Télécharger le fichier original (Mémoire de fin d’études)
Simulations prospectives pour l’aide à la planification
Résumé du chapitre
Les gestionnaires du réseau de distribution utilisent des méthodes de prévision de la consom-mation électrique future pour dimensionner leur réseau. Elles se basent majoritairement sur des mesures passées et des tendances économétriques ou démographiques. Dans ce chapitre, nous dé-crivons la méthode traditionnelle utilisée par Enedis pour planifier son réseau HTA et BT, pour comprendre l’intérêt d’utiliser le simulateur de courbes de charge en complément de ces méthodes. Nous détaillons une manière d’utiliser le simulateur de courbes de charge à ces fins. Nous décrivons les principaux facteurs influençant la consommation future, et des pistes pour modéliser leur évolu-tion. La planification du réseau de distribution doit aussi prendre en compte l’intégration de plus en plus importante des énergies renouvelables décentralisées. Le simulateur de production renouvelable utilisé par le centre PERSEE est donc aussi présenté ainsi que son utilisation avec différents scéna-rios. Un bilan sur la démarche de simulations prospectives est finalement proposé et la contribution des différentes parties de la thèse dans cette démarche est soulignée.
Deux cas d’étude sont décrits et mettent en pratique la démarche et les outils développés pendant la thèse.
Le premier est un cas d’étude sur 10 départs HTA de la ville de Brest. Il illustre les diffé-rentes fonctionnalités issues de l’association des bases de données et de l’utilisation du simulateur de courbes de charge par rapport aux méthodes traditionnelles d’Enedis. Il montre aussi les amé-liorations à apporter au modèle et à la démarche, notamment sur la calibration en énergie et la qualité des mesures utilisées pour la calibration.
Le deuxième cas d’étude, effectué sur deux départs HTA dans la région de Lyon, propose d’étu-dier l’impact d’un fort taux de pénétration d’énergies renouvelables sur un critère de dimensionne-ment du réseau HTA. Les résultats suggèrent qu’en ne considérant que le critère du nombre d’heures de dépassement de la puissance maximale, les énergies renouvelables peuvent être introduites de fa-çon importante sans renforcement du réseau. Dans le cas de l’éolien, une forte pénétration peut même amener à une diminution de la contrainte liée à ce critère. Ces résultats sont cependant à nuancer car l’étude ne tiens pas compte d’autres problématiques comme celles de tension ou de déséquilibre des phases.
Après avoir validé le modèle de consommation électrique, celui-ci peut être utilisé pour différents objectifs, que nous avons recensés au 4.1.1. Dans ce chapitre, nous proposons quelques pistes pour utiliser le simulateur de courbes de charge pour simuler la consommation électrique future à des fins d’aide au dimensionnement du réseau de distribution.
Contexte du dimensionnement du réseau de distribution
Les gestionnaires du réseau de distribution (GRD) doivent s’assurer de desservir en électricité leurs différents clients. Les ouvrages (e.g. lignes électriques, transformateurs, disjoncteurs) qui rem-plissent la fonction de desserte ont une durée de vie importante, souvent de plus de quarante ans, et ont des coûts d’investissement importants [51].
Avant d’installer ces ouvrages, le GRD doit s’assurer qu’ils seront capables de répondre à un certain nombre de critères pour leur dimensionnement. Parmi ces critères, on a la tenue en tension, en courant maximal, aux conditions extérieures (température, humidité, vent etc.), le vieillissement, le rendement (notamment car les pertes ont un coût sur toute la durée de vie de l’ouvrage) et le coût. Le GRD doit donc notamment estimer le courant maximal auquel sera soumis chacun des ouvrages sur le long terme. C’est une phase importante de la planification du réseau de distribution. Pour faire cela, les méthodes actuelles se concentrent sur l’estimation de la puissance maximale de la demande. Cependant, une estimation dynamique de la demande, sous forme de courbes de charge annuelles donnerait beaucoup d’informations utiles pour la planification. Cela permettrait notamment, en analysant l’allure temporelle et les différents contributeurs de la consommation, d’étudier de nouvelles stratégies comme la gestion de la demande [73], le stockage couplé aux énergies renouvelables [104], ou encore la diminution de la puissance maximale consommée par la production renouvelable locale [124]. Tout cela permettrait de quantifier et éventuellement limiter des investissements sur le réseau de distribution.
Méthode de planification du réseau d’Enedis
Planification du réseau HTA
La méthode de planification du réseau HTA d’Enedis est décrite en [146], et est résumée ci-dessous. Deux calculs de puissance sont utilisés pour le dimensionnement du réseau : P ∗max et P tmb. Ces valeurs correspondent à des valeurs de puissance relevées par périodes de 10 minutes. Notons que ces valeurs dimensionnantes servent ensuite d’entrée dans le modèle de calcul du réseau d’Enedis “ERABLE” [98].
