sont pas applicables en tant que tels. Il faut
donc se tourner vers des méthodes ou solveurs capables de traiter ce type de fonction
(derivative-free optimization). Pour la grande dimension, beaucoup se sont tournés vers
des méthodes métaheuristiques.
D’autre part dans la gestion optimale par les méthodes méta-heuristiques précitées, il
n’y a pas d’aide à la décision sur le fonctionnement du stockage. On vérifie que la solution
(puissance de stockage en charge/décharge) convient et permet de répondre au problème
posé de manière satisfaisante mais ne permet pas en général d’en déduire des principes
généraux - lois de gestion optimales - du fonctionnement SSE en charge-décharge basés,
notamment, sur l’état de charge et les conditions météorologiques.
Nous n’utiliserons pas de version stochastique du programme non linéaire où l’on
construit une solution robuste permettant d’avoir un certain niveau de confiance en la
solution face à des prévisions aléatoires. En effet, des données historiques de produc-
tion/prévision disponibles sur une année ont été employées (cf 3.3.2). D’autre part, cela
aurait nécessité des modèles de production/prévision - ou tout du moins de l’erreur -
spécifiques à chaque source. Enfin, dans la classe de service S2, une fois fixé le niveau de
puissance garantie, la prévision n’intervient plus (sauf scénarios où les heures de début et
de fin de production sont annoncées la veille 7 ) et la capacité du système couplé à répondre
à l’engagement - à travers une loi de gestion optimisée - est essentielle.
7. Appel d’Offres CRE PV+stockage 2012.

L’avantage du choix heuristique est de disposer d’une méthode simple à implémen-

ter (principes opérationnels) et rapide à exécuter, en conditions opérationnelles. Notre
approche heuristique développée dans le présent chapitre découle de ces trois objectifs
majeurs :
1. Conditions “opérationnelles”.
Le mot opérationnel est entendu ici non pas d’une façon technologique i.e. avec une
connaissance fine (dynamique) de l’ensemble des composants mais plutôt d’un point
de vue d’aide à la décision où le décideur dispose à chaque pas de temps d’éléments
(stratégies) lui permettant de faire des choix de gestion appropriés voire optimaux.
2. Simplicité d’implémentation et rapidité du calcul
Des principes simples intégrables dans un contrôle commande du stockage (politiques
ou lois de gestion de l’énergie), un dimensionnement rapide - de l’ordre de la seconde
- permettant d’étudier l’influence de multiples paramètres d’entrée, notamment de
la qualité de prévision.
3. Qualité de la solution.
Les résultats, en terme de fiabilité, sont proches de ceux obtenus en optimisation
globale avec des modèles classiques (MILP) et des solveurs performants (Cplex,
Gurobi, Mosek, Xpress).
3.3.2 Cas d’étude
3.3.2.1 Productions et prévisions
Les données historiques - séries temporelles - de production (sauf pour la houle) et de

prévision sont utilisées pour les simulations. L’avantage est disposer de données réelles
mais avec des résultats, à priori, moins facilement transposables à d’autres sites. D’autre
part, l’objectif n’est pas d’évaluer la qualité d’un modèle de production ce qui rajouterait
une incertitude liée à ce modèle mais d’évaluer le dimensionnement optimal d’un SSE
couplé à une production EnRI donnée (éolien, PV, houle).
La production éolienne a été mesurée toutes les 10 minutes de Septembre 2010 à Août
2011 à Fonds Caraı̈bes en Guadeloupe. Il s’agit d’une ferme de 4,4 MW composée de
20 turbines 8 . La prévision horaire est réalisée, la veille pour le lendemain, par la société
MetNext 9 sur la base des prévisions météorologiques du centre national français Météo
France. Bien que la plus élevée des trois sources étudiées en quantité totale d’énergie, la
production sur ce site est très irrégulière, notamment nulle près d’un quart du temps :
2200h correspondant soit à des périodes sans vent soit avec trop de vent (soit mainte-
nance/panne). La prévision éolienne est bonne la plupart du temps (rMAE < 10%). Il y
a pourtant un nombre significatif d’heures où une erreur importante est observée. Pour
près de 3000h, le MAE (Mean Absolute Error) est supérieur à 100 kW dont 1100 heures,
supérieur à 200 kW.
Concernant la houle, les mesures ont été effectuées toutes les 3 heures au large de
Pierrefonds (La Réunion) de 2000 à 2007 et en 2009. L’année 2006 est choisie comme année
8. Vergnet GEV 26/220 (puissance de 220 kW, diamètre de 26 m).
9. MetNext : filiale de Météo France spécialisée dans les services climatiques régionaux.
de référence car sont disponibles l’ensemble des mesures et des prévisions. Un modèle de
production du Pelamis (750 kWc) a été développé [Hernandez et al., 2014] et donne les
valeurs estimées de productions et de prévision, interpolées linéairement sur un pas de
temps de 10 min. La prévision de l’état de la houle est diffusée publiquement, à partir
du modèle WW3, par l’US-Navy 10 . Comme pour le solaire, l’analyse des données sur
plusieurs années montre un comportement également saisonnier avec de plus fortes houles
durant l’hiver austral.
La puissance PV a été mesurée toutes les minutes de Janvier à Décembre 2009 à Saint-
Pierre de La Réunion. L’installation est de 50 kWc, extrapolés à 1 MWc. A cause de
la nature même de la radiation solaire durant l’année, un comportement saisonnier est
observé. Durant l’hiver austral, de Mars à septembre, les jours sont plus courts - 11h au
lieu de 13h en moyenne - et la production est plus faible - 3 au lieu de 4,5 MWh/MWc/jour.
Dans ce cas d’étude, la prévision est donnée par le modèle de la persistance i.e. la prévision
pour le lendemain est égale à la production du jour à la même heure. La précision globale
de cette méthode est, dans ce cas, plutôt correcte (rMAE = 31,4%), supérieure à celles
de la prévision éolienne et houlomotrice, quoique calculée non pas sur toute l’année mais
uniquement en journée (environ 55% du temps). D’autres méthodes de prévision J+1
plus élaborées, prenant en compte notamment l’imagerie satellitaire, sont généralement
employées même si, en l’occurrence, sur le site considéré avec un fort ensoleillement, la
persistance n’est pas si mauvaise. D’ailleurs sont testées dans le chapitre 4 - section 4.4.2
- de meilleures prévisions. Ceci étant, l’intérêt était de tester notre approche heuristique
(charge adaptative) précisément pour une prévision de qualité relativement modeste afin
de montrer que l’on pouvait obtenir malgré tout des solutions viables, avec l’avantage de
données immédiatement disponibles et la perspective en cas de prévision meilleure d’avoir
besoin de capacités de stockage plus faibles. Cependant cette possibilité n’est pas garantie
en général (dans le cas homothétique oui, cf 4.4.2.2) car cela dépend de la distribution
effective des erreurs qui ne se résume à seul indice de qualité (MAE, RMSE ou autre).
Pour les trois sources (éolienne, solaire PV, houle), les données de production et de
prévision ont été normalisées à une puissance crête installée de
Pinst = 1 MW. (3.9)
Le pas de temps est
Δt = 10 min., (3.10)
d’où le nombre de points sur une année
N = 52560. (3.11)
Les erreurs de prévision sont présentées dans la figure 3.8.

Les indicateurs statistiques associés sont donnés dans le tableau 3.1. Puisqu’un défaut
peut survenir que l’écart à compenser par le stockage soit élevé ou faible, la métrique
choisie pour la mesure de la précision est l’erreur absolue moyenne relative rMAE (relative
Mean Absolute Error) donnée par
N N
MAE t=1|Perr (t)| t=1 |Pprod(t) − Pprev (t)|
rMAE = = = (3.12)
P prod N · P prod N · P prod
10. http ://www.usgodae.org/ (Global Ocean Data Assimilation Experiment). Modèle WaveWatchIII.

Figure 3.8 – Erreurs de prévision - Éolien, Houle, PV.
En effet, le MAE est moins sensible aux valeurs extrêmes que l’erreur quadratique RMSE
(root mean square error) plus couramment utilisée pour les erreurs de prévision [Hoff
et al., 2013]. Les expressions sont, d’une manière générale, rapportées à la moyenne de
production EnRI, ce qui permet de comparer les sources de façon plus objective.
Table 3.1 – Indicateurs statistiques de prévision/production EnRI.
Source Prod. annuelle Eprod P prod P prev max(Pprod) MAE rMAE Correlation Correlation
EnRI [MWh/MWc] [kW] [kW] [kW] [kW] [%] Prod./Prév. [%] Prod. J-1/J[%]
Éolien 1692.2 193.2 189.4 1000 90.9 47.1 77.3 52.0
Houle 964.3 110.1 107.1 888.8 47.9 43.5 72.6 69.7
PV 1356.6 154.9 154.9 923.1 48.7 31.4 87.1 87.1
Nous rappelons quelques notations définies dans le chapitre 2 et utilisées à multiples

reprises par la suite :
— Pprod = Production EnRI,
— Pof f re = Offre annoncée (engagement) la veille pour le lendemain,
— tol = Tolérance sur l’offre,
— Pof f re,min/max = Pof f re − / + tol = engagement bas/haut,
— Pstock = Puissance stockage vue du producteur ou du réseau :
— Pecart = Pof f re − Pprod = Ecart entre l’offre annoncée la veille et la production réelle
du lendemain, à compenser par le stockage,
• Pecart > tol : Manque d’énergie (Décharge SSE requise sinon défaillance)
• Pecart ≤ −tol : Surplus d’énergie (charge SSE nécessaire sinon énergie perdue)
— Pgrid = Puissance totale injectée sur le réseau.
Les puissances, resp. énergies, sont données en kW/MWc, resp. kWh/MWc mais pour-
ront, dans la comparaison entre les sources, être exprimées en pourcentage de la production
moyenne %P prod , resp. %E prod .
3.3.2.2 Valeurs de base techniques
La signification des entrées est définie dans la table 2.6 du chapitre 2. Les valeurs de
base sont issues de considérations commerciales ou physiques et servent de référence pour
les comparaisons. Elles sont indiquées dans la table 3.2.
Table 3.2 – Valeurs de base des variables techniques.
Variable Valeur
d’entrée de base Justifications
DT Rmax 5% Cahier des charges Enerstock
Pcharge,max 500 kW/MWc Basé sur l’offre Li-Ion SAFT Insperion 1 MW
Pdecharge,max 500 kW/MWc Basé sur l’offre Li-Ion SAFT Insperion 1 MW
S 1000 kWh/MWc Investissement acceptable (moitié du seuil max.)
SOCmax 95 %S Limitation des pertes (état de charge proche de
100%)
SOCmin 10 %S Réserve primaire
SOC0 50 %S Valeur moyenne de la plage maximale possible
dodmax 60 %S Basé sur l’offre SAFT, augmentation de la durée de
vie (limitation des séries de décharge continue)
ηcharge 90 %u Li-Ion 1 MW
ηdecharge 90 %u Li-ion 1 MW
seuilD 20% %S Régularité de la puissance injectée au réseau
seuilC 20% %S Optimisation technico-économique (cf chap. 4)
tol 25 %P prod Bande de tolérance = moitié de la moyenne annuelle
de production (< 5%Pmax pour le PV)
coefprev 1 Niveau d’engagement Puissance fournie = Prévision
α 1 Facteur de qualité de la prévision (qualité initiale =
prévision réelle, cf chap. 4 section 4.4.2.2)
En particulier, afin de pouvoir comparer les sources entre elles, la tolérance sera souvent
calculée relativement à la production moyenne. Ce choix permet de niveler les différences
de production réelle entre les sources. En général, dans les appels d’offres de la CRE 11 , la
tolérance est exprimée en % de la puissance maximale de la centrale et varie d’une source
à l’autre :
11. Appels d’Offres CRE Éolien+stockage 2009, PV+stockage 2012.
— Éolien : tol = 15%Pmax ,

— PV : tol = 5%Pmax .
L’objectif dans cette partie étant de déterminer un fonctionnement du stockage amélio-
rant, en premier lieu, la fiabilité du système, la variable de décision principale est unique-
ment liée à cet objectif : le N-vecteur Pstock . A chaque instant t = 1, . . . , N, une décision
Pstock (t) (consigne SSE) doit être prise et devra permettre de minimiser les défauts sur
l’année, c’est-à-dire d’augmenter la fiabilité du couplage SSE-EnRI.
3.3.3 Heuristiques
3.3.3.1 Algorithme glouton
Les algorithmes gloutons sont des heuristiques très simples comme, par exemple, les
approches par amélioration itérative [Gardeux, 2011]. Le principe des méthodes gloutonnes
est de faire une succession de choix optimaux localement, jusqu’à ce que l’on ne puisse plus
améliorer la solution, et ce, sans retour en arrière possible. Ce principe, assez générique,
doit être adapté en fonction de la structure du problème. Les heuristiques sont guidées par
des spécificités liées au problème posé et en sont donc dépendantes. L’algorithme glouton
qui consiste à faire au mieux à chaque étape reviendrait dans le problème du voyageur
de commerce (TSP) à partir de chaque ville d’aller toujours à la ville la plus proche.
Evidemment, cela n’est pas optimal dans le cas général mais dans les problèmes de très
grande dimension il a été montré que cet algorithme simple peut apporter des solutions
de bonne qualité en un temps raisonnable.
L’algorithme glouton, à chaque pas de temps t, essaye de faire au mieux, ce qui tendrait,
d’un point de vue producteur-réseau et en l’absence de stratégie, à fournir ou absorber
la compensation exacte, conformément à la modélisation proposée dans le chapitre 2 (cf
équations “Charge/Décharge” 2.2.3.4) :
Pt = Pecart (t) = Pof f re (t) − Pprod (t). (3.13)
Cet algorithme est modifié par quatre principes ou règles heuristiques H1, H2, H3, H4
(rule-based algorithm) qui correspondent à quatre stratégies ou consignes de fonction-
nement du SSE décrites ci-après. La charge adaptative élaborée dans ce chapitre est
basée sur l’algorithme glouton non pas d’un point de vue réseau qui conduirait à une
charge/décharge exacte mais du point de vue du couplage et, par suite, de la fiabilité du
système à travers la règle heuristique d’utilisation de la bande de tolérance (H1).
Les tests de performance des heuristiques ont été effectués sur la base des cas d’étude
présentés dans la section précédente. Dans ce chapitre, les comparaisons ont été effectuées
avec la stratégie la plus fiable mais aussi la moins productive, appelée stratégie N°0 (cf
synthèse 3.3.4). Le dimensionnement technico-économique est étudié au chapitre 4.
3.3.3.2 Utilisation de la bande de tolérance (H1)
Le producteur peut fournir sans être considéré en défaut ni pénalisé, toute puissance
comprise dans la bande de tolérance [Pof f re − tol, Pof f re + tol] ; Il apparait alors pertinent,
toujours du point de vue de la fiabilité du système, de choisir un niveau optimal de

puissance dans cette bande.
Trois niveaux d’engagement sont définis en fonction de la tolérance sur la puissance
injectée au réseau tol :
— soit l’engagement exact Pof f re noté ”0”;
— soit le minimum Pof f re,min = Pof f re − tol. Cette limite basse respectant le scénario
est notée ”+” dans le cas de la charge car cela équivaut à charger le plus possible et
”-” dans le cas de la décharge car cela équivaut à décharger le moins possible ;
— soit le maximum Pof f re,max = Pof f re − tol. Cette limite haute respectant le scénario
est notée ”-” dans le cas de la charge car l’on charge le moins possible et ”+” dans
le cas de la décharge car l’on décharge le plus possible.
Ces trois choix “+” / “0” / “-” correspondant à trois niveaux de puissance - en charge et
en décharge - sont représentés dans la figure 3.9. Par exemple, charge/décharge = “+/−”
signifie qu’à chaque instant le producteur cherchera à charger au maximum le stockage
lorsque la production est au-dessus de la engagement bas ou à décharger le minimum
lorsque la production est au-dessous de l’engagement bas.

!"
##

$
##
$

Figure 3.9 – Stratégies d’utilisation de la bande de tolérance.
Ce découpage conduit à 9 stratégies possibles. Les stratégies “+/−”, “0/0” et “−/+”

correspondent respectivement à l’engagement Pof f re −tol, Pof f re et Pof f re +tol. Notons que
les stratégies “+/0”, “+/+” et “0/+” ne peuvent être appliquées en raison de consignes
contradictoires lorsque la production est dans la bande de tolérance - stratégies dites
inconsistantes - et aucune action (charge/décharge) n’est opérée dans ces cas.
La comparaison des différentes règles envisagées est présentée dans la figure 3.10 pour
le scénario S1a avec les valeurs de base, notamment une capacité de stockage S = 1000
kWh/MWc et une tolérance tol = 25%P prod . Comme la principale contrainte, notamment
dans un contexte tendu lié à une capacité de stockage limitée, est de respecter le service,
le critère de sélection est la fiabilité donc, par opposition, le taux annuel de défaut DT R.

WIND
WAVE
PV

Egrid (%Eout )
DTR (%)

í í íí í í
Tolerance Layer Strategy í í íí í í
Tolerance Layer Strategy
(a) Fiabilité du système - S1
(b) Énergie fournie au réseau Egrid - S1

Elost (%Eout )
DTR (%)

í í íí í í
Tolerance Layer Strategy í í íí í í
Tolerance Layer Strategy
(c) Fiabilité du système EnRI+SSE - S2.PG =
(d) Énergie perdue - S2.PG = 100 kW
100 kW
Figure 3.10 – Comparaison des stratégies d’utilisation de la bande de tolérance.
Cette comparaison montre que pour les trois sources, la meilleure fiabilité i.e. le plus
faible DT R est obtenue avec la stratégie “+/−”. D’une manière générale, la stratégie
de charge maximale est, comme attendu, la meilleure pour réduire le nombre de défauts
donc la capacité de stockage optimale i.e. la capacité minimale permettant de respecter le
service. Pour autant, la contrepartie est une augmentation de la perte d’énergie et donc
une baisse de la puissance moyenne injectée dans le réseau.
Il est à souligner que, d’après ces résultats, seule la production PV peut satisfaire le
service S1a (5%-DT R) avec une capacité de 1000 kWh/MWc et une tolérance de 25%
de la moyenne annuelle de production, soit 4,7% de la puissance crête Pinst . La stratégie
“+/−” est donc choisie comme heuristique de référence pour la gestion optimale et le
dimensionnement du SSE :
(H1) Charge maximale / Décharge minimale . (3.14)
Cette stratégie a été également testée dans le cadre d’une production houlomotrice
(Pelamis) couplée à un stockage par air comprimé (CAES) [Hernández-Torres et al., 2015].
3.3.3.3 Gestion proactive des défauts (H2)
Le stratégie H1 de charge maximale/décharge minimale est adoptée afin d’augmen-

ter la fiabilité du système. Dans cette stratégie, l’énergie produite lors d’un défaut est
injectée dans le réseau (“Défaut = Injection” ou DI). Or cette énergie est peu valorisée
par le gestionnaire afin d’inciter, autant que faire se peut, le producteur à respecter son
engagement contractuel.
C’est pourquoi il semble plus intéressant d’utiliser cette énergie pour charger le sto-
ckage et, ainsi, conforter l’objectif prioritaire d’une plus grande fiabilité. Cette deuxième
heuristique est appelée “Défaut = Charge” ou DC :
(H2) Défaut ≡ Charge (3.15)
Avec cette stratégie, l’énergie en défaut est gardée, autant que possible, pour la charge
du SSE. Du point de vue de la fiabilité, la figure 3.11 montre la contribution de la stratégie
H2 qui permet de diviser par deux ou plus le taux de défaillance DT R. Il s’en suit qu’avec
une capacité SSE de 1 MWh/MWc et une tolérance de 25% (valeurs de base), il est alors
possible, pour chacune des trois sources, de respecter le service avec un taux de défaillances
inférieur à 5% (a), ce qui n’était le cas uniquement pour le PV sans cette stratégie (“Défaut
= Injection” ou DI).
Le calcul des revenus a été effectué avec un tarif de revente de l’énergie injectée en défaut
cD équivalent à une pénalité de 50% du prix de l’énergie conforme cS , soit cD = 100 et
cS = 200 e/MWh (valeurs de base). Puisque Revenus = cS × Egrid,Serv + cD × Egrid,Dtr ,
la contrainte RevenusH2 > RevenusDI équivaut alors, en supposant ΔED > 0, à
cD < SDR × cS (3.16)

H2
ΔES Egrid,Serv − DI
Egrid,Serv
où SDR = = H2
. (3.17)
ΔED DI
Egrid,Dtr − Egrid,Dtr
La détermination, dans notre cas d’étude, du tarif, rapporté au tarif conforme, de

l’énergie en défaut SDR en-dessous duquel il est plus intéressant, du point de vue des
revenus, de charger que d’injecter 12 est illustrée dans la figure 3.12.
Il est vérifié, pour les trois EnRI, que la différence ΔED est bien positive i.e. qu’il y a
moins d’énergie revendue en défaut avec la stratégie “Défaut=Charge” que sans (stratégie
DI), ce qui, par définition, était prévisible. Nous constatons qu’à moins d’avoir un tarif
de revente de l’énergie non conforme (injectée lors d’une défaillance) élevé, supérieur à
SDR = 90% du prix de l’énergie conforme, les revenus obtenus sont supérieurs avec la
12. AO CRE3-PV, Nov. 2015 : le coefficient de pénalité (1-SDR) appliqué au tarif conforme - pénalité
payée par le producteur au gestionnaire si l’injection réseau est inférieure à l’engagement, avec une
tolérance de 5% de la puissance installée - est variable en fonction de la production et de l’engagement.
Par exemple, si Pof f re = Pprev = 180 kW et Pinst = 1000 kW, le coefficient de pénalité pour une
production de 10 à 130 kW est égal à [384 170,5 100 65,3 44,8 31,5 22,3 15,6 10,7 6,9 4 1,75 0]%. Ce calcul
de pénalité tendrait, selon la figure 3.12 (tol = 32, 3%P prod = 50 kW = 5%Pinst =⇒ 1 − SDR = 5, 8%),
à supposer, lorsque la production est supérieure à 105 kW pour une offre basse Pof f re,min de 130 kW,
qu’il pourrait être plus intéressant d’injecter - en défaut - que de charger. Cependant, selon la figure 3.11,
cette stratégie de profit à court-terme entraı̂nerait une baisse de la fiabilité sur l’année.
(a) Taux de DÉFAILLANCE (b) ÉNERGIE conforme

Eolien - DI
Eolien - DC(H2)

Houle - DI
E grid, Serv (%Eprod)

Houle - DC(H2)
DT R (%année)
PV - DI
PV - DC(H2)

(c) ÉNERGIE manquante (d) REVENUS

E lack (%Eprod)
Rev (kEuros)

Tolérance (%prod. moyenne P prod)
Figure 3.11 – Comparaison sans (DI) vs avec la stratégie H2 (DC) - Scénario S1a.

Éolien
Houle
Solaire PV
SDR (%Tarif Énergie conforme)

Tolérance (%prod. moyenne P prod)
Figure 3.12 – Seuil tarif Énergie en défaut (RevenusH2 > RevenusDI ) - Scénario S1a.
stratégie H2 que sans. En effet, l’énergie supplémentaire fournie lors des défaillances avec
DI ne compense pas le surplus d’énergie conforme DC (fig. 3.11.b). Ce fait, ajouté à la

baisse significative des défaillances, valide a posteriori l’heuristique H2.
Notons que dans la mise en oeuvre opérationnelle de la stratégie H2, le test condi-
tionnel Defaut A Venir à l’instant t peut se faire dans les quelques secondes ou minutes
précédentes, à l’instant t de l’intervalle ]t − Δt; t − τ [ durant lequel l’engagement est
considéré constant i.e.
Defaut A Venir(t) ≡ Pgrid (t ) < P of f re, min(t). (3.18)
3.3.3.4 Limitation des oscillations (H3)
Appliquer la stratégie H2 seule conduit à des oscillations dans la puissance fournie au

réseau, comme le montre le premier graphe de la figure 3.13, dans une journée de faible
production éolienne (21/04/10) avec 25% de tolérance et une capacité de stockage de 1000
kWh/MWc. Ces oscillations sont dues à des phases alternatives de charge puis décharge
correspondant à un stockage vide et presque vide. Ce comportement est inacceptable
pour le gestionnaire car induit de l’instabilité dans le réseau. Il est peu pratique pour le
producteur et augmente la sollicitation des composants du système, notamment du SSE.
C’est pourquoi, afin de réduire ces oscillations, le paramètre de “décharge adaptative”
nommé seuilD est introduit. seuilD représente l’énergie, exprimée en pourcentage de la
capacité du SSE, qui doit être absorbée par le stockage avant d’autoriser la décharge vers
le réseau :
Smax
0 ≤ seuilD ≤ SOCmax − SOCmin = . (3.19)
S
En résumé, H3 revient à décharger le SSE après une défaillance uniquement si le
stockage a atteint un niveau de charge supérieur à un seuil adaptable SOC − .
(H3) SOC < SOC− & Défaut précédent =⇒ Charge (3.20)
où l’on a posé

SOC − = SOCmin + seuilD. (3.21)
Idéalement, seuilD devrait correspondre à la moitié de l’énergie produite lors d’une

série de défauts, par exemple quand la production chute jusqu’à ce qu’elle reparte ou
encore lorsque l’écart à compenser est trop important. Ce paramètre interne à la charge
adaptative est donc très dépendant de la durée moyenne d’une série de défauts donnée
DMT (Default Mean Time) ou de manière équivalente du nombre total de séries de défauts
DSN (Default Series Number). Plus la série de défauts sera longue, plus le paramètre
adaptatif seuilD devrait être élevé. Ce paramètre pourrait utilement être adapté chaque
jour voire même chaque heure si des prévisions à court-terme, e.g. une à six heures, sont
disponibles. Cette possibilité fait partie des perspectives de notre étude.
La réduction des oscillations - baisse du DSN correspondant à une augmentation du
DMT - de la charge adaptative, à travers le paramètre seuilD, est montrée dans la figure
3.13 pour une journée en éolien. Cette réduction est vérifiée sur toute l’année pour les trois
sources d’EnRI, comme l’indique la figure 3.14 obtenue avec les valeurs de base. Pourtant,

0% adaptive charge P out (kW)
(“Default = Charge”) P f + tol (kW)
P f − tol (kW)

P grid (kW)

SOC (kWh)

20% adaptive charge

40% adaptive charge

K K K K K
Figure 3.13 – Réduction des oscillations liées à la stratégie H2.
pour les scénarios S1, nous observons que le PV est moins sensible à ce paramètre. En
effet, la durée totale des défauts donc la capacité nécessaire sont plus faibles que pour
l’éolien et la houle. Ce fait est explicité dans les résultats du chapitre 4.
Les oscillations sont effectivement réduites grâce à un paramètre de décharge adapta-
tive plus élevé. Cependant, en contrepartie, le taux de défaillance DT R est plus important
d’où une plus grande capacité de stockage nécessaire au respect du service. Une valeur
du paramètre de décharge adaptative seuilD = 20% est, en l’absence d’informations sup-
plémentaires, un compromis raisonnable entre réduction des oscillations et augmentation
des défauts (cf chapitre 4).
En revanche, concernant les comparaisons - théoriques - avec un modèle de référence
(section 3.4) basées essentiellement sur le critère de fiabilité, nous pouvons laisser de côté
cet aspect de stabilité de la puissance injectée sur le réseau et choisirons par conséquent
seuilD = 0.
TAUX de Défaillances SÉRIES de Défaillances

DTR (%année)

DSN

DURÉE moyenne Défaillance ÉNERGIE conforme

Egrid,Serv (%Eprod)
DMT (heure)

seuilD (%S)
Figure 3.14 – Influence du seuil de décharge adaptatif seuilD (H3).
3.3.3.5 Limitation des pertes d’énergie (H4)
Lorsque le stockage est plein ou presque, il est pratiquement certain qu’il n’y aura
pas de défauts dans les minutes qui suivent. Il y a là une marge de manoeuvre pour une
application de H1 moins stricte. En effet, décharger plus et charger moins que jusqu’à
l’engagement bas, idéalement jusqu’à l’engagement exact, peut conduire à un stockage
moins plein, ce qui pourrait, d’après les résultats précédents sur l’utilisation de la bande
de tolérance, engendrer plus de défauts mais également moins d’énergie perdue et plus
d’énergie injectée.
Nous introduisons donc un nouveau paramètre heuristique seuilC appelé seuil de charge
adaptative ou seuil “haut”, à partir duquel il est permis de compenser exactement voire
plus l’écart de production, avec 0 ≤ seuilC < SOCmax − SOCmin . Ce paramètre autorise
à ne pas tenir compte de la stratégie H1 de charge maximale/décharge minimale. Il est
donc permis, en fonction de ce seuil seuilC, de fournir plus que la limite basse, à savoir
l’engagement Pof f re,min , quitte à prendre ainsi le risque, dans le cas d’une faible production
à venir, d’avoir un stockage moins souvent plein d’où un peu plus de défaillances.
(H4) SOC > SOC+ =⇒ Compensation (H1) augmentée. (3.22)
où
SOC + = SOCmax − seuilC. (3.23)
Afin que les deux stratégies correctrices n’interfèrent pas, nous imposons
SOC − < SOC + ≡ seuilC + seuilD < SOCmax − SOCmin . (3.24)
La figure 3.15 confirme, pour les valeurs de base et le scénario S1a, la limitation de
l’énergie perdue et la maximisation de l’énergie injectée avec seuilC.
TAUX de Défaillances ÉNERGIE conforme

Egrid,Serv (%Eprod)

DTR (%année)

Énergie perdue REVENUS

Rev (keuros/MWc/an)
Elost (%Eprod)

seuilC (%S)
Figure 3.15 – Influence du seuil de charge adaptative seuilC (H3) - Scénario S1a.
Le graphique 3.15.(a) montre que l’augmentation de défauts est limitée - quelques

heures par an - pour des seuils inférieurs à 40%. Il est à noter que la production houlomo-
trice est beaucoup moins sensible à ce paramètre de charge adaptative puisque seulement
0,11%, resp. 0,12% d’énergie perdue, resp. conforme, sont gagnés à seuilC = 40%.
Ce deuxième paramètre interne à la charge adaptative seuilC relâche donc l’heuristique
H3, dans des situations favorables, ce qui permet de réduire la perte d’énergie sur l’année
mais au prix d’une légère baisse de fiabilité. Déterminer la valeur appropriée de ce seuil
“adaptatif” revient donc à rechercher un compromis technico-économique entre fiabilité et
productivité/profitabilité/efficacité. Ce paramètre sera donc optimisé lors du dimension-
nement technico-économique du chapitre 4. C’est pourquoi, dans la comparaison avec les
modèles d’optimisation globale (section 3.4), seuilC sera pris égal à 0 afin de privilégier
le critère de fiabilité, ce qui revient à ne pas appliquer la stratégie H4.
3.3.4 Synthèse
3.3.4.1 Charge adaptative (CA)
Les stratégies présentées précédemment définissent un mode opératoire du fonctionne-

ment du stockage - prise de décision dans le cadre d’une gestion de l’énergie EnRI+SSE
- appelé charge adaptative ou CA. Les deux premières heuristiques H1 et H2, destinées
à augmenter la fiabilité du système, sont les stratégies de base modifiées, le cas échéant,
par les deux autres : la troisième pour la régularité de la puissance injectée dans le réseau
et la dernière pour limiter les pertes d’énergie. A cet effet, deux paramètres liés à l’état
de charge du SSE ont été introduits pour une correction (H3-seuilD) ou une gestion plus
fine (H4-seuilC) de la puissance fournie lors de l’application des stratégies de base. Seules
les stratégies de base sont choisies comme stratégies de référence pour la comparaison avec
un autre modèle sur le critère de fiabilité (section suivante 3.4).
Cette gestion optimisée (mais pas forcément optimale) est fonction de l’engagement
fondé sur la prévision et le scénario, de la production réelle mais aussi de l’état de charge
du stockage à chaque pas de temps. En conséquence, la gestion adoptée est différente selon
la position relative du niveau de production EnRI par rapport à l’engagement et selon le
niveau de stockage. Quatre zones en production et trois en stockage ont été ainsi définies
comme indiquées dans le schéma 3.16.

