prédiction court terme de la production éolienne · production éolienne p. pinson École des...
TRANSCRIPT
Prédiction court terme de la
production éolienne
P. Pinson
École des Mines de Paris.Centre d’Énergétique
B.P. N° 207, Sophia Antipolis Cedex.Tél: 0493957546, Fax: 0393957535, [email protected]
2
Plan de la présentationPlan de la présentation
1. Situation actuelle de l’énergie éolienne en Europe
2. État de l’art concernant la prédiction de la production éolienne
3. Le modèle développé à l’Ecole des Mines : exemple de prédiction et performances
4. ANEMOS, un projet européen consacré à la prédiction de la production éolienne
3
L’Énergie éolienne en EuropeL’Énergie éolienne en Europe
2003
2010
25 GW
70-75 GW
Challenges ! Intégration fiable à grande-échelle de l’énergie éolienne. ! Compétitivité de l’énergie éolienne dans un marché libéralisé
d’électricité. ! Gestion économique et sécurisée du système électrique.
4
Prédiction courtPrédiction court--termeterme
• Prédictions de la production des fermes éoliennes pour lesprochaines 1 à 48 heures.
• Intervalles de confiance.
+1h +6h +12h +18h +24h +30h +36h …. +48h
Production [MW]
0
1
2
3
4
5
6
7
t0
? MW
OBJECTIF
16 Oct.11:00 16 Oct. 23:00 17 Oct. 11:00 17 Oct. 23:00
5
Prédiction courtPrédiction court--termeterme
• Prédictions de la production des fermes éoliennes pour lesprochaines 1 à 48 heures.
• Intervalles de confiance.
+1h +6h +12h +18h +24h +30h +36h …. +48h
Production [MW]
0
1
2
3
4
5
6
7
t0
Persistance
Prédiction pour les 48 heures suivantes
Méthode avancée
OBJECTIF
16 Oct.11:00 16 Oct. 23:00 17 Oct. 11:00 17 Oct. 23:00
6
Prédiction courtPrédiction court--termeterme
+1h +6h +12h +18h +24h +30h +36h… +48h
Production [MW]
0
1
2
3
4
5
6
7
16 Oct.11:00 16 Oct. 23:00 17 Oct. 11:00 17 Oct. 23:00
t0
MesurePrédiction pour les 48 heures suivantes
• Prédictions de la production des fermes éoliennes pour lesprochaines 1 à 48 heures.
• Intervalles de confiance.
OBJECTIF
7
Entrées : Entrées : 1. Données en1. Données en--ligneligne
0
1
2
3
4
5
6
7
+1h +6h +12h +18h +24h +30h +36h… +48ht0
SCADA
MODELE
Prévisions de la production
1.
• Contribution pour une performance optimale très court-
terme (0-6 heures).• Approche statistique (ARMA, réseaux de neurones).
8
Entrées : Entrées : 2. Prévisions météo2. Prévisions météo
+1h +6h +12h +18h +24h +30h +36h… +48h
2.PREVISIONS METEO
MODELE
Prévisions de la production
0
1
2
3
4
5
6
7
t0
SCADA1.
9
Entrées : Entrées : 2. Prévisions Météo2. Prévisions Météo
+1h +6h +12h +18h +24h +30h +36h… +48h
2.PREVISIONS METEO
0
1
2
3
4
5
6
7
t0
15 km
• Vitesse à 10m + Niveaux atmosph.
• Résolution spatiale: 15-30 km• Produites 1-4 fois par jour
10
DownscalingDownscaling
+1h +6h +12h +18h +24h +30h +36h… +48h
2.PREVISIONS METEO
0
1
2
3
4
5
6
7
t0
15 km
• Extrapolation au niveau de la ferme
• Conversion à la hauteur des AGs.
11
Entrées : Entrées : 3. Terrain3. Terrain
+1h +6h +12h +18h +24h +30h +36h… +48h
TERRAIN3.
t0
blk
90000 95000 100000 105000 110000
315000
320000
325000
330000
0
1
2
3
4
5
6
7
OROGRAPHIE315000
320000
325000
330000
blk
90000 95000 100000 105000 110000
RUGOSITE321000
321200
321400
321600
321800
322000
322200
322400
322600
322800
323000
mm
ss
t1
t2
t3
t4
t5
t6
t7t8
t9t10
t11
t12
t13
t14
t15t16t17
t18t19
t20t21
98600 98800 99000 99200 99400 99600 99800 100000 100200 100400 100600 100800 101000 101200 101400
PLAN DES AG
12
Approches : Approches : ‘PHYSIQUE’ ‘PHYSIQUE’ 11
+1h +6h +12h +18h +24h +30h +36h… +48h
TERRAIN 2.PREVISIONS METEO
MODELE
Prévisions de la production
3.
0
1
2
3
4
5
6
7
t0
SCADA1.
13
Approche : Approche : ‘PHYSIQUE’ ‘PHYSIQUE’ 22
+1h +6h +12h +18h +24h +30h +36h… +48h
TERRAIN 2.PREVISIONS METEO
MODELE
Prévisions de la production
3.