• P ∗max est la puissance mesurée le jour le plus chargé de l’année. Cette valeur est corrigée en fonction de la température normale Tnz de la zone considérée ; définie comme étant la température moyenne statistiquement observée par les services de la météo le 15 janvier, sur plusieurs décennies.
• P tmb est la puissance estimée à la température minimale de base Tmbz de la zone considérée
(température froide dont la probabilité d’occurrence est de 1 jour par an). P tmb est calculée à partir de P ∗max qui est ramenée à la température minimale de base.
P ∗max sert pour le régime de secours, aussi appelé “situation N-1”, quand le réseau est en situation d’incident. La puissance P ∗max est révisée tous les ans grâce à la mesure des intensités transitant dans les départs HTA. Quand à P tmb, celle-ci sert à dimensionner le réseau pour le régime normal, dans les conditions les plus sévères [98].
En pratique, la correction en température s’effectue en calculant la thermosensibilité du départ HTA considéré, comme décrit au 3.3.5. Ce calcul est rendu possible avec les mesures effectuées sur les départs HTA depuis des années (voir 3.2.1). On note P z la consommation électrique d’un départ HTA sur un an, T z la série temporelle de la température moyenne de la zone desservie par le départ HTA. Une fois la thermosensibilité T hz du départ calculée, les puissances sont calculées comme il suit :
P ∗max = P z(t∗) + T hz × (Tnz − T z(t∗)) (6.1)
P tmb = P ∗max − T hz × (Tmb − Tnz) (6.2)
Avec t∗ = argmax(P z), Tnz et Tmb respectivement la température normale et la température minimale de base de la zone du départ HTA.
Grâce aux historiques de mesures et de températures, ces deux variables dimensionnantes peuvent être calculées sur plusieurs années. Cependant, en l’état, il n’est pas possible de simu-ler d’autres scénarios influençant la consommation (e.g d’évolution socio-économique ou d’efficacité énergétique, voir 6.2.1). Grâce au simulateur de courbes de charge, au préalable évalué et calibré sur les départs HTA (voir chapitre 5), il est possible de faire d’autres scénarios, et de calculer les P tmb et P ∗max correspondantes [124].
Planification du réseau BT
Bien que dans certains cas (e.g. sur la Côte d’Azur) la pointe de consommation apparaisse en été, la condition retenue comme la plus représentative pour la pointe de consommation est la température minimale de base (T mb) [146], que nous avons précédemment décrite.
Cependant, les départs BT ne sont pas ou peu instrumentés. Les seules mesures systématiques qui sont effectuées sont celles au niveau des compteurs individuels des clients, où des relevés sont effectués de façon annuelle ou éventuellement pluriannuelle.
Pour reconstruire la courbe de charge, Enedis se base sur un modèle probabiliste nommé Ba-gheera. C’est un modèle qui estime la courbe de charge théorique de chaque client en associant
à chaque client un profil-type, à l’aide de ses caractéristiques contractuelles (i.e. puissance sous-crite, activité du client, option tarifaire) [42]. Des exemples de courbes de charge reconstruites avec Bagheera à partir des profils-types des clients et de leurs caractéristiques sont présentés en figure6.1.
La thermosensibilité de chaque client est estimée à l’aide des relevés de compteurs, comme illustré à la figure 8.1 de l’annexe 8.1.1. Enedis applique ensuite un profil thermosensible type correspondant à chaque type de clients.
Les différents profils-types correspondants ont été déterminés par Enedis lors de campagnes de mesures sur des clients individuels représentatifs de chaque type de clients avec des compteurs intelligents au pas de temps de 1h, ce pendant des années.
