La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Développement d'une capacité de prévision de la production éolienne

Touani Tchanko, Joseph Ismael (2011). Développement d'une capacité de prévision de la production éolienne. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (4MB) | Prévisualisation
[img]
Prévisualisation
PDF
Télécharger (921kB) | Prévisualisation

Résumé

L’énergie éolienne a connu une croissance importante au cours de la dernière décennie dans beaucoup de régions dans le monde. Elle constitue par conséquent la source d’énergie renouvelable qui présente le plus grand taux d’intégration au sein des réseaux électriques. Pour soutenir son évolution et augmenter sa valeur économique, l’industrie éolienne et la recherche doivent être capables de trouver les solutions des problèmes qui peuvent freiner son évolution et qui sont liés à la nature de cette source d’énergie. L’un des principaux défis étant de trouver des solutions face à l’intermittence du vent qui rend sa production variable et incontrôlable. Pour ce faire, le développement d’outils capables de prédire la puissance produite des centrales éoliennes à court terme est une solution qui aidera les opérateurs des réseaux électriques à intégrer davantage l’énergie éolienne dans leur portefeuille énergétique tout en maintenant le réseau électrique équilibré en tout temps.

Le développement d’un modèle de prévision de la production éolienne en utilisant une approche physique se fait en deux étapes. La première étape consiste à prédire la vitesse du vent et d’autres variables météorologiques (température, pression, humidité, etc.) au niveau de la centrale éolienne et la seconde consiste à utiliser un modèle de puissance pour convertir ces prévisions du vent en prévisions de la puissance. Cette étude se concentre sur la deuxième dont le but est de proposer une méthodologie permettant d’évaluer la courbe de puissance d’une centrale éolienne et par la suite, d’utiliser cette courbe de puissance pour convertir des prévisions du vent en prévisions de la puissance produite d’une centrale éolienne.

Le développement de la courbe de puissance est effectué en menant une série d’expériences qui ont permis de converger vers une méthodologie offrant une bonne précision, en utilisant les données mesurées du vent et de la puissance produite d’une centrale éolienne. En comparant la méthode des Bins avec les réseaux de neurones artificiels (RNA), les résultats ont montré que les RNA procurent les meilleurs résultats, principalement à cause de leur facilité à prendre en compte plusieurs variables, même avec un nombre limité de données mesurées. Une expérience similaire est effectuée en comparant deux différentes proches tout en utilisant la même méthode. La première consiste à modéliser la courbe de puissance de la centrale éolienne en utilisant la vitesse du vent lue à un mât de mesures; tandis que la deuxième utilise la moyenne des vitesses du vent lues aux éoliennes. Les réseaux de neurones sont exploités pour tester l’influence de plusieurs paramètres météorologiques sur la courbe de puissance de la centrale éolienne. La courbe de puissance de la centrale éolienne est donc proposée en utilisant la meilleure méthode identifiée, l’approche offrant le meilleur résultat et les paramètres s’étant avérés plus pertinents. La courbe de puissance de la centrale éolienne est par la suite utilisée pour convertir les prévisions météorologiques calculées par GEMLAM 2.5km en prévisions de la puissance produite. L’évaluation du modèle, par le calcul des paramètres statistiques, a permis d’enregistrer une erreur absolue moyenne normalisée qui varie entre 9.6 et 14.1 % de la capacité totale de la centrale sur les 48 horizons de prévision disponibles. Cette étude a été menée en utilisant les données mesurées de deux centrales éoliennes situées au Canada.

Résumé traduit

During the last decade, the total installed capacity of wind energy has grown all over the world. In most countries, governments and industry actors of wind energy plan to sustain this growth in order to be able to reach at least 20 percent of the total generated electricity provided by wind energy in 2030. To achieve that goal, it will be necessary to face the problems related to the nature of that source of energy, especially the problem of the wind intermittency. In fact, wind power output depends on weather conditions that cannot be directly controlled by humans. The wind intermittency induces fluctuations of the power outputs of wind farms and this is a special challenge for utility systems operations. To face that problem, one solution consists in developing wind power forecasting systems that will make wind power output more predictable and then, will facilitate its integration toward electricity grids.

Wind farm power output forecasting systems using physical approach are generally made in two steps. The first one consists in predicting the wind (wind speed, temperature, pressure, humidity, etc.) at the level of the wind farm and the second consists in translating the predicted wind into the predicted power output by using a wind to power model. This study is focused on the second step with the main objective to propose a methodology able to calculate the wind farm power curve with the best accuracy possible. This power curve will then be used to translate predicted winds into predicted power outputs of the wind farm.

In this study, several experiments have been conducted to identify an accurate way to model the wind farm power curve using historical wind farm power production and wind measurements. Comparing the Bin Method and Artificial Neural Networks (ANN), results show that ANN perform better, mainly due to the fact that they can easily add more variables, even with a limited quantity of data. Also, the influence of several parameters has been tested using ANN. Two additional methods for the wind farm power curve modeling have been examined. The first method consists in modeling the wind farm power curve by comparing the wind speed at a reference wind mast to the total power output; while the second method consists in modeling the wind farm power curve by comparing the average wind speed at the hub height of each wind turbine to the total power output. The wind farm power curve developed is then used to predict power outputs using GEM-LAM 2.5 km predicted meteorological variables as inputs. The methods were applied to two operating wind farms in Canada. The analysis of the model forecasts revealed a normalized mean absolute error in the ranges of 9.6 to 14.1% for a 48-hour forecast horizon.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise en génie concentration énergies renouvelables et efficacité énergétique" Bibliogr. : f. [121]-124.
Mots-clés libres: Énergie éolienne Prévision Modèles mathématiques. Centrales éoliennes Canada. Industrie éolienne. Temps (Météorologie) Prévision de probabilité. Vents Prévision. Réseaux neuronaux (Informatique). Bins, Courbe, Méthode, Puissance, RNA, Neurone.
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Masson, Christian
Co-directeurs de mémoire/thèse:
Co-directeurs de mémoire/thèse
Gagnon, Yves
Programme: Maîtrise en ingénierie > Génie
Date de dépôt: 26 oct. 2011 20:07
Dernière modification: 02 mars 2017 01:01
URI: http://espace.etsmtl.ca/id/eprint/925

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt

Statistique

Plus de statistique...