(a) Zones de production. (b) Zones SSE.
Figure 3.16 – Zones de stratégies de charge/décharge adaptative (CA).
La figure 3.17 représente le diagramme global d’application des stratégies en fonction

des niveaux de production et de stockage. Les conventions sont définies conformément au
schéma 3.9 d’utilisation de la bande de tolérance i.e. :
C”+” / ”0” / ”-” ≡ Charge, si possible, jusqu’à Pof f re,min /Pof f re /Pof f re,max ,
D”+” / ”0” / ”-” ≡ Décharge, si possible, jusqu’à Pof f re,max /Pof f re /Pof f re,min .
Figure 3.17 – Méthode heuristique de gestion optimisée SSE+EnRI (CA).
Les cinq choix de charge/décharge possibles dans les zones de production sans défaut
(supérieures à Pof f re,min ) conduisent à 25 = 32 politiques possibles de gestion optimisée du
SSE. Lorsque seuilC = seuilD = 0, il n’y a qu’une zone SSE d’où uniquement 4 politiques
correspondant au choix d’injection réseau Pof f re ou Pof f re,min lorsque la production est
soit dans la bande supérieure soit au-dessus de la bande. Les simulations précédentes
ont toutes été effectuées avec la stratégie la plus fiable i.e correspondant à l’injection la
plus basse possible CA0 (cf annexe C) qui est par conséquent également utilisée pour la
comparaison de fiabilité dans la section suivante.
L’algorithme détaillé - pseudo-code - utilisant les fonctions CHARGE et DECHARGE
définies dans la partie modélisation (équations de la section 2.2.3.4 du chapitre 2) est
donné en Annexe. Les paramètres algorithmiques seuilsoc1, 2, 3 ont été introduits afin
d’implémenter la limitation des oscillations qui apparaissent lorsqu’un seuil de décharge
(stratégie H3) ou de charge (H4) est mis en oeuvre.
Appliquée sur l’année, la CA donne non seulement le taux de défaillance DT R mais
également les énergies (SSE/injectées(réseau)/perdues/manquantes) correspondantes d’où
l’on tire les coûts/bénéfices associés ainsi que les tarifs annuels de revente permettant une
valeur ajoutée du stockage sur 20 ans (cf modèle économique du chapitre 2). L’algorithme
CA peut donc être appliqué par le producteur en conditions opérationnelles - pratique-
ment en temps réel - afin de respecter plus sûrement et plus efficacement le scénario
d’injection contractualisé avec le gestionnaire.
3.3.4.2 Dimensionnement optimal
La méthodologie heuristique de dimensionnement optimal choisie procède en 2 étapes :

— étape 1 = élaborer et tester une politique de gestion (fonctionnement en charge/décharge)
du stockage appelée charge adaptative permettant d’augmenter la fiabilité du cou-
plage EnRI-SSE i.e. d’obtenir le moins de défauts sur l’engagement de fourniture de
puissance tout au long de l’année. (Chapitre 3)
— étape 2 = dimensionner le stockage à partir de cette méthode et en déduire tous les
paramètres techniques et économiques associés. (Chapitre 4)
La charge adaptative sera, dans le chapitre 4, la procédure de référence du dimen-

sionnement optimal i.e. du calcul de la taille de stockage minimale S ∗ permettant de
3.4. COMPARAISON CA ET MODÈLES NLP/LP/MILP 117
respecter le service DT R < 5%, tout en limitant la profondeur de décharge maximale

DOD < DODmax .
3.4 Comparaison CA et modèles NLP/LP/MILP
La finalité de cette section est la comparaison du modèle de charge adaptative avec des
modèles classiques de programmation non linéaire (NLP) ou linéaires (LP/MILP) résolus
par des solveurs reconnus sur le marché.
La comparaison se fait sur la base de l’objectif primordial fixé : respecter le scénario
d’engagement de puissance la veille pour le lendemain. Le but est d’obtenir, à capacité
fixée, le moins de défauts possibles. Par conséquent, les différents modèles classiques (NLP,
QP, LP, MILP) sont comparés avec le dimensionnement fondé sur la charge adaptative
(CA), sur la base du critère de fiabilité (DT R).
Les outils de dimensionnement spécifiques (cf section 3.2.5) n’ont pas été ici utilisés car
peu adaptés au contexte : pas de service spécifique dédié, pas de tolérance, satisfaction
d’un profil orienté consommation (load), routine d’optimisation non accessible en tant
que telle pour la résolution du programme linéaire, critère de fiabilité parfois implicite ou
donné en tant que sortie.
3.4.1 Solutions de référence
La priorité est de respecter le service avec un taux de défaillances inférieur (DT R) à

5%. Les stratégies - heuristiques H1 et H2 exposées dans la précédente section visent
cet objectif. En conséquence, le problème retenu dans la comparaison avec la charge
adaptative est de maximiser la fiabilité i.e. de minimiser le nombre de défauts où l’injection
réseau est inférieure à l’engagement bas Pgrid < Pof f re,min , sous les contraintes de puissance
(C1) et d’énergie/capacité (C2) du SSE.
Le deuxième critère est, conformément au problème original (NLP-dtrinj) pour une
capacité de stockage fixée, de maximiser l’énergie injectée, ce qui augmente les revenus
donc la rentabilité de l’installation, à fiabilité constante voire supérieure.
3.4.1.1 Problème de référence
La “variable de décision” représentant la puissance SSE à chaque pas de temps est un

vecteur de dimension N :
y = Pstock (3.25)
De plus, il est posé

y − = min(y, 0N ) = Pstock,charge (≤ 0)
(3.26)
y + = max(y, 0N ) = Pstock,decharge (≥ 0)
soit, pour t = 1, ..., N

yt− = yt si yt < 0, 0 sinon
, (3.27)
yt+ = yt si yt > 0, 0 sinon
d’où
y − + y + = y. (3.28)
Notons que y + et y − ne sont pas, en général, des fonctions linéaires de y.
Le problème de référence (NLPdtr) s’écrit alors sous la forme
min DT R(y) (3.29)
y∈RN

y min ≤ y ≤ y max : Bornes Puissance (C1)
sous les contraintes
SOCmin ≤ SOC(y) ≤ SOCmax : Contraintes SOC (C2)
(3.30)
où y min,max sont les bornes inférieure et supérieure (lower, upper bound) de puissance.
SOC n’est pas, sauf dans le cas idéal ηcharge = ηdecharge = 1, une fonction linéaire de y
puisque l’on a, d’après le modèle de charge/décharge (Eq. 2.9 et 2.9) du chapitre 2 :
t
1
SOC(yt) = SOC0 − (ηcharge yi− + yi+ ), t = 1, ..., N. (3.31)
i=1
ηdecharge
Nous appelons différence de compensation la différence entre l’écart production-engagement

que devrait idéalement compenser le SSE et la puissance réelle du stockage i.e. Pecart − y.
Cette différence est un manque si |yt | ≤ |Pecart (t)|, un excès sinon.
Le problème (NLPdtr) est relâché par rapport au problème initial (NLP) énoncé à la
fin du chapitre 2, section 2.5.3, car seul l’aspect technique - fiabilité du système EnRI+SSE
- est ici retenu. En outre, les contraintes sur la profondeur de décharge maximale DODmax
n’ont pas été prises en comptes. D’une part, ces limitations ne sont pas nécessaires dans une
comparaison où l’on s’intéresse essentiellement aux défaillances puisque le fait de choisir
une profondeur maximale DODmax = 100% dans la charge adaptative permet de s’affran-
chir de cette contrainte et d’effectuer la comparaison dans ce cadre. D’autre part, cela évite
de rajouter au modèle N contraintes non linéaires du type tdecharges consecutives yi+ ≤ dodmax
donc d’augmenter inutilement le temps de calcul du solveur.
En ce qui concerne l’aspect économique, une solution du problème (NLP) est une
solution qui, parmi celles respectant le service, maximise l’énergie injectée donc les revenus.
Il s’agit typiquement d’une optimisation multi-objectif que nous ne mènerons pas en tant
que telle puisque nous avons choisi d’effectuer la comparaison sur le critère principal de la
fiabilité du couplage EnRI-SSE. Pour autant, nous chercherons, dans les différents modèles
proposés, également à maximiser l’énergie injectée. L’étude prenant en compte les aspects
économiques (retour sur investissement, prix de revente...) est présentée dans le chapitre
4 et sera comparée à une optimisation technico-économique globale :
⎧
⎪
⎨(C1), (C2)
(NLPfit) min F ITtris20 (S, y) s.c. DT R(y, S) < DT Rmax . (3.32)
(S,y)∈R+ ×RN ⎪
⎩
S < Sviable,max
3
.4. COMPARA
ISONCAET MOD
ÈLESNLP
/LP
/MILP 1
19
Lesc ontrain t
e ssu rl ac ap ac
it édus tocka
gen é
cess
itentun ea ttentionp a
r ti
culiè
red ans
l
’é
crituredup r ogramm em ath ématique
. Eneff e t
,àch aquein st antt,l’é
tatd ech arg
e
d
épendd el’effi cacitéηchargeo uη de rged
cha oncduf a
i tquel’onsoitench argeouend é
ch a
r g
e.
O
rl orsdup roc essusd ’opt im i
sati on,iln’es
tp aspo ss
ible,àpr
i or
i,d es avo
irqu e
lles e
rale
∗
s
ign ed eyt à
l’o ptim um .L esco effi cient
sd ela matriced e
s contraintesS OCd é
p endra
ient
d
on cdus ign ed el as olution ,cequ ienf er
aitunec ontraint
en onlin é
airenonc ontinu eplus
d
iffi ci
l eàt
raite r
.S eullec a sirré
alistedus toc
kagep a
rfa
i toùη rge=η
cha de
charge=1p erm e
t
d
’év
iterc e
tted épend ancen onl inéai
re.
N
ousavonsdoncé
labo
réette
stédeuxf
aç
onsdecont
ou rn
erleprob
lèm
ed es
ign
e
(
charg
e/d
é
char
ge)dan
sl e
sc on
tra
inte
sSOC(C2 ):l
am odé
l
isa
tionfix
eoulibre
.
La modé
l
i sat
ion fixe r ev
ien
tàimpo
serl
ach
arg
e,r
esp
.dé
cha
rge
,lo
rsqu
eilyaun
su
rplu
s,resp.bes
oind’
én
ergi
ei.
e.
−
Pecart(
t)≤0⇔ CHARGE:y
t=y
t⇔ t∈ rge,
cha (
3.3
3)
+
Pecart(
t)>0⇔ DECHARGE :yt=y
t⇔ t∈ d
e rge,
cha (
3.3
4)
oùPecart(
t)=Poffre(
t)−Pprod(
t)rep
ré
sen
tel
’é
car
t(ex
act
)en
trel
’en
gag
emen
tdup
rodu
c-
teurl av e
il
lepourlelend
em ainetlaproduc
tionEnRI
.
C
etteapp r
o cheoùl esd é
c
i s
ion sd echargee td ed é
charges ontfix é
esun iqu em entenf onc-
tiondel aqu antitéd’én
ergied ispon ib
leoum anqu anteeten -deh or
sd et outeau trestraté
gie
es
tad op té
ed an sl esm od è
lesàun ev ar
i ab
l ey:p rogramm esn onlin é
aires(NLP y),qu a-
drat
ique(QP y)oul iné
aire(LP y) .Cech o
ix m inim alal ’avanta ged er éduirelen omb re
dev a
riablesdup r og
r amm ee tp arsu i
tel et emp sd ec al
culn é
c es
s a
i reàs ar é
solut
ionp a r
les o
lveur.L ’inc on v
éni
entp rincipaldu m od è
lefix ee s
td en ep asau toriserl ach a
rgedu
SSEl orsd ’und é
fautpo ten ti
eld oncd’app l
iqu erl as t
raté
gieH2.N ousv erron squec ette
st
r a
té
gieau gm ent esignifi cat
iv em entn ons eul em entl afi abil
itédusy stèmem aisaussis a
productionc on form eàl’ en g
a gem ent.P ourau t ant,l’analyseécon omiqu educh ap
itre4
montre
r aqu el em odè
lefix ep eutêtreinté
ress anta vecdef aibl
e sp éna
lité
s.
La modél
isat
ionlibre c on
sis
t eàint
roduir
ed euxv ar
iab
les
,vecteu rsd ed im
ens
ionN,
supp
lémenta
ire
sze tdquip e
rm ettentdech o
is
ir“ libremen
t”i.
e.ind épend ammen
tdel a
s
itua
tion(b eso
inousu rp
lusd’énerg
ie)uned é
ch arge(z)ouun ech arge( y−z )
.C’est
lam é
thodep e
rmi
se-àp rio
rin onoblig
atoi
re-d anslecasplusg éné
ralde
sm odè
l
e s
MILPmax ( 3Nvariab
lesyzd)e tMILPd trxxx ( 5Nv ar
iab
lesβxy zd) .
Enfin
,l escont
rainte
sdepuis
san
cep erme
tten
td ansl
esm od
è
lesuti
li
sé
sd’en
c adr
er
é
galementl’u
ti
li
sat
i ondel
abandedet
olé
ran
ce.D’unemani
è
regén
é
ral
e,nousf
aisonsles
hypothè
sessu
ivant
es:
1
. Unsu
rplu
sd’
én
erg
ieEnR
Inep
euten
tra
ı̂n
erun
edé
cha
rgeduSSEi
.e
.
max
y
t ≤0 s
iPecart(
t)≤0
. (
3.3
5)
qu
el’
onp
eutr
é
sum
ers
ousl
afo
rme
(H0
) Su
rplu
s≡Ch
arg
e.
1
20 CHAP
ITRE3
. OPT
IMISAT
ION
I
ls e
raitpou rtan tenvis
a g e
ablel orsquel ap roductionEnR Iestsupé
r
i eureàl’en
g ag
e-
mentm aisinfé
rieureàl
’ enga g
em enth au t(b andesup é
rieu
reouz on e3 )d e,m a
l g
ré
tou t
,d écharg
erd anscet telimite,c equ iau gm enteraitpon c
tuel
lem entl’énerg
iein-
jecté
e.C ecase strelat
iv em entp eufr équentm a
issu rtoutlessimula t
ionsannu e
ll
es
c
i- aprè
sm ont
ren tquer édui
rel ad é
char g e
,enl ’occurrenceinuti
ledupo intd evuedu
respectd el’
en gagem ent
,p erm etd er éduirel e
sd é
fai
llances
,eng ard antl’én
erg
iedu
SSEpou rlesré
elsm anqu e
sd ’én
er g
iefu turs.P araill
eu rs
,lefai
td ech erche rauss
ià
maximi s
e rlad é
ch a
rgeent antqu ecritèred el afonctionob j
ecti
fpe rm eté
g alement
,
dan sun ec er
tain em esure,d em axim i
s erl ’
inject
ionr é
seau.
2
. Enc
asdesu
rplu
s,onn
ep eu
tch a
r g
erqu
ejusqu’àl’en
gag
emen
tba
s,end
’au
tre
s
t
erm
es
m
in
yt ≥P e
cart(
t)−to
lsiPecart(
t)≤0 (3
.36
)
3
. Encasdebes
oindec
omp en
sat
ion
,onn
epeu
tdé
cha
rge
rqu
eju
squ
’àl
’en
gag
emen
t
hau
t,end’
autr
est
ermes
max
y
t ≤Pecart(
t)+t
ols
iPecart(
t)>0 (
3.3
7)
C
esdeuxderni
è
reshypoth
è
sessontra
isonnab
lesdansles ensoù
,el
lesp
erm
ett
entd
ene
p
asc
r é
erv
olon
tair
em en
tdesd é
fau
tsqu
ip euv
entê
treév
ité
s
.
3
.4.1
.2 Modè
lefixedeba
se(y)
Cem odè
l
ec ompo r
teuns eulv e
cteur
,s oi
tN v ar
iabl ess
cala
ire
s,dedé
c
i s
ion:lapuissan ce
yduSSE ,àv a
leursré
el
les.C em odè
l
ee stfixepu i squ
el aseu
lem aniè
redem odé
liser
le
sc asd ech arge/d
é
charge,s ansv a
riablesuppl
ém enta
ireetsansutili
serlesigned ey
qu
id onneraitd e
sc ontr
aintesSOCn onc ont
inues
,s efai
tàtrave
rslesindice
sd ec ette
va
riabl
e.C e
l arev
ientalorsàchoi
sirunep art
it
ionp ré
alab
led e1 ,Nen chargeet decharge,
co
rrespondan t
,àtou
tm om ent,àl
ach arge
,resp.dé
ch arg
eduSSE .Parex emp
le,un eau tr e
pa
rtit
ionen visag
eablepou r
raitê
tre:
Cǫ={t∈1
,N,Peca
rt(t
)≤ǫ·t
ol} (
3.3
8)
Dǫ={t∈ 1,N,P
ecat(
r t
)>ǫ·t
ol} (
3.3
9)
oùǫ∈[−1,1
].P lusǫse
raprochede1,re
sp.-1
,plu slestock
ageauratendanceàch
arge
r,
resp
.dé
cha
rger,cequis
ign
ifie,infine
,unestra
té
giepré
alab
lemen
tfix é
ed’ut
il
isa
tiondela
bandedeto
lé
ran c
e.Lapar
tit
ioncho
isiedansl
ad éfin
it
ion(Eq.3.33
)c orr
espondàǫ=0.
*** Con
tra
inte
sde Pu
issan
ceSSE(C1
)
D
’unem an
iè
regén
é
ral
e,le
sN cont
raint
esd eborn
esu
rleN-v
ect
eurd
edé
c
i s
iony
m
odé
l
isan
tlapuiss
an cedest
ocka
gep
euvents’é
cri
re
(C1
) ymin ≤y≤ymax (
3.4
0)
Atou
tin
stan
t,lapui
ssan
cedestoc
kagees
tlimit
é
ep a
rlespui
ssan
cesm ax
ima
lesen
ch
arg
eetendé
cha
rgei
.e
.,comp
te-
tenudelaconv
entiondes
ign
ead op
té
e:
m
in max
−Pcharge,max≤y
t ≤0≤y
t ≤Pdecharge,max t=1,
..
.,N
. (
3.4
1)
3
.4. COMPARA
ISONCAET MOD
ÈLESNLP
/LP
/MILP 1
21
D
ansnot
rehypo
thè
seoùl
’én
erg
ien’e
stp
asp
ris
edur
é
seauv
ersl
eSSE
,les
eulm
oyen
d
echarg
erles
tock
agee s
tlap rodu
cti
onEnRId
’où
−Pprod≤ymin. (
3.4
2)
Enoutr
e,d an
slam odé
l
isa
tionfix
e,iles
tn é
cessa
ired’ ajout
erl
acont
rain
teimpo
san
t
l
’impo
ssib
il
itéd
echa
rg eencasdem anqu
ed ’
én
e r
gie(Pecart(
t)>0)so
it
m
in
y
i ≥0 s
iPecart(
i)>0
. (
3.4
3)
C
ett
ed e
rni
è
recont
r a
int
er end
,defacto
,imposs
ibl
elas
tra
té
gie“D
é
fau
t=Ch
arg
e”(H2
)
e
tseradoncmodifié
edanslesmod
è
lesl
ibr
es.
*** Con
tra
inte
sd’Éne
rgieSSE(C2
)
L es2N c ontra
int
esdu esàlac apac
itéenén er g
ielimit
é
edus tockage
,éga
lemen tapp e
-
lé
esc on t
rainte
sSOC ,s on
t,g râ
ceauxapp ro ch e
sfix e
soul ib
res
,liné
air
es.L am a
t r
ic edes
contrain t
esSOCAsoc d et a
il
l e2N ×N,d épend anted el
’effi ca
cit
éench a
rge/dé
ch a
r geet
le2 N-v ecteurbornebso
c -fix éàpa
rti
rd e l
’ é
tatd e charg
e in
it
ial
, m
inimalet maxim a
ld u
SSE-a insiquelesbornesdepu issancedum od è
lefixed ebasesontexpli
cit
é
sci-
ap rè
s(Eq.
3.48e t3 .49)
.D anslem odè
l
efix e,le
sN c on traintessurlacapacit
éduSSEdup roblèm
e
der é
f
érence
SOC( t )∈[ SOCmin; SOCmax] , t=1, .
..
,N
p
euv
ents
’é
cri
re,d
’ap
rè
sl’
équ
ati
on3
.31d
é
criv
antl
’é
tatd
ech
arg
eduSSE:
t
(C2
) pm
in≤ η
i·y
i≤pmax
, t=1,
..
.,N (
3.4
4)
i
=1
a
vec
,pou
ri=1,
..
.,N
ηcha rge siCHARGEi

.e.Pecart(
i)≤0 ⇔ i∈ charge
η
i= 1 (
3.4
5)
ηdecharge
s
iDECHARGEi.
e.Pecart(
i)>0⇔ i∈ decharge
e
t
pmin=(SOC0−SOCmax)
/∆t (
≤0), (
3.4
6)
pmax=(SOC0−SOCmin)
/∆t (
≥0)
. (
3.4
7)
Parc
onséqu
ent
,lam
atr
iceAsoce
tlev
ect
eurbo
rneb
socd
esc
ont
rain
tesSOC(C2
)son
t
d
éfin
ispar:
ηi s
it≤i
,0s
inon
, i=1,..
.,N t=1,
..
.,N
Asoc(
i,t
)= (
3.4
8)
−ηis
it≤i
,0s
inon, i=N +1,
..
.,
2N t=1,.
..
,N
e
t
pm
in si0≤i≤N
b
soc(
i)= (
3.4
9)
−pmaxs
iN +1≤i≤2
N
Dans notre cas d’étude horaire (N = 8760), la matrice Asoc de dimension (17520,8760)
comporte nz = 76746360 valeurs non nulles représentées dans la figure 3.18 par deux tri-
angles correspondant aux contraintes sur la capacité maximale (triangle haut) et minimale
(triangle bas) du SSE.
Figure 3.18 – Matrice des contraintes SOC (C2).
Une première utilisation de la bande peut se faire en remplaçant Pecart par Pecart ± tol,
ce qui permet de restreindre ou d’augmenter le niveau maximal de charge/décharge dans
la bande, à l’instar de l’heuristique H1. Nous voyons là une limite d’un modèle d’optimi-
sation globale par programme linéaire ou non linéaire résolu via un solveur commercial.
La solution ne peut finalement prendre en compte des stratégies spécifiques qu’à travers
le programme même (variables de décision, fonction objectif, contraintes) et, éventuelle-
ment, via certains paramètres de réglages fournis par le solveur mais en aucun cas par
l’adaptation spécifique de l’algorithme au problème posé impliquant une modification du
code.
*** Puissance injectée et energie perdue
Dans les modèles de base, on définit la puissance totale maximale pouvant être injectée
sur le réseau :
Ptotale = Pprod + y (3.50)
puis la puissance réellement injectée sur le réseau par
Pgrid = min(Ptotale , Pof f re,max ), (3.51)
d’où l’énergie perdue

Elost = max(Ptotale − Pgrid , 0) · Δt. (3.52)
3
.4. COMPARA
ISONCAET MOD
ÈLESNLP
/LP
/MILP 1
23
C
’e st
-à
-direqu en oussuppo sons,d ansunep r
em iè
reé
taped ’optimisat
ion,qu ’
ile st
toujou r
spo ssibledecha r
g e
roud ’inj
ecterlap
r oductionPproddoncqu ’i
ln ’yap asdelimite
hautee t,parsu i
te,pasd’én
er g
iep erdue.Nouslaiss
on sains
ilesolveurt r
ouv e
rd esso
lutions
condu isantéventue
llementàd esinjec
tionsré
seauPgrid au-de
ssusd el’engagementh aut
Poffre,max.D ansun ed euxièmeétape
,un efo
isl asolutiontrouvé
e,c e
ttepu i
ssancet ot
ale,
s
isup é
rieureàl’en
ga g
em en th aut,est“coup
ée”:onn efournitun iquem tPoffre,max e
en t
lere stee s
tp erdu.
Danslem odè
l
el ibred ebas e
,lec a
soùlestockageaur a
ité
tédé
chargéa
lor
squ e,dan
s
ce
tin t
erv
all
ed et emp s
,d el’éne
rgi
eau ra
ité
tépe
rduees tthé
oriquem en
tpo ss
ibl
epu i
sque
aucunebornesup é
rieu
ren ’e
s timpo s
é
eàl’
injec
tionré
seau.Enp ratiqu
e( cfsec
tion3.4
),
lam in
imisa
tiond esd é
faut
sc ondu
itàexc
lurecetteoption.
***F
onc
tion
sob
jec
tif
snonl
inéa
ire
s(NLPxxx
)
L
afon
cti
onob
jec
ti
fpr
isepou
rré
f
ér
enc
edec
omp
ara
isone
stl
enomb
red
edé
fau
ts,d
’où
N
fnlpdtr(
y)= d
efau
t(t
), (
3.5
3)
t
=1
a
vec
d
efau
t= {Pgrid∈
/[Poffre,min,P ,max]
offre } (
3.5
4)
où Id
é
sign
elaf
onc
tionind
ica
tri
ced
el’
ens
emb
leIi
.e
.
1s
iPgrid(
t)∈[
/ Poffre,min(
t),P ,max(
offre t)]
d
efau
t(t
)= i=1,
..
.,N
. (
3.5
5)
0s
inon
I
ln ’yap asd ed épa
ssem en
th autpuisquem êmedanslec asoùles to
c k
agenep eut
ab
sorbertoutel’én
ergieensu rplus,l aproduc
tionest“coupé
e”etl’éne
rgieres
tant
ee s
t
pe
rdue.Lafonctionob j
ect
ife s
td oncl enombredefoi
soù
laprodu c
tionc oupl
é
eEnR I+SSE
in
ject
éeauré
seaue stinf
é
rieureàl’enga
gem en
tb as
.
L
emod
è
len
onl
iné
air
e,fix
e,d
eré
f
ér
enc
es’
é
cri
tal
orsenf
onc
tionduN-v
ect
eury:
(NLPd
tr) m
in fnlpdtr(
y) s
.c
.(C1
),(C2
), (
3.5
6)
y∈RN
a
vecl
ac on
vent
ion-n ot
ée“C <0”-dech
arg
ené
gat
ive
/dé
cha
rgepo
sit
iveduch
api
tre2
,
r
appe
lé
edansl
eséqu
ations(Eq
.3.33
).
Afindetenircomp t
eé
gal
em en
td el’
inté
rê
té
conomique,v
ialapr oduct
ivi
tédusy
stèm
e,
i
lp eu
tê
tre
intér
essan
tdecherch
er,toutenm in
im i
santle
sdé
faut
sàm aximi
serlapui
ssance
in
ject
é
eaur é
seau.Lafonc
tion mono-ob
j ect
ifa s
soci
é
eestains
id éfin
iepar:
N
fnlpdtrinj(
y)=f
nlpd
tr(
y)+ ωty
t (
3.5
7)
t
=1
oùω=(ωt) t
=1,
..
.,N> 0e stl
epo idsr
elat
ifa ss
ociéàce
sd euxob
jec
tifsdem ax
imis
ati
on
d
’unep a
rtd elafi ab
ili
tée
td’au t
repar
td elaprodu ct
ivi
té
.Lemodè
l
ec o
rre
spondantes
t
al
orsdonnédelam êmem an
iè
requepré
céd
emm ent:
(NLPd
trin
j) m
in fnlpdtrinj(
y) s
.c
.(C1
),(C2
), (
3.5
8)
y∈RN
La non différentiabilité de ces fonctions objectif obligent à utiliser des solveurs et algo-
rithmes ne nécessitant pas de dérivée (derivative free) tels que les algorithmes évolution-
naires (NOMAD PSWARM, NLOPT ou algorithme Génétique).
Les fonctions fdtr et fdtrinj sont non linéaires non continues et non convexes pour
lesquels l’optimisation est plus délicate. La question se pose alors de savoir s’il est possible
d’améliorer la fiabilité du système donnée par la solution de (NLPdtr), ou tout au moins
de faire aussi bien, tout en essayant de diminuer le temps de calcul. Les contraintes linéaires
(C1) et (C2) sont gardées puisque liées aux caractéristiques du SSE. La fonction objectif
a été transformée de façon à être plus régulière (smooth), quadratique ou linéaire. En effet,
nous avons vu dans la section 3.2 que l’on dispose pour de telles fonctions de méthodes
donc de solveurs performants.
*** Fonction objectif quadratique (QP)
C’est la première idée formulée dans [Bridier et al., 2014]. Il s’agit simplement de
minimiser la différence entre l’écart à compenser et la puissance de stockage, au sens des
moindres carrés i.e. l’écart quadratique :
fqp (y) = y − Pecart 22 . (3.59)
Il est ainsi attendu que le fait de minimiser la somme quadratique des écarts minimise
aussi le nombre de défauts, ce qui, comme il est montré dans la section 3.4, n’est pas,
à priori, assuré. Cette fonction a l’avantage d’être deux fois différentiable et convexe,
fonctions pour lesquels des méthodes performantes sont intégrés aux solveurs (cf section
) avec l’assurance d’une convergence vers un optimum global.
*** Fonction objectif linéaire (LP)
Nous cherchons, en premier lieu, à maximiser l’énergie injectée, espérant ainsi minimiser
également, dans une certaine mesure, les défauts. Puisque la puissance injectée est, à
l’énergie perdue près, égale à Pprod + y, cela revient à maximiser la fonction objectif
N
flpinj (y) = (yi ) (3.60)
i=1
N
⇔ flp,−+ = (yi− + yi+ ).
i=1
La maximisation de flpinj tend à minimiser la charge |yi− | lorsque il y a un surplus

