2016LARE0038 LBridier
2016LARE0038 LBridier
2016LARE0038 LBridier
3UpVHQWpH SDU
/DXUHQW %5,',(5
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
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
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
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
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
xiii
xiv TABLE DES FIGURES
xvii
xviii LISTE DES TABLEAUX
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
Notations en gras
Abréviations
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
Conférences
1
2 LISTE DES TABLEAUX
Résumé
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
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.
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.
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].
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.
2008
2013
2040
Prix de l’Energie ($/tep)
8( -DSRQ 86 &KLQH ,QGH
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
1.2. ÉNERGIES RENOUVELABLES INTERMITTENTES (ENRI) 7
Charbon
Pétrole
Consommation (Mtep)
Gaz naturel
Nucléaire
ENR
Déchets
Charbon
Pétrole
Gaz naturel
Total
Dépendance (%)
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)
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.
8 CHAPITRE 1. INTRODUCTION GÉNÉRALE
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 )
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. ÉNERGIES RENOUVELABLES INTERMITTENTES (ENRI) 9
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
10 CHAPITRE 1. INTRODUCTION GÉNÉRALE
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. ÉNERGIES RENOUVELABLES INTERMITTENTES (ENRI) 11
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.
12 CHAPITRE 1. INTRODUCTION GÉNÉRALE
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
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
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 ».
1.2. ÉNERGIES RENOUVELABLES INTERMITTENTES (ENRI) 15
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.
16 CHAPITRE 1. INTRODUCTION GÉNÉRALE
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.
1.2. ÉNERGIES RENOUVELABLES INTERMITTENTES (ENRI) 17
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
18 CHAPITRE 1. INTRODUCTION GÉNÉRALE
3XLVVDQFH 0:
7HPSV PLQXWHV
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.
1.2. ÉNERGIES RENOUVELABLES INTERMITTENTES (ENRI) 19
1.2.3.2 Prévision
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).
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
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\
: 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.
1.3. SYSTÈMES DE STOCKAGE D’ÉNERGIE (SSE) 23
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].
1.3.2.1 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.
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].
PC
Figure 1.13 – Schéma de principe d’un Volant d’inertie. Source NREL, 2004.
Figure 1.14 – Schéma de principe d’un stockage à air comprimé en caverne. Source
ECRIN [Multon and Ruer, 2003].
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-
Figure 1.15 – Schéma de principe d’une batterie Lithium-Ion. Source CEA, 2006.
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
1.3. SYSTÈMES DE STOCKAGE D’ÉNERGIE (SSE) 29
5BCMFBV
5BCMFBVÃMÃNFOUTEFDPNQBSBJTPOUFDIOJDP
ÃMÃNFOUTEFDPNQBSBJTPOUFDIOJDP
ÃMÃNFOUTEFDPNQBSBJTPOUFDIOJDPÃDPOPNJRVFTFOUSFMFTUFDIOPMPHJFTEFTUPDLBHF
ÃDPOPNJRVFTFOUSFMFTUFDIOPMPHJFTEFTUPDLBHFTPVSDF"3&3
TPVSDF"3&3
ŶĞƌŐŝĞ
,LJĚƌŽŐğŶĞĞƚWĂ
sŽůĂŶƚƐĚ͛ŝŶĞƌƚŝĞ
DŝŶƵƚĞƐ
^ƵƉĞƌ
^D^
ĐŽŶĚĞŶƐĂƚĞƵƌƐ
^ĞĐŽŶĚĞƐ WƵŝƐƐĂŶĐĞ
Figure 1.18 – Répartition des SSE par puissance/temps de réponse. Source ENEA.
5pSDUWLWLRQGHVWHFKQRORJLHVGHVWRFNDJH SDUIRQFWLRQQDOLWp
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] :
1.3. SYSTÈMES DE STOCKAGE D’ÉNERGIE (SSE) 31
WRF
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.
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.
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
36 CHAPITRE 1. INTRODUCTION GÉNÉRALE
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] :
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.
1.4.2.1 Objectifs
1.4.2.2 Démarche
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.
40 CHAPITRE 1. INTRODUCTION GÉNÉRALE
Chapitre 2
Modélisation
2.1 Introduction
41
42 CHAPITRE 2. MODÉLISATION
Figure 2.1 – Organisation du chapitre 2.