Cependant, ces profils sont statiques et leur représentativité a été déterminée avant d’effectuer les mesures. De plus, chaque client est associé à son profil-type uniquement par ses caractéristiques contractuelles. Les bases de données autres que celles d’Enedis ne sont pas utilisées dans l’attribution des profils. Les profils ne sont pas dépendants des facteurs socio-économiques, sur les locaux, les appareils et les comportements d’utilisation (voir les définitions en section 2.2.2), contrairement au simulateur de courbes de charge. Les résultats de simulation des flux de puissance BT de Bagheera ne sont pas calibrés sur les mesures de départs HTA, contrairement à l’outil de simulation de courbes de charge. Bagherra permet de calculer les puissances dimensionnantes uniquement
Table des matières
Avant-propos
Table des figures
Liste des tableaux
Liste des notations
Remerciements
1 Introduction
1.1 Contexte et enjeux de la thèse
1.2 Problématique, objectifs, contributions
2 État de l’art des modèles de consommation électrique
Résumé du chapitre
2.1 Introduction du chapitre
2.2 Définitions, hypothèses et grille de lecture
2.2.1 La consommation électrique
2.2.2 Classification des facteurs influant sur la consommation électrique
2.3 Classification des différents modèles
2.3.1 Les modèles basés sur les consommations agrégées d’une zone
2.3.2 Les modèles basés sur la consommation par type de clients
2.3.3 Les modèles basés sur la consommation par usage
2.3.4 Les modèles basés sur la consommation par type de clients et par usage
2.3.5 Les modèles basés sur la consommation par client
2.3.6 Les modèles basés sur la consommation par appareil
2.3.7 Bilan des différents modèles de la littérature
2.4 Positionnement des travaux de la thèse
3 Constitution d’une base de données
Résumé du chapitre
3.1 Introduction du chapitre
3.2 Présentation des bases de données
3.2.1 Les bases de données d’Enedis
3.2.2 Les bases de données de l’INSEE
3.2.3 La base de données des fichiers fonciers
3.2.4 Les bases de données du CEREN
3.2.5 Les bases de données de l’IGN
3.2.6 Les données sur le parc d’appareils
3.2.7 Les campagnes de mesures
3.2.8 Les bases de données sur la météorologie
3.2.9 Conclusion sur les bases de données
3.3 Association de la base clients et de la base logement
3.3.1 Introduction au problème d’association
3.3.2 Description du problème d’association
3.3.3 Association par la méthode de référence
3.3.4 Association par une méthode d’optimisation
3.3.5 Quantification de l’intérêt de la méthode d’association
3.4 Conclusion et perspectives du chapitre
4 Construction d’un modèle de consommation électrique
Résumé du chapitre
4.1 Introduction du chapitre
4.1.1 Objectifs
4.1.2 Étude bibliographique des modèles bottom-up
4.1.3 Cahier des charges du simulateur de courbes de charge de la thèse
4.2 Description des modèles
4.2.1 Secteur résidentiel
4.2.2 Secteur tertiaire
4.2.3 Modèle de chauffage et de climatisation
4.2.4 Bilan des données d’entrée nécessaires pour les modèles et leur influence
4.3 Structure et implémentation du simulateur
4.3.1 Partie “coeur de calcul”
4.3.2 Étapes de la simulation
4.4 Conclusion et perspectives du chapitre
5 Validation et calibration du modèle
Résumé du chapitre
5.1 Introduction du chapitre
5.2 État de l’art de l’évaluation et la calibration des modèles bottom-up
5.3 Validation et calibration des consommations en énergie du secteur résidentiel .
5.4 Validation et calibration sur les départs HTA d’Enedis
5.4.1 Introduction
5.4.2 Validation et calibration des parties non thermosensibles
5.4.3 Calibration des parties thermosensibles
5.5 Conclusion et perspectives du chapitre
6 Simulations prospectives pour l’aide à la planification
Résumé du chapitre
6.1 Introduction du chapitre
6.1.1 Contexte du dimensionnement du réseau de distribution
6.1.2 Méthode de planification du réseau d’Enedis
6.2 Utilisation des outils de simulation et scénarisation
6.2.1 Utilisation du simulateur de courbes de charge
6.2.2 Utilisation du simulateur de production renouvelable
6.2.3 Bilan sur la démarche de simulations prospectives
6.3 Cas d’étude à Brest
6.3.1 Identification de la zone à simuler et données disponibles
6.3.2 Association de la base Enedis et INSEE
6.3.3 Évaluation et calibration du simulateur de courbes de charge sur les mesures
6.3.4 Mise en place de scénarios prospectifs
6.3.5 Résultats des simulations et calculs des indicateurs
6.4 Cas d’étude sur l’évolution des critères dimensionnant selon le taux de pénétration des énergies renouvelables
6.4.1 Introduction
6.4.2 Identification de la zone à simuler et données disponibles
6.4.3 Association de la base Enedis et INSEE
6.4.4 Évaluation et calibration du simulateur de courbes de charge sur les mesures
6.4.5 Scénarisations
6.4.6 Critère de dimensionnement et influence du taux de pénétration d’énergies
renouvelables
6.5 Conclusion et perspectives du chapitre
7 Conclusion et perspectives
7.1 Synthèse des travaux effectués
7.2 Limites des travaux et perspectives notables
Bibliographie
8 Annexes
8.1 Annexes du chapitre 3 sur les bases de données
8.1.1 Données Enedis
8.1.2 Algorithme d’association des adresses postales
8.1.3 Tableau des erreurs de prévision de la consommation annuelle par IRIS .
8.1.4 Tableau des erreurs de prévision de la thermosensibilité selon les différents algorithmes d’association des bases de données
8.2 Annexes du chapitre 4 sur le modèle de consommation électrique
8.2.1 Consommation et puissance appelée des principaux usages résidentiels
8.2.2 Implémentation du coeur de calcul C++
8.3 Annexes du chapitre 5 sur la validation et la calibration du modèle
8.3.1 Calcul des consommation en énergie par usage de références pour le secteur résidentiel
8.3.2 Article de journal sur la méthode pour décomposer les départs HTA en profils élémentaires à partir des données d’Enedis