d’énergie : Pecart (i) ≤ 0 d’où yi = yi− ≤ 0, d’après l’hypothèse générale et à minimiser la
décharge lorsque le système a besoin d’énergie : Pecart (i) ≥ 0 d’où yi ≥ 0 d’après le modèle
fixe.
D’une manière générale, il est possible de choisir de maximiser ou de minimiser la
charge ou la décharge par la fonction objectif
N
flp,C ,D (y) = (− C yi− + +
D yi ) (3.61)
i=1
3
.4. COMPARA
ISONCAET MOD
ÈLESNLP
/LP
/MILP 1
25
s
elondeuxpa
ram è
tresǫCetǫD v
alan
t−1,0ou1
.Le
sind
ice
s’C
’et’D
’dén
oten
tre
spe
c-
t
ivementl
achar
gee tladé
cha
rgeduSSE
.
L
afonc
tionflp
,ǫC,
ǫD
àm
axim
ise
rpeu
tal
orsê
trea
sso
cié
eauxd
iffé
ren
tsob
jec
ti
fsd
é
cri
ts
d
anslet
ableau3.3suivant
.
❍❍
❍❍ǫD
-
1 0 1
ǫ
C ❍❍
m
inC/m
inD
m
inC/maxD
-
1 (
sol
.tr
ivi
alePstock = m
inC
(ma
xIn
j.
)
0
)
❅
0 m
inD ❅ m
axD
❅
1 m
axC
/minD axC m
m axC
/maxD
Table 3
.3–C
rit
è
resd
’op
tim
isa
tionl
iné
air
e(m
odè
l
e sd
eba
se)
.
L
esv
aleu
rs(
ǫC,ǫ
D)=(+
1,+
1)≡“m
axC
/maxD
”son
tno
té
es“m
ax”
i.e
.
N
− +
f (
lpmaxy)= (
−yi +y
i) , (
3.6
2)
i
=1
s
oit
,dan
slem
odè
l
efix
e,l
afon
cti
onob
jec
ti
fà m
axim
ise
r
flp max(
y)=− y
i+ y
i. (
3.6
3)
i
∈ charge i
∈ decharge
L
e sm odè
lesd’opt
imisationg lobaleé
laboré
sn ep e
rmettentp as
,àp r
i o
ri
,l as traté
-
gi
esy stématiqueetex acted’uti
li sa
tiond elab ande(cha
r ge/dé
chargem ax/m in”+ /−”,
”0/0”..
.),enp art
icul
ierd’impo s
erl ’heur
ist
iqueH1.”+ /−”co rr
espondàun ech argem axi-
male/déch a
rg eminimaleau to
ris
é
em aisc’e
stun ebornesupé
r
i eurequeles o
lveurn ’estp a
s
obl
ig éd’atteindreexactem en
t,s aufà met
tred e
sc ont
rain
tesd ’é
gal
ité
.L amiseend é
faut
forcé
e,enp art
icu
lie
rl’heuris
tiqu e(H3 )etlach arg
elorsd’und é
faut(h eu
ris
tiqueH2)n e
sontp aspo s s
ible
sa ve
cl ’approch efix e
.C ’e
stpou rquo
i,lem odè
lelibreplusg én
é
ralest
propo sé
.
3
.4.1
.3 Modè
lel
ibredeba
se(y
zd)
Cem odè
lec omport
et ro
is N-v ar
iablesd ed é
c
i s
iony,ze td. Au modè
l
efix eàune
var
iab
leys on
ta jou
té
esle
sva r
iable
sze tdqu ipermetten
td em od
é
li
serdoncd em a
ı̂
tri
ser
lecho
ix,àchaquepasd et
emp s
,d edé
char g
eroun onl est
ock a
ge.Cecho
ixestalor
squ al
ifié
del
ibr
ec ariln’es
tplusunec ont
raint
eimpo sé
eparlem odè
l
e.Ac e
teff e
t,nousdéfin
issons
zcomm el apuissan
cedus tockag
eend é
charge:
z=y+ (
3.6
4)
=Pstock,decharge (
≥0)
1
26 CHAP
ITRE3
. OPT
IMISAT
ION
e
tdl
ava
riab
leb
ina
ired
edé
c
i s
iond
edé
cha
rgei
.e
.
1s
idé
cha
rge
,
d= d
e rge⇔
cha di= i=1,
..
.,N (
3.6
5)
0s
icharg
e.
d
’où
Pstock,charge=y− =y−z (
≤0)
. (
3.6
6)
L
escon
tra
int
esdeborn
essurlapu
issan
ceduSSEn
’impo
sen
tal
orsp
lusun
edé
cha
rge
d
ansleca
sd’un m
anqu
ed’én
erg
ied
’où
m
in max
yi ≤y i≤y i
(C1
) i=1,
..
.,N
. (
3.6
7)
0≤z i≤Pde
charge
,max
oùlesbo rn
esd epuis
sanceymin,max duSSEs ontdonné
esp a
rlet abl
eau3. 4suiv
ant
.
Cet ableauré
sum ele
sstra
té
gie
spo ss
ibl
es,d
itesaut
ori
sé
es,d
’uti
li
sa t
i ondelab andede
to
l é
ranceenf on
ctiondel
asituation,comptetenude
sh ypoth
è
sesgén
éra
lesd
éfini
esenfin
des ect
ion3.4.1.
1.
Table 3
.4–S
tra
té
gie
sau
tor
isé
esd
efon
cti
onn
emen
tdus
toc
kag
e.
m
in max
y
i y
i S
tra
té
gieau
tor
isé
e
Su
rplusd ’énergie: Pecart(i)≤ 0
−min(max (−Pecart( i
)−t ol
,0)
), Charg
em inim ale
0
Pprod(i)
,P cha ,max)
rge (ju
squ’àPoffre,max)
Charg
eex a
ct e
−m
in(−Pecart(
i),P
cha ,max)
rge 0
(ju
squ’àPoffre)
−min(−Pecart(i
)+t ol, Charg
em axim a
le
0
Pprod(i
),Pcha ,max)
rge (ju
squ’àPoffre,min)
Manqued’énerg
ie: Pecart(i
)> 0
m
in(Pecart(i)+t o
l, Dé
cha rge
maxim ale(ju squ’à
Pdecharge,max) Poffre,max)
−m
in(Pprod(
i),Pcha ,max)
rge ≡“L
ibr
e”
Dé
cha rgeex acte
(0≡“F ixe”) min(Pecart(
i) ,Pdecha ,max)
rge
(
ju squ’àPoffre)
m
in(m ax(Pecart( i)−t o
l,0
),Dé
cha rgem inim a
l e
Pdecharge,max) (
j usq u
’àPoffre in)
,m
L
escon
tra
int
esSOCs
’é
criv
entàpa
rti
rde
séqu
ati
ons(
3.4
4),enten
antc
omp
tede
(
3.66
):
(C2 ) pm in≤Ayy+Azz≤pmax (3
.68
)
a
vec
Ay=−η rgeI
cha 1, (
3.6
9)
1
Az=(η rge−
cha )I
1, (
3.7
0)
η
d ha
ec rge
et ⎛ ⎞
1 0 ··· 0
⎜ . . . . . . .. ⎟
⎜1 .⎟
I1 = ⎜ . . ⎟. (3.71)
⎝ .. . . . . . 0⎠
1 ··· 1 1
Enfin, la relation entre z et y, établie via la variable binaire auxiliaire d, est inspirée
d’une méthode de linéarisation proposée par P. Rubin 13 :
⎧
⎪
⎨zi ≤ yi · di
max
(C3) zi ≥ yi i = 1, ..., N (3.72)

⎪
⎩
zi ≤ yi − yi (1 − di )
min
d’où, en tenant que compte z ≥ 0, nous obtenons bien :
di = 0 ⇒ zi = 0 et yimin ≤ yi ≤ 0 (charge), (3.73)

di = 1 ⇒ zi = yi et 0 ≤ yi ≤ yimax (décharge). (3.74)
La maximisation de l’injection réseau donc de la fonction objectif

N
f (y, z, d) = yi (3.75)
i=1
tend à minimiser la charge ce qui ne donnera pas l’effet escompté en augmentant les
défaillances (cf section 3.4.2). Il est donc souhaitable de maximiser la charge tout en
cherchant également à injecter le maximum d’énergie dans le réseau, ce qui se traduit
par :
N N
fmilpmax(y, z, d) = (yi+ − yi− ) = (2zi − yi ). (3.76)
i=1 i=1
En résumé, nous obtenons un programme linéaire de 3N variables (2N réelles et N bi-

naires) comportant, en sus des contraintes bornes, 5N contraintes :
⎧
⎪
⎨(C1) [Bornes, 6N]
(MILPmax) max fmilpmax s.c. (C2) [SOC, 2N] . (3.77)
⎪
⎩
(C3) [Auxiliaire, 3N]
3.4.1.4 Modèle libre avec stratégies (βxyzd)
Deux nouvelles variables auxiliaires, N-vecteurs de décision β - réel - et x - binaire -

sont introduites.
D’une part, dans les modèles précédents, toute la production pouvait se retrouver,
dans la solution obtenue par le solveur, injectée au réseau. La procédure de coupure post-
optimisation venait alors limiter cette injection. L’énergie alors perdue n’était donc pas
13. http ://orinanobworld.blogspot.com/2010/10/binary-variables-and-quadratic-terms.html
contrôlée, à priori, et le cas d’une énergie perdue concomittante à une décharge était
possible. Ce ne sera plus le cas dans le modèle libre avec stratégie où est modélisée la
possibilité de ne pas injecter toute la production. Cette modélisation qui permet d’imposer
donc de respecter durant l’optimisation, l’engagement haut est réalisée au moyen de la
variable β. Le vecteur de décision β, dont les N composantes réelles sont comprises entre
0 et 1, représente la part de la production injectée directement au réseau.
D’autre part, dans les modèles de base, aucune borne haute, ni basse, n’était imposée
à l’injection réseau. La minimisation de la part de défauts DT R s’effectuait uniquement
à travers la fonction objectif, sans aucune stratégie de fourniture de puissance. Dans
le modèle plus complet présenté dans ce paragraphe, nous souhaitons imposer à l’injec-
tion réseau d’être, autant que faire se peut, comprise dans la bande autorisée [Pof f re,min ,
Pof f re,max ]. Cette stratégie est réalisée au moyen de variable supplémentaire x. x permet
le choix de ne rien injecter en-dehors de la bande et, par suite, de garder tout ou partie
de la production pour charger le stockage. x est alors définie par

0 si Pgrid (i) = 0,
xi = i = 1, ..., N. (3.78)
1 si Pgrid (i) ∈ [Pof f re,min ; Pof f re,max ] (respect du service)
xi vaut 0 si le producteur décide ne rien fournir dans l’intervalle [i, i + 1[Δt, ce qui corres-
pond, la plupart du temps, à un défaut. A l’inverse, xi vaut 1 s’il décide de fournir mais
nous imposons dans ce cas que le service soit respecté i.e. compris entre les engagements
bas et haut (pas de défaut).
La puissance fournie au réseau est donc définie par
Pgrid (i) = βi Pprod (i) + yi i = 1, ..., N. (3.79)
Conformément à la définition de x, nous forçons cette puissance injectée au réseau à

être soit nulle, donc généralement en défaut si l’engagement bas n’est pas nul (grande
majorité des cas), soit dans la bande de tolérance (respect du service) :
(C4) Pof f re,min (i) · xi ≤ Pgrid (i) ≤ Pof f re,max (i) · xi i = 1, ..., N. (3.80)
La variable x permet donc une stratégie d’injection réseau binaire du type : “tout [respect
du service] ou rien [pas de puissance fournie au réseau]”. Dans le cas d’un manque d’énergie
entraı̂nant un besoin de compensation par le SSE -, a fortiori lors d’un défaut, une charge
de tout ou partie de la production est autorisée. La stratégie H2 (“défaut=Charge”) peut
donc être appliquée. Pour autant, cette stratégie n’est pas contrôlée mais est un résultat
d’optimisation. Elle peut être plus ou moins privilégiée en fonction des algorithmes et
peut donc différer selon les méthodes ou solveurs utilisés.
Enfin, puisque la part βi Pprod (i) est directement injectée au réseau, le stockage ne
dispose plus que de (1 − βi )Pprod(i) pour sa charge |yi− | = zi − yi , ce qui est traduit par la
contrainte :
(C5) zi − yi ≤ (1 − βi )Pprod (i) i = 1, ..., N. (3.81)
L’énergie perdue est alors donnée par soustraction de la part 1 − β de la production

non injectée au réseau et de la puissance |y − | = z − y chargée par le stockage i.e. :
N
Elost = [(1 − βi )Pprod (i) − (zi − yi )]Δt. (3.82)
i=1
Nous voyons là l’intérêt de l’approche libre avec stratégie (binaire) d’injection réseau qui
permet, par les variables β et z, d de modéliser, in fine, l’énergie perdue. A l’inverse des
modèles précédents, cette énergie peut être maintenant optimisée.
Enfin, augmenter la fiabilité du système EnRI+SSE revient à améliorer le respect du
service (variable binaire x), d’où la fonction objectif linéaire à maximiser
N
fmilpdtr (β, x, y, z, d) = xi . (3.83)
i=1
Cependant, à travers la fonction objectif fmilpdtr , seuls les défauts sont optimisés mais
pas, a priori, l’énergie injectée. L’autre objectif important du producteur est de pouvoir
maximiser également l’énergie revendue au réseau afin de maximiser ses revenus donc la
rentabilité de l’installation. Pour ce faire, nous rajoutons, dans une approche multi-objectif
simplifiée, cette énergie pondérée d’un facteur positif ω :
N
fmilpdtrinj (β, x, y, z, d) = (xi + ωiinj (βi Pprod (i) + yi ). (3.84)
i=1
Un choix équivalent aurait pu être de faire porter la pondération non pas sur l’énergie
injectée mais sur les défauts. Le choix du N-vecteur poids ω inj qui représente l’importance
relative des deux objectifs - est fait de telle sorte que la fiabilité reste l’objectif principal
i.e.
ωiinj (βi Pprod(i) + yi ) ≤ 1. (3.85)
Or, d’après les contraintes de fiabilité (C4), il est assuré que l’injection réseau sera soit
nulle soit comprise dans la bande de tolérance donc toujours inférieure à l’engagement
haut Pof f re,max . Par conséquent, nous pouvons choisir
γ inj
ωiinj = (3.86)
Pof f re,max (i)
où γ inj est un facteur de l’ordre de l’unité traduisant l’importance relative défauts/énergie
injectée et sera optimisé dans les simulations (section 3.4.2).
Une autre démarche envisageable dans le choix de la fonction objectif est de chercher
à minimiser, avec les défauts, l’énergie perdue donnée par l’équation 3.82. Cela équivaut
alors à maximiser la part d’énergie EnRI utilisée (non perdue) égale à la somme de la
part de la production injectée au réseau et au stockage (charge). La fonction objectif à
maximiser est alors donnée par :
N
fmilpdtrlost(β, x, y, z, d) = (xi + ωilost(βi Pprod (i) + zi − yi ). (3.87)
i=1
D’après la contrainte (C5), nous pouvons choisir
γ lost
ωilost = . (3.88)
Pprod (i) + 1
Par exemple, une fonction objectif simplifiée peut être donnée in extenso par
N
zi − yi
fmilpdtrlost1(β, x, y, z, d) = (xi + βi + ). (3.89)
i=1
Pprod(i) + 1
Notons que plus, resp. moins, γ inj,lost est proche de 0 plus, resp. moins, la fiabilité est privi-
légiée par rapport à la productivité,efficacité du système EnRI+SSE. Le choix γ lost,inj = 0
revient à ne minimiser que les défauts i.e. fmilpdtrinj,lost = fmilpdtr .
Les contraintes auxiliaires (C3) établissant les relations entre y et sa partie positive
z modélisant la décharge à l’aide de la variable binaire d restent également valides. Nous
obtenons alors un programme linéaire mixte à 5N variables (3N réelles β, y, z, 2N binaires
x, d) à résoudre comportant, en sus des contraintes-bornes, 8N contraintes :
⎧
⎪
⎪ (C1) [Bornes, 10N]
⎪
⎪
⎪
⎪
⎨(C2) [SOC, 2N]
(MILPdtr/dtrinj,lost) max fmilpdtr/dtrinj,lost s.c. (C3) [Auxiliaire, 3N] .
⎪
⎪
⎪
⎪ (C4) [Fiabilité, 2N]
⎪
⎪
⎩(C5) [Charge, N]
(3.90)
D’autres modèles peuvent être construits à partir des combinaisons des différents choix
possibles : stratégies fixe/libre, utilisation de la bande, objectif minmaxCD/dtr/inj... Ci-
tons notamment :
— MILPdtr,dtrinj,dtrlost-xy, xyzd
— MILPdtr,dtrinj,dtrlost-βp, βpzd où l’on modélise directement la puissance injectée
au réseau p plutôt que le stockage. Il est alors simple d’imposer une injection soit
nulle soit dans la bande en posant p “semi-continue”, type de variable (’S’) permis
dans les solveurs Gurobi et Cplex.
Cependant ces modèles sont moins complets que le modèle MILP-βxyzd, sauf celui MILP-
βpzd mais qui donne lui aussi de moins bons résultats.
Le modèle de référence noté (M*) est celui qui minimise les défauts et l’énergie perdue
avec un facteur multi-objectif γ = 0, 2 (cf section 3.4.2), ce qui correspond approxima-
tivement à une pondération cinq fois plus grande des défauts (fiabilité) relativement à
l’énergie injectée (productivité).
(M*) ≡ (MILPdtrlost)γ = 0, 2 . (3.91)
Dans ce modèle, les stratégies H1 et H2 (modèle libre) sont autorisées.
3.4.1.5 Solveurs utilisés
Les programmes non linéaires (NLP / QP) et linéaires (LP / MILP) sont résolus par des
solveurs “classiques” (Cplex, Gurobi, Xpress, Mosek, Matlab/fmincon) et métaheuristiques
(MIDACO, Matlab/PSO,GA).
Tous les solveurs disponibles du marché n’ont bien évidemment pas été testés. Par
exemple, certains tels GenOpt (métaheuristique) ne sont pas adaptés à des modèles
à large dimension 14 . D’autres ne disposent pas d’interface simple (API) avec Matlab
tels COIN-OR. D’autres encore, comme GAMS, ne proposent pas de licence académique
gratuite.
Seuls les meilleurs résultats, en terme de fonction objectif, sont présentés. Sans sur-
prise, ce sont les solveurs les plus réputés (Cplex, Gurobi pour les solveurs linéaires
ou quadratiques) qui obtiennent les meilleures solutions en le moins de temps. Du côté
métaheuristique, midaco a montré, dans l’approche fixe de base, sa capacité à traiter des
problèmes non linéaires avec un nombre de l’ordre de la dizaine de milliers de variables.
Table 3.5 – Solveurs utilisés.
Nom Propriétaire/version Optimisation

NLP
PSwarm libre / opti Toolbox PSO
nomad libre / opti Toolbox Mesh Adaptive Direct Search
(MADS)
Matlab/GA MathWorks Optimtool- Algorithme Génétique
box R2014b
Matlab/fmincon MathWorks Optimtool- Points intérieurs, Active Set
box R2014b
Midaco Midaco-Solver v4 Colonie de fourmis (ACO)
QP, LP, MILP
scip libre, opti Toolbox
Matalab/linprog, MathWorks Optimtool- Simplex dual-primal, points inté-
lsqlin box R2014b rieurs, Active Set
Mosek Mosek
LP, QP, QCQP, SOCP
Xpress FICO
Gurobi Gurobi v8.1
+ idem mixte entiers
Cplex IBM v12.6.1
Les solveurs sont dits classiques car largement utilisés dans la communauté scientifique
soit directement soit à travers des outils intégrés tels que gams ou aimms ou TomLab.
Dans le cadre de problèmes de grande taille, mixtes en nombre entiers, ces solveurs em-
ploient la méthode des points intérieurs voire du simplex (LP primal/dual) ainsi que des
méthodes de séparation-évaluation (Branch and Bound), avec coupes (Branch and Cut)
ou réduction (Branch and Reduce).
3.4.2 Comparaison avec la charge adaptative
Dans cette section sont présentés les résultats de comparaison de la méthode de charge
adaptative avec les différents modèles de référence présentés dans la section précédente.
Les tests et simulations de comparaison sont effectuées avec des données horaires (N =
14. https ://simulationresearch.lbl.gov/GO/download/manual-2-1-0.pdf
8760) pour limiter le temps de calcul par les différents solveurs sur un PC standard 15 . La
source retenue est l’éolien qui présente la plus grande irrégularité annuelle. La capacité
du SSE est S = 1000 kWh.
Les différents modèles (NLP / QP / LP / MILP) ont été testés avec les solveurs du
tableau 3.5 disponibles en licence libre ou académique. Les résultats présentés sont ceux
qui obtiennent les meilleures fonctions objectif, donc, en général, la meilleure fiabilité.
Ceci pourrait constituer, sur ce type de problème à forte structure, un test comparatif de
ces solveurs bien que ce ne soit pas l’objet de la présente section.
En ce qui concerne la charge adaptative, les valeurs de base décrites dans la table 3.2
du cas d’étude ont été utilisées. Les paramètres seuilC et seuilD ont été fixé à 0, ce qui
revient à ne pas appliquer les stratégies (H3) et (H4). En effet, celles-ci ne sont pas
appliquées dans les modèles de référence mais seront utilisés pour le dimensionnement
optimal (chapitre 4).
3.4.2.1 Lissage Horaire (S1a) sur une journée
La journée de production éolienne du 10 Sept. 2010 sur le site de Fonds Caraı̈bes en

Guadeloupe a été choisie comme test car la production est forte puis faible, ce qui permet
de mettre en évidence les phénomènes de compensation charge / décharge ainsi que les
défauts.
La présentation des résultats dans les figures suivantes n’est pas conforme à la modé-
lisation. La représentation conforme en escalier correspond à la figure 3.19a.
Eolien - Fonds Caraı̈bes, 10/09/2010 - Service S1a Eolien - Fonds Caraı̈bes, 10/09/2010 - Service S1a

Preseau Preseau
Pprod Pprod
Pof f re,min/max Poffre,min/max

Puissance(kW)
Puissance(kW)

K K K K K K K K K K
Temps (h) Temps (h)
(a) Représentation conforme à la modélisation. (b) Représentation non conforme choisie.
Figure 3.19 – Représentation Injection réseau (exemple sans SSE, 11 défauts).
Cependant, nous avons jugé plus lisible la représentation continue de la figure 3.19b,
adoptée dans la suite du mémoire, dans le sens où elle permet de mieux suivre les varia-
tions de l’injection réseau. Le dernier point à minuit n’est pas noté puisqu’étant le premier
point de la journée suivante. Sous cette forme, les puissances injectées et annoncées ne
sont pas représentées constantes dans l’intervalle Δt, pris égal à une heure pour la compa-
raison optimisation globale/locale (10 min. dans le dimensionnement technico-économique
optimisé du chapitre 4).
15. PCi7-3,3GhZ-16GoRam, env. 200 GFlops
Dans tous les cas présentés, la solution correspond toujours aux meilleurs résultats en
terme de fiabilité puis d’énergie injectée sur le réseau. Pour les trois modèles testés, la
possibilité de décharger le maximum ou l’impossibilité de charger le maximum dans la
bande de tolérance, donc de ne pas appliquer la stratégie H1, conduit à une moins bonne
fiabilité. Un exemple en est donné dans la figure 3.21 pour le modèle linéaire à une variable
(fixe). Ce résultat est confirmé, tous solveurs/modèles confondus, sur l’année.
L’approche quadratique dont le principe est de minimiser la différence de compensation
est clairement infirmée dans le graphique 3.20a. Même si aucune énergie n’a été perdue
pendant les heures de forte production, les défauts qui s’accumulent depuis midi jusqu’en
fin de journée mettent en évidence l’inefficacité de cette stratégie du point de vue de la
fiabilité du système. L’injection réseau reste en effet durant toute cette période en-deçà de
l’engagement bas. Notons que les résultats sont identiques pour le modèle libre ou fixe, le
critère de minimisation quadratique prenant le pas sur toute stratégie liée aux contraintes
linéaires.
Eolien - Fonds Caraı̈bes, 10/09/2010 - Service S1a Eolien - Fonds Caraı̈bes, Sept.2010 à Août 2011 - Service S1a

Preseau Pgrid
Pprod Pprod
Puissance (kW)
Pof f re,min/max Pof f re,min/max

Puissance(kW)

SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %) SSE - Etat de charge SOC (S = 1000 kWh, SOCmin/max = 10/95 %)

SOC 62&

Energie (kWh)
Energie (kWh)

;
<

Temps (h) Temps (h)
(a) Min. Différence quadratique de compensation.(b) Minimisation des Défauts.

(QP-y), gurobi. (NLPdtr-y), midaco.
Figure 3.20 – Optimisation non linéaire fixe (H2 non autorisée).
L’approche non linéaire fixe est plus erratique que ce soit dans l’utilisation de la bande
avant midi - 1h et 7h par exemple - ou lorsqu’elle impose de fournir la production de 14h
avec une compensation du stockage inférieure à celle nécessaire et possible (mise en défaut
forcée). Pour autant, la puissance injectée reste à peu près conforme à l’intuition : égale
à l’engagement haut en cas de forte production, égale à l’engagement bas en cas de faible
production, égale à la production en cas de défaut (hors stratégie H2).
Eolien - Fonds Caraı̈bes , 10/09/2010 - Service S1a Eolien - Fonds Caraı̈bes, 10/09/2010 - Service S1a

Preseau Preseau
Pprod Pprod
Pof f re,min/max Pof f re,min/max
Puissance(kW)
Puissance(kW)

K K K K K K K K K K
SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %) SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %)

SOC SOC

Energie (kWh)
Energie (kWh)

K K K K K K K K K K
Temps (h) Temps (h)
(a) (LP-y) Critère Max. Charge/Décharge (b) (LP-y) Critère Max. Charge/Décharge
+/+ autorisé, modèle fixe, Cplex (8 défauts). +/− autorisé, modèle fixe, Cplex (7 défauts).
Figure 3.21 – Optimisation linéaire - modèles fixe (H2 non autorisée).
Il en va de même pour la stratégie H2 autorisée uniquement dans les modèles libres.

Il n’y a qu’un seul cas, représenté dans les figures 3.22, où la stratégie fixe est meilleure -
sur cette journée du 10 Sept. 2010 - que la stratégie libre. Il peut alors paraı̂tre étonnant
qu’une contrainte, 24 bornes sur la puissance de stockage, relâchée conduise à une solution
moins fiable. Ceci est dû au fait que la fonction “max” correspondant à (LPmax) ou
(MILPmax) ne minimise pas réellement les défauts mais cherche à maximiser la charge
et la décharge. Ceci conduit par exemple à 14h à fournir juste au-dessous de l’engagement
bas alors qu’un défaut aurait pu être évité. Nous voyons là la limite de ces modèles, d’un
point de vue de l’amélioration de la fiabilité.
Eolien - Fonds Caraı̈bes, 10/09/2010 - Service S1a Eolien - Fonds Caraı̈bes, 10/09/2010 - Service S1a

Preseau Preseau
Pprod Pprod
Poffre,min/max
Puissance(kW)
Poffre,min/max
Puissance(kW)

K K K K K K K K K K

SOC SOC

Energie (kWh)
Energie (kWh)

K K K K K K K K K K
Temps (h)
Temps (h)
(a) (MILPmax) : H1, H2 autorisées -(b) (MILPmax) : H1 autorisée, H2 non auto-

Cplex, 7 défauts. risée - Cplex, 6 défauts.
Figure 3.22 – Optimisation linéaire mixte en nombres entiers - modèle de base.