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.
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.
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.
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
44 CHAPITRE 2. MODÉLISATION
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)
Idisch (A)
í
Vbatt (V)
SOC(%)
Time (s)
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
2.2. MODÈLE DE STOCKAGE 45
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)
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2
Normalised generator rating
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]
46 CHAPITRE 2. MODÉLISATION
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].
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] :
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. MODÈLE DE STOCKAGE 47
2.2.2.1 Présentation
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 .
48 CHAPITRE 2. MODÉLISATION
Figure 2.6 – Site isolé : schéma de principe. Source [Chauhan and Saini, 2014].
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
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).
2.2. MODÈLE DE STOCKAGE 49
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
50 CHAPITRE 2. MODÉLISATION
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.
% $
% $ $
%% $&$
! %%$
"
"!
" $ $
$% $%
##
$%$
Figure 2.9 – Modèle SSE-EnRI.
2.2. MODÈLE DE STOCKAGE 51
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,
52 CHAPITRE 2. MODÉLISATION
!!
!"
"
"
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
où
Psup (t) = min(SOC(t) − SOCmin , DODmax − DOD(t)) · S · ηdecharge /Δt
. (2.11)
Pinf (t) = (SOC(t) − SOCmax ) · S/(ηcharge Δt)
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].
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 :
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] :
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
56 CHAPITRE 2. MODÉLISATION
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
2.3. MODÈLE ÉCONOMIQUE 57
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.
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.
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] :
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).
2.3. MODÈLE ÉCONOMIQUE 59
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.
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
60 CHAPITRE 2. MODÉLISATION
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 :
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).
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.,
2.3. MODÈLE ÉCONOMIQUE 61
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%.
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
62 CHAPITRE 2. MODÉLISATION
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).
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.
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
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
64 CHAPITRE 2. MODÉLISATION
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
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
2.4. SCÉNARIOS D’INJECTION RÉSEAU 65
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
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.
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 :
66 CHAPITRE 2. MODÉLISATION
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 :
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.
2.4. SCÉNARIOS D’INJECTION RÉSEAU 67
Eolien
Houle
PV
Puissance (kW/MWc)
Heure
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.
68 CHAPITRE 2. MODÉLISATION
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 ) :
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.
70 CHAPITRE 2. MODÉLISATION
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.
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
2.5.1.1 Méthodologie
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].
%
*** 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)
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
2.5. MODÈLE DE DIMENSIONNEMENT DU STOCKAGE 75
*** 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)
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.
76 CHAPITRE 2. MODÉLISATION
LP SP ≤ LP SPmax = 5% (2.50)
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 :
— 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.
2.5. MODÈLE DE DIMENSIONNEMENT DU STOCKAGE 79
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 .
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”)
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. MODÈLE DE DIMENSIONNEMENT DU STOCKAGE 81
y = Pstock , (2.53)
2.5.3 Synthèse
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)
82 CHAPITRE 2. MODÉLISATION
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.
2.5. MODÈLE DE DIMENSIONNEMENT DU STOCKAGE 83
∗
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.
84 CHAPITRE 2. MODÉLISATION
Optimisation
3.1 Introduction
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).
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.
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.
88 CHAPITRE 3. OPTIMISATION
U L
UWLL
Q
#
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 :
3.2. MÉTHODES ET OUTILS D’OPTIMISATION SSE+ENRI 89
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.
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.
90 CHAPITRE 3. OPTIMISATION
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),
3.2. MÉTHODES ET OUTILS D’OPTIMISATION SSE+ENRI 91
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.
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
92 CHAPITRE 3. OPTIMISATION
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. MÉTHODES ET OUTILS D’OPTIMISATION SSE+ENRI 93
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 :
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.
3.2. MÉTHODES ET OUTILS D’OPTIMISATION SSE+ENRI 95
* " !! "" )! !
% # !
% + ! ! # !
%
7
%
&! '(
&! '(
% 6
%
5
d 4 %
%
$%
$
% $%
$
4 6 4 6 4
" " nnn ! n e"# $ &
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.
96 CHAPITRE 3. OPTIMISATION
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
98 CHAPITRE 3. OPTIMISATION
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.
3.2.5.1 Solveurs
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 :
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.
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.
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
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.
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)
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.
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
— 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 .
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.
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.
