Étude de la variabilité, Stationnarisation et corrélation spatio-temporelle

Étude de la variabilité, Stationnarisation et corrélation spatio-temporelle

Dans ce chapitre, nous présentons dans un premier temps les différents jeux de don- nées et leurs caractéristiques. Nous présentons ensuite une analyse de la variabilité de la production des centrales PV. La méthode de stationnarisation des séries de produc- tion est ensuite détaillée. Cette méthode a été présentée dans le premier article publié qui est fourni en annexe. Les séries stationnarisées par la méthode proposée sont éva- luées par des tests de stationnarité et les performances de prévision. Enfin, nous mettons en évidence l’intérêt de la modélisation spatio-temporelle par le calcul des corrélations spatio-temporelles entre les mesures de production stationnarisées. La limite temporelle et spatiale de la propagation de ces corrélations est aussi évaluée.Plusieurs données ont été exploitées dans le cadre de cette thèse. Nous présentons ici deux principaux jeux de données de centrales PV qui correspondent à des localisations, des puissances installées, des conditions climatiques et des répartitions géographiques différentes.dans toute la suite est constitué de séries temporellesde mesure de la production PV de 9 centrales situées dans le sud de la France (sauf une en région parisienne). Les centrales sont représentées sur la figure 2.1. Les puissances crête des centrales varient de 45 kWc à 5 MWc. La distance entre les centrales varie de 5 km à 783 km. Le tableau 2.1 présente les distances entre les différentes centrales labellisées, i = 1 . . . 9. Les données couvrent une période de 20 mois à partir de juillet 2013 avec une résolution allant de 6 min à 15 min en fonction du site. Un contrôle de la qualité des données a été effectué pour enlever les valeurs aberrantes et procéder à une imputation des données manquantes. La production a été supposée nulle entre 22h et 5h du matin. Les données ont été ensuite interpolées à un pas de temps de 15 min pour la suite des travaux.

Le second jeu de données est un bon exemple d’un cas d’étude comportant un nombre important de centrales avec une répartition géographique très dense. Ce cas d’étude com- porte les données de 905 onduleurs installés dans la région centre-ouest de la France. Les puissances crêtes varient de 3.2 kWc à 58 kWc. Ces onduleurs correspondent à 185 centrales photovoltaïques différentes. Les centrales sont présentées sur la figure 2.2. La distance entre les centrales varie de 1 km à 230 km. Les données de production couvrent la période de novembre 2014 à mars 2016. Le même traitement des données que celui du premier cas d’étude a été effectué sur ce second cas d’étude et les données ont été inter- polées à une résolution commune de 15 min. Après traitement des données, 136 centrales ont été retenues. La production PV est caractérisée par une variabilité importante. Les principales sources de cette variabilité sont la saisonnalité et les conditions climatiques. Si les varia- tions saisonnières sont assez bien prévisibles car liées à la course du soleil, celles liées au climat notamment à la couverture nuageuse, le sont beaucoup moins.

La variabilité de la production d’une installation PV ou d’un réseau de plusieurs ins- tallations PV peut être analysée par différents critères. Dans [100], on retrouve un outil d’analyse de cette variabilité appelé « variabilité relative de la production ». On définit la variabilité d’un ensemble de N installations PV par :la variabilité relative en fonction de la centrale. Les valeurs de variabilité observées varient entre 30% et 80% traduisant ainsi une forte variabilité de la production PV. La variabilité peut être aussi analysée visuellement en s’inspirant de la série des différences proposée dans [100]. On définit donc une nouvelle série des différences Pnumériques ne permettent pas de répondre efficacement à la maitrise de la variabilité de la production notamment à très court-terme (quelques minutes à quelques heures). Hormis la variabilité due à la course du soleil, les erreurs observées dans le cadre de la prévision de production des énergies renouvelables sont liées à la faible performance des modèles pour l’anticipation des perturbations météorologiques. Ces perturbations sont la plupart du temps des phénomènes qui se propagent spatialement.