Les meilleurs résultats sont obtenus, comme attendu, avec les modèles libres avec stra-
tégie (MILP) à 5 variables βxyzd. La figure 3.23 montre, avec le modèle (MILPdtr),
une solution optimale en terme de défaillance. La variante (MILPdtrinj) améliore bien
l’énergie injectée tout en préservant la fiabilité, ce qui sera confirmé sur l’année. 5 défauts
et 89,81% d’énergie revendue au réseau dans le respect du service est proche de ce qu’il
est possible de faire de mieux sur cette journée.
Eolien - Fonds Caraı̈bes , 10/09/2010 - Service S1a Eolien - Fonds Caraı̈bes , 10/09/2010 - Service S1a
GWU (LQM (LQM6 (ORVW

GWU (UHVHDX (UHVHDX6 (ORVW

Preseau Preseau
Pprod Pprod
Pof f re,min/max Poffre,min/max
Puissance(kW)
Puissance(kW)

K K K K K K K K K K

SOC SOC

Energie (kWh)
Energie (kWh)

K K K K K K K K K K
Temps (h) Temps (h)
(a) (MILPdtr) : H1, H2 autorisées, (b) (M*) : H1, H2 autorisées,

Cplex, 5 défauts. Cplex, 5 défauts.
Figure 3.23 – Optimisation linéaire mixte en nombres entiers - modèle avec stratégie.
Notons que cette solution de référence n’est pas un optimum global du point de vue
de l’énergie injectée au réseau. En effet, il serait possible de décharger à 2h et à 7h
jusqu’à l’engagement haut, tout en préservant un stockage plein à midi, garant d’une
bonne gestion ultérieure des défauts de l’après-midi où la production est faible. C’est une
limite de ce modèle de référence (M*) - non de la modélisation en elle-même - ainsi que
de la charge adaptative : décharger alors qu’il y a un surplus d’énergie est contraire à
l’heuristique H1 de charge maximale/décharge minimale dans la bande de tolérance ainsi
qu’à la première hypothèse générale (H0) “Surplus≡Charge”. Cette stratégie est délicate
dans le sens où elle ne doit pas être appliquée systématiquement sans l’assurance que la
production restera suffisante pour arriver, avant la baisse de production entraı̂nant les
défauts, au niveau maximal possible. Il y a là une amélioration de ces modèles mais qui
nécessite des prévisions plus fiables à court terme (horizon de l’ordre de quelques heures).
Dans le cas de la charge adaptative, la figure 3.24 montre que l’application de la straté-
gie H1 tend à fournir l’engagement bas non seulement l’après-midi lorsque la production
est faible mais aussi la nuit lorsque la production est forte. Ce comportement augmente
la charge durant cette période mais aussi, ponctuellement, l’énergie perdue. Ce n’est que
lorsque le stockage est plein - à 7h - et que la production est forte, que la production
injectée au réseau correspond à l’engagement haut, limitant alors la perte de production
EnRI.
Eolien - Fond Caraı̈bes , 10/09/2010 - Service S1a

Preseau
Pprod
Puissance(kW)
Poffre,min/max

K K K K K
SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %)

SOC

Energie (kWh)

K K K K K
Temps (h)
Figure 3.24 – Charge adaptative - heuristiques H1,H2 imposées, 5 défauts.
Nous constatons que sur une journée les performances de la charge adaptative sont
comparables à celle du modèle de référence (M*) en terme de fiabilité bien qu’inférieurs
en terme de productivité (86,6% au lieu de 89,8% de la production EnRI injectée) et
d’efficacité (15,6% au lieu 9,8%). Cette journée n’est pourtant pas avantageuse, dans le
sens où la production nulle de 16h à 20h rend la stratégie “Défaut=Charge”H2 inopérante.
Les résultats annuels viendront cependant conforter cette stratégie.
3.4.2.2 Lissage horaire (S1a) sur l’année
La comparaison entre les modèles d’optimisation globale et la charge adaptative s’effec-

tue d’abord sur le critère principal de fiabilité (temps ou proportion de défauts DT R) du
système EnRI+SSE, puis sur sa productivité (quantité ou part totale d’énergie conforme,
injectée sur le réseau dans le respect du service Egrid,Serv ). La quantité Elost représentant
la part d’énergie produite qui n’a pu être injectée ni dans le réseau ni dans le stockage
(cf chapitre 2, section 2.2.3.3) est aussi un troisième critère de sélection, à fiabilité et
productivité égales.
Les quatre modèles présentés sont ceux qui donnent, pour chaque type de programme
(NLP / LP / MILP), la meilleure fiabilité EnRI+SSE, tous solveurs confondus. Les ré-
sultats sont souvent très proches entre gurobi et Cplex en terme de fonction objectif
à l’optimum, le choix se faisant sur l’un ou l’autre par une fiabilité légèrement meilleure
puis par l’énergie injectée et le temps de calcul donnés dans le tableau et 3.7.
Le tableau 3.6 synthétise les éléments de comparaison des différentes solutions ainsi ob-
tenues sur l’année (1er Sept.2010-31 Août 2011), avec la stratégie H1 et, pour les modèles
libres, la stratégie H2.
Table 3.6 – Comparaison optimisation globale et charge adaptative sur une année.
Service S1a-Éolien-Fond Caraı̈bes, Sept.2010-Août2011.
Programme Solveur DT R Egrid Egrid,S1a Elost

(H1 autorisée) [%N] [%Eprod ]
Modèle fixe (H2 NON autorisée)
NLPdtr-y MidACO 15,66% 87,38% 81,53% 10,66%
LPmax-y Gurobi 9,54% 86,19% 81,53% 12,97%
Modèle libre de base (H2 autorisée)
MILPmax-yzd Cplex 9,01% 84,78% 83,39% 13,08%
Modèle libre avec stratégie (H2 autorisée)
MILPdtr-βxyzd gurobi 4,6233% 71,94% 71,94% 26,27%
MILPdtrinj-βxyzdγ=1 gurobi 5,78% 87,87% 87,87% 10,61%
MILPdtrinj-βxyzdγ=0,1 gurobi 4,6689% 88,0385% 88,0385% 10,2614%
MILPdtrlost-βxyzdγ=0,5 gurobi 4,6575% 88,2794% 88,2794% 9,9137%
(M*) Cplex 4,6461% 88,2921% 88,2611% 9,9071%
(M*) gurobi 4,6233% 88,2698% 88,2698% 9,9223%
Charge adaptative (H1,H2 imposées)
CA - 5,22% 85,51% 85,51% 12,73%
Pas de SSE (⇔ S = 0)
“au fil de l’eau” - 26,21% 84,04% 68,67% 15,96%
Comme sur une journée, les performances de la charge adaptative et du modèle MILP
de référence (M*) sont comparables en terme de fiabilité (moins de 50h d’écart sur l’an-
née) mais moins bonnes en terme de productivité et d’efficacité avec près de 3% d’énergie
injectée en moins et d’énergie perdue en plus. Dans l’objectif fixé de fiabilité, les heu-
ristiques H1, H2 mises en oeuvre sont profitables à long terme. Il est intéressant de
constater que ces heuristiques sont validées implicitement par l’optimisation globale elle-
même puisque la fiabilité est augmentée de manière significative lorsque, dans le même
modèle, ces stratégies sont autorisées.
Les puissances injectées sur le réseau ainsi que le fonctionnement du stockage associé
sont représentés dans les figures 3.25 et 3.26.
Eolien - Fond Caraı̈bes, Sept. 2010 à Août 2011 - Service S1a Eolien - Fond Caraı̈bes, Sept. 2010 à Août 2011 - Service S1a
Preseau
GWU (UHVHDX (UHVHDX6 (ORVW Preseau

Poffre,min Poffre,min

Puissance(kW)
Puissance(kW)

SOC
SOC

Energie (kWh)
Energie (kWh)

Temps (h) Temps (h)
(a) (NLPdtr), H1 autorisée, H2 non autorisée,(b) (LPmax), H1 autorisée, H2 non autorisée,

gurobi. gurobi.
Figure 3.25 – Optimisation non linéaire/linéaire - modèle fixe de base.
Eolien - Fond Caraı̈bes, Sept.2010 à Août2011 - Service S1a Eolien - Fonds Caraı̈bes, Sept. 2010 à Août 2011 - Service S1a

GWU (UHVHDX (UHVHDX6 (ORVW Preseau GWU (UHVHDX (UHVHDX6 (ORVW Preseau
Poffre,min Poffre,min

Puissance(kW)
Puissance(kW)


SOC SOC

Energie (kWh)
Energie (kWh)

Temps (h)
Temps (h)
(a) (MILPmax), H1, H2 autorisées, (b) (MILPdtrlost), H1, H2 autorisées,

Cplex. Cplex.
Figure 3.26 – Optimisation linéaire mixte en nombres entiers - modèles libres.
Les temps de résolution des modèles d’optimisation globale non linéaire (NLP) ou
linéaire (LP / MILP) donnés dans le tableau 3.7 sont très supérieurs au de temps de calcul
relatif à la charge adaptative. Les solutions (NLP) et (MILP) n’ont pu être obtenues en
optimisation globale annuelle sur un PC standard en un temps raisonnable, inférieur à un
jour, et sont issus d’un recollement de douze optimisations mensuelles. Dans le cas (LP),
nous vérifions que les deux méthodes - annuelle et mensuelle - conduisent à des résultats
très proches, ce qui est révélateur de la forte structure du problème. C’est d’ailleurs cette
caractéristique permet de bons résultats à l’optimisation locale de la charge adaptative.
Dans les problèmes linéaires mixte en nombres entiers (MILP), Le paramètre MipGap
donne l’écart à la meilleure borne inférieure de minimisation obtenue par relaxation la-
grangienne (dual simplex). Plus ce paramètre sera petit plus l’on sera proche d’un optimum
global. Une valeur inférieure à 1% est habituellement recommandée pour une solution de
qualité. Par défaut, ce paramètre est égal à 0,01%. Dans le solveur non linéaire, il n’existe
pas cette information d’écart relatif à une meilleure solution possible : le nombre - mensuel
- d’évaluation de la fonction objectif détermine un critère d’arrêt.
Table 3.7 – Temps de calcul : modèles linéaires/non linéaires et charge adaptative.

Service S1a - Éolien, Fond Caraı̈bes, Sept. 2010-Août 2011 (N = 8760h).
Programme Solveur Méthode Paramètre Temps (s)

Modèle fixe : N variables, 2N contraintes
MaxEval =
NLPdtr MidACO Mensuelle 12741
1500000
MipGap =
LPmax Cplex Annuelle 0, 01% 42
(défaut)
Modèle libre de base : 3N variables, 5N contraintes
MipGap =
MILPmax Cplex Mensuelle 2317
0, 01%
Modèle libre avec stratégie d’injection réseau : 5N variables, 8N contraintes
MipGap =
MILPdtr gurobi Mensuelle 1511
0, 01%
136
MILPdtrinj MaxTime =
gurobi Mensuelle (MipGap ≤
γ=1 600s
0, 21%)
2406
MILPdtrinj MaxTime =
gurobi Mensuelle (MipGap ≤
γ = 0, 1 600s
0, 21%)
4707
MaxTime =
(M*) Cplex Mensuelle (MipGap ≤
600s
0, 14%)
3260
MaxTime =
(M*) gurobi Mensuelle (MipGap ≤
600s
0, 21%)
MipGap = MaxTime =
(M*) gurobi Semestrielle
0, 11% 3600 × 12 × 2
Charge adaptative
CA - Annuelle - 2
3.4.2.3 Garantie annuelle (S2a)
Pour chaque source, la comparaison dans le cadre du scénario S2a a été effectuée avec
un niveau de puissance égal à la moitié de la moyenne de prévision i.e. coef prev = 0, 5.
Seul le modèle de référence (M*) résolu avec le solveur gurobi a été retenu pour cette
comparaison, après s’être assurés qu’il donne, également pour ce scénario d’injection, les
meilleurs résultats. Les solutions de référence sont comparées avec la charge adaptative
dans le tableau 3.8.
Table 3.8 – Comparaison modèle de référence et charge adaptative sur une année
Service S2a, paramètres de base S = 1000 kWh, tol = 25%P prod et PG = 50%P prev .
Modèle DT R Egrid Egrid,S2a Elost

[%N] [%Eprod ]
Éolien : PG = 94, 7 kW, tol = 48, 3 kW
(M*) 16,38% 45,05% 45,05% 53,15%
(CA) 16,46% 44,36% 44,36% 12,97%
Houle : PG = 53, 5 kW, tol = 27, 5 kW
(M*) 1,32% 58,41% 58,41% 41,30%
(CA) 1,37% 57,74% 57,74% 42,01%
PV : PG = 77, 4 kW, tol = 38, 7 kW
(M*) 0,35% 45,04% 45,04% 51,83%
(CA) 0,36% 40,18% 40,18% 56,69%
Eolien - Fond Caraı̈bes, Sept.2010 à Août2011 - Service S1a Eolien - Fond Caraı̈bes, Sept. 2010 à Août 2011 - Service S1a

GWU (UHVHDX (UHVHDX6 (ORVW GWU (LQM (LQM6 (ORVW
Puissance(kW)
Pprod
Puissance(kW)
Pof f re,min/max


Energie (kWh)
Energie (kWh)
SOC

Temps (h) Temps (h)
(a) Modèle de référence (M*), gurobi. (b) Charge adaptative (CA).
Figure 3.27 – Comparaison Charge Adaptative - Modèle de référence (M*), Éolien.

Houle - Pierrefonds, 2000-2009 - Service S1a Eolien - Fonds Caraı̈bes, Sept. 2010 à Août 2011 - Service S1a

'75 (UHVHDX (UHVHDX6 (ORVW GWU (LQM (LQM6 (ORVW

Puissance(kW)
Puissance(kW)

Pprod
Poffre,min/max


Energie (kWh)
Energie (kWh)
SOC

Temps (h)
Temps (h)
Figure 3.28 – Comparaison Modèle de référence - Charge Adaptative, Houle.
PV - Saint-Pierre, 2009 - Service S1a PV - Saint-Pierre, 2009 - Service S1a

GWU (LQM (LQM6 (ORVW GWU (LQM (LQM6 (ORVW

Puissance(kW)
Puissance(kW)

Pprod
Poffre,min/max


Energie (kWh)
Energie (kWh)

SOC

Temps (h) Temps (h)
Figure 3.29 – Comparaison Modèle de référence - Charge Adaptative, PV.
Nous constatons qu’en PV entre 40 et 120 kW peuvent être garantis toute la journée
durant toute l’année avec zéro défaut et un stockage de 1000 kWh/MWc. En contrepartie
l’énergie perdue est importante, supérieure à la moitié de la production EnRI, ce qui
rend une rentabilité économique et un retour sur investissement difficiles. C’est ce type
d’analyse que nous poursuivrons dans le chapitre 4, grâce à la charge adaptative.
3.5 Conclusion
La charge adaptative fait moins bien, en terme de qualité de la solution, que l’optimi-
sation globale par résolution du programme linéaire mixte en nombres entiers de référence
(M*). Cependant, les résultats sont tout de même satisfaisants dans le sens où :
1. la fiabilité est comparable à la fiabilité optimale : le nombre de défauts est proche
- quelques heures par mois - de l’optimum de référence et même parfois inférieur à
certaines instances du modèle complet, (MILPdtrinj)γ=1 par exemple ;
2. la productivité est maı̂trisée : l’énergie injectée reste maı̂trisée et supérieure à la
solution du modèle de base (MILPmax) ;
3. le temps de calcul (PCi7) est relativement très court : 2 secondes contre plusieurs
minutes à plusieurs heures en optimisation globale (52560 points 10 min. sur une
année) ;
4. la méthode est applicable en conditions opérationnelles, ce qui n’est pas le cas de
l’optimisation globale.
C’est pourquoi la charge adaptative sera retenue comme fonctionnement de référence

du SSE, avec des paramètres optimisés tels les seuils de charge ou de décharge adaptative.
Cependant, la charge adaptative ne permet pas d’obtenir, dans le cas général, un opti-
mum technico-économique global mais des solutions viables, dans un sens qui sera défini au
chapitre suivant. Il aurait été également possible de modéliser le problème original (NPL-
fit) afin de déterminer, par une optimisation globale, l’optimum technico-économique à
l’aide de solveurs dédiés. Cela nécessiterait une ou plusieurs N-variables supplémentaires
et des temps de calcul plus élevées, par exemple sur un super-calculateur, notamment en
points dix minutes voire minute (plusieurs millions de variables). A cette approche relati-
vement lourde, nous avons préféré une approche locale donnant des résultats satisfaisants
bien que non optimaux en un temps rapide (de l’ordre de la seconde).
Profit sera tiré de cet avantage dans le chapitre 4 où la charge adaptative sera la
stratégie de référence pour comparer les services/sources au regard du dimensionnement
et évaluer l’impact de l’incertitude de certains paramètres sur les résultats.
Le premier désavantage de la charge adaptative - étape 1 : méthode de résolution -
est que la solution obtenue n’est pas une solution optimale globale mais une solution
approchée. Aucune information sur l’écart avec l’optimum global n’est, a priori, dispo-
nible. Cependant, la comparaison avec des solveurs performants permet de conclure que
la méthode de recherche locale est, pour les trois sources, satisfaisante du point de vue
de la fiabilité. L’autre inconvénient - étape2 : modèle technico-économique - est un coût,
modélisé par la variable F IT (tarif de revente minimal pour un intérêt d’investir dans
le SSE à 20 ans), qui n’est pas réellement optimisé mais est une valeur minimale lié au
dimensionnement technique. Rien ne garantit à priori que la solution approchée trouvée
est la meilleure ni même comparable à la solution (d’une minimisation) globale. Effecti-
vement, il est certainement possible de faire mieux d’une manière générale mais cela reste
un problème ouvert pour une méthode applicable en conditions opérationnelles. Pour au-
tant, la comparaison avec des solveurs MILP réputés (section 3.4) permet d’affirmer que
la méthode adoptée de charge adaptative conduit, du point de vue du respect du service,
3.5. CONCLUSION 143
à des résultats au moins aussi fiables qu’avec les méthodes classiques. En outre, quand
bien même une meilleure solution serait trouvée par une optimisation - modèle ou réso-
lution - plus performante que celles testées, celle-ci resterait globale et ne donnerait pas
d’indication, a priori, sur une consignes à mettre en oeuvre dans la gestion du stockage.
Nous voyons donc ici tout l’intérêt de la démarche heuristique : produire une solution sa-
tisfaisante en un temps réduit, applicable à un contrôle commande du stockage. L’analyse
de sensibilité effectuée dans le chapitre 4 tirera parti de cette rapidité de calcul.
Le désavantage de la méthode élaborée, par rapport à la méthode stochastique, est la
non prise en compte directe de l’incertitude. Les effets liés à l’incertitude sur certaines don-
nées seront évalués malgré tout dans l’impact d’une modification déterministe de l’erreur
de prévision mais aussi à travers l’Analyse de Sensibilité locale et globale.
D’autre part, il serait souhaitable de choisir parmi les solutions fiables celles qui maxi-
misent l’énergie injectée au réseau et, par conséquent, les revenus. Mais le mode opératoire
du SSE qui minimise le taux de défaillances DT R minimisera également S ∗ la capacité
minimale permettant de respecter le scénario d’injection réseau (DT R < 5%). Or l’in-
vestissement dans le SSE (cf valeurs de base des variables économiques - chapitre 4),
pratiquement proportionnel à sa capacité, peut représenter, dans la configuration étudiée
de ferme de production EnRI, près de la moitié de l’investissement total. Par conséquent
diminuer la capacité requise tout en respectant le service est prioritaire également d’un
point de vue économique.
Chapitre 4
Dimensionnement optimal
4.1 Introduction
Dans ce chapitre sont présentés les résultats retenus pour l’étude du système de sto-
ckage d’Énergie (SSE). Dans une première section relative au dimensionnement technico-
économique, les résultats sont donnés par scénario (garanti / non garanti), l’objectif du
producteur comme celui du gestionnaire étant d’abord de respecter le service contrac-
tualisé et l’engagement de puissance. Il s’agit, d’une manière générale, de comparer le
dimensionnement du SSE dans le couplage avec chacune des trois sources EnRI (éolien,
houle, PV). Pour chaque scénario considéré, les résultats obtenus pourront permettre de
sélectionner la source la plus adaptée.
Puis, dans une deuxième phase, nous cherchons à améliorer les résultats au vu des
conclusions de la première partie. Deux approches sont étudiées : la combinaison des
scénarios visant à augmenter l’énergie injectée en période de pointe (18h-22h) et la combi-
naison des sources visant à accroı̂tre les performances - fiabilité, productivité, rentabilité
et efficacité - du couplage EnRI-SSE.
Enfin, la troisième partie de ce chapitre s’intéresse à la sensibilité du dimensionnement
aux variations des paramètres, soit de manière globale afin de déterminer les caractéris-
tiques de couplage les plus influentes soit relative à l’impact spécifique de certains facteurs
tels la puissance installée, la production (PV) et la qualité de la prévision.
4.2 Dimensionnement technico-économique
4.2.1 Principe
4.2.1.1 Démarche et Définitions
Le choix heuristique de la charge adaptative (CA) a été détaillé et justifié au chapitre

3. Nous avons vu que cette méthode ne donne pas un optimum global mais une solution
proche satisfaisante du point de vue de la fiabilité d’abord puis, grâce aux paramètres
145
146 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
adaptatifs, de la productivité et de l’efficacité du système ainsi que de la régularité de la

puissance fournie.
Nous entendons par dimensionnement technico-économique, la détermination fondée
sur la charge adaptative de la taille de stockage minimale permettant d’une part le res-
pect du scénario et, d’autre part, le calcul des tarifs de revente associé à cet “optimum”.
Ce dimensionnement adaptatif donne également les énergies (perdues/manquantes) cor-
respondantes d’où l’on tire les coûts et bénéfices associés puis les tarifs permettant une
valeur ajoutée du stockage sur 20 ans (cf modèle économique du chapitre 2). Le respect
du scénario est le respect du profil d’injection réseau annoncé la veille pour le lendemain
avec un taux de défaillances DT R inférieur à DT Rmax = 5%, une tolérance sur la puis-
sance fournie tol par défaut égale à 25% de la moyenne annuelle de production ainsi que
les paramètres SSE de base, notamment une profondeur de décharge maximale limitée à
DODmax = 60%. Rappelons que le paramètre DODmax , fixé dans notre étude indépen-
damment de l’état de charge minimal SOCmin , signifie qu’une série de décharge continue
du SSE ne peut excéder 60% de la capacité utile.
Le paramètre principal de dimensionnement du SSE est sa capacité énergétique. L’autre
grandeur dimensionnante - la puissance maximale en charge et en décharge - n’est pas
directement optimisée dans le mémoire même si des simulations pour différentes puissances
ont été effectuées (sensibilité locale). En effet,
1. les erreurs à compenser sont très majoritairement inférieures à 500 kW par MWc
EnRI installé. Il semble alors évident que toute puissance supérieure à cette valeur
n’aura que peut d’influence sur le dimensionnement. C’est ce que confirme l’analyse
de sensibilité globale qui montre bien (fig. 4.17) que ce paramètre n’est pas, dans une
certaine mesure, le plus impactant. D’autre part, nous nous sommes basés sur l’offre
SAFT 1 qui permet d’être sûr qu’il existe au moins une offre de stockage satisfaisant
cette condition d’une puissance maximale (charge/décharge) au moins égale à 500
kW pour une capacité énergétique de 1 à 2 MWh.
2. L’apparition des défauts dus à un manque de puissance peut être prédite de manière
systématique à chaque instant puisque si la différence à compenser entre l’engage-
ment bas et la production EnRI est supérieure à la puissance maximale, il est certain,
quelle que soit la capacité, qu’il y aura un défaut (impossibilité de respecter le scé-
nario d’engagement). Par exemple si à 300 kW pour 1 MWc EnRI installé, il y a
e.g. 3% de défauts annuels imputables à la puissance trop faible alors la capacité
nécessaire devra être optimisée pour respecter le seuil des 2% restants et sera par
conséquent bien plus importante. La capacité optimale est donc calculée par la suite
avec une puissance de 500 kW par MWc EnRI installé qui permet de couvrir sur
les sites considérés au moins 99% des besoins de compensation et donc de ne pas
rajouter des défauts “systématiques”, uniquement liés à un défaut de puissance.
3. Dans certains appels d’offres CRE récents, il est exigé une puissance d’au moins 333
kW 2 à 500 kW 3 pour 1 MW de puissance EnRI installée.
Une capacité de stockage est dite “faisable” si elle est inférieure à 2 MWh/MWc, ce
qui correspond, dans le cas d’un coût principalement basé sur la capacité énergétique -
1. Batterie Li-Ion Insperion 1 MWh/600 kW
2. AO CRE Solaire+Stockage - installations au sol, 300 MW dont 50 MW en ZNI, 2009
3. AO CRE Solaire+Stockage ”ZNI 100 kWc+”, 2015
4.2. DIMENSIONNEMENT TECHNICO-ÉCONOMIQUE 147
SSE électrochimique par exemple - à des investissements de l’ordre de 2 Me/MWc, à

la limite du réalisable en pratique. Il est certain que dans l’hypothèse d’un découplage
Puissance/Énergie - PAC H2 ou STEP par exemple - cette limite pourra être revue à la
hausse si le surcoût de capacité est faible par rapport à celui de puissance.
Une taille viable est une capacité faisable qui permet - avec la charge adaptative - de
respecter le scénario ; elle est notée S ∗ . Un tarif de revente d’énergie F IT ∗ est dit viable
s’il est inférieur à 300, resp. 400, e/MWh pour les scénarios non garantis tels le lissage
horaire (S1), resp. pour le scénario de fourniture d’une puissance garantie (S2). L’étoile ∗
signifie que la valeur de la variable est le résultat d’une optimisation - maximisation pour
les puissances, minimisation pour les tailles et tarifs de revente - permettant de respecter le
scénario. L’objectif est alors de trouver des solutions non forcément les meilleures possibles
(optimums globaux) mais viables i.e. des couples (S ∗ ,F IT ∗ ) qui satisfont aux contraintes
technico-économiques suivantes :
S ∗ ≤ Sf aisable,max = 2000 kWh/MWc, (4.1)

∗
F ITS1 ≤ F ITS1,viable,max = 300 e/MWh, (4.2)
∗
F ITS2 ≤ F ITS2,viable,max = 400 e/MWh. (4.3)
Le dimensionnement technico-économique consiste à faire varier une ou plusieurs va-

riables, par exemple le niveau de puissance - directement la puissance garantie PG (S2)
ou la variable coef prev (S1) - afin de trouver une solution viable (S ∗ ,F IT ∗ ). La variable
coef prev ∗, resp. PG∗ , est alors la part de la prévision, resp. la puissance garantie, maximale
injectée au réseau pour laquelle un solution viable (S ∗ , F IT ∗ ) peut être trouvée. Notons
que le calcul du tarif de revente minimal F IT ∗ est exact pour la première année mais en
l’absence de données historiques réelles de production sur 20 ans, l’énergie conforme donc
le revenu est considéré constant, à l’actualisation près [net present value ou NPV], pour
les années suivantes.
Ce dimensionnement S ∗ que nous continuerons à qualifier d’“optimal” dans le sens
précisé ci-dessus est donné, selon le scénario :
— en fonction de la tolérance tol, à niveau de puissance fixé par le paramètre coef prev
pris égal à 1 (valeur de base). Cette valeur signifie que la prévision horaire est
annoncée telle quelle la veille pour le lendemain par le producteur au gestionnaire
(figure 4.4),
— en fonction du niveau de puissance, à tolérance fixée à 25% de la moyenne annuelle de
production (valeur de base), en faisant varier la part de prévision annoncée (scénarios
S1).
La méthode itérative d’exploration de l’espace des solutions utilisée est donc de type
exhaustif puisque la procédure (CA) est exécutée pour S variant de 0 à Sviable,max
kWh/MWc. Cette démarche est rendue possible par la rapidité d’exécution de la charge
adaptative : moins de 2 secondes pour une trajectoire sur un PC standard en points 10
minutes sur l’année. En utilisant la monotonie - croissance ou décroissance, vérifiée à
posteriori - des défauts donc de la taille viable en fonction, par exemple, du niveau de
puissance ou de la tolérance, la méthode par dichotomie permet de trouver la taille opti-
male S ∗ , à ± 5 kWh/MWc près, en environ 11 essais (exécutions (CA)) soit 15 secondes
en moyenne.
4.2.1.2 Valeurs de base économiques
Les valeurs de base des variables économiques - décrites au chapitre 2, section 2.3.2.2 -
retenues pour les simulations présentées dans ce chapitre sont regroupées dans le tableau
4.1. Ces valeurs servent également de moyenne à l’analyse de sensibilité (cf tableau 4.2).
Table 4.1 – Valeurs de base des variables économiques.
Variable Valeur Unité Observations

d’entrée de base
inv éolien 2 Me/MWc Coût total de l’installation
inv pv/houle 4 Me/MWc Coût total de l’installation
om 10 %inv Coûts globaux de maintenance et d’exploitation
cstock 750 e/kWh Coût du SSE incluant l’installation en ZNI
dvstock 20 années Durée théorique du SSE
act 10 % Taux d’actualisation annuel [Ma et al., 2014a]
inf l 2 % Taux d’inflation annuel, moyenne européenne des
10 dernières années [Eurostat]
tax 20 % Taux de prélèvement, moyenne française
4.2.2 Optimisation des seuils adaptatifs
Les seuils adaptatifs “haut” seuilC et “bas” seuilD ont été définis au chapitre 2 comme
les seuils d’état de charge du SSE (SOC) permettant de modifier les heuristiques de base,
en tenant du compte du fait que le stockage est relativement bien ou pas encore assez
chargé :
• SOC + = SOCmax − seuilC : seuil au-dessus duquel le producteur se permet une
autre stratégie plus risquée du point de vue de la fiabilité que la stratégie Charge
max./Décharge min. (H1) ;
• SOC − = SOCmin + seuilD : seuil à partir duquel le producteur autorise la décharge
du SSE, lors d’une série de défauts dans la stratégie “Défaut ≡ Charge” (H2).
La figure 4.1 montre que ces deux stratégies ont un impact significatif sur les défauts
donc sur la capacité optimale et, par conséquent, le tarif de revente requis.
Les valeurs retenues
seuilC = 20%
(4.4)
seuilD = 20%
sont un compromis médian entre augmentation forte et nulle de la capacité requise.
D’autres choix peuvent être faits, par exemple 40% pour le seuil haut seuilC qui per-
mettrait de perdre encore moins et d’injecter encore plus d’énergie. En tout état de cause,
ces valeurs sont une base raisonnable dans l’objectif de comparaison des sources relative-
ment à chaque scénario.
En effet, pour un seuil haut de 20%, avec seuilD fixé à 20%, une amélioration signifi-
cative de l’énergie injectée dans le respect du service S1a (+1,2%) est obtenue en éolien,
modeste en PV (+0,7%) et nulle en houlomoteur (même niveau qu’à seuilC = 0%). Pour

seuilD = 0% 1262 kWh/MWc seuilD = 0% 1230 kWh/MWc
seuilD = 5% seuilD = 5%
1137 kWh/MWc 1100 kWh/MWc
Capacité SSE (kWh/MWc)


850 kWh/MWc

867 kWh/MWc

SeuilC (%) SeuilC (%)
(a) Éolien - tolérance = 48,3 kW (25%P prod ) (b) Houle - tolérance = 27,5 kW (25%P prod )
442 kWh/MWc

seuilD = 0%
seuilD = 5%
seuilD = 10%
seuilD = 15%
seuilD = 20%
Capacité optimale (kWh/MWc)

356 kWh/MWc

326 kWh/MWc

;
<

SeuilC (%)
(c) PV - tolérance = 38,7 kW (25%P prod )
Figure 4.1 – Dimensionnement et paramètres adaptatifs (scénario S1a).
autant, l’introduction de ce paramètre permet, pour toutes les sources, d’augmenter l’effi-
cacité du système en limitant l’énergie perdue - de près de 2% en éolien - comme le montre
la figure 4.2d.
Cependant, l’augmentation d’énergie conforme injectée au réseau, même avec près de
2% supplémentaire, ne peut compenser financièrement l’accroissement des défauts et, par
suite, de la capacité requise pour respecter le service, comme indiqué dans la figure 4.2b.
En effet, un calcul rapide montre que le retour sur investissement dans cette stratégie est
délicat 4 . Bien qu’a priori moins intéressante économiquement dans la perspective d’un
pré-dimensionnement du SSE, l’énergie totale injectée plus importante concomitante à
une énergie perdue plus faible, incitent à poursuivre dans cette voie d’adaptation “haute”
du stockage. En particulier, si l’investissement est déjà réalisé, cette stratégie pourrait
améliorer sensiblement les revenus du producteur. D’autre part, la baisse constante des
coûts de stockage évoquée au chapitre 1 laisse espérer, à l’avenir, une différence coûts-
4. 1,2% 1,6GWh (éolien) ≈ 20 MWh × 300 e/MWh = 6 ke/an gagnés mais 1048-935=113 kWh
supplémentaires de capacité de stockage soit un surcoût d’investissement (batterie Li-Ion) de 113*700 ≈
80 ke.

Éolien
Houle
Solaire PV

Éolien
Houle
Tarif de revente (euros/MWh)

Solaire PV


SeuilC (%S ∗ ) SeuilC (%S ∗ )
(a) Influence sur la capacité optimale. (b) Influence sur le tarif de revente optimal.

Éolien Éolien
Houle Houle
Solaire PV Solaire PV

Énergie Réseau (%Eprod )
Énergie perdue (%Eprod )

SeuilC (%S ∗ ) SeuilC (%S ∗ )
(c) Influence sur l’énergie conforme. (d) Influence sur l’énergie perdue.
Figure 4.2 – Influence du paramètre seuilC (scénario S1a, seuilD = 20%).
bénéfices moindre d’où un retour sur investissement moins long.

