Amélioration d’un modèle de prévision quart horaire des productions des parcs éoliens d’Amel et de Perwez en Belgique.

Une société de distribution d'électricité a sollicité le Laboratoire de Climatologie (ULg) pour lui fournir, tous les jours à 8 heures du matin, la prévisions de la production électrique pour deux parcs éoliens en Belgique, avec un pas de temps de 15 minutes. Depuis janvier 2008, un modèle opérationnel a été élaboré dans ce laboratoire pour calculer ces prévisions. Ce mémoire a contribué à l'amélioration de ce modèle de prévisions de production d'énergie électrique d'origine éolienne.
Le modèle opérationnel mis en exploitation à la suite de ce mémoire reste relativement simple et ne fait intervenir que peu de ressources informatiques. En effet, le temps nécessaire pour calculer la prévision est très court car le modèle utilise directement les sorties du modèle global de prévisions météorologique « Global Forecast System » (GFS) sans downscaling, contrairement à ce qui est proposé dans cette thèse. Le but de ce mémoire était donc d'apporter des améliorations au modèle opérationnel et ainsi d'améliorer la qualité des prévisions de production rendues. Afin de créer ces améliorations et de les tester dans de bonnes conditions, nous avons, tout d'abord, trié nos données d'observations et de prévisions afin de nous affranchir des erreurs d'observations et de transmissions de la production des parcs éoliens et des imprécisions liées à l'utilisation de prévisions météorologiques. Les données d'observation sont parfois biaisées dues à l'arrêt des éoliennes, principalement pour cause de givre ou de maintenance. Les prévisions GFS utilisées dans le modèle opérationnel contenaient beaucoup d'erreurs liées à l'utilisation des prévisions météorologiques de la veille (00hTU) pour calculer les prévisions de production pour le lendemain. Pour calculer et mettre à l'épreuve les améliorations
apportées au modèle, nous avons utilisé les prévisions de GFS les plus récentes possibles (toutes les 6 heures) de chaque prévision de production, et qui sont donc a priori les meilleures possibles.
Une fois libéré de ces contraintes, nous avons alors testé une série d'éléments liés aux sites d'implantation des éoliennes afin d'améliorer les prévisions des productions des deux parcs. Différents éléments d'amélioration ont été retenus : - Une rose des rugosités : Cette amélioration a permis de corriger la vitesse du vent modélisée selon la direction d'où il provenait, suivant la présence d'obstacles de natures diverses (des arbres, une
colline, une vallée, ...) - Une modification de la production en fonction de la densité de l'air qui influence la productivité des éoliennes pour une même vitesse de vent. - Un calibrage par rapport à l'indice K-Index qui caractérise l'instabilité de l'atmosphère et donc les rafales de vent dues aux mouvements convectifs locaux qui ne sont pas modélisés par GFS. - Un calibrage par rapport aux amplitudes thermiques diurnes qui influencent les vents locaux non modélisés par GFS.
Au final, nous avons pu améliorer les prévisions de l'ordre de 20% pour le premier parc et de l'ordre de 5% pour le second par rapport au modèle de base. La faible amélioration pour le second parc provient du fait que les prévisions étaient déjà de bonne qualité dans le modèle opérationnel originel et que les calibrations empiriques contenues dans ce modèle suffisaient, contrairement contrairement au premier parc dont la physionomie du terrain à proximité des éoliennes était très complexe.