0
1
2
3
4
5
6
7
t0
SCADA1.
14
Approche : Approche : ‘STATISTIQUE’‘STATISTIQUE’
+1h +6h +12h +18h +24h +30h +36h… +48h
TERRAIN 2.PREVISIONS METEO
MODELE
Prévisions de la production
3.
0
1
2
3
4
5
6
7
t0
SCADA1.
15
État de l’artÉtat de l’art
Prediktor Risø Physical -
WPPT IMM; Technical University of Denmark
Statistical ≈1GW,West-Denmark
Zephyr, Combination of WPPT and Predictor
Risø and IMM Physical,Statistical
-
Previento University of Oldenburg, Germany
Physical -
HIRPOM University College Cork, IrelandDanish Meteorological Institute
Physical Under development
SIPREÓLICO University Carlos III, Madrid Statistical ≈ 4 GW, Spain
More-Care WPF (Armines)
Armines/Ecole des Mines de Paris
Statistical,Fuzzy Neural networks
Crete, Ireland, Madeira, Azores
AWPT ISET Statistical,Neural networks
≈ 10 GW, Germany
Prediction Model Developer Method Operation
16
L’INTERFACEHOMME-MACHINE
En opération en Irlande, en
Crète, à Madeire et aux
Azores
Le système en opérationLe système en opération……
17
… aussi dans un SCADA industriel… aussi dans un SCADA industriel
WindFarm
WindDirection
UpdatePastWi
ndData
WindFarm
WindSpeed
WindDirection
WindSpeed
WindDirection
ConvertSkiron
FarmId
WindSpeed
WindDirection
CombineMai
nData
CombineMai
nData
WindDirection
Hilarm
WindFarm
WindFarm
WhenOff
WhenOn
AvailHorizon
WindFarm
TurbineNumber
Avaliability
WindFarm WindFarm
Windfarms
LinkToWF
FarmId
WindSpeed
WindDirection
WindFarms
LinkToWF
WindFarm
WindSpeed
WindDirection
WindFarms
WindFarm
WindSpeed
WindDirection
WindPower
ReadScada
WindFarm
WindSpeed
WindDirection
GetLongTerm
Setup ArminesSetup Armines
Setup ArminesSetup Armines
Setup ArminesSetup Armines
ParamsParams
SCADA
STWFMOD_Wind_Output
Time
Farm
Cluster
Turbines
Speed
Power
WF_METEO
Time
SKIRON
Data
PAST_Wind
Time_Index
Power
SCADA
HILARM
WindSpeed
Convert
Data
Availability
Turbines
Wind Farm
Time_Index
Cluster
Calculate
on Horizon
Static_Static_
Insert Data
For Short
Term Linked
ST_
PAST_Wind
Time_Index
Power
Insert data For
Long Term
LT_
LTWF_METEO
Time
LTWFMOD_Wind_Output
Time
Farm
Cluster
Turbines
Speed
Power
Start
Online_
STWF_Wind_Output
Time
Farm
Cluster
Turbines
STWF_Wind_Output
Time
Farm
Cluster
Turbines
LTWF_METEO
Time
Horizon
Forecasts
LTWF_Wind_Output
Time
Farm
Cluster
Turbines
Speed
Power
LTWF_Wind_Output
Time
Farm
Cluster
Turbines
Speed
Power
_WF_M1b__WF_M1b_
_WF_M1c__WF_M1c_
MAIN_MAIN_
Modules court-terme
(systèmes autonomes) 0-6 heures
Entrées: SCADAFuzzy neural nets
Cluster
Speed
Power
Speed
Power
_WF_M1a__WF_M1a_
Modules long-terme
(systèmes interconnectés) 0-48 heures
Entrées: Météo, ScadaUpdates: chaque heurePas de temps: 1 heure
Fuzzy neural nets
18
Exemple de prédictionExemple de prédiction
Demande Électrique : 1500 – 4100 MW
Puissance Éolienne Installée 2002: 140 MW
Projection 2005 : 500 MW
Projected Increase in Wind Generation
0200400600800
10001200
1999
2001
2003
2005
2007
2009
Years
MW
CurrentPlans
PossibleExpansion
Cas d’Étude: Irlande
Source: ESB National Grid
19
0
0.2
0.4
0.6
0.8
1
1.2
1 1001 2001 3001 4001 5001 6001 7001 8001 9001 10001
Time [x1 hour]
Power/Pnominal [p.u.]
Prédiction enPrédiction en--ligneligne
Production d’une ferme éolienne
20
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 26 51 76 101
126
151
176
201
226
251
276
301
326
351
376
401
426
451
476
501
526
551
576
601
626
651
676
701
726
751
776
801
826
851
876
901
926
951
976
1001
Time [x 1 hour]
Power/Pnominal [p.u.]