En ce qui concerne le seuil bas seuilD, le but est de réduire les oscillations de la puis-
sance injectée après un défaut dues à l’application de la stratégie H2 (cf chapitre 3, figure
3.13). C’est ce qui est effectivement constaté dans la figure 4.3d qui met en évidence une
réduction significative de ces oscillations. Le nombre d’oscillations est, d’une manière gé-
nérale, le nombre de fois où l’état de charge (SOC) change de sens de variations : croı̂t puis
décroı̂t ou vice-versa. La formule 4.5 décrit cette propriété dans le cas de défauts, ce qui
nous intéresse particulièrement pour l’effet de la variable seuilD sur les phénomènes “SSE
vide ⇒ Charge puis SSE non vide ⇒ Décharge” qui induit des cycles de charge/décharge
rapprochés d’où des oscillations rapides de la puissance injectée sur le réseau. Puisque ce
nombre est inversement proportionnel au temps moyen de défaut (DMT), il nous a semblé
plus opportun de montrer l’évolution de ce paramètre, sachant que plus DMT est faible
moins il y a d’oscillations donc de séries de défauts. De plus, dans le cas du scénario S1a
(lissage horaire) avec le solaire PV, le nombre total d’oscillations n’est pas comparable
aux cas éolien ou houlomoteur puisque aucun service n’est rendu donc aucun défaut ne se
produit la nuit. 5% représentent alors 239h de défaillances contre 438h pour l’éolien et la
houle.

Eolien
Houle
PV
Wind

Wave
PV1

SeuilD (%S ∗ ) SeuilD (%S ∗ )
(a) Influence sur la capacité optimale S ∗ . (b) Influence sur le tarif de revente F IT ∗ .

Eolien
Houle
PV Eolien
Houle
PV

NbCycles (décharge 100%)

Temps moyen (h)

SeuilD (%S ∗ )
SeuilD (%S ∗ )
(c) Influence sur le nombre de cycles de

(d) Influence sur les oscillations.
décharge éq. 100%.
Figure 4.3 – Influence du paramètre seuilD (S1a, seuilC = 20%).
La mesure des oscillations est définie comme le nombre de séries consécutives de défauts,
inversement proportionnelle au temps moyen de défauts (Default Mean Time ou DMT ),
soit pour un DT R∗ moyen de 4,97% :

temps Def auts 435/DMT (scénarios H24),
Nb Series Def auts = (4.5)
DMT 238/DMT (S1a-PV).
Le PV est moins sensible à la réduction des oscillations car cette source induit moins de
temps de défauts : DTR de 5% mais sur les 4786 heures de jour, soit 239h au lieu de 438h.
De plus des défauts moins souvent situés en zone de production faible et des capacités
plus petites entraı̂nent des séries moins longues, et un SOC dépassant plus vite le seuil bas
SOC− = SOCmin + 20%, d’où moins d’impact de seuil sur les séries de défaut. A 20%,
les oscillations en défaut sont divisées environs par 3 pour l’éolien et par 10 pour la houle.
Il en résulte une utilisation plus régulière du stockage évitant ainsi les séquences rapides
de faible charge/décharge. Le nombre de cycles équivalents à une décharge de 100% défini
comme le rapport de la quantité totale d’énergie déchargée par la capacité :

∗
NbCycles100% = Estock,decharge /S ∗ (4.6)
en est également diminué. Ce nombre n’est qu’un indicateur partiel de la sollicitation du

SSE mais nous ne présenterons pas une étude approfondie du vieillissement même si cela
a une incidence directe sur la durée de vie du SSE. D’une part, le vieillissement dépend
fortement du type et des caractéristiques du stockage considéré ; une telle étude nécessi-
terait une connaissance plus fine d’un SSE donné, électro-chimique par exemple. D’autre
part, la précaution d’une profondeur maximale de décharge inférieure à 60% permet d’en
limiter, le cas échéant 5 , les effets. Le postulat que le SSE a, dans les conditions d’utilisa-
tion liée à la charge adaptative, une durée de vie de 20 ans fait partie des hypothèses qui
impactent le tarif de revente nécessaire à une valeur ajoutée positive du SSE au bout de
cette période. Mais cette durée est finalement un paramètre des simulations qui pourrait
être réévalué et modifié dans une configuration spécifique.
En conclusion, les valeurs de base des paramètres adaptatifs seuilC = seuilD = 20%
sont fixées, dans la suite, pour les trois sources et tous les scénarios. Pour autant, les
seuils optimaux dépendent à la fois des sources et des scénarios mais aussi de la situation
à un instant donné, notamment du niveau de production EnRI à venir. En conditions
opérationnelles, il apparaı̂t donc opportun pour le producteur d’adapter ces seuils au
jour le jour. Dans ce cadre, des prévisions à horizon H+6 pourraient s’avérer très utiles
en permettant d’augmenter la productivité et l’efficacité du système tout en réduisant les
oscillations de puissance fournie au réseau sans dégrader la fiabilité du système. Cette voie
(d’optimisation stochastique infra-journalière des seuils adaptatifs) liée à des prévisions à
court terme dépasse le périmètre de notre étude.
4.2.3 Scénarios non garantis (S1)
Pour les scénarios non garantis, le dimensionnement est présenté en fonction la tolérance
autorisée et à niveau de puissance fixé car des solutions viables peuvent être obtenues, pour
les trois sources, avec exactement la prévision horaire pour engagement (coef prev = 1).
4.2.3.1 Lissage horaire (S1a)
Notons qu’en ce qui concerne les prévisions, comme indiqué au chapitre 3, celles-ci
sont déjà interpolées linéairement entre chaque heure ronde puisqu’elles proviennent de
données, mesures, calculs obtenus toutes les 3 heures (Houle) ou toutes les heures (Éolien).
Ce n’est pas le cas du PV car les données sont au pas de temps de la minute, prises toutes
les 10 min pour la comparaison avec les 2 autres sources. L’effet du lissage sur les points
infra-horaires a donc un impact perceptible sur le dimensionnement uniquement pour
cette source. Pour les deux autres sources, seule l’erreur horaire de prévision entraı̂ne une
éventuelle variation de la capacité optimale.
5. Modèle Batterie Li-Ion Saft 1 MWh/600kW ’Insperion’ d’une durée de vie annoncée de 20 ans avec
dodmax ≤ 60%.

Eolien Eolien
Houle Houle


Limite Domaine de Faisabilité

Limite Domaine de Viabilité

Tolérance (%P prod ) Tolérance (%P prod )
(a) S ∗ vs tol. (b) F IT ∗ vs tol.

Eolien Eolien
Houle Houle

Energie perdue (%Eprod )

Energie conforme (%Eprod )

∗
(c) Egrid,S1a vs tol. ∗
(d) Elost vs tol.
Figure 4.4 – Dimensionnement SSE - scénario S1a (lissage horaire).
Le PV est bien adapté au lissage horaire, malgré une prévision uniquement basée sur
la persistance. Le gisement solaire est la seule des trois sources capable de respecter ce
service à moins de 10% de tolérance sur la puissance. Ce n’est qu’au-delà de 25% de
tolérance que les solutions commencent à être viables pour l’éolien et la houle.
Les courbes en cloche de l’énergie perdue et injectée sont dues à la concurrence de
deux phénomènes. D’une part, le fait d’augmenter la tolérance permet, en cas de sur-
plus (production bien supérieure à l’engagement), d’injecter plus d’énergie sur le réseau.
D’autre part, la charge adaptative a tendance, via la stratégie (H1), à fournir l’engage-
ment bas Pof f re − tol. Pour de grandes, resp. faibles, valeurs de la tolérance, le premier,
resp. deuxième, phénomène l’emporte.
4.2.3.2 Lissage journalier (S1b)
Le scénario de lissage journalier S1b n’est pas adapté au PV seul, comme le montre la
figure 4.5. En effet, la nécessité d’injecter durant la nuit (H24) une puissance, même non
garantie, variable quotidiennement, entraı̂ne des capacités non faisables d’où des tarifs

Eolien Eolien
Houle Houle


(a) S ∗ vs tol. (b) F IT ∗ vs tol.

Eolien Eolien
Houle Houle

Energie Réseau conforme (%Eprod )

∗
(c) Egrid,S1b vs tol. ∗
(d) Elost vs tol.
Figure 4.5 – Dimensionnement SSE - scénario S1b (lissage journalier).
non viables. Ce constat est encore renforcé dans le cas garanti H24 du scénario S2a.
A partir de 20 à 25 % de tolérance, des solutions de stockage technico-économiquement
viables sont possibles pour l’éolien et la houle.
4.2.4 Scénarios garantis (S2)
Pour les scénarios garantis plus difficiles à satisfaire, il nous a semblé plus judicieux de
donner les niveaux de puissance, à tolérance fixée, permettant le respect du service. En
effet, le scénario étant respecté avec des capacités faisables, le niveau de puissance garanti
devient le critère essentiel de performance (productivité).
4.2.4.1 Garantie H24 (S2a)
Au vu de la figure 4.6, il semble, pour chacune des trois sources considérées, beaucoup
plus délicat d’atteindre un équilibre viable : puissances garanties faibles, viabilité technico-
économique impossible pour PV et difficile pour l’éolien et la Houle.

En abscisses est portée la puissance garantie annoncée Pof f re qui n’est pas la puissance
réellement injectée Pgrid . Ce qui est garanti au gestionnaire est une puissance fournie au
réseau comprise entre Pof f re − tol et Pof f re + tol, 95% du temps.

Eolien
Houle
Solaire PV

Eolien
Houle
Solaire PV

Tarif (euros/MWh)

Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
(a) S ∗ vs PG . (b) F IT ∗ vs PG .

Eolien Eolien
Houle Houle



∗
(c) Egrid,S2a vs PG . ∗
(d) Elost vs PG .
Figure 4.6 – Dimensionnement SSE - scénario S2a (puissance garantie annuelle).
Pour l’éolien et le PV, 50 kW peuvent être annoncés garantis mais correspondent en

réalité à un engagement bas Pof f re,min proche de 0 et à une énergie perdue élevée (44
à 63%). La rentabilité de l’installation EnRI+SSE en est donc limitée. Avec le PV et
25% de tolérance, la rentabilité économique du SSE est impossible à trouver quel que soit
la puissance garantie annoncée. La difficulté à assurer un scénario H24 via un gisement
solaire est ici mise en évidence.
Un exemple de fonctionnement est donné dans la figure 4.7 et montre la difficulté à
garantir 100 kW en éolien, même avec près de ±50 kW de tolérance.
En conclusion, le scénario de puissance garantie toute la journée, toute l’année est
difficile à réaliser de façon satisfaisante - que ce soit pour le producteur ou le gestionnaire
- avec une seule source. L’hybridation des sources (cf section 4.3.3) permettra de mieux
répondre à ce type de cahier des charges exigeant.
Eolien Fonds Caraı̈bes Sept. 2010 - Août 2011

Charge Adaptative (CA) - S = 1000 kWh, seuilC/D = 20/10%, SOCmin/max=10/95%

'75 (LQM6HUY (ORVW DQQpH Pprod,Eolien
SOCSSE
Preseau

Puissance(kW) / Energie (kWh)

M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M
Temps (10min)
Figure 4.7 – Éolien, scénario S2a-PG = 100 kW/MWc (1 mois).
4.2.4.2 Garantie sur un créneau horaire (S2b)
Compte-tenu de la difficulté à fournir tout au long de l’année une puissance garantie

H24, deux créneaux associés à deux scénarios ont été étudiés :
— S2b1 : puissance garantie sur [7h-17h] avec rampes montée [6h-7h] et descente [17-
18h] = Base + pointe du midi,
— S2b2 : puissance garantie sur [19h-21h] avec rampes montée [18h-19h] et descente
[21h-22h] = Pointe du soir.
La figure 4.8 montre que le fait de restreindre le scénario en journée permet d’obtenir
des solutions viables pour le solaire PV. Pour cette source EnRI, 290 kW/MWc peuvent
être garantis annuellement, entre 7 heures et 17 heures et un maximum de profitabilité
du SSE est atteint autour de 200 kW/MWc, toujours aux tolérances près.

Eolien Eolien
Houle Houle


Tarif (euros/MWh)


Eolien Eolien
Houle Houle



∗
(c) Egrid,S2b1 vs PG . ∗
(d) Elost vs PG .
Figure 4.8 – Dimensionnement SSE - scénario S2b1 puissance garantie 7h-17h.
La fourniture d’une puissance garantie lors de la pointe du soir (et rien en dehors) n’est
viable pour aucune des trois sources, comme l’indique la figure 4.9. En effet, le scénario
opérant sur quelques heures, les énergies injectées, resp. perdues, sont faibles, resp. élevées.
En résumé, le fait de limiter le scénario garanti aux créneaux du jour ou de la pointe
du soir permet d’augmenter le niveau de puissance injectée. En contrepartie les énergies
perdues sont trop importantes pour assurer la rentabilité de l’installation EnRI+SSE, sauf
pour le PV[7h-17h] où la faible capacité de stockage compense les pertes d’énergie - 40%
à 200 kW/MWc - de la production EnRI.

Eolien Eolien
Houle Houle


Tarif (euros/MWh)


Eolien Eolien
Houle Houle



∗
(c) Egrid,S2b2 vs PG . ∗
(d) Elost vs PG .
Figure 4.9 – Dimensionnement SSE - scénario S2b2 puissance garantie HP[19h-21h].
4.2.4.3 Garantie sur deux créneaux horaires (S2c)
La fourniture d’une puissance garantie sur les deux créneaux 7h-17h et 19h-22h améliore
la rentabilité du scénario S2. Des solutions viables sont alors possibles pour deux des trois
sources : la houle et le solaire (PV), comme le montre la figure 4.10 ci-dessous.
Malgré une production quasi-nulle sur la pointe du soir, le PV apparaı̂t comme le plus
indiqué tant pour la fiabilité donc le dimensionnement que la productivité et l’efficacité du
système. Pour autant la rentabilité du couplage PV+SSE reste fragile avec, par exemple
pour une puissance garantie annoncée de 200 kW/MWc correspondant à une capacité
nécessaire de 930 kW/MWc, une énergie injectée conforme, resp. perdue, de 65,7% resp.
30,7% du productible PV.
4.3. AMÉLIORATION DES SERVICES RENDUS 159

Éolien Éolien
Houle
Houle Solaire PV
Solaire PV


Tarif (euros/MWh)


Éolien Éolien
Houle Houle

Énergie Réseau conforme (%Eprod )

Énergie perdue (%Eprod )

∗
(c) Egrid,S2c vs PG . ∗
(d) Elost vs PG .
Figure 4.10 – Dimensionnement SSE - scénario S2c puissance garantie 7h-17h et 19h-
21h.
4.3 Amélioration des services rendus
4.3.1 Combinaison des scénarios garanti/non garanti (S3)
Dans cette section, l’objectif est de maximiser la puissance garantie grâce au stockage et
délivrée lors de la pointe du soir (heures pleines) HP = [18h-22h] (effacement de pointe ou
peak shaving). En effet, les profils de consommation présentés au chapitre 1 montrent que
ces heures sont tendues en terme d’équilibre offre-demande, ce qui peut entraı̂ner réguliè-
rement, dans les zones non interconnectées, le déclenchement de Turbines à Combustion
(TAC) d’un coût et d’un impact environnemental élevés. Le SSE, encore davantage en
matière d’énergie solaire-PV produisant de l’électricité uniquement en journée, apporte
alors une valeur ajoutée d’autant plus importante.
Les deux combinaisons considérées consistent en la fourniture, durant les heures creuses
HC i.e. hors pointe du soir, soit d’une puissance lissée horairement pour le scénario S3a
soit d’une puissance journalière constante pour le scénario S3b. Chaque plateau est pré-
cédé/suivi d’une rampe de montée en charge d’une heure.
4.3.1.1 Scénario S3a
Le scénario S3a est un service H24 combinant le lissage horaire non garanti durant HC
= hors HP = [0h-17h[ ∪ ]23h-24h[ et la fourniture d’une puissance garantie durant HP =
[18h-22h] :
S3a ≡ S1a(HC) + S2b2(HP) (4.7)
Ce scénario permet d’obtenir des solutions viables pour les trois sources, de surcroı̂t avec
une garantie HP en pointe du soir d’une durée (4h) doublée par rapport aux scénarios
S2b2 et S2c (2h). La figure 4.11a donne le nombre de solutions viables en fonction de
l’annonce de puissance garantie en pointe PG (HP), pour une tolérance sur la puissance
fournie fixée à 25%. Dans la recherche de solutions, le niveau de puissance coef prev durant

Eolien Eolien
Houle Houle
PV PV

Puissance injectée sur le réseau (kW/MWc)

Nombre de Solutions viables

Puissance garantie pointe du soir PG (HP) Puissance garantie pointe du soir PG (HP)
(a) Solutions viables. (b) Puissance moyenne [18h-22h] injectée sur le

réseau (maximale viable).
Figure 4.11 – scénario S3a : puissance garantie HP = [18h-22h].
HC varie de 50%, soit un engagement égal à la moitié de la prévision, à 130%. En terme

de puissance injectée en pointe (HP), l’idéal serait d’avoir un stockage plein tous les jours
à 17h. Par exemple, pour le PV où la production est quasi nulle durant les 4 heures de
pointe (18h-22h), le cinquième de la capacité SSE disponible est un maximum théorique
de la puissance garantie réellement injectée 6 .
Les niveaux de puissance HP viables les plus élevés sont obtenus avec le PV. La figure
4.11b montre qu’une annonce de PG = 360 kW/MWc peut conduire, avec un niveau de
puissance HC coef prev = 50% et une capacité SSE S ∗ = 1955 kWh pour 1 MWc de
PV, à une puissance moyenne réellement injectée durant HP de 272 kW. En effet, dans le
cas solaire, le service de lissage horaire correspond finalement à un scénario restreint de
6. PGmax (HP) = 2000 × 0, 9 × 0, 85/5 soit 306 kW/MWc si SOCmin/max = 10/95% et 4h plus deux
rampes 17h-18h, 22h-23h de scénario “pointe HP garantie”, avec un rendement SSE en décharge de 90%.
jour puisque l’annonce de nuit est égale à la prévision nulle. Or dans cet intervalle diurne,
grosso-modo 6h-18h/19h en hiver/été austral, la production est conséquente sur le site
considéré (Saint-Pierre) avec plus de 360 kW/MWc en moyenne soit un facteur de charge
= 36%.
Au-delà d’une annonce de 260 kW/MWc soit une moyenne injectée HP de moins de
200 kW/MWc, aucune solution viable n’a été trouvée pour l’éolien et la houle.
4.3.1.2 Scénario S3b
Le scénario S3b est un service H24 combinant la puissance constante journalière - non
garantie - pendant les heures dites creuses HC = hors HP = [0h-17h[ ∪ ]23h-24h[ et la
fourniture d’une puissance garantie durant HP=[18h-22h].
S3b ≡ S1b(HC) + S2b2(HP) (4.8)
La figure 4.12 donne, comme dans le cas du lissage horaire, le nombre de solutions viables
en fonction du niveau de puissance pointe (HP) garantie PG,HP , à tolérance fixée à 25%.
Aucune solution viable n’est obtenue en PV. Cela s’explique par le fait déjà constaté
dans le scénario garanti S2a que cette source ne produisant que le jour n’est pas adaptée
à des scénarios H24. Les puissances HP viables les plus élevés sont obtenues avec la
houle pour une annonce de 260 kW/MWc, un niveau de puissance coef prev ∗ = 50% sur
HC et une capacité SSE S ∗ = 1010 kWh/MWc correspondant à une puissance moyenne
viable, réellement injectée durant HP, de 194 kW/MWc. Au-delà d’une annonce de 260
kW/MWc, aucune solution viable n’a été trouvée pour les trois sources.

Eolien Eolien
Houle Houle
PV PV

Puissance injectée sur le réseau (kW/MWc)

Nombre de solutions viables

Puissance garantie annoncée sur [18h-22h] (kW/MWc) Puissance garantie annoncée sur [18h-22h] (kW/MWc)
(a) Solutions viables. (b) Puissance moyenne [18h-22h] injectée sur

le réseau (maximum viable).
Figure 4.12 – scénario S3b : puissance garantie 18h-22h.
Les meilleures performances ainsi que les sorties (capacité, puissance/énergies...) asso-
ciées , pour chacun des scénarios et selon le critère retenu, sont récapitulés dans l’annexe
C.1.
D’une manière générale, plus l’annonce HC est faible plus le stockage est plein à 17h
et meilleures sont la fiabilité et la productivité en pointe mais en contrepartie moins il
y a d’énergie injectée globalement et, par conséquent, moins les solutions sont viables. Il
s’agit donc pour le producteur d’effectuer un compromis qui dépendra non seulement des
sources, du site et des technologies utilisées (SSE, en particulier) mais aussi du contrat
signé avec le gestionnaire de réseau.
4.3.2 Optimisation des créneaux horaires
4.3.2.1 Scénario S3d
Ce scénario correspond à une optimisation du scénario S2b portant sur le créneau

horaire i.e. S3d ≡ S2b*. La puissance est garantie pendant un créneau H=[H1 ;H2]h,
avec H1 ∈ 1, 18 et H2 ∈ H1 + 3, H1 + 23 (rampes comprises), soit 207 créneaux et
scénarios de fourniture de puissance à comparer selon les critères de rentabilité, fiabilité,
productivité ou d’efficacité. La figure 4.13 regroupe les solutions viables ainsi que les
indicateurs associés (capacité, puissance/énergie injectée) lorsque la puissance garantie
varie de 60 à 500 par pas de 40 kW (temps de calcul de 23678 sec. pour le PV).

Nombre Solutions Viables
Eolien
Houle
PV

Kí Kí Kí Kí Kí Kí Kí Kí Kí Kí KíKí
Créneau horaire H1-[H1+3;23h]
(a) Nombre de solutions viables.

Puissance Réseau (kW/MWc)

Eolien
Houle
PV KíK KíK
KíK KíK

Kí Kí Kí Kí Kí Kí Kí Kí Kí KíKíKí
(b) Puissance garantie pointe [18h-22h].
Figure 4.13 – Solutions viables - scénario S3d.


Eolien
Houle
PV

Kí Kí Kí Kí Kí Kí Kí Kí Kí Kí KíKí
(c) Capacités SSE.

Energie conforme (%Eprod )
Eolien
Houle
PV

Kí Kí Kí Kí Kí Kí Kí Kí Kí KíKíKí
(d) Énergies injectées conformes.
Aucune solution viable n’est obtenue en éolien alors que quelques solutions sont pos-
sibles avec la houle. La grande majorité des solutions de couplage EnRI+SSE viables
sont engendrées par la production PV où jusqu’à 475 kW, en moyenne HP, peuvent être
injectés toute l’année, pendant les créneaux 8h-15h, 9h-16h, 10h-17h, 11h-18h.
4.3.2.2 Scénario S3c
Ce scénario correspond à une optimisation du scénario S2c i.e. S3c ≡ S2c* où la
puissance garantie PG est fournie sur deux créneaux HC & HP. Le créneau pointe du soir
HP=18h-22h reste fixe alors que le créneau base HC=[HC1-HC2]h varie avec HC1 ∈ 1, 10
et HC2 ∈ 13, 17 (rampes comprises), soit 50 créneaux et scénarios de fourniture de
puissance à comparer selon les critères de rentabilité, fiabilité, productivité ou d’efficacité.
La figure 4.14 regroupe les solutions viables ainsi que les indicateurs associés (capacité,
puissance/énergie injectée) lorsque la puissance garantie varie de 60 à 300 par pas de 40
kW. Le temps de calcul le plus long correspond à la recherche de solutions PV : 32427 sec
soit environ 9h (PC standard).
Comme dans le cas précédent du créneau unique, aucune solution viable n’est obtenue
en éolien alors que quelques solutions sont possibles avec la houle. La grande majorité des
solutions de couplage EnRI+SSE viables sont là encore engendrées par la production PV.
Avec la source solaire, jusqu’à environ 170 kW, en moyenne HP, peuvent être injectés de
façon technico-économiquement viable, toute l’année, durant la pointe HP et sur les 17
créneaux HC : 6h-17h / 7h-16,17h / 8h-15,16,17h / 9h-13,14,15,16h / 10h-14,15,16,17h /
11h-15,16,17h.

Eolien Eolien
Houle Houle
PV PV

KíK KíK
KíK
KíK

Puissance réseau (garantie HP)

Nb Solutions Viables

íK íK íK íK íK íK íK íKíKíK íK íK íK íK íK íK íK íKíKíK
Créneau horaire (garantie HC) Créneau horaire (garantie HC)
(a) Nombre de solutions viables. (b) Puissance [18h-22h] maximale (viable).
Figure 4.14 – Dimensionnement SSE - scénario S3c (puissance garantie HC & HP=18h-
22h).
La fourniture d’une puissance garantie reste donc difficile même sur des créneaux opti-
misés, notamment pour l’éolien et, dans une moindre mesure, la houle. Par contre, le fait
de restreindre le scénario PV sur des horaires diurnes adaptés, du type 8 ou 9h à 14 ou
15h, permet d’envisager des investissements EnRI+SSE viables pour la fourniture d’une
puissance garantie également en pointe du soir.
Le tableau A.2 de l’annexe C récapitule, pour chacun des scénarios et selon le critère
retenu, les meilleures performances ainsi que les sorties (capacité, puissance/énergies...)
associées parmi les solutions soit viables pour le PV et la houle soit faisables dans le cas
de l’éolien.
4.3.3 Hybridation des sources
L’hybridation ou mix des sources EnRI consiste à faire varier la part de puissance de
chacune sources hybridées : Éolien + Houle, PV + Houle, Éolien + PV. La puissance
totale est toujours normalisée à Pinst = 1 MWc, d’où les puissances
Pprod/prev = aPprod/prev,Eolien + bPprod/prev,Houle + cPprod/prev,P V . (4.9)
où a, b, c sont des réels compris entre 0 et 1 dont la somme vaut 1.

Une grande efficacité de l’hybridation est obtenue avec une baisse rapide, dès 20%
d’hybridation, de la capacité minimale requise pour les scénarios non garantis (figure
4.15) ou garantis (figure 4.16). Par exemple, dans le cadre du lissage horaire (scénario
S1a), chacune des deux sources - éolien et houle - nécessite, seule, plus de 900 kWh/MWc
afin de satisfaire le scénario alors qu’ensemble - 20% houle et 80% éolien - cette capacité
requise est divisée par 9 (près de 100 kWh).

S* (kWh/MWc)
S* (kWh/MWc)

Part Houle Part PV
(a) Mix Éolien+Houle. (b) Mix PV+Houle.

6D39í(ROLHQ

S* (kWh/MWc)

Part PV
(c) Mix Éolien+PV.
Figure 4.15 – Hybridation des sources - scénario S1a (lissage horaire).
Pour le scénario garanti S2a, l’amélioration est encore plus tangible car l’hybridation
permet d’obtenir des capacités faisables (figure 4.16), ce qui était impossible avec l’éolien
ou la houle seuls.
Cette très bonne efficacité de l’hybridation est également confirmée dans les scénarios
restreints S2b de la figure 4.16.
En conclusion, le foisonnement des sources permet de diminuer la capacité d’un fac-
teur 2 voire bien plus rendant possible un retour sur investissement et une rentabilité à
long terme de l’installation EnRI+SSE. Ces observations plaident pour un SSE centra-
lisé qui agrègerait plusieurs sources, soit au niveau du gestionnaire même soit dans le
cadre d’un micro-réseau (quartier, campus, zone d’activité...). Pour autant, ces résultats
sont à prendre avec prudence puisque, sur un site multi-sources réel, les données (vent et
ensoleillement par exemple) seraient plus corrélées. Seul le cas PV+Houle peut, en l’oc-
currence, être considéré comme se rapprochant d’un site unique (Saint-Pierre). L’analyse
de l’hybridation nécessite donc une étude plus complète avec des données provenant d’un
même site, sur les mêmes intervalles temporels.

S* (kWh/MWc)

S* (kWh/MWc)

Part Houle Part PV
(a) Mix Éolien+Houle, (b) Mix Houle+PV,

S2a - Lissage horaire. S2a - Lissage horaire.

S* (kWh/MWc)

S* (kWh/MWc)

Part PV Part PV
(c) Mix Éolien+PV, (d) Mix Éolien+PV,

S2a - Lissage horaire. S2b1 - Puissance garantie 9h-17h.

S* (kWh/MWc)
S* (kWh/MWc)

Part PV Part PV
(e) Mix Éolien+PV, (f) Mix Éolien+PV,

S2b2 - Puissance garantie 19h-21h. S2c - Puissance garantie 9h-17h/19h-21h.
Figure 4.16 – Hybridation des sources - scénarios S2 (PG =100 kW garantis).