106 CHAPITRE 3. OPTIMISATION
3.3.3 Heuristiques
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.
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,
3.3. GESTION OPTIMISÉE SSE+ENRI 107
!"
##
##
$
Figure 3.9 – Stratégies d’utilisation de la bande de tolérance.
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
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 :
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. GESTION OPTIMISÉE SSE+ENRI 109
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
PV - DI
PV - DC(H2)
E lack (%Eprod)
Rev (kEuros)
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
3.3. GESTION OPTIMISÉE SSE+ENRI 111
0% adaptive charge P out (kW)
(“Default = Charge”) P f + tol (kW)
20% adaptive charge
40% adaptive charge
K K K K K
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.
3.3. GESTION OPTIMISÉE SSE+ENRI 113
DSN
DURÉE moyenne Défaillance ÉNERGIE conforme
Egrid,Serv (%Eprod)
DMT (heure)
seuilD (%S)
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.
où
SOC + = SOCmax − seuilC. (3.23)
114 CHAPITRE 3. OPTIMISATION
Afin que les deux stratégies correctrices n’interfèrent pas, nous imposons
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.
Egrid,Serv (%Eprod)
DTR (%année)
seuilC (%S)
Figure 3.15 – Influence du seuil de charge adaptative seuilC (H3) - Scénario S1a.
3.3.4 Synthèse
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 .
116 CHAPITRE 3. OPTIMISATION
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.
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.
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
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
122 CHAPITRE 3. OPTIMISATION
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.
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
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
124 CHAPITRE 3. OPTIMISATION
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 :
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
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
3.4. COMPARAISON CA ET MODÈLES NLP/LP/MILP 127
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
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
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)
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
γ lost
ωilost = . (3.88)
Pprod (i) + 1
130 CHAPITRE 3. OPTIMISATION
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)
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).
3.4. COMPARAISON CA ET MODÈLES NLP/LP/MILP 131
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.
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).
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
132 CHAPITRE 3. OPTIMISATION
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).
Puissance(kW)
Puissance(kW)
K K K K K K K K K K
Temps (h) Temps (h)
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
3.4. COMPARAISON CA ET MODÈLES NLP/LP/MILP 133
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)
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)
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).
134 CHAPITRE 3. OPTIMISATION
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).
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
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)
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
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)
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.
136 CHAPITRE 3. OPTIMISATION
Puissance(kW)
Poffre,min/max
K K K K K
K K K K K
Temps (h)
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.
Table 3.6 – Comparaison optimisation globale et charge adaptative sur une année.
Service S1a-Éolien-Fond Caraı̈bes, Sept.2010-Août2011.
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.
138 CHAPITRE 3. OPTIMISATION
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
GWU (UHVHDX (UHVHDX6 (ORVW
Poffre,min Poffre,min
Puissance(kW)
Puissance(kW)
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)
Temps (h) Temps (h)
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)
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)
Temps (h)
Temps (h)
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-
3.4. COMPARAISON CA ET MODÈLES NLP/LP/MILP 139
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.
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 .
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)
SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %) SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %)
Energie (kWh)
Energie (kWh)
SOC
Temps (h) Temps (h)
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
SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %) SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %)
Energie (kWh)
Energie (kWh)
SOC
Temps (h)
Temps (h)
Puissance(kW)
Puissance(kW)
Pprod
Poffre,min/max
SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %) SSE - Etat de charge (S = 1000 kWh, SOCmin/max = 10/95 %)
Energie (kWh)
Energie (kWh)
SOC
Temps (h) Temps (h)
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.
142 CHAPITRE 3. OPTIMISATION
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.
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.
144 CHAPITRE 3. OPTIMISATION
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.
4.2.1 Principe
145
146 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
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).
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
4.2. DIMENSIONNEMENT TECHNICO-ÉCONOMIQUE 149
seuilD = 0% 1262 kWh/MWc seuilD = 0% 1230 kWh/MWc
seuilD = 5% seuilD = 5%
seuilD = 10% seuilD = 10%
seuilD = 15% seuilD = 15%
seuilD = 20% seuilD = 20%
1137 kWh/MWc 1100 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
;
<
SeuilC (%)
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.
150 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
Éolien
Houle
Solaire PV
Éolien
Houle
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 )
SeuilC (%S ∗ ) SeuilC (%S ∗ )
(c) Influence sur l’énergie conforme. (d) Influence sur l’énergie perdue.