9000 9500 10000
Prédiction enPrédiction en--ligne: ligne: IRLANDEIRLANDE
Production d’une ferme éolienne
21
0
1
2
3
4
5
6
7
1 7 13 19 25 31 37 43Look-ahead time [h]
Pow
er [M
W]
P9086_2
F9086_2
0
1
2
3
4
5
6
7
8
1 7 13 19 25 31 37 43Look-ahead time [h]
Pow
er [M
W]
P9101_2
F9101_2
0
1
2
3
4
5
6
7
1 7 13 19 25 31 37 43Look-ahead time [h]
Pow
er [M
W]
P9130_2
F9130_2
MesuresPrédiction
Exemple de prédiction à 43
heures de la production
d’une ferme éolienne
PerformancePerformance
22
0
1
2
3
4
5
6
7
1 7 13 19 25 31 37 43
Look-ahead time [h]
Power [MW]
MeasurePrediction (origin hour 8467)
0
1
2
3
4
5
6
7
1 7 13 19 25 31 37 43
Look-ahead time [h]
Power [MW]
MeasurePrediction (origin hour 8467)
Exemple de prédiction
à 43 heures de la
production d’une
ferme en Irlande
Le cas typique (bonne précision pour 1-24 heures, plus faible entre 24-48 heures):
PerformancePerformance
23
Erreur (RMS)Pnominale de la ferme
100%
9-20 %de la Puissance Nominale
ERREUR (RMS):
Période : hiver 2003
Performance (statistiques)Performance (statistiques)
24
Jusqu’à plus de 50%d’amélioration par rapport
à la Persistance
RMS(Modèle)-RMS(Persist.)
RMS(Persist.)100%
RMS: Root Mean Square error.
Période : hiver 2003
Performance (statistiques)Performance (statistiques)
25
Intervalles de confiance 85% (calculés par une méthode basée sur le concept
de ‘Resampling’)
Exemple de prédiction
à 43 heures de la
production d’une
ferme en IrlandeMesures Prédiction
Intervalles à 85%
Gestion de l’incertitudeGestion de l’incertitude
26
Projets de RechercheProjets de Recherche19921992--20032003
LemnosWind Power Integration Study
CARE
MORE-CARE
DispowerRespireMicroGrids
ANEMOS (2002-2006)
1992
27
ANEMOS ProjectANEMOS Project
FRANCE: ! Ecole des Mines de Paris/ARMINES
(coordinator)! ARIA Technologies! EDF! Meteo France
DANEMARK: ! RISOE ! IMM - Technical University of Denmark! ELSAM
ESPAGNE:! CIEMAT! Carlos III University of Madrid! EHN - Energia Hidro. de Navarra! REE- Red Eléctrica de España! IDAE
ALLEMAGNE:! University of Oldenburg! EWE! OVERSPEED GmbH
IRELANDE:! ESB National Grid
GRECE:! IASA - University of Athens! NTUA - ICCS! PPC
GRANDE-BRETAGNE:! RAL-Rutherford Appleton Lab.
http://anemos.cma.fr
“Development of A NExt generation wind resource forecasting systeM for thelarge-scale integration of Onshore and off-Shore wind farms”.
• ARMINES
• CENERG
• Uni OLDENBURG
• ICCS / NTUA
• PPC
"ESB
• EDF
• EHN
•UC3M
" REE
• IDAE
• METEOFRANCE
• EWE
• OVERSPEED
RAL •
• IASA
CIEMAT•
• ELSAM• RISOE
• DTU
• ARIA
20 PARTENAIRES, 7 PAYS
20022002--20062006
ENERGIE: ENK5-CT-2002-00665
28
! ÉvaluationÉvaluation des performances des modèles existants au travers de cas tests réels dans plusieurs pays et Amélioration Amélioration de ces modèles.! Évaluation Évaluation des différents systèmes de prévisions météo (Hirlam, Météo-France, Skiron).
! PlatePlate--forme forme de de prédiction prédiction ‘ANEMOS’
RECHERCHE :RECHERCHE :
DEVELOPMENT:DEVELOPMENT:
État de l’art État de l’art ::
http://anemos.cma.fr
ANEMOSANEMOSObjectifsObjectifs
!! Modélisation statistique et physiqueModélisation statistique et physique (terrains complexes, CFD).
! Incertitude/Risque des prédictionsIncertitude/Risque des prédictions et mesure/visualisation en-ligne des erreurs.
! Prévision météo haute résolutionPrévision météo haute résolution.
!! «« UpscalingUpscaling »» (prédiction au niveau régional/ national).
! OffOff--shoreshore (premiers résultats de prédiction pour des fermes offshore).
29
ANEMOSANEMOSApplications / Cas d’étudeApplications / Cas d’étude
Single FarmsRegional/National
ScaleRegional/National
ScaleIslandsIslands
Various Terrains
APPLICATIONSAPPLICATIONS
Off-ShoreOff-ShoreOn-ShoreOn-Shore
30
ConclusionsConclusions
La prédiction de la production éolienne : un outil essentiel pour une gestion optimale des parcs éoliens.
Le module de prédiction développé par l’École des Mines : un système complet (prévision ‘spot’, gestion de l’incertitude) en opération dans plusieurs pays européens.
Le projet européen ANEMOS : un projet ambitieux pour un large développement de la prédiction éolienne et une meilleure intégration de l’énergie éolienne sur le réseau électrique.