4.4. ANALYSE DE SENSIBILITÉ 167
4.4 Analyse de sensibilité
4.4.1 Analyse de sensibilité globale
L’analyse de sensibilité (AS) est définie dans [Saltelli, 2000] par “l’étude de la manière
dont les réponses d’un modèle (numérique ou autre) peuvent être reliées, qualitativement
ou quantitativement, à différentes sources de variation et comment ce modèle dépend des
informations qui y sont introduites”. L’objectif de cette partie est, pour chaque réponse
(sortie) du modèle, de déterminer les variables d’entrée les plus influentes puis d’évaluer
la pertinence d’une approximation linéaire permettant de prédire, pour certaines valeurs
d’entrée, la réponse du modèle.
4.4.1.1 Méthodes
Dans cette partie, sont présentées succintement les méthodes d’AS utilisées, basées sur
la variance : FAST, EFAST, FAST-RBD et la régression linéaire. Pour une revue plus
complète, le lecteur pourra se référer à [Saltelli, 2006] et [Iooss, 2011].
On suppose que l’on a p variables, n échantillons et le modèle représenté par une
fonction à valeurs réelles
Y = f (X1 , ..., Xp ). (4.10)
Un n-échantillon (xki )k=1,n de réalisations de la variable aléatoire Xi peut être alors obtenu
par
xki = X i + (Xmaxi − Xmini ) · arcsin(sin(ωi sk ))/π (4.11)
avec sk = 2kπn
et X i , Xmini et Xmaxi moyenne, borne inf. et sup. de Xi . La part de
la variance de Xi dans la variance totale appelée par Sobol [Sobol, 1993] “Indice de
sensibilité 1er ordre Si ” relatif à la variable i est approchée dans la méthode FAST
(Fourier Amplitude Sensitivity Test [Cukier et al., 1973]) par
+∞ n
V = V AR(Y ) = 2 |Fk | ≈ V̂ = 2
2
|Fˆk |2 (4.12)
k=1 k=1
M
Vi = V ARXi (E(Y |Xi )) ≈ V̂i = 2 |F̂nωi |2 , i = 1, ..., p (4.13)
n=1
V̂i
SiF AST = (4.14)
V̂
où M est le nombre d’harmoniques considérées dans le calcul du spectre de la transformée
de Fourier, ordre de la quadrature intégrale ≤ 6 en général, et Fˆk est l’approximation
d’ordre M du kième coefficient de la transformée de Fourier de f pour k = 0, ..., n, obtenue
à partir des n réalisations de Y.
Si est une mesure de l’influence de l’entrée (variable) Xi sur la sortie (réponse) y et
est appelée effet principal car uniquement dû à cette variable, par exemple X1 + X12 .
La somme des indices partiels (ordres 1 à p) vaut 1. Plus la somme des indices de 1er
ordre se rapproche de 1 et plus le modèle peut être considéré comme additif, par exemple
1 + 2X1 + X2 , et l’influence des relations entre variables, par exemple X1 · X2 , négligeables

sur la sortie. Dans le cas contraire il faut calculer les 2p − 1 indices partiels ou à défaut la
somme relative à chaque entrée, appelée ”indice de sensibilité totale” STi qui permet
de prendre en compte l’ensemble des interactions de la variable Xi avec toutes les autres.
Par exemple, dans le cas de 3 variables Xi ,Xj ,Xk l’effet total relatif à la variable i est
donné par STi = Si + Sij + Sik . La méthode proposée par Sobol’ [Sobol, 1993] pour le
calcul des indices est basée sur un tirage aléatoire aléatoire de type Monte-Carlo. L’effet
total relatif à la variable i STi peut cependant être calculé sans calculer tous les indices
partiels via la formule
STi = 1 − V∼i /V (4.15)
où V∼i = V (E[Y |X∼i ]) est la variance de l’espérance de Y conditionnellement à toutes
les variables sauf i. Cette formule a été utilisée par Saltelli pour une approximation des
indices totaux dans la présentation de la méthode EFAST [Saltelli et al., 1999].
Le coût de la méthode de Sobol pour estimer les indices de 1er ordre et totaux est de
n × (2p + 1) et son taux de convergence relativement faible en O(n− 2 ). Le coût de calcul,
1
nombre d’évaluations de la fonction f des méthodes FAST et EFAST est de l’ordre de

n × p. Ce coût est prohibitif pour des modèles avec de nombreuses variables ou des fonc-
tions longues à évaluer, dans le cas d’équations différentielles par exemple. Une nouvelle
méthode appelée FAST-RBD [Tarantola et al., 2006] combinant FAST à une méthode
de permutation des variables - Random Balance Design - a été introduite et permet de
réduire à n le nombre d’évaluations requises de f . Elle consiste en une permutation aléa-
toire des échantillons Xi (sik ) où (sik )k=1,...,n est la ième permutation de (sk ). qui permet
d’éviter de nouvelles évaluations. Enfin, une extension de FAST-RBD [Mara, 2009] permet
de réduire le coût minimal de calcul des indices totaux de 4M 2 × (p − 1) pour EFAST à
2M × p + 200.
4.4.1.2 Modèle
Nous retenons 12 variables techniques et 7 variables économiques dont les valeurs

moyennes sont indiquées dans la table 4.2. La valeur moyenne est issue de considéra-
tions commerciales ou physiques et sert de référence pour les comparaisons. Cette valeur
est appelée “valeur de base” de la variable.
Les variables SOCmin et SOCmax d’état de charge minimal, maximal autorisés n’ont pas
été retenues pour l’analyse de sensibilité et fixés à 0 et 100% respectivement car ces entrées
reviennent à modifier la capacité. En effet, un stockage d’une capacité S = 1000 kWh
avec des seuils Socmin,max =10,95% se comporte exactement, du point de vue de la charge
adaptative, comme un stockage d’une capacité S = 850 kWh avec SOCmin,max =0,100%.
Le tarif de revente sans stockage a été fixé à 100 e/MWh, proche du tarif d’obligation
d’achat de l’éolien (114,3). En effet, cette valeur est posée arbitrairement comme référence
pour le calcul du tarif de revente avec stockage. Il n’y a donc aucun sens à la faire varier.
Les cinq dernières variables techniques sont complètement indépendantes (entre elles et
des autres) puisque choisies indépendamment par l’utilisateur (producteur/gestionnaire).
Cependant, en ce qui concerne les trois premières variables, il est certain qu’il sera dif-
ficile de trouver sur le marché un stockage d’une capacité de 2900, resp. 100, kWh avec
Table 4.2 – Bornes des variables d’entrée du modèle CA retenues pour l’AS.
i Variable d’entrée Xi Description Ximin Xi Ximax Observations
Variables techniques
1 Pc Puissance max. de charge [kW] 100 500 900 Basée sur l’offre Li-Ion SAFT Insperion 1MW
2 Pd Puissance max. de décharge [kW] 100 500 900 Basée sur l’offre Li-Ion SAFT Insperion 1MW
3 S Taille de stockage [kWh] 100 1500 2900 Basée sur l’investissement acceptable
4 SOC0 Etat de charge initial [%S] 0 50 100 Plage maximale possible
5 dodmax Profondeur de décharge maximale [%S] 20 60 100 Moyenne basée sur l’offre SAFT
6 ηc Rendement en charge du stockage [%u] 40 70 100 Plage couvrant l’ensemble des moyens de stockage considérés
7 ηd Rendement en décharge du stockage [%u] 40 70 100 Plage couvrant l’ensemble des moyens de stockage considérés
8 seuilC Seuil de charge adaptative [%S] 0 25 50 seuilC + seuilD ≤ 100%
9 seuilD Seuil de décharge adaptative [%S] 0 25 50 seuilC + seuilD ≤ 100%
10 tol tolérance sur la fourniture de puissance [%P out ] 0 25 50 Obtenue par comparaison des simulations (cf article 2) + AO CRE parus
11 coef prev Part de la prévision annoncée (scénarios S1) [u] 0,7 1 1,3 ± 30% autour de la moyenne
12 alpha Facteur sur la qualité de la prévision [u] 0,7 1 1,3 ± 30% autour de la moyenne = Prévision réelle
Variables économiques
1,5 2 2,5 Éolien, coût moyen ± 50%
13 inv Investissement (Me/MWc)
2 4 6 PV/Houle, coût moyen ± 50%
14 om Maintenancec annuelle (%inv) 5 10 15 Fixée indépendemment de l’investissement
15 cS Coût de stockage (e/kWh) 500 750 1000 Projet PV+Li-Ion Réunion 600 e/MWh
16 dvS Durée de vie du stockage (année) 10 20 30 Li-Ion 1MWh SAFT 20 ans
17 txa Taux d’actualisation annuel (%) 5 10 15 ±50% autour de la moyenne.
18 txi Taux d’inflation (%) 0.5 2 3.5 Moyenne européenne des 10 dernières années [Eurostat]
19 tax Taxe sur les revenus 10 20 30 Impôt prélevé par l’Etat
seulement 100, resp. 900, kW de puissance même si cela est physiquement envisageable.
Malgré tout, il est important d’étudier l’influence des variables techniques sur des plages
suffisamment larges pour couvrir l’ensemble des cas admissibles.
D’une manière générale, l’exposant ∗ et le terme “optimal” indiquent que la sortie est
issue d’un processus d’optimisation (simulations itératives du modèle de charge adapta-
tive) aboutissant au respect du service. Le tarif de revente optimal F IT ∗ est celui qui
permet, dans le respect du service, un retour sur investissement - valeur ajoutée positive
- dans le stockage à 20 ans. Dans le cadre du dimensionnement où l’on cherche à calculer
la taille optimale du stockage, celle-ci n’est plus une variable d’entrée mais une sortie S ∗ ,
capacité minimale permettant de respecter le service i.e. avec un taux de défauts
DT R ≤ DT Rmax = 5% ≡ Respect du service (Fiabilité). (4.16)
Les coûts de maintenance opérationnelle ont été pris égaux pour le stockage et l’installa-
tion. L’intervalle 5-15% est doublé par rapport à ce qui se fait dans des réseaux connectés
continentaux. Cette approximation globale ne détaille pas les coûts de fonctionnement sui-
vant le type d’installation (qui comporte une part fixe non dépendante de l’investissement)
mais reste, en général, proche de la réalité.
D’autres variables de sortie (résultat) technique secondaires n’ont pas été retenues en
première approche : SOC, σSOC valeur moyenne et écart-type de l’état de charge du
stockage (%S), ainsi que SOCuse = temps de d’utilisation du stockage (%année). Ce ne
sont pas des critères principaux d’optimisation mais peuvent apporter des informations
sur la manière dont le stockage est utilisé.
Les revenus engendrés par la production avec stockage n’ont pas été retenus car direc-
tement proportionnels à l’énergie injectée dans le respect du scénario. Il nous a paru plus
intéressant d’obtenir un tarif de revente cohérent que de le fixer pour étudier un temps
hypothétique de retour sur investissement.
Table 4.3 – Bornes des variables de sortie du modèle CA retenues pour l’AS.
j Sortie Yj Description Observations

Sorties techniques
1 DT R Taux annuel de défaut (%) Fiabilité
2 Egrid,Serv Énergie conforme injectée (%Eprod ) Productivité
3 Elost Énergie perdue (%Eprod ) Efficacité
4 Elack Énergie manquante
Sorties technico-économiques (dimensionnement optimal)
1 S∗ Capacité minimale permettant de respecter le scénario (DT R ≤ 5%) Faisable si ≤ 2 MWh/MWc
∗ ∗
2 Egrid,Serv Énergie conforme injectée associée à l’optimum S Scénario respecté
∗
3 Elost Énergie perdue associée à S ∗
∗
4 Elack Énergie manquante associée à S ∗
∗
5 F IT Prix de revente minimal requis pour une profitabilité du SSE à 20 ans Viable si <400(e/MWh)
En effet, en l’état actuel du marché, des temps de retour de plus de 50 ans sont impra-
ticables alors que des tarifs supérieurs à 500 e/MWh sont utopiques.
Les variables technico-économiques X sont considérées suivant une probabilité uniforme
sur [Xmin ; Xmax ] car aucune information n’est privilégiée à priori sur le choix du système
de stockage (modèle dit non paramétrique).
Il est à noter que le modèle comporte deux données d’entrée importantes, non consi-
dérées comme variable, dépendantes de chaque source d’EnRI sur chaque site/année : la
production de la centrale Pprod et la prévision à J-1 Pprev . L’influence de la qualité de
prévision est analysée sous 2 formes : le niveau de puissance annoncé (variable coef prev)
et le degré de précision de la prévision (variable alpha) qui permet de faire varier l’erreur
et, par suite, la qualité de la prévision. C’est cette erreur, fonction et de la production
et de la prévision, qui devra être compensée, au mieux, par le stockage via le modèle de
charge adaptative implémenté.
Le modèle - fonction sorties=f (entrées) - de charge/décharge avec stratégies d’optimi-
sation locale appelé “charge adaptative” (CA) est décrit dans le chapitre 3. Les résultats
technico-économiques : la capacité optimale S ∗ , l’énergie injectée Egrid,Serv
∗ ∗
et perdue Elost
et le tarif de revente pour un retour sur investissement dans le SSE de 20 ans F IT ∗ sont
tirés de simulations itératives du modèle par la méthode de dichotomie, les défauts étant
une fonction décroissante de la capacité de stockage (postulat vérifié à postériori).
Les résultats sont présentés pour le scénario S1 en éolien. Dans le cas du scénario
S2 (puissance annuelle garantie) il n’y pas de facteur alpha sur la qualité de prévision
car l’annonce n’est en général pas faite à partir de la prévision de l’année à venir mais
plutôt fondée sur des données historiques (production moyenne antérieure ou sur un site
comparable par exemple).
Un des intérêts du modèle de charge adaptative (CA) est son faible coût de calcul.
Le calcul technique (défauts, énergies, fonctionnement du stockage pour une taille fixée)
sur une année (52560 points 10 min) est réalisé en moyenne en 1,2 seconde sur un PC
i7-3,2GHz-16GoRam. Cet avantage autorise alors pour l’analyse des échantillons de taille
significative, jusqu’à 2048 par paramètre, ce qui réduit les erreurs d’analyse.
4.4.1.3 Sensibilité technique
Nous analysons dans cette section l’influence des variables techniques sur les résultats
techniques (scénario S1a). Les figures 4.17 résument, pour les trois sources, les effets
principaux de chaque variable, obtenus par la méthode FAST-RBD.

DT R
Egrid,S1a
Elost
Elack

3F 3G 6 VRF GRGPD[ 5F 5G VHXLO& VHXLO' DOSKD WRO FRHISUHY
(a) Analyse de sensibilité technique - Éolien.

DT R
Egrid,S1a

Elost
Elack

3F 3G 6 VRF GRGPD[ 5F 5G VHXLO& VHXLO' DOSKD WRO FRHISUHY
(b) Analyse de sensibilité technique - Houle.

DT R
Egrid,S1a
Elost
Elack

3F 3G 6 62& GRGPD[ 5F 5G VHXLO& VHXLO' DOSKD WRO FRHISUHY
(c) Analyse de sensibilité technique - PV.
Figure 4.17 – Analyse de sensibilité technique du modèle CA.
où Pc/Pd signifient les puissances maximales Pcharge/decharge,max et Rc/Rd le rendement

ηcharge/decharge en charge/décharge du SSE.

Les trois variables - niveau de puissance annoncé, tolérance sur la fourniture d’énergie
et qualité de la prévision - représentent plus de 80% de l’influence totale sur les défauts et
les énergies perdues et manquantes et près de 70% pour l’énergie injectée dans le respect
du service. Les entrées coef prev et tol forment plus de la moitié de l’influence totale. Il
en sera de même pour les résultats technico-économiques.
Il est notable que la taille de stockage soit moins influente sur la productivité et la
fiabilité que les rendements. Ceci entraine, dans une certaine mesure, qu’il vaut mieux
améliorer l’efficacité, particulièrement en décharge, que d’augmenter la taille du stockage.
Ce fait peut s’expliquer, en partie, par la charge adaptative qui cherche à laisser au
maximum le stockage plein pour mieux palier les séries de défauts. Dans cette stratégie, un
stockage de 1 ou de 2 MWh sera plein dès les premiers temps de forte production et l’on se
retrouvera assez vite dans une configuration similaire, même avec un peu moins de défauts
compensés. D’autre part, c’est bien le rendement en décharge qui est important dans la
compensation d’un écart lorsque le stockage n’est pas encore vide. C’est pourquoi celui-ci
est particulièrement influent dans l’énergie injectée dans le respect du service EgridS1 . Le
niveau de puissance coef prev n’est d’ailleurs pas aussi influent pour cette sortie que pour
les trois autres puisqu’il ne suffit pas d’augmenter l’annonce pour directement accroı̂tre
l’énergie revendue. Plus le niveau annoncé est élevé et plus il y aura de défauts, ce qui
aura effectivement tendance à limiter l’énergie injectée dans le respect du service.
4.4.1.4 Sensibilité technico-économique
La figure 4.18 montre l’influence globale des variables d’entrée technico-économiques,

autour des valeurs de base, sur les résultats technico-économiques (capacité et tarif de
revente optimaux) pour le scénario S1a. Le sensibilité locale en fonction de la tolérance et
des niveaux de puissances fait l’objet d’une étude spécifique [Bridier et al., 2016]. Notons
que les critères économiques de durée de vie ou le coût du stockage sont liés au type de
stockage et, par suite, à ses caractéristiques techniques. L’hypothèse d’indépendance se
justifie malgré tout puisque l’on ne fixe pas a priori de type de stockage.
Afin de limiter les coûts de calcul, les données horaires (moyennes horaires de produc-
tion, N = 8760) ont été utilisées, ce qui change peu les résultats techniques donc peu
les indices techniques (écarts relatifs < 10% pour les paramètres influents) et ne modifie
pas l’ordre d’influence. Le dimensionnement i.e. l’obtention de la capacité optimale ainsi
que des énergies et tarifs qui en découlent requiert ainsi environ 2 secondes au lieu de 15
secondes de calcul avec des points 10 min., soit 8h au lieu de 2,5j pour l’AS de chaque
source. Les valeurs complètes sont données dans l’annexe D.
Les variables techniques les plus influentes sur les défauts - tolérance, niveau de puis-
sance et qualité de prévision - le sont également sur la capacité optimale et représentent
encore plus de la moitié de l’influence totale de toutes les entrées sur chaque sortie. En effet,
la part de défauts est le critère principal d’optimisation du modèle de charge adaptative
puisque le dimensionnement est la capacité minimale du stockage qui permet précisément
de respecter le service i.e. le seuil maximal de défauts d’injection réseau. C’est pourquoi
la figure 4.18 ne présente plus l’influence majeure des trois variables coef prev, tol et α.

S ∗∗
Egrid
∗
Elost
∗
Elack
Indice de sensibilité
F IT ∗ ∗
Sto.use ∗
SocMoy

3F 3G GRGPD[ 5F 5F VHXLO& VHXLO' F,QY F6WR RP G9LH6WR LQIO DFW WD[H5HY
(a) Analyse de sensibilité technico-économique - Éolien.

S ∗∗
Egrid
∗
Elost
∗
Elack
F IT ∗ ∗
Sto.use ∗
SocMoy

3F 3G GRGPD[ 5F 5G VHXLO& VHXLO' F,QY F6WR RP G9LH6WR LQIO DFW WD[H5HY
(b) Analyse de sensibilité technico-économique - Houle.

S ∗∗
Egrid
∗
Elost
∗
Elack
F IT ∗ ∗
Sto.use ∗
SocMoy

3F 3G GRGPD[ 5F 5G VHXLO& VHXLO' F,QY F6WRFN RP '9LH6WR ,QIO $FW 7D[H5HY
(c) Analyse de sensibilité technico-économique - PV.
Figure 4.18 – Analyse de sensibilité du modèle de dimensionnement technico-économique

par la méthode FAST-RBD.
Nous constatons globalement la même répartition des influences sur la capacité et

les énergies optimales que sur le DT R à savoir d’abord la qualité de prévision puis les
rendements du stockage et enfin le seuil de décharge adaptative. En ce qui concerne le
tarif optimal de revente, les variables économiques les plus influentes, après ces entrées
techniques précitées, sont le coût du stockage puis le taux d’actualisation et enfin sa durée
de vie.
4.4.1.5 Régression linéaire
Dans cette section on analyse le caractère linéaire du modèle technico-économique de

charge adaptative, c’est-à-dire dans quelle mesure une sortie Y peut-elle se mettre sous la
forme matricielle :
Ŷ = X β̂. (4.17)
Le chapeau indique une variable calculée par la régression et X est la matrice des échan-
tillons d’entrée, de dimension N × (p + 1), ayant ’1’ en première colonne (régression avec
constante β0 ). La qualité de la régression linéaire est donnée par le coefficient de détermi-
nation, fraction de la variance totale expliquée par la régression :
SCE SCR
R2 = = 1− , (4.18)
SCT SCT
N N N
avec SCE = (ŷi − y) , SCR =
2
(yi − ŷi ) et SCT =
2
(yi − y)2 .
i=1 i=1 i=1
Il n’est pas nécessaire, dans notre cas, d’ajuster le coefficient de détermination par les
degrés de liberté puisque N p et que l’on compare les sorties d’un même modèle.
Les sorties candidates à une approximation linéaire significative ne peuvent avoir une
somme d’indices de premier ordre que très proches de 1, ce qui exclut, par exemple, les
sorties S ∗ (83,8%) et F IT ∗ (80,4%). Ceci est confirmé par les coefficients de détermination
R2 de la table 4.4 relatif au service S1a.
Table 4.4 – Coefficients de détermination linéaire.
8 entrées Éolien Houle Solaire PV

2 2 2
4 sorties techniques R erreur (RMSE) R erreur (RMSE) R erreur (RMSE)
DT R 0,835 3,65 0,86 2,98 0,787 4,33
Egrid,S1a 0,733 3,71 0,85 2,74 0,466 7,01
Elost 0,894 2,36 0,917 1,76 0,767 3,21
Elack 0,855 3,79 0,888 3,89 0,843 4,93
14 entrées Éolien Houle PV
5 sorties technico-éco. R2 erreur (RMSE) R2 erreur (RMSE) R2 erreur (RMSE)
∗
S 0,838 0,39 0,821 0,385 0,471 0,39
∗
Egrid,S1a 0,962 0,3 0,985 0,176 0,952 0,287
∗
Elost 0,958 0,34 0,886 0,443 0,934 0,472
∗
Elack 0,817 0,121 0,43 0,172 0,779 0,342
∗
F IT 0,804 68,6 0,797 116 0,499 73,5
Seules la sortie technique de l’énergie perdue, dans le cas de l’éolien et de la houle,

peut être relativement bien représentée par un modèle linéaire. En ce qui concerne le
dimensionnement optimal, les énergies injectées et perdues présentent également cette
linéarité par rapport aux entrées technico-économiques. Les coefficients de régression β
calculés par principe de vraisemblance maximale [Chatterjee and Hadi, 1986] donnent par
exemple en éolien :
∗
Egrid,S1a ≈ 70, 3% + 9(ηcharge + ηdecharge ) + 3, 5seuilC + 0, 7seuilD (4.19)
où les variables les plus influentes ont été fixées : coef prev=1, tol=25% et α = 1.
Il faut bien entendu garder à l’esprit que ces résultats ne sont valables que dans les
plages d’incertitude considérées, relativement au modèle de charge adaptative et compte-
tenu que chaque valeur de sortie technico-économique est obtenue pour des tailles opti-
males différentes. Dans ces conditions, il n’est donc pas étonnant d’obtenir des formules
mathématiques de régression linéaire sans que cela ait une portée physique réellement
générale. Pour autant, ces formules peuvent donner, sous les hypothèses de validité, une
assez bonne prédiction linéaire de certaines réponses du modèle - énergie conforme injectée
et énergie perdue associées à l’optimum - en fournissant notamment le poids de chaque
entrée ainsi que le sens de variation.
4.4.2 Impact de la qualité de prévision
4.4.2.1 Comparaison Persistance et Modèle ECMWF (PV)
Dans cette partie, l’impact de la qualité de prévision est évalué pour le scénario S1a et
l’énergie solaire (PV). Les données ont été mesurées à Saint-Pierre en 2013 avec un pas de
temps d’une heure. Le tableau 4.5 donne l’erreur moyenne absolue des quatre prévisions
considérées :
1. Persistance : la prévision du jour est égale à la production de la veille.
2. ECMWF1 : données issues du centre européen de prévisions ;
3. ECMWF2 : ECMWF post-traité avec le modèle MOS 7 proposé par [Lorenz et al.,
2009] ;
4. ECMWF3 : ECMWF post-traité avec le modèle neuronal proposé par [Lauret et al.,
2016]
Table 4.5 – Qualité des prévisions PV.
Modèle Moyenne (kW) MAE (kW) MAEnorm

Persistance 190,05 44,81 44,81
ECMWF1 182,40 39,98 38,03
ECMWF2 191,19 38,98 39,26
ECMWF3 191,80 38,11 38,65
MAEnorm est l’erreur absolue moyenne obtenue en “normalisant” la moyenne annuelle

P
norm
de prévision à celle de la production i.e. Pprev,k = Pprev,k · P prod
prev
k = 0, ..., 3 , ce qui
7. Model Ouput statistics ou MOS : méthode de régression linéaire multiple.

revient à comparer des prévisions d’erreur moyenne nulle. C’est le cas de la persistance
Pprev,0 qui reste inchangée. En effet, il nous a paru judicieux de comparer l’influence sur le
dimensionnement de prévisions ayant, en moyenne, le même niveau de puissance. D’une
part, la comparaison est faite avec la persistance dont l’erreur moyenne est nulle. D’autre
part, si la moyenne de prévision représentant l’engagement annoncé dans les scénarios S1
et S3 est plus grande, il y a de fortes chances - même si rien n’est automatique - que
l’énergie injectée avec stockage le soit aussi et ce même si la qualité est - légèrement -
meilleure ou moins bonne. Cet effet ’parasite’ « + annoncé =⇒ + injecté » est dû à
la stratégie adaptative, notamment (H1) i.e. charge max./décharge min., qui a tendance
à coller la puissance injectée à l’engagement bas Pof f re,min = Pof f re − tol. Une annonce
augmentée entraı̂ne alors, dans une certaine mesure (à qualité de prévision comparable),
une hausse de l’injection réseau, à tolérance égale mais avec une hausse de la capacité
requise (graphiques 4.19a et 4.19b).

Persistence Persistence
ECMWF1 ECMWF1
ECMWF2 ECMWF2
ECMWF3 ECMWF3

Capacité SSE requise(kWh/MWc)

(a) Capacité SSE optimale (b) Capacité SSE optimale

(prévision non normalisée). (prévision normalisée).

Persistence Persistence
ECMWF1 ECMWF1
ECMWF2
ECMWF3 ECMWF2
ECMWF3

EinjServ (%Eprod )

FIT (euros/MWh)

(c) Tarif de retour sur investissement (d) Énergie injectée conforme

(prévision normalisée). (prévision normalisée).
Figure 4.19 – Impact de la qualité de la prévision PV : ECMWF et persistance.
La normalisation change peu le dimensionnement mais l’ordre MAEnorm (Persistance

≺ ECMWF2 ≺ ECMWF3 ≺ ECMWF1) est maintenant respecté. La configuration ayant
la meilleure, resp. la moins bonne, qualité de prévision requiert le moins, resp. le plus,
de capacité de sockage (figure 4.19b). Il en va de même pour le tarif de revente dans la
figure 4.19c. L’effet “parasite”, dû aux différents niveaux moyens de puissance annoncée
(=prévision) avec la charge adaptative, étant enlevé, nous pouvons conclure sur le site et
avec les paramètres de base, qu’il est possible de recourir à moins de capacité de stockage,
pour un tarif de revente plus bas, avec une meilleure prévision.
En ce qui concerne l’énergie injectée conforme (ou perdue), la conclusion ne change
pas entre données normalisées ou non. Après normalisation on obtient encore une énergie
injectée maximale obtenue avec ECMWF2, très proche de ECMWF3. Mais ECMWF1
s’est rapproché.
En conclusion, la variation, particulièrement la dégradation, de la qualité de prévi-
sion initiale, entraı̂ne une variation importante du dimensionnement, en particulier une
forte hausse. Nous avons vérifié que l’équation MAE plus faible/forte => Capacité plus
faible/forte n’est pas toujours exacte. Il faut donc prendre garde à la distribution réelle
des erreurs, en particulier lorsque la prévision est supérieure à la production puisque, dans
le cas contraire, le stockage ne permet pas d’augmenter significativement l’énergie injectée
conforme.
4.4.2.2 Impact des variations de l’erreur
L’impact de la qualité de la prévision sur le dimensionnement est présenté dans la figure

4.20. Les variations sont comprises entre -30 et + 30% de la qualité et la tolérance fixée
à 25% de la production moyenne.
Les scénarios considérés sont basés sur la prévision donc non garantis : soit H24 tels
S1a et S1b soit avec un créneau de pointe garanti tels S3a et S3b.
La variation de l’erreur est obtenue par une homothétie - agrandissement/réduction -
de l’erreur initiale d’un facteur strictement positif α. Ainsi l’erreur absolue moyenne est
également multipliée par α. Le nouveau vecteur prévision est alors donné par :
Pprevα = (1 − α)Pprod + αPprev (4.20)
avec Pprevα restreint à l’intervalle [0 ;Pinst ]. 1-α représente la variation de la qualité de

prévision : positive pour l’amélioration et négative pour la dégradation.

Eolien Eolien
Houle
Houle PV
PV


í í í í í í í í í í í í
Variation Qualité Prévision (%) Variation Qualité Prévision (%)
(a) scénario S1a. (b) scénario S1b.

