Outils de prédiction pour la production d’électricité d’origine éolienne : application à l’optimisation du couplage aux réseaux de distributions d’électricité

Forecasting tools for the electrical production of winds origin : application for the optimization of the coupling of electric power distribution networks

• Auteur / Autrice : Stéphanie Monjoly
• Direction : Narcisse Zahibo
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des fluides, énergétique, thermique combustion acoustique
• Date : Soutenance le 16/12/2013
• Etablissement(s) : Antilles-Guyane
• Ecole(s) doctorale(s) : École doctorale pluridisciplinaire (Pointe-à-Pitre ; 1996-2015)
• Jury : Président / Présidente : Philippe Poggi
• Jury : Examinateurs / Examinatrices : Narcisse Zahibo, Philippe Poggi, Philippe Lauret, Ruddy Blonbou, Laurent Bellemare
• Jury : Rapporteur / Rapporteuse : Philippe Poggi, Philippe Lauret

Mots clés

Mots clés contrôlés

Énergies renouvelables

Électricité -- Production

Énergie éolienne

Mots clés libres

Energie éolienne

Réseaux de neuronnes baysien

Cefficient de variation

Prévision

Wind Power

Bayesian neural network

Coefficien of variation

Forecasting

Résumé

La forte variabilité de la vitesse du vent fait que l'énergie produite par un parc éolien n'est pas constante dans le temps. Le gestionnaire ne peut donc pas dimensionner son réseau électrique en prenant intégralement ce type de production en compte. L' une des solutions préconisées pour permettre le développement de l' éolien et son intégration avec une plus grande sureté aux réseaux, est de développer et d'améliorer les outils de prévisions. Le travail de thèse consiste à améliorer les performances d'un outil de prédiction basé sur les réseaux de neurones bayesiens, permettant la prédiction de la puissance à très court terme . Le prédicteur fonctionne notamment par J'ajustement de paramètres, certain se détermine « automatiquement » via le mécanisme des réseaux de neurones bayesiens d' autres, que nous nommerons paramètres temporels, sont à l' appréciation de l'utilisateur. Le travail mené consiste à établir un protocole pour la fixation de ces paramètres tout en améliorant les performances du prédicteur . Nous avons donc décidé de conditionner leurs valeurs en fonction de la variabilité des séquences de puissance précédent l'instant de prévision. Tout d'abord nous avons classifié des séquences de puissance en fonction de leurs coefficients de variation en appliquant la méthode des C-moyennes floues. Puis, chaque classe formée a été testée sur plusieurs valeurs de paramètres, les valeurs associées aux meilleures prédictions ont été retenues. Enfin, ces résultats couplés au formalisme des Chaines de Markov, par le biais de la matrice de transition , ont perm is d'obtenir des taux d'amélioration par rapport à la persistance allant de 7,73 à 23,22 % selon l'horizon de prédiction considéré

The high variability of the wind speed has for conse quences that the energy produced by a wind farm is not constant over time. Therefore, the manager can't size the electrical network by takin g into account this type of production. One solution advocated for the development of wind energy and its integrati on with greater security at network, is to develop and improve fore casting tools. The thesi s objective is to improve the performance of a predi ction tool based on Bayesian neural networks, allowing the predi ction of wind power for short timescales. The predictor works, in part icular by the adjustment of parameters, sorne is determined ''automatically'' through the mechan ism of neural networks Bayesian other , which we cali temporal parameters are at the discretion of the user. The work involves establishing a protocol for the determination of these parameters and improving the performance of the predictor. So, we decided to condition their values depending on the sequence variability of wind power previous the moment of the forecast. First we classified sequences of power according to their coefficients of variation using the method of fuzzy C-means. Then, each formed class was tested for several parameters values, the values associated with the best predictions were selected. Finally , these result s coupled with the formalism of Markov chains , through the transition matrix allowed to obtain rates of improvement over the persistence ranging from 7.73 to 23.22 % depending on the prediction horizon considered