Eolien
Houle
Capacité optimale (kWh/MWc)
PV
Wind
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 ∗ )
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
152 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
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).
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%.
4.2. DIMENSIONNEMENT TECHNICO-ÉCONOMIQUE 153
Eolien Eolien
Houle Houle
Solaire PV Solaire PV
Capacité optimale (kWh/MWc)
Limite Domaine de Viabilité
Tolérance (%P prod ) Tolérance (%P prod )
Energie perdue (%Eprod )
Energie conforme (%Eprod )
Tolérance (%P prod ) Tolérance (%P prod )
∗
(c) Egrid,S1a vs tol. ∗
(d) Elost vs tol.
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.
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
154 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
Eolien Eolien
Houle Houle
Solaire PV Solaire PV
Capacité optimale (kWh/MWc)
Tolérance (%P prod ) Tolérance (%P prod )
Energie Réseau conforme (%Eprod )
Tolérance (%P prod ) Tolérance (%P prod )
∗
(c) Egrid,S1b vs tol. ∗
(d) Elost vs tol.
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.
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).
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-
4.2. DIMENSIONNEMENT TECHNICO-ÉCONOMIQUE 155
Eolien
Houle
Solaire PV
Eolien
Houle
Solaire PV
Capacité optimale (kWh/MWc)
Tarif (euros/MWh)
Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
(a) S ∗ vs PG . (b) F IT ∗ vs PG .
Eolien Eolien
Houle Houle
Solaire PV Solaire PV
Energie Réseau conforme (%Eprod )
Energie perdue (%Eprod )
Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
∗
(c) Egrid,S2a vs PG . ∗
(d) Elost vs PG .
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)
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.
4.2. DIMENSIONNEMENT TECHNICO-ÉCONOMIQUE 157
Eolien Eolien
Houle Houle
Solaire PV Solaire PV
Capacité optimale (kWh/MWc)
Tarif (euros/MWh)
Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
(a) S ∗ vs PG . (b) F IT ∗ vs PG .
Eolien Eolien
Houle Houle
Solaire PV Solaire PV
Energie Réseau conforme (%Eprod )
Energie perdue (%Eprod )
Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
∗
(c) Egrid,S2b1 vs PG . ∗
(d) Elost vs PG .
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.
158 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
Eolien Eolien
Houle Houle
Solaire PV Solaire PV
Capacité optimale (kWh/MWc)
Tarif (euros/MWh)
Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
(a) S ∗ vs PG . (b) F IT ∗ vs PG .
Eolien Eolien
Houle Houle
Solaire PV Solaire PV
Energie Réseau conforme (%Eprod )
Energie perdue (%Eprod )
Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
∗
(c) Egrid,S2b2 vs PG . ∗
(d) Elost vs PG .
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
Capacité optimale (kWh/MWc)
Tarif (euros/MWh)
Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
(a) S ∗ vs PG . (b) F IT ∗ vs PG .
Éolien Éolien
Houle Houle
Solaire PV Solaire PV
Énergie Réseau conforme (%Eprod )
Énergie perdue (%Eprod )
Puissance garantie (kW/MWc) Puissance garantie (kW/MWc)
∗
(c) Egrid,S2c vs PG . ∗
(d) Elost vs PG .
Figure 4.10 – Dimensionnement SSE - scénario S2c puissance garantie 7h-17h et 19h-
21h.
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
160 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
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.
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)
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.
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].
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)
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.
162 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
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.
Nombre Solutions Viables
Eolien
Houle
PV
Kí Kí Kí Kí Kí Kí Kí Kí Kí Kí KíKí
Créneau horaire H1-[H1+3;23h]
Eolien
Houle
PV KíK KíK
KíK KíK
Kí Kí Kí Kí Kí Kí Kí Kí Kí KíKíKí
Créneau horaire H1-[H1+3;23h]
(b) Puissance garantie pointe [18h-22h].
Capacité SSE (kWh/MWc)
Eolien
Houle
PV
Kí Kí Kí Kí Kí Kí Kí Kí Kí Kí KíKí
Créneau horaire H1-[H1+3;23h]
Eolien
Houle
PV
Kí Kí Kí Kí Kí Kí Kí Kí Kí KíKíKí
Créneau horaire H1-[H1+3;23h]
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.