Eolien
Houle
PV Eolien
Houle
PV

í í í í í í í í í í í í
Variation Qualité Prévision (%) Variation Qualité Prévision (%)
(c) scénario S3a. (d) scénario S3b.
Figure 4.20 – Impact de la qualité de la prévision sur le dimensionnement.
Un impact significatif est constaté pour les trois sources EnRI puisque 5% d’améliora-
tion de la qualité de prévision conduit à une baisse de 22,3%, 28,3%, 13,2% de la capacité
SSE et de 12,5%, 17,9%, 4,4% du tarif de revente pour l’éolien, la houle et le PV res-
pectivement. Notons que la dégradation a plus d’influence que l’amélioration. Ainsi, une
diminution de 30% de la qualité de prévision initiale peut entraı̂ner un triplement de la
capacité requise.
4.5 Conclusion
Dans ce chapitre, le dimensionnement sur la base des scénarios initiaux a d’abord été
posé. La méthode heuristique de charge adaptative développée au chapitre 3 a été utilisée
et permet le calcul des tailles optimales ainsi que des énergies/puissances associées. Les
paramètres intrinsèques, appelés paramètres adaptatifs, de la méthode ont été choisis
pour les 3 sources dans un compromis entre les critères de fiabilité et de productivité :
seuilC = 20% et seuilD = 20%. L’adaptation journalière de ces paramètres fondée sur
des prévisions à court terme ainsi que des intervalles de confiance devrait induire des
améliorations significatives sur ces critères d’optimisation et fait partie des perspectives
de ce travail de thèse.
4.5. CONCLUSION 179
Le scénario non garanti S1 de lissage horaire ou journalier (H24) est envisageable avec
l’ensemble des sources dans des conditions technico-économiques viables : capacité infé-
rieure à 2 MWh/MWc et tarif de revente inférieur à 400 e/MWh. La puissance garantie
toute l’année (scénario H24 S2) est plus difficile à satisfaire et, lorsque c’est le cas, les
énergies injectées, resp. perdues, sont faibles, resp. importantes. La rentabilité d’une ins-
tallation EnRI+SSE s’en trouve limitée. Le retour sur investissement à 20 ans dans le
SSE est quasiment impossible à obtenir en PV.
Plusieurs scénarios ont été évalués afin d’augmenter la valeur ajoutée du SSE, améliorer
les services rendus et rendre possible la fourniture d’une puissance garantie au moins
pendant la pointe du soir (S3). Par exemple, restreindre le scénario fourni en PV dans la
journée sur le créneau [9h-16h] pour la fourniture d’une puissance soit garantie (S3c) soit
non garantie, basée sur la prévision (S3a) permet de garder l’énergie pour la pointe du
soir avec un stockage très souvent plein à 17h. Une autre piste a également été explorée :
le foisonnement des sources. Celui-ci conduit à de très bons résultats quelle que soit la
configuration adoptée. Un exemple frappant est celui du mix Houle+Éolien qui permet
de diviser par 10 la taille de stockage requise pour du lissage horaire.
Enfin l’influence des paramètres d’entrée, d’abord de manière globale (analyse de sen-
sibilité) puis l’impact la qualité de la prévision en particulier ont été étudiés. Les résul-
tats indiquent une forte sensibilité des sorties à la variation de la prévision. Pour autant
cet impact est inégal non seulement selon la sortie (taux de défaillance/capacité, puis-
sance/énergies, tarif de revente) considérée mais aussi selon les sources et les scénarios.
Pour les scénarios non garantis basés totalement ou partiellement sur la prévision, la
qualité de cette prévision est un facteur clé du dimensionnement.
Conclusions et Perspectives
Conclusion générale
Un MODÈLE de couplage SSE-EnRI a été élaboré dans le chapitre 2 et permet d’étu-

dier quatre aspects techniques et économiques du couplage :
1. la fiabilité ou capacité du système couplé à satisfaire, avec un taux de défaillance
limité, au scénario d’engagement de puissance la veille pour le lendemain ;
2. la productivité ou la quantité d’énergie conforme, injectée dans le réseau dans le
respect du service contractualisé ;
3. l’efficacité ou la quantité d’énergie non perdue ;
4. la profitabilité ou l’intérêt pour un producteur d’investir dans un SSE relativement
à une production au fil de l’eau.
Le problème initial de dimensionnement optimal a été modélisé sous la forme d’un pro-
blème d’optimisation ou programme non linéaire (NLP) de grande taille, pour trois sources
/ solaire PV, éolien, houle et 7 scénarios dont 2 non garantis - lissage horaire, journalier
(S1a,b) - 4 scénarios de puissance garantie - S2a,b1,b2,c - et 2 scénarios combinés -
S3a,b. Ce modèle comporte 22 variables d’entrée - 15 techniques et 7 économiques - 5
variables de sortie - 4 techniques et 1 économique - et, pour chaque jeu de données - pro-
duction et prévision - 8760 (pas de temps 1 heure) à 52560 (points 10 minutes) variables
de décision.
Un ALGORITHME traduisant des stratégies d’optimisation par recherche locale a
été construit dans le chapitre 3. Ces stratégies ont été développées afin de gérer la
charge/décharge du SSE de manière optimisée du point de vue de la fiabilité tout en
maı̂trisant les énergies injectée et perdue. Cette politique de gestion optimisée du couple
SSE-EnRI appelée “charge adaptative” (CA) est fondée sur quatre règles heuristiques de
fonctionnement du stockage H1-4. Le modèle de charge adaptative (CA) développé est
comparé avec un modèle d’optimisation globale, linéaire mixte en nombre entier (MILP),
de référence dénoté M* et résolu avec des solveurs performants (Cplex, gurobi). La
comparaison permet de conclure que la méthode d’optimisation locale donne, pour les
trois sources et les huit scénarios, des résultats satisfaisantes dans le sens où :
1. la fiabilité est comparable à la fiabilité optimale : le nombre de défauts est proche
- quelques heures par mois - de l’optimum de référence et même parfois inférieur à
certaines instances du modèle complet ;
2. la productivité est maı̂trisée : l’énergie injectée, bien que jusqu’à trois points infé-
rieure au modèle de référence, reste maı̂trisée et même supérieure à la solution du
181
modèle MILP de base ;

3. la profondeur de décharge maximale qui dans le modèle de référence nécessiterait une
implémentation spécifique est très simplement intégrée dans la charge adaptative à
chaque pas de temps ;
4. le temps de calcul est relativement très court : deux secondes contre jusqu’à plusieurs
heures pour le modèle de référence ;
5. la méthode est applicable en conditions opérationnelles, ce qui n’est pas le cas de
l’optimisation globale qui nécessite l’ensemble des données sur l’année pour être
exécutée.
Nous notons également que le fait d’autoriser ou pas les stratégies dans le modèle de
référence en améliore les performances, ce qui confirme implicitement notre choix. L’intérêt
de la démarche heuristique est alors démontré : produire une solution satisfaisante en un
temps réduit, applicable à un contrôle commande du stockage.
Une MÉTHODOLOGIE basée sur ces principes de gestion - itérations de la charge
adaptative - a été proposée afin de dimensionner le stockage d’énergies renouvelables in-
termittentes, relativement à chaque scénarios d’injection réseau et déterminer les énergies
et tarifs associés à l’optimum. : lissage horaire et journalier, puissance constante garantie
H24 sur créneau(x) horaire(s) et combinaison des scénarios garanti et non garanti. Cette
démarche permet d’obtenir en un temps raisonnable - inférieur à 15 sec. (PC) en points
10 min. sur l’année - des solutions financièrement faisables i.e. inférieures à 2 MWh/MWc
ou technico-économiquement viables i.e. faisables avec un tarif de revente de l’énergie in-
férieur à 40 ce/kWh. Dans l’étude économique, la maximisation du bénéfice = Revenus -
Coûts a été recherchée à travers le FIT minimal permettant un retour sur investissement
dans le SSE.
Ainsi, le scénario de lissage horaire apparait comme pouvant être satisfait par les trois
sources - éolien, houle, solaire PV - de façon viable. En particulier pour le PV, ce scénario
est bien adapté car correspond à un service diurne où la production est, en moyenne,
soutenue. Des solutions viables sont obtenues même à faible tolérance (±20 kW/MWc),
ce qui n’est pas le cas pour l’éolien et la houle.
Par contre, les scénarios garantis H24 sont pratiquement impossibles à tenir de façon
technico-économique viable pour le producteur, quelque que soit la source EnRI, car trop
d’énergie est perdue ou manquante donc pas assez d’énergie conforme injectée. Seul le
scénario diurne en PV peut être satisfait. Par exemple, une puissance garantie de 360
kW/MWc entre 9h et 17h pourrait être garantie tous les jours de l’année avec un stockage
d’une capacité de 1000 kWh/MWc sur le site considéré (Saint-Pierre, La Réunion).
Les scénarios combinés conduisent à plus de solutions viables tout en augmentant la
puissance fournie en période de pointe, proche de la puissance maximale théorique. Ces
scénarios, avec un coefficient de 70% sur le niveau de puissance prévu en période creuse,
induit un stockage relativement plein en début d’heure de pointe, la plupart du temps.
Encore une fois, la source solaire semble la plus adaptée avec des solutions viables jusqu’à
360 kW/MWc.
L’hybridation des sources, bien qu’ayant été testées sur des sources non corrélés, per-
met de diminuer la capacité nécessaire du stockage d’un facteur 2 voire bien plus rendant
possible un retour sur investissement et une rentabilité à long terme de l’installation
4.5. CONCLUSION 183
EnRI+SSE. Ces observations plaident pour un SSE centralisé qui agrègerait plusieurs
sources, soit au niveau du gestionnaire même soit dans le cadre d’un micro-réseau (quar-
tier, campus, zone d’activité...).
Un des intérêts du modèle CA est son faible coût en temps de calcul, ce qui permet
d’explorer l’espace des paramètres pratiquement de manière exhaustive et de mener une
analyse de sensibilité avec 1024 à 2048 échantillons par paramètre. Cette analyse globale
montre la grande influence, en premier lieu, du niveau de puissance annoncé, de la qualité
de prévision ainsi que de la tolérance admise sur l’injection réseau. En revanche, il peut
être, du point de vue de la fiabilité et de la productivité, plus opportun d’améliorer le
rendement du SSE, particulièrement en décharge, que d’augmenter sa taille.
Enfin, l’impact de la qualité de prévision a pu être quantifié à travers un signal d’erreur
amplifié ou réduit. Il a été obtenu qu’une diminution de 30% de la qualité initiale peut
entraı̂ner un triplement de la capacité requise dans les scénarios S1 basés sur la prévision.
La qualité de la prévision est par conséquent, pour ce type de service, un élément clé du
dimensionnement optimal du SSE couplé à une production EnRI.
Perspectives
Les perspectives au travail effectué sont de deux ordres :

1. amélioration du service rendu,
2. amélioration du modèle développé.
Le service rendu notamment la régularité de la puissance fournie peut être amélioré
à travers la combinaison des scénarios, notamment dans le cadre d’appels d’offres CRE
incluant par exemple la possibilité de réannonce toutes les 6h (CRE3 2015) voire toutes
les heures ou annonce horaire d’une puissance garantie. D’autres services à explorer dans
le cadre d’une source déterminée tels l’annonce de l’heure de début et de fin de fourniture
de la puissance garantie, la veille pour le lendemain. Dans le cas d’une source et d’un SSE
donné, le réglage des paramètres pourra alors être effectué plus précisément.
En ce qui concerne le modèle développé, il gagnerait à être affiné dans le cadre d’un
stockage spécifique donné, par exemple PV+batterie Li-Ion. Il s’agirait alors de tenir
compte de la dynamique associée sur des pas de temps infra-minute ou seconde, avec
le risque d’augmenter significativement les temps de calcul, d’où des périodes d’étude
éventuellement réduites, par exemple sur la journée. Dans ce cadre, la sollicitation du
SSE et, par suite, son vieillissement pourraient être plus finement modélisée et faire partie
des critères d’optimisation et de la ou plutôt des fonctions objectifs dans le cadre d’une
optimisation multi-objectifs. L’approche multi-objectifs permettrait de comptabiliser non
plus a fortiori ce vieillissement mais a posteriori dans un front de Pareto car les deux
objectifs sont bien concurrentiels. D’une part baisser la sollicitation du stockage permet
de prolonger sa durée de vie donc de moins le remplacer donc de diminuer le coût total
(e.g. sur 20 ans). D’autre part avoir un stockage plus souvent sollicité pourrait permettre
de mieux compenser des erreurs de prévisions et/ou d’injecter plus d’énergie dans le réseau
et par suite d’augmenter les revenus.
La prise en compte de pénalités dégressives en fonction de la quantité d’énergie man-

quante i.e. que la puissance soit proche ou non de l’engagement bas pourrait induire une
modification de la stratégie H2 en fonction de la situation. En effet, dans ce cadre il pour-
rait être tout de même intéressant de décharger en défaut. D’un point de vue économique,
il serait souhaitable d’obtenir plusieurs années de données de production afin d’affiner le
calcul du F IT ∗ .
En outre, comme indiqué au chapitre 3, le parti pris a été de fournir une aide à la
décision - gestion optimisée SSE+EnRI - fondée uniquement sur la connaissance de la
situation à l’instant présent et aux instants précédents. Il a été montré que les stratégies
d’optimisation élaborées dans ce cadre permettent de dimensionner le SSE de manière
satisfaisante, notamment du point de vue de la fiabilité. Pour autant, la prise en compte
de la prévision à court terme - une à six heures - devrait rendre possible non seulement
une réactualisation pertinente de l’annonce au cours de la journée (CRE3) mais aussi
d’améliorer la stratégie heuristique de charge/décharge. A cet effet, il serait souhaitable
de tenir compte des intervalles de confiance sur la prévision afin de rendre le modèle plus
robuste. Ainsi, une mise à jour horaire des seuils adaptatifs, en fonction des prévisions
de production à venir, pourrait conduire à une meilleure stabilité (lissage) de l’injection
réseau.
Dans cette perspective, l’utilisation de l’analyse de données, Data Mining ou Big Data
pour des données infra-minute par exemple, pourrait être un piste prometteuse. En effet,
la question de connaı̂tre le risque de décider, lorsque tel(s) paramètre(s) - e.g. production
précédente - a atteint tel(s) seuil(s), de fixer telle variable - e.g. le puissance d’engagement
- à tel niveau peut rentrer dans le champs de la “Statistique décisionnelle” (recherche de
patterns, prédiction, scoring [Charpentier, 2014]).
La génération de prévisions aléatoires selon des modèles ad hoc [Haessig et al., 2013]
est un moyen d’obtenir des résultats plus complets et plus généraux : capacité, énergies et
tarif moyens accompagnés d’un indice de dispersion (écart-type, RMSE...). Cela donnerait
une information supplémentaire sur les sorties liée à la nature stochastique des paramètres
d’entrée i.e. production et prévision. Les résultats pourraient être alors présentés sous la
forme d’intervalles de confiance à 80, 90 ou 95%.
Annexes
A1 ANNEXE A : Charge Adaptative
A1.1 Seuil de décharge adaptative

WIND
Default Mean Time DM T (h)
WAVE
PV
Default Time Rate (%)

Adaptive parameter (%storage size) Adaptive parameter (%storage size)
(a) seuilD vs DT R - S1a (b) seuilD vs DM T - S1

Default Mean Time DM T (h)

Default Time Rate (%)

Adaptive parameter (%storage size) Adaptive parameter (%storage size)
(c) DT R - S2.Pgtd =100kW (d) DM T - S2.Pgtd =100kW
Figure A.1 – Effets du seuil de décharge adaptative seuilD.
185
186 ANNEXES
A1.2 Algorithme CA
Algorithm 1 Charge Adaptative (CA)

Entrées : Production EnRI Pprod , Engagement Pof f re , Pof f re,min,max , seuilC, seuilD, ξ
+ Variables techniques 2.6
Sorties : Puissances SSE, injectée, perdue, manquante, DT R
1: SOC+ ← SOCmax − seuilC ; SOC− ← SOCmin + seuilD
2: seuilsoc bas ← SOCmin ; seuilsoc haut ← SOC+ INITIALISATION
3: Pour t = 1, · · · , N Faire
4: tol inf ← Pof f re,max (t) − Pof f re (t)
5: tol sup = Pof f re (t) − Pof f re,min (t)
6: Si Pprod (t) < Pof f re,min (t) Alors Zone 1 : En-dessous de la Bande
=⇒ Défaillance potentielle
7: Si SOC(t) < seuilsoc bas OU Def aut A V enir OU DOD(t) ≥ DODmax Alors
8: CHARGE(−Pprod (t))
9: seuilsoc bas ← SOC−
10: Sinon
11: DECHARGE(Pof f re,min (t) − Pprod(t))
12: seuilsoc bas ← SOCmin
13: Fin Si
14: Sinon Si Pprod (t) ∈ [Pof f re,min (t), Pof f re (t)] Alors Zone 2 : Bande inférieure
=⇒ pas de Défaillance
15: Si SOC(t) > seuilsoc haut Alors
16: Pt = Pof f re,min (t) + ξ1 · tol inf − Pprod (t)
17: Si ξ1 = 1 Alors
18: DECHARGE(Pt )
19: Sinon
20: CHARGE(−Pt )
21: Fin Si
22: seuilsoc haut ← SOC+
23: Sinon
24: CHARGE(Pprod (t) − Pof f re,min (t))
25: seuilsoc haut ← SOCmax − seuilC/2
26: Fin Si
27: Sinon Si Pprod (t) ∈ [Pof f re (t), Pof f re,max (t)[ Alors Zone 3 : Bande supérieure
=⇒ pas de Défaillance
29: Pt = Pof f re (t) + ξ3 · tol sup − Pprod (t)
30: Si ξ3 = 1 Alors
31: DECHARGE(Pt )
32: Sinon
33: CHARGE(−Pt )
34: Fin Si
35: seuilsoc haut ← SOC+
36: Sinon
A1. ANNEXE A : CHARGE ADAPTATIVE 187
38: CHARGE(−Pt )
39: seuilsoc haut ← SOCmax − seuilC/2
40: Fin Si
41: Sinon (Pprod(t) > Pof f re,max (t)) Zone 4 : Au-dessus de la Bande =⇒ pas de
Défaillance
43: Pt = Pof f re (t) + ξ5 · tol sup − Pprod (t)
44: seuilsoc haut = SOC+
45: Sinon
47: Fin Si
48: CHARGE(−Pt )
49: Fin Si
50: Fin Pour
Les procédures CHARGE(Pt) et DECHARGE(Pt) sont données par les équations

(2.9) et (2.10) du chapitre 2.
Les paramètres (ξi )1≤i≤5 sont les variables binaires - ’0’ ou ’1’ - représentant les 25 = 32
choix stratégiques possibles (cf chap. 3, section 3.3.4.1).
188 ANNEXES
A2 ANNEXE B : Exemples de trajectoires optimi-

sées
A2.1 Scénario S1a


[
Temps (10min)
Figure A.2 – S1a-PV, tolérance = 0 (DT R ≤ 5%).

A2. ANNEXE B : EXEMPLES DE TRAJECTOIRES OPTIMISÉES 189
A2.2 Scénario S2a
Charge Adaptative - Eolien - Service S2a Charge Adaptative - Houle - Service S2a
S = 1000 kWh, Pgarantie = 100 kW S = 1000 kWh, Pgarantie = 100 kW

'75 (LQM6HUY (ORVW Pprod,Eolien '75 (LQM6HUY (ORVW Pprod,Houle
SOCSSE SOCSSE
Preseau Preseau



Temps (10min) Temps (10min) [

[
(a) Eolien. (b) Houle.

Charge Adaptative - PV - Service S2a
S = 1000 kWh, Pgarantie = 100 kW, tol = 25%

'75 (LQM6HUY (ORVW Pprod,PV Pprod,PV
SOCSSE SOCSSE
Preseau Preseau


Temps (10min) [
Temps (10min) [

(c) PV (année). (d) PV - exemple sur une semaine.
Figure A.3 – Puissance injectée et SOC - service S2a (puissance garantie annuelle).
190 ANNEXES
A3 ANNEXE C : Amélioration des services rendus
A3.1 Scénarios S3a et S3b
Table A.1 – Combinaison et optimisation des scénarios H24.
scénario S3a scénario S3b

Critère
Éolien Houle PV Éolien Houle PV
Nombre Solutions faisables 55 57 61 51 58 47
Nombre Solutions viables 53 49 61 49 50 0
Meilleure Rentabilité SSE
FIT minimal 173.2 141,6 147,5 187,7 140,9 405,7
Capacité optimale [kWh/MWc] 190 75 245 65 44 1361
coef prev(HC) [%Pprev ] 80 80 90 70 80 90
PG (HP) [kW/MWc] 60 60 60 60 80 60
Énergie injectée [%Eprod ] 63,9 73,4 86 61,5 75,7 61,5
Énergie perdue [%Eprod ] 33,8 22,2 11,8 37,5 22,1 32,8
Fiabilité (DTR) HP [%] 6,8 11,3 11,9 6,4 11,3 0,4
Meilleure Productivité globale (viable)
Énergie injectée conforme max. 83,2 83,6 94,5 82,9 84,8 75,6
Capacité optimale [kWh/MWc] 296 1057 1424 1960 1546 1992
coef prev(HC) [%Pprev ] 120 100 110 120 110 110
PG HP [kW/MWc] 60 120 60 60 100 80
Fiabilité (DTR) HP [%] 5,0 8,0 9,4 4,5 3,3 0,4
Meilleure Productivité Pointe HP=[18-22h] (viable)
Puissance moy. max. (HP, viable) 202,1 194,3 271,9 190,2 194,9 –
Capacité optimale [kWh/MWc] 1641 1017 1953 1586 1010 –
FIT associé 388,6 358,8 396,8 391,3 357,8 –
coef prev(HC) [%Pprev ] 50 50 50 50 50 –
PG HP [kW/MWc] 260 260 360 240 260 –
Énergie injectée [%Eprod ] 63,9 71,7 79,3 61,3 71,6 –
Énergie perdue [%Eprod ] 33,8 23,6 11,8 36,7 23,6 –
Fiabilité (DTR) HP [%] 19,8 22,3 20,5 18,1 22,1 –
Meilleure Fiabilité HP (viable)
DT R(HP) [%année] 4,6 1,0 9,4 3,6 6,1 –
Capacité optimale [kWh/MWc] 923 600 1424 742 1547 –
F IT [e/MWh] 229,2 235,8 271,5 221,3 399,8 –
coef prev(HC) [%Pprev ] 110 110 110 100 120 –
PG HP [kW/MWc] 60 60 60 60 60 –
Énergie injectée [%Eprod ] 79,1 81,7 94,5 74,7 84,8 –
Énergie perdue [%Eprod ] 18,2 15,7 2,2 23,0 12,0 –
A3. ANNEXE C : AMÉLIORATION DES SERVICES RENDUS 191
A3.2 Scénarios S3c et S3d
Table A.2 – Combinaison et optimisation des scénarios restreints.
scénario S3d scénario S3c (HP=18h-22h)

Critère
Éolien Houle PV Éolien Houle PV
Nombre Solutions faisables 613 878 1606 101 224 1924
Nombre Solutions viables 0 66 565 0 18 825
Meilleure Rentabilité SSE
FIT minimal [e/MWh] 452,6 241,1 181,9 698,6 376,5 162,1
Créneau horaire 2h-22h 2h-22h 9h-16h 8h-12h 5h-12h 9h-15h
PG (HC) [kW/MWc] 60 60 300 100 100 420
PG (HP) [kW/MWc] – – — 60 60 60
Capacité requise [kWh/MWc] 550 202 172 517 391 233
Énergie injectée [%Eprod ] 69,5 54,4 65,4 20,8 42,6 77,5
Meilleure Productivité globale (viable avec PV/Houle, faisable en Éolien)
Énergie injectée conforme max. 32,8 54,4 81,0 33,2 42,6 84,3
Créneau horaire 2h-22h 2h-22h 9h-15h 2h-12h 5h-12h 8h-15h
FIT associé [e/MWh] 452,6 241,1 387,4 827,5 376,5 332,6
Capacité requise [kWh/MWc] 550 202 1947 1988 391 1642
PG HC [kW/MWc] 60 60 460 100 100 420
PG HP [kW/MWc] – – – 60 60 60
Fiabilité (DTR) HP [%] – – – 7,0 3,8 3,9
Meilleure Productivité Pointe HP=[18-22h] (viable avec PV/Houle, faisable en Éolien)
Puissance moy. max. (HP, viable) – – – 128,4 70,8 173,2
Créneau horaire HC – – – 11h-12h 5h-12h 9h-13h
Capacité optimale [kWh/MWc] – – – 1345 391 1547
FIT associé [e/MWh] – – – 1067 376,5 396,4
PG HC [kW/MWc] – – – 100 100 380
PG HP [kW/MWc] – – – 140 60 220
Énergie injectée [%Eprod ] – – – 20,5 42,6 68,1
Énergie perdue [%Eprod ] – – – 78,6 56,2 26,3
Fiabilité (DTR) HP [%] – – – 8,9 3,8 7,2
Meilleure Fiabilité HP (viable avec PV/Houle, faisable en Éolien)
DT R(HP) [%année] – – – 5,3 3,4 1,4
Créneau horaire – – – 11h-16h 6h-12h 7h-12h
Capacité optimale [kWh/MWc] – – – 1338 308 221
F IT associé [e/MWh] – – – 1026 377,7 339,5
PG HC [kW/MWc] – – – 100 100 220
PG HP [kW/MWc] – – – 60 60 60
Énergie injectée [%Eprod ] – – – 21,2 39,1 36,6
Énergie perdue [%Eprod ] – – – 78,0 59,9 62,3
192 ANNEXES

Nb Sol. Faisables (S ≤ 2000 kWh/MWc) Nb Sol. Faisables (S ≤ 2000 kWh/MWc)
Nb Sol. Viables (fit ≤ 400 euros/MWh) Nb Sol. Viables (fit ≤ 400 euros/MWh)
∗ ∗
P reseau viable maximale (10kW/MWc) P reseau viable maximale (10kW/MWc)
Capacité SSE S ∗ associée (100kWh/MWc) Capacité SSE S ∗ associée (100kWh/MWc)

Puissance garantie annoncée sur [18h-22h] Puissance garantie annoncée sur [18h-22h]
(a) Eolien. (b) Houle.

Nb. Sol. Faisables (S ≤ 2000 kWh/MWc)
Nb Sol. Viables (fit ≤ 400 euros/MWh)
∗
P reseau [18h-22h] viable maximale (10kW/MWc)
Capacité SSE S ∗ associée (100kWh/MWc)

Puissance garantie annoncée sur [18h-22h]
(c) PV.
Figure A.4 – Dimensionnement SSE - Service S3a (lissage horaire + puissance

garantie[18h-22h]).
A4. ANNEXE D : INDICES DE SENSIBILITÉ 193
A4 ANNEXE D : Indices de sensibilité
Table A.3 – Sensibilité - 1er ordre - du modèle de dimensionnement technico-économique

(basé sur CA) obtenue par la méthode FAST-RBD, Scénario S1a, Ne = 2048 × 14 + 1.
Paramètre Indice (%)
d’entrée S∗ ∗
Egrid ∗
Elost ∗
Elack F IT ∗ Soc∗use soc∗
Éolien
Pcharge,max 0,03 0,03 0,03 0,04 0,01 0.03 0.02
Pdecharge,max 0,02 0,05 0,04 0,80 0,02 0.27 0.29
dodmax 0,12 0,03 0,03 0,46 0,10 0,03 0.52
ηcharge 18,33 45,35 40,62 13,26 14,21 34.50 18.29
ηdecharge 51,49 44,72 39,74 8,03 36,20 30.43 15.80
seuilC 2,19 7,27 12,63 0,77 1,27 29,15 49,70
seuilD 15,08 0,36 3,73 59,93 9,35 3,25 12,31
inv 0,02 0,01 0,02 0,04 0,02 0,02 0,03
cstock 0,02 0,02 0,03 0,01 8,61 0,04 0,05
om 0,04 0,02 0,02 0,02 3,00 0,01 0,02
dv 0,03 0,03 0,03 0,03 3,56 0,03 0,02
inf l 0,02 0,02 0,02 0,03 0,42 0,02 0,02
act 0,02 0,02 0,02 0,03 6,74 0,02 0,01
taxe 0,06 0,03 0,05 0,03 0,25 0,04 0,04
Total 87,46 97,94 96,99 83,48 83,74 97,85 97,11
Houle
Pcharge,max 0,03 0,03 0,04 0,14 0,04 0,04 0,03
Pdecharge,max 0,01 0,02 0,01 0,08 0,03 0,03 0,04
dodmax 0,04 0,01 0,03 0,25 0,04 0,02 0,25
ηcharge 19,89 48,56 38,88 7,92 14,26 28,08 2,34
ηdecharge 53,32 47,86 39,19 6,52 38,08 28,37 1,99
seuilC 2,63 2,65 10,88 4,72 1,64 37,28 75,98
seuilD 10,14 0,18 2,32 26,77 6,89 2,13 17,35
inv 0,01 0,01 0,02 0,02 0,02 0,02 0,04
cstock 0,01 0,02 0,02 0,02 8,47 0,02 0,03
om 0,03 0,04 0,03 0,01 3,19 0,03 0,02
dv 0,02 0,02 0,01 0,02 3,19 0,01 0,01
inf l 0,04 0,03 0,03 0,01 0,46 0,03 0,03
act 0,02 0,04 0,02 0,06 6,25 0,02 0,05
taxe 0,03 0,05 0,04 0,06 0,10 0,04 0,04
Total 86,20 99,53 91,51 46,60 82,65 96,11 98,19
Solaire PV
Pcharge,max 0,04 0,04 0,06 0,03 0,03 0,06 0,07
Pdecharge,max 0,62 0,02 0,66 3,74 0,39 0,58 3,18
dodmax 0,57 0,21 0,29 0,47 0,37 0,14 6,29
ηcharge 8,49 42,18 43,13 3,94 6,82 41,06 36,45
ηdecharge 26,78 43,38 36,08 0,57 19,17 34,51 23,24
seuilC 0,76 5,53 4,84 0,29 0,41 13,27 12,10
seuilD 14,77 4,99 10,04 73,88 8,97 7,94 2,08
inv 0,05 0,02 0,03 0,02 0,05 0,02 0,03
cstock 0,01 0,02 0,03 0,01 6,75 0,04 0,02
om 0,02 0,04 0,03 0,03 2,44 0,03 0,02
dv 0,04 0,03 0,05 0,01 2,60 0,05 0,04
inf l 0,02 0,02 0,01 0,01 0,31 0,01 0,04
act 0,05 0,04 0,05 0,03 5,34 0,06 0,04
taxe 0,02 0,02 0,02 0,02 0,12 0,02 0,03
Total 52,26 96,54 95,33 83,06 53,77 97,79 83,64
194 ANNEXES
Bibliographie
M. Abbaspour, M. Satkin, B. Mohammadi-Ivatloo, F. H. Lotfi, and Y. Noorollahi. Opti-

mal operation scheduling of wind power integrated with compressed air energy storage
(caes). Renewable Energy, 51 :53 – 59, 2013. ISSN 0960-1481.
ADEME. Vers un mix électrique 100% renouvelable. Technical report, Ministére de

l’Ecologie, du Développement durable et de l’Energie, 2015.
Aerowatt and EDF-SEI. Enerstock : Cahier des charges du stockage. 2011.
Agence Internationale de l’Energie. Energy technologies perspectives. Technical report,

AIE, 2014.
Agence Régionale de l’Energie Réunion. Le stockage hydraulique gravitaire et la pro-

duction hydroélectrique sur les pentes réunionnaises - Etude du stockage de l’énergie
photovoltaı̈que. Technical report, ARER, 2009a.
Agence Régionale de l’Energie Réunion. Plan economique de transition et de relance via

des energies 100% locales à l’ı̂le de la réunion (petrel). Technical report, ARER, 2009b.
A. A. Akhil, G. Huff, A. B. Currier, B. C. Kaun, D. M. Rastler, S. B. Chen, A. L. Cotter,

D. T. Bradshaw, , and W. D. Gauntlett. Doe\epri electricity storage handbook in
collaboration with nreca. Technical report, Sandia national Laboratories, 2015.
G. Allaire. Analyse numérique et optimisation. Ellipses, 2006.
Artelys, E. Consulting, and G2ELab. Etude sur le potentiel du stockage d’énergies. Tech-
nical report, ADEME, ATEE, DGCIS, 2013.
P. Arun, R. Banerjee, and S. Bandyopadhyay. Optimum sizing of battery-integrated diesel

generator for remote electrification through design-space approach. Energy, 33(7) :1155
– 1168, 2008. ISSN 0360-5442.
P. Arun, R. Banerjee, and S. Bandyopadhyay. Optimum sizing of photovoltaic battery

systems incorporating uncertainty through design space approach. Solar Energy, 83
(7) :1013–1025, 2009. ISSN 0038-092X.
C. Augustine, R. Bain, J. Chapman, P. Denholm, E. Drury, and D. Hall. Renewable

electricity futures study in renewable electricity generation and storage technologies.
Technical report, National Renewable Energy Laboratory, 2012.
195
196 BIBLIOGRAPHIE
R. Baños, F. Manzano-Agugliaro, F. Montoya, C. Gil, A. Alcayde, and J. Gómez. Opti-

mization methods applied to renewable and sustainable energy : A review. Renewable
and Sustainable Energy Reviews, 15(4) :1753 – 1766, 2011. ISSN 1364-0321.
P. Basak, S. Chowdhury, S. H. nee Dey, and S. Chowdhury. A literature review on

integration of distributed energy resources in the perspective of control, protection and
stability of microgrid. Renewable and Sustainable Energy Reviews, 16(8) :5545 – 5556,
2012. ISSN 1364-0321.
K. Bataineh and D. Dalalah. Optimal configuration for design of stand-alone pv system.

Smart Grid and Renewable Energy, 3 :139–147, 2012.
M. Beaudin, H. Zareipour, A. Schellenberglabe, and W. Rosehart. Energy storage for

mitigating the variability of renewable electricity sources : An updated review. Energy
for Sustainable Development, 14 :302–314, September 2010.
R. Belfkira, L. Zhang, and G. Barakat. Optimal sizing study of hybrid wind/pv/diesel

power generation unit. Solar Energy, 85(1) :100–110, 2011. ISSN 0038-092X.
R. Bellman. Dynamic Programming. Princeton University Press, 1957.
A. Ben-Tal, L. E. Ghaoui, and A. Nemirovski. Robust optimization. Princeton University

Press, N.J., 2009.
J. Benders. Partitioning procedures for solving mixed-variables programming problems.

Numerische Mathematik, 4 :238–252, 1962.
D. Berndt. Maintenance-free Batteries. 1994.
A. Berrada and K. Loudiyi. Operation, sizing, and economic evaluation of storage for
solar and wind power plants. Renewable and Sustainable Energy Reviews, 59 :1117 –
1129, 2016. ISSN 1364-0321.
J. Birge and F. Louveaux. Introduction to stochastic programming. Springer, New York,

1997.
I. Boussaı̈d, J. Lepagnot, and P. Siarry. A survey on optimization metaheuristics. Infor-

mation Sciences, 237 :82–117, 2013. ISSN 0020-0255. Prediction, Control and Diagnosis
using Advanced Neural Computations.
BP. Statistical review of world energy. Technical report, BP, 2014.
L. Bridier, M. David, and P. Lauret. Optimal design of a storage system coupled with
intermittent renewables. Renewable Energy, 67 :2–9, 14-18 July 2014.
L. Bridier, D. Hernández-Torres, M. David, and P. Lauret. A heuristic approach for

optimal sizing of ESS coupled with intermittent renewable sources systems. Renewable
Energy, 91 :155–165, 2016.
S. Castano, L. Gauchia, E. Voncila, and J. Sanz. Dynamical modeling procedure of a li-ion

battery pack suitable for real-time applications. Energy Conversion and Management,
92 :396–405, 2015.
BIBLIOGRAPHIE 197
CEA. Le stockage stationnaire de l’énergie. Technical report, Commissariat à l’énergie

atomique et aux énergies alternatives, 2012.
A. Charpentier. Computational Actuarial Science with R. CRC Press, 2014.
S. Chatterjee and A. S. Hadi. Influential observations, high leverage points, and outliers
in linear regression. Statistical Science, 1 :379–416, 1986.
A. Chauhan and R. Saini. A review on integrated renewable energy system based power
generation for stand-alone applications : Configurations, storage options, sizing metho-
dologies and control. Renewable and Sustainable Energy Reviews, 38(0) :99 – 120, 2014.
ISSN 1364-0321.
H. Chen, T. N. Cong, W. Yang, C. Tan, Y. Li, and Y. Ding. Progress in electrical energy
storage system : A critical review. Progress in Natural Science, 19 :291–312, 2009.
L. Cheng, R. S. Assary, X. Qu, A. Jain, S. P. Ong, N. N. Rajput, K. Persson, and L. A.

Curtiss. Accelerating electrolyte discovery for energy storage with high-throughput
screening. Journal of Physical Chemistry, 6 (2) :283–291, 2015. doi : 10.1021/jz502319n.
E. K. Chong and S. H. Zak. An Introduction to Optimization. Wiley, 2013.
Commission de Régulation de l’Energie. Cahier des charges de l’appel d’offres 332689-

2010-FR portant sur des installations éoliennes terrestres de production d’électricité
en Corse, Guadeloupe, Guyane, Martinique, á La Réunion, á Saint-Barthélemy et á
Saint-Martin. Technical report, CRE, 2010.
D. Connolly, H. Lund, B. Mathiesen, and M. Leahy. A review of computer tools for

analysing the integration of renewable energy into various energy systems. Applied
Energy, 87 :1059–1082, 2010. doi : 10.1016/j.apenergy.2009.09.026.
R. I. Cukier, C. M. Fortuin, K. E. Shuler, A. G. Petschek, and J. H. Schaibly. Study

of the sensitivity of coupled reaction systems to uncertainties in rate coefficients. The
Journal of Chemical Physics, 59(8) :3873–3878, October 1973.
M. David, F. H. R. Andriamasomanana, , and O. Liandrat. Spatial and temporal varia-

bility of pv output in an insular grid : Case of reunion island. Energy Procedia, 57 :
1275–1282, 2014.
M. Delfanti, D. Falabretti, and M. Merlo. Energy storage for PV power plant dispatching.
Renewable Energy, 80 :61–72, 2015. ISSN 0960-1481.
M. A. Delucchi and M. Z. Jacobson. Providing all global energy with wind, water, and
solar power, part 2 : Reliability, system and transmission costs, and policies. Energy
Policy, 39(3) :1170–1190, 2011. ISSN 0301-4215.
Department of Energy (DOE). Grid energy storage. Technical report, U.S. Gov., 2013.
T. Desrues, J. Ruer, P. Marty, and J. Fourmigué. A thermal energy storage process for
large scale electric applications. Applied Thermal Engineering, 30(5) :425 – 432, 2010.
ISSN 1359-4311.
198 BIBLIOGRAPHIE
S. Diaf, G. Notton, M. Belhamel, M. Haddadi, and A. Louche. Design and techno-

economical optimization for hybrid pv/wind system under various meteorological condi-
tions. Applied Energy, 85 :967–987, 2008. doi : 10.1016/j.apenergy.2008.02.012.
H. M. Diagne. Gestion intelligente du réseau électrique réunionnais. Prévision de la
ressource solaire en milieu insulaire. PhD thesis, Université de La Réunion, 2015.
DICOM-DGEC. Panorama energies-climat. Technical report, Ministere de l’Ecologie, du
Developpement durable et de L’Energie, 2014.
R. Dufo-López, J. L. Bernal-Agustı́n, and F. Mendoza. Design and economical analysis
of hybrid pv-wind systems connected to the grid for the intermittent production of
hydrogen. Energy Policy, 37(8) :3082 – 3095, 2009. ISSN 0301-4215.
A. P. E. Alsema. Investigation on storage technologies for intermittent renewable energies :
Evaluation and recommended r&d strategy. Technical report, Investire-Network, 2003.
Enerdata. Global energy statistical yearbook. URL https://yearbook.enerdata.net/.
Online yearbook.
S. R. N. Estahbanati, S. M. Barakati, and M. Mehrjoo. Linear integer (lip) programing
to optimization and sizing a wind/solar/battery system for islanding purpose. Journal
of mathematics and computer science 13 (),, 13 :194–211, 2014.
A. H. Fathima and K. Palanisamy. Optimization in microgrids with hybrid energy sys-
tems : a review. Renewable and Sustainable Energy Reviews, 45 :431 – 446, 2015. ISSN
1364-0321.
A. Fetanat and E. Khorasaninejad. Size optimization for hybrid photovoltaic-wind energy
system using ant colony optimization for continuous domains based integer program-
ming. Applied Soft Computing, 31(0) :196 – 209, 2015. ISSN 1568-4946.
J. P. Fossati, A. Galarza, A. Martin-Villate, and L. Fontán. A method for optimal sizing
energy storage systems for microgrids. Renewable Energy, 77 :539–549, 2015. ISSN
0960-1481.
C. Gamarra and J. M. Guerrero. Computational optimization techniques applied to mi-
crogrids planning : a review. Renewable and Sustainable Energy Reviews, 48 :413 – 424,
2015. ISSN 1364-0321. doi : 10.1016/j.rser.2015.04.025.
V. Gardeux. Conception d’heuristiques d’optimisation pour les problémes de grande di-
mension. Application á l’analyse de données de puces á ADN. PhD thesis, Université
de paris-est Créteil - Informatique, 2011.
M. Ghofrani, A. Arabali, and M. Ghayekhloo. Optimal charging/discharging of grid-
enabled electric vehicles for predictability enhancement of {PV} generation. Electric
Power Systems Research, 117 :134 – 142, 2014. ISSN 0378-7796.
G. Giannakoudis, A. I. Papadopoulos, P. Seferlis, and S. Voutetakis. Optimum design
and operation under uncertainty of power systems using renewable energy sources and
hydrogen storage. International Journal of Hydrogen Energy, 35(3) :872 – 891, 2010.
ISSN 0360-3199.
BIBLIOGRAPHIE 199
GIEC. Special report carbon dioxide capture and storage summary for policymakers.
Technical report, International Panel on Climate Change (IPCC), 2011.
A. Gonzalez, B. . Gallachóir, E. McKeogh, and K. Lynch. Study of electricity storage tech-

nologies and their potential to address wind energy intermittency in ireland. Technical
report, UCC Sustainable Energy Research Group (SERG), 2004.
D. Guasch and S. Silvestre. Dynamic battery model for photovoltaic applications. Progress
in Photovoltaics : Research and Applications, 11 :193–206, 2003.
GUROBI Optimizer Reference Manual, version 5.6. Gurobi Optimization, Inc., 2013.
F. Hadj-Hassen. Des recherches et un prototype pour parvenir au caes adiabatique. Jour-

nal Energie Plus, 520 :22–23, 2014.
P. Haessig. Dimensionnement et gestion dun stockage denergie pour lattenuation des

incertitudes de production eolienne. PhD thesis, Ecole Normale Superieure de Cachan,
2014.
P. Haessig, B. Multon, H. Ben Ahmed, S. Lascaud, and P. Bondon. Energy storage sizing
for wind power : impact of the autocorrelation of day-ahead forecast errors. Wind
Energy, art. John Wiley & Sons, Oct 2013. ISSN 1099-1824. doi : 10.1002/we.1680.
URL http://dx.doi.org/10.1002/we.1680.
W. He, N. Williard, C. Chen, and M. Pecht. State of charge estimation for li-ion batteries
using neural network modeling and unscented kalman filter-based error cancellation.
Electrical Power and Energy Systems, 62 :783–791, 2014.
D. Hernandez, L. Bridier, M. David, and P. Lauret. Technico-economical analysis of a

hybrid wave powerair compression storage system. Renewable Energy, 2014. To be
published.
D. Hernández-Torres, L. Bridier, M. David, P. Lauret, and T. Ardiale. Technico-

economical analysis of a hybrid wave powerair compression storage system. Renewable
Energy, 74 :708–717, 2015. doi : 10.1016/j.renene.2014.08.070.
T. E. Hoff, R. Perez, J. Kleissl, D. H. Renne, and J. S. Stein. Reporting of irradiance

modeling relative prediction errors. Prog Photovolt Res Appl, American Solar Energy
Society, 21(7) :1514–1519, 2013. doi : 10.1002/pip.2225.
IBM ILOG CPLEX Optimization Studio CPLEX User’s Manual, Version 12 Release 6.
IBM Corporation, 2013.
IEA. World energy outlook. Technical report, International Energy Agency\OECD, 2014.
M. Ierapetritou, J. Acevedo, and E. Pistikopoulos. An optimization approach for process

engineering problems under uncertainty. Computers & Chemical Engineering, 20(6-7) :
703 – 709, 1996. ISSN 0098-1354. Fifth International Symposium on Process Systems
Engineering.
IFP. Panorama de la biomasse : quelles ressources en biomasse pour un système énergé-

tique durable ? Technical report, Institut Français du Pétrole, 2010.
200 BIBLIOGRAPHIE
Internal Revenue Service. Publication 946 - how to depreciate. Technical report, Depart-
ment of Treasury, 2014.
International Energy Agency. World energy outlook. Technical report, IEA\OECD, 2013.
International Energy Agency. Technology roadmap : Energy storage. Technical report,

IEA, 2014.
B. Iooss. Revue sur l’analyse de sensibilité globale de modèles numériques. Journal de la

Société française de statistique, 152(1) :1–23, 2011.
M. Iqbal, M. Azam, M. Naeem, A. Khwaja, and A. Anpalagan. Optimization classification,

algorithms and tools for renewable energy : A review. Renewable and Sustainable Energy
Reviews, 39 :640 – 654, 2014. ISSN 1364-0321.
M. Z. Jacobson and M. A. Delucchi. Providing all global energy with wind, water, and solar
power, part 1 : Technologies, energy resources, quantities and areas of infrastructure,
and materials. Energy Policy, 39(3) :1154–1169, 2011. ISSN 0301-4215.
A. Journoud. Développement d’outils d’aide à la conception et au dimensionnement,

pour l’amélioration des performances, du fonctionnement et des coûts d’une centrale
d’Énergie Thermique des Mers. PhD thesis, Université de La Réunion, 2015.
P. Kall and J. Mayer. Stochastic linear programming. Springer, New York, 2005.
M. Korpaas, A. T. Holen, and R. Hildrum. Operation and sizing of energy storage for
wind power plants in a market system. Electrical Power and Energy Systems, 25 :
Elsevier, 2003.
A. V. Kostylev. Solar power forecasting performance - towards industry standards. 1st

International Workshop on the Integration of Solar Power into Power Systems Aarhus.
Denmark, 2011.
S. Krishnan, G. Brenet, E. Machado-Charry, D. Caliste, L. Genovese, T. Deutsch, and

P. Pochet. Revisiting the domain model for lithium intercalated graphite. Applied
Physics Letters, 103 :251904, 2013.
N. Kularatna. Energy Storage Devices for Electronic Systems : Rechargeable Batteries

and Supercapacitors. 2014.
R. L. G. Latimier, B. Multon, H. B. Ahmed, and M. Acquitter. Co-optimisation de l’enga-

gement de production et de la capacité de stockage, associée à une ferme photovoltaı̈que,
prenant en compte le vieillissement. In Symposium Genie electrique. ENS Cachan, 2014.
P. Lauret, E. Lorenz, and M. David. Solar forecasting in a challenging insular context.

Atmosphere, 7, 18, 2016.
A. A. Lazou and A. D. Papatsoris. The economics of photovoltaic stand-alone residential

households : A case study for various european and mediterranean locations. Solar
Energy Materials and Solar Cells, 62(4) :411 – 427, 2000. ISSN 0927-0248.
BIBLIOGRAPHIE 201
D. Lefebvre. Enerstock - cahier des charges du stockage. Technical report, Aerowatt -

EDF-SEI, 2011.
D. Lefevre and C. Guilbaud. Hybrid energy storage for renewable energy insertion into
island grids. In Proceedings of SHF conference, 2011.
E. Lorenz, D. Heinemann, and A. Hammer. Short-term forecasting of solar radiation

based on satellite data. Proc. Eurosun (ISES Europe Solar Congress), 2004.
E. Lorenz, J. Hurka, D. Heinemann, and H. B. 2009. Irradiance forecasting for the power
prediction of grid-connected photovoltaic systems. IEEE Journal of Selected Topics in
Applied Earth Observations and Remote Sensing, 2 :2–10, 2009.
B. Lu and M. Shahidehpour. Short term scheduling of battery in a grid connected

pv/battery system. IEEE Transaction on power systems, 20 :1053–1061, 2005.
R. Luna-Rubio, M. Trejo-Perea, D. Vargas-Vázquez, and G. Rı́os-Moreno. Optimal sizing

of renewable hybrids energy systems : A review of methodologies. Solar energy, 86 :
1077–1088, 2012.
T. Ma, Y. Hongxing, and L. Lu. Feasibility study and economic analysis of pumped hydro
storage and battery storage for a renewable energy powered island. Energy Conversion
and Management, 79 :387–397, 2014a.
T. Ma, H. Yang, L. Lu, and J. Peng. Optimal design of an autonomous solar-wind-pumped

storage power supply system. Applied Energy, In Press, corrected proof, 2014b. ISSN
0306-2619. In Press, corrected proof.
A. Maleki, F. Pourfayaz, and . Optimal sizing of autonomous hybrid photovol-

taic/wind/battery power system with {LPSP} technology by using evolutionary al-
gorithms. Solar Energy, 115 :471 – 483, 2015. ISSN 0038-092X.
J. F. Manwell and J. G. McGowan. Lead acid battery storage model for hybrid energy
systems. Solar Energy, 50(5) :399 – 405, 1993. ISSN 0038-092X.
T. A. Mara. Extension of the rbd-fast method to the computation of global sensitivity

indices. Reliability Engineering and System Safety, 94 :1274–1281, 2009.
T. Mesbahi, A. Ouari, T. Ghennam, E. M. Berkouk, N. Rizoug, N. Mesbahi, and M. Me-

radji. A stand-alone wind power supply with a li-ion battery energy storage system.
Renewable Energy and Sustainable Energy Reviews, 40 :204–213, 2014.
M. Mohammadi, S. Hosseinian, and G. Gharehpetian. Optimization of hybrid solar energy

sources-wind turbine systems integrated to utility grids as microgrid (mg) under pool-
bilateral-hybrid electricity market using pso. Solar Energy, 86(1) :112–125, 2012. ISSN
0038-092X.
C. Monteiro, H. Keko, R. Bessa, V. Miranda, A. Botterud, J. Wang, and G. Conzelmann.

A quick guide to wind power forecasting : State-of-the-art 2009. technical report anl/dis-
10-2,. Technical report, Argonne National Laboratory, East Lansing, Michigan., 2009.
202 BIBLIOGRAPHIE
B. Multon and J. Ruer. Stocker l’électricité : oui, c’est indispensable et c’est possible.
pourquoi, où, comment ?, Avril 2003. Publication ECRIN en contribution au débat
national sur l’énergie.
N.-K. C. Nair and N. Garimella. Battery energy storage systems : Assessment for small-
scale renewable energy integration. Energy and Buildings, 42 :2124–2130, 2010.
J. Nelder and R. Mead. A simplex method for function minimization. Computer Journal,
7 :308–313, 1965.
G. Notton. Importance of islands in renewable energy production and storage : The

situation of the french islands. Renewable and Sustainable Energy Reviews, 47 :260–
269, 2015.
Observatoire&Statistiques. Les émissions de co2 dues à la combustion d’énergie dans le

monde en 2012. Technical report, Ministère de l’Ecologie, du Développement durable
et de l’Energie, 2015.
Observ’ER. La production d’origine renouvelable dans le monde. Technical report, Ob-

serv’ER, 2013.
M. O’Connor, T. Lewis, and G. Dalton. Techno-economic performance of the Pelamis P1

and Wavestar at different ratings and various locations in Europe. Renewable Energy,
50 :Elsevier, 2013.
OER. Bilan energétique 2014 – ile de la réunion. Technical report, Observatoire de

l’Energie Réunion, 2015.
S. Park, H. Zhao, G. Ai, C. Wang, X. Song, N. Yuca, V. Battaglia, W. Yang, and G. Liu.
Side chain conducting and phase separated polymeric binders for high performance
silicon anodes in lithium ion batteries. Journal of the American Chemical Society, 137 :
2656–2571, 2015.
I. Pawel. The cost of storage - how to calculate the levelized cost of stored energy (lcoe) and
applications to renewable energy generation. Energy Procedia, 46 :68 – 77, 2014. ISSN
1876-6102. 8th International Renewable Energy Storage Conference and Exhibition
(IRES 2013).
J. Percebois and C. Mandil. Rapport energies 2050. Technical report, Ministère de

l’Economie, des Finances et de l’Industrie, 2012.
J. Pestourie. Les enr intermittentes. cas des réseaux insulaires. Technical report, EDF
R&D, 2012.
H. Poincaré. La Science et l’Hypothèse. 1917.
S. S. Rao. Engineering Optimization - Theory and Practice. New Age International, 1996.
Région Réunion and Etat/Préfét. Programmation Pluriannuelle de l’énergie Réunion

2016-2018/2019-2023. Technical report, 2015.
BIBLIOGRAPHIE 203
G. Ren, G. Ma, and N. Cong. Review of electrical energy storage system for vehicular
applications. Renewable and Sustainable Energy Reviews, 41 :225–236, 2015.
REN21. Global status report. Technical report, Renewable Energy Policy Network for
the 21st century, 2013.
Y. Riffonneau. Gestion des flux énergétiques dans un système photovoltaı̈que avec stockage
connecté au réseau - Application á l’habitat. PhD thesis, Université Joseph Fourier,
2009.
J. Rifkin. La troisième révolution industrielle. Comment le pouvoir latéral va transformer
l’énergie, l’économie et le monde. 2012.
G. Robin, M. Ruellan, B. Multon, H. B. Ahmed, and P. Glorennec. Solutions de stockage
de l’énergie pour les systémes de production intermittente d’électricité renouvelable.
Technical report, Laboratoire ENS-SATIE, 2005.
Y. Ru, J. Kleissl, and S. Martinez. Exact sizing of battery capacity for photovol-
taic systems. European Journal of Control, 20 :24–37, September 2013. doi :
10.1016/j.ejcon.2013.08.002.
RUPplus, Interreg, and Feder. étude de modélisation pour l’exploitation des ressources
marines pour la production d’Électricité dans les régions ultrapériphériques. Technical
report, 2007.
C. J. Rydh and B. A. Sandén. Energy analysis of batteries in photovoltaic systems. part
i : Performance and energy requirements. Energy Conversion and Management, 46
(11–12) :1957 – 1979, 2005. ISSN 0196-8904.
A. Sadegheih. Optimal design methodologies under the carbon emission trading program
using MIP, GA, SA, and TS. Renewable and Sustainable Energy Reviews, 15(1) :504 –
513, 2011. ISSN 1364-0321.
A. Saltelli. Sensitivity analysis. Wiley Serv Probab. Stat., 2000.
A. Saltelli. Sensitivity analysis practices : Strategies for model-based inference. Reliability
Engineering and System Safety, 91 :1109–1125, 2006.
A. Saltelli, S. Tarantola, and K.-S. Chan. A quantitative model-independent method for
global sensitivity analysis of model output. Technometrics, 41(1) :39–56, 1999.
E. SEI. Insertion de production éolienne et photovoltaı̈que dans les réseaux publics des
zones non interconnectées. Technical report, Electricité de France – Systèmes énergé-
tiques insulaires, 2013.
K. Seyboth, , P. E. andPatrick Matschoss, G. Hansen, S. Kadner, S. Schlömer, T. Zwickel,
and C. von Stechow. Renewable energy sources and climate change mitigation (srren).
Technical report, Intergovernmental Panel on Climate Change (IPCC), 2012.
S. Shaahid and M. Elhadidy. Technical and economic assessment of grid-independent
hybrid photovoltaic-diesel-battery power systems for commercial loads in desert envi-
ronments. Renewable and Sustainable Energy Reviews, 11(8) :1794 – 1810, 2007. ISSN
1364-0321.
204 BIBLIOGRAPHIE
V. Shah and J. Booream-Phelps. Crossing the chasm - solar grid parity in a low oil price
era. Technical report, Deutsche bank, 2015.
W. Short, D. J. Packey, and T. Holt. A Manual for the Economic Evaluation of Energy
Efficiency and Renewable Energy Technologies. Technical Report NREL/TP-462-5173,
National Renewable Energy Laboratory, March 1995.
S. Sinha and S. Chandel. Review of recent trends in optimization techniques for solar
photovoltaic-wind based hybrid energy systems. Renewable and Sustainable Energy
Reviews, 50 :755–769, 2015. ISSN 1364-0321.
I. M. Sobol. Sensitivity analysis for nonlinear mathematical models. Mathematical Mo-

deling and Computational Experiment, 1(4) :40–414, 1993.
S. Tarantola, D. Gatellia, and T. Mara. Random balance designs for the estimation of
first order global sensitivity indices. Reliability Engineering and System Safety, 91 :
717–727, 2006.
M. Taylor, K. Daniel, A. Ilas, and E. Y. So. Renewable power generation costs in 2014.
Technical report, International Renewable Energy Agency (IRENA), 2015.
G. Tina, S. Gagliano, and S. Raiti. Hybrid solar-wind power system probabilistic modelling
for long-term performance assessment. Solar Energy, 80(5) :578 – 588, 2006. ISSN 0038-
092X.
O. Tremblay and L.-A. Dessaint. Experimental validation of a battery dynamic model for
ev applications. World Electric Vehicle Journal, 3, 2009.
O. Tremblay, L.-A. Dessaint, and A.-I. Dekkiche. A generic battery model for the dynamic
simulation of hybrid electric vehicles. IEEE, VPPC2007 :284–289, 2007.
T. B. Tsuchida. Renewable Energy Integration, Chapter 24 - Renewables Integration on

Islands. Elsevier, 2014.
C. Unterrieder, C. Zhang, M. Lunglmayr, R. Priewasser, S. Marsili, and M. Huemer.

Battery state-of-charge estimation using approximate least squares. Journal of Power
Sources, 278 :274–286, 2015.
S. Upadhyay and M. Sharma. A review on configurations, control and sizing methodologies

of hybrid energy systems. Renewable and Sustainable Energy Reviews, 38 :47 – 63, 2014.
ISSN 1364-0321.
US Departement of Energy (DOE). International Storage Database, 2015. URL

http://www.energystorageexchange.org.
J. Widén, N. Carpman, V. Castellucci, D. Lingfors, J. Olauson, F. Remouit, M. Bergkvist,

M. Grabbe, and R. Waters. Variability assessment and forecasting of renewables : A
review for solar, wind, wave and tidal resources. Renewable and Sustainable Energy
Reviews, 44 :356–375, 2015. ISSN 1364-0321. doi : 10.1016/j.rser.2014.12.019.
S. J. Wright. Primal-Dual Interior-Point Methods. SIAM, 1997.

BIBLIOGRAPHIE 205
H. Yang, L. Lu, and J. Burnett. Weather data and probability analysis of hybrid
photovoltaic-wind power generation systems in hong kong. Renewable Energy, 2003.
H. Yang, W. Zhou, L. Lu, and Z. Fang. Optimal sizing method for stand-alone hybrid
solar–wind system with lpsp technology by using genetic algorithm. Solar Energy, 82 :
354–367, 2008.
H. Yang, Z. Wei, and L. Chengzhi. Optimal design and techno-economic analysis of a

hybrid solar-wind power generation system. Applied Energy, 86(2) :163 – 169, 2009.
ISSN 0306-2619. {IGEC} {III} Special Issue of the Third International Green Energy
Conference (IGEC-III), 2007, Sweden.
X.-S. Yang. Engineering Optimization - An introduction with Metaheuristics Applications.

John Wiley & Sons, 2010.
B. Zakeri and S. Syri. Electrical energy storage systems : A comparative life cycle cost
analysis. Renewable and Sustainable Energy Reviews, 42 :569 – 596, 2015. ISSN 1364-
0321.
X. Zhang, S. H. Chan, H. K. Ho, S.-C. Tan, M. Li, G. Li, J. Li, and Z. Feng. Towards a
smart energy network : The roles of fuel/electrolysis cells and technological perspectives.
International Journal of Hydrogen Energy, 2015. ISSN 0360-3199.
P. Zhao, J. Wang, and Y. Dai. Capacity allocation of a hybrid energy storage system for
power system peak shaving at high wind power penetration level. Renewable Energy,
75 :541 – 549, 2015. ISSN 0960-1481.
W. Zhou, H. Yang, and Z. Fang. A novel model for photovoltaic array performance
prediction. Applied Energy, 84(12) :1187 – 1198, 2007. ISSN 0306-2619.
W. Zhou, C. Lou, Z. Li, L. Lu, and H. Yang. Current status of research on optimum
sizing of stand-alone hybrid solar-wind power generation systems. Applied Energy, 87
(2) :380 – 389, 2010. ISSN 0306-2619.

2016LARE0038 LBridier

Transféré par

Droits d'auteur :

Formats disponibles

2016LARE0038 LBridier

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2016LARE0038 LBridier

Transféré par

Droits d'auteur :

Formats disponibles

Modélisation et optimisation d’un système de stockage

couplé à une production électrique renouvelable

To cite this version:

HAL Id: tel-01525696

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

SUpSDUpH DX VHLQ GX /DERUDWRLUH 3K\VLTXH HW ,QJpQLHULH 0DWKpPDWLTXH SRXU O¶eQHUJLH

0RGpOLVDWLRQ HW 2SWLPLVDWLRQ G¶XQ

7KqVH VRXWHQXH SXEOLTXHPHQW OH  -XLQ 

“Mi sa si somin mi wa cou d’kony na plin ki coté zot i vient.”

1.4.1.2 Cahier des charges . . . . . . . . . . . . . . . . . . . . . . 37

2.4.2.2 Scénarios S2 : puissance constante garantie . . . . . . . . 67

4 Dimensionnement optimal 145

4.4.2.2 Impact des variations de l’erreur . . . . . . . . . . . . . . 177

Conclusions et Perspectives 181

1.1 Consommation énergétique mondiale et émission de GES. . . . . . . . . . . 4

1.20 Applications du stockage d’énergie : équilibre oﬀre-demande. . . . . . . . . 31

2.1 Organisation du chapitre 2. . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.1 Méthodes de dimensionnement de SSE couplé à une production EnRI.

3.6 Dimensionnement optimal (SDP) : Tolérance vs Capacité SSE. Source Thèse

4.1 Dimensionnement et paramètres adaptatifs (scénario S1a). . . . . . . . . . 149

4.7 Éolien, scénario S2a-PG = 100 kW/MWc (1 mois). . . . . . . . . . . . . . 156

A.1 Eﬀets du seuil de décharge adaptative seuilD. . . . . . . . . . . . . . . . . 185

2.1 Exemple de calcul d’amortissement d’un investissement (US vs FR). . . . . 60

3.1 Indicateurs statistiques de prévision/production EnRI. . . . . . . . . . . . 104

4.1 Valeurs de base des variables économiques. . . . . . . . . . . . . . . . . . . 148

A.1 Combinaison et optimisation des scénarios H24. . . . . . . . . . . . . . . . 190

Pof f re Engagement de puissance J+1 [kW]

S1-3 Scénarios d’injection réseau N°1 à 3

ACS Coût annualisé du système (Annualized Cost of System)

• L. Bridier, D. Hernández-Torres, M. David, P. Lauret ; A heuristic approach

• L. Bridier, M. David, P. Lauret ; Optimal design of a storage system coupled with

L’objectif de cette thèse est la gestion et le dimensionnement optimaux d’un Système de

1.2 Énergies renouvelables intermittentes (EnRI)

1.2.1 Contexte énergétique

1.2.1.1 Contexte mondial, européen et français

*** Une consommation non durable à croissance rapide

Figure 1.1 – Consommation énergétique mondiale et émission de GES.

Cela correspond à une augmentation moyenne de plus de 2,2% par an et pourrait se

        

Figure 1.2 – Répartition de la satisfaction des besoins mondiaux en énergie (ktep).

2. Carbon Capture and Storage (CCS) en anglais.

*** Un coût de l’énergie en hausse

Figure 1.3 – Evolution du coût de l’énergie et prospective. Source : AIE, 2014.

Figure 1.4 – Consommation et dépendance énergétiques de l’Union Européenne. Source

En France, la production nationale d’énergie primaire, comme le montre la ﬁgure 1.5,

Figure 1.5 – Production et consommation d’énergie primaire en France.

Figure 1.6 – Emissions de CO2 en Europe et en France

1.2.1.2 Énergies Renouvelables (EnR)

  !! "# 

$ % &

1.2.1.3 Problématique spéciﬁque aux EnRI

1.2.2 EnRI en contexte insulaire

1.2.2.1 Zones non interconnectées (ZNI)

L’insertion d’éoliennes et de photovoltaı̈que dans un réseau isolé, notamment insulaire,

8. EDF-SEI : ﬁliale d’EDF dédiée aux Systèmes Electriques Insulaires.

*** Une production et une consommation fortement carbonées

Figure 1.8 – Les énergies renouvelables à La Réunion - Production électrique (MW).

dispose de nombreuses sources d’énergie renouvelable qui lui permettraient d’atteindre à

La loi pour la Transition Energétique et la Croissance Verte (TECV) du 17 Août 2015

SUpSDUpH DX VHLQ GX /DERUDWRLUH 3K\VLTXH HW ,QJpQLHULH 0DWKpPDWLTXH SRXU O¶eQHUJLH

7KqVH VRXWHQXH SXEOLTXHPHQW OH -XLQ

!! "#

$ % &

ϭϬ,ĞƵƌĞƐ ^ ^dW

!"

# " # " ! %