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 /
164 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
11h-15,16,17h.
Eolien Eolien
Houle Houle
PV PV
KíK KíK
KíK
KíK
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)
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.
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
S* (kWh/MWc)
S* (kWh/MWc)
Part Houle Part PV
S* (kWh/MWc)
Part PV
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.
166 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
S* (kWh/MWc)
S* (kWh/MWc)
Part Houle Part PV
S* (kWh/MWc)
S* (kWh/MWc)
Part PV Part PV
S* (kWh/MWc)
S* (kWh/MWc)
Part PV Part PV
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
168 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
4.4.1.2 Modèle
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
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.
170 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
Table 4.3 – Bornes des variables de sortie du modèle CA retenues pour l’AS.
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. ANALYSE DE SENSIBILITÉ 171
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
3F 3G 6 VRF GRGPD[ 5F 5G VHXLO& VHXLO' DOSKD WRO FRHISUHY
3F 3G 6 62& GRGPD[ 5F 5G VHXLO& VHXLO' DOSKD WRO FRHISUHY
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
S ∗∗
Egrid
∗
Elost
∗
Elack
F IT ∗ ∗
Indice de sensibilité
Sto.use ∗
SocMoy
3F 3G GRGPD[ 5F 5G VHXLO& VHXLO' F,QY F6WR RP G9LH6WR LQIO DFW WD[H5HY
S ∗∗
Egrid
∗
Elost
∗
Elack
Indice de sensibilité
F IT ∗ ∗
Sto.use ∗
SocMoy
3F 3G GRGPD[ 5F 5G VHXLO& VHXLO' F,QY F6WRFN RP '9LH6WR ,QIO $FW 7D[H5HY
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.
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.
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)
Tolérance (%P prod ) Tolérance (%P prod )
EinjServ (%Eprod )
FIT (euros/MWh)
Tolérance (%P prod ) Tolérance (%P prod )
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.
Eolien Eolien
Houle
Houle PV
PV
Capacité SSE requise(kWh/MWc)
í í í í í í í í í í í í
Variation Qualité Prévision (%) Variation Qualité Prévision (%)
í í í í í í í í í í í í
Variation Qualité Prévision (%) Variation Qualité Prévision (%)
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.
180 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
Conclusions et Perspectives
Conclusion générale
181
182 CHAPITRE 4. DIMENSIONNEMENT OPTIMAL
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
WIND
Default Mean Time DM T (h)
WAVE
PV
Default Time Rate (%)
Adaptive parameter (%storage size) Adaptive parameter (%storage size)
Default Time Rate (%)
Adaptive parameter (%storage size) Adaptive parameter (%storage size)
185
186 ANNEXES
A1.2 Algorithme CA
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
42: Si SOC(t) > seuilsoc haut Alors
43: Pt = Pof f re (t) + ξ5 · tol sup − Pprod (t)
44: seuilsoc haut = SOC+
45: Sinon
46: Pt = Pof f re,min (t) + ξ4 · tol inf − Pprod (t)
47: Fin Si
48: CHARGE(−Pt )
49: Fin Si
50: Fin Pour
Puissance(kW) / Energie (kWh)
[
Temps (10min)
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) [
[
Puissance(kW) / Energie (kWh)
Temps (10min) [
Temps (10min) [
Figure A.3 – Puissance injectée et SOC - service S2a (puissance garantie annuelle).
190 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]
Puissance garantie annoncée sur [18h-22h]
(c) PV.
Artelys, E. Consulting, and G2ELab. Etude sur le potentiel du stockage d’énergies. Tech-
nical report, ADEME, ATEE, DGCIS, 2013.
195
196 BIBLIOGRAPHIE
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.
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.
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.
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
GIEC. Special report carbon dioxide capture and storage summary for policymakers.
Technical report, International Panel on Climate Change (IPCC), 2011.
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.
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.
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.
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.
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.
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.
D. Lefevre and C. Guilbaud. Hybrid energy storage for renewable energy insertion into
island grids. In Proceedings of SHF conference, 2011.
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.
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.
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.
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.
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. Pestourie. Les enr intermittentes. cas des réseaux insulaires. Technical report, EDF
R&D, 2012.
S. S. Rao. Engineering Optimization - Theory and Practice. New Age International, 1996.
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.
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.
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.
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.