Rafael ALVARENGA

Développement d’un algorithme de prédiction et optimisation d’une centrale photovoltaïque avec stockage

Cette thèse est consacrée à la recherche et développement d’un ensemble de techniques pour assurer l’opération optimale d’une centrale photovoltaïque (PV) avec batteries soumise à un mécanisme d’achat d’électricité où des prévisions journalières de l’injection future d’électricité sur le réseau sont mandataires à très haute résolution temporelle, dans un environnement de forte instabilité météorologique.

Afin de répondre à de telles obligations et de définir le meilleur profil pour l’électricité qui sera injectée dans le futur, le producteur s’appuie fréquemment sur des prévisions de l’électricité générée par les panneaux photovoltaïques. Cependant, cette production PV est sujette à des fluctuations influencées par différentes variables météorologiques, tels que l’ensoleillement, la couverture nuageuse, la température, et plus encore, tout au long de l’horizon de prédiction. Ainsi, la première phase de ce processus consiste à prédire les conditions météorologiques au-dessus de la centrale solaire, qui serviront ensuite de base pour générer les prédictions de production PV.

Une fois estimée la production PV, le profil optimal de l’injection d’énergie dans le réseau peut-être ainsi défini. Ce processus est réalisé grâce à des techniques d’optimisation, qui chercheront à charger les batteries pendant les périodes où le prix de l’électricité est bas et à les décharger pendant les périodes de prix élevés, définissant ainsi une stratégie d’injection optimisée tout au long de la journée. Ce profil d’injection, une fois communiqué au gestionnaire du réseau, servira comme feuille de route pour les opérations quotidiennes. Toute disparité entre le profil déclaré et la production réelle de la centrale doit idéalement être absorbée ou compensée par les batteries, minimisant ainsi le risque de pénalités.

Notre étude de cas réelle porte sur une centrale solaire PV couplée à des batteries, opérationnelle sous un mécanisme d’achat d’électricité depuis 2020 à Sinnamary, en Guyane française. Cette région est connue pour ses instabilités météorologiques significatives, poussant la Commission de Régulation de l’Énergie à imposer la déclaration de profils d’injection à une échelle temporelle exceptionnellement minutieuse, évoluant au pas de temps de la minute. Ainsi, afin d’optimiser ses revenus et d’éviter les pénalités, le producteur doit tenir compte des variations de production d’une minute à l’autre. Cela permet au gestionnaire du réseau une alimentation électrique plus fiable et stable, améliorant sa capacité à allouer efficacement les ressources pour répondre à la demande.

Plus précisément, les prévisions météorologiques ont été générées à l’aide du modèle numérique de méso-échelle Weather Research and Forecasting (WRF). Cependant, malgré les efforts dans les travaux précédents à cette thèse pour affiner ses paramètres en vue d’améliorer les prédictions sur le plateau des Guyanes, les prévisions obtenues à un pas de temps de 10 minutes se sont avérées peu fiables. Par conséquent, nous nous sommes intéressés à la définition de la procédure de post-traitement la plus efficace pour améliorer la qualité des prévisions d’irradiance solaire, en évaluant diverses méthodes proposées dans la littérature, ainsi que les combinaisons entre elles. Après avoir appliqué la méthode de post-traitement optimale et disposé de prévisions météorologiques plus fiables, un modèle de réseau de neurones de type Multi-Layer Perceptron (MLP) a été utilisé pour convertir ces prévisions en prévisions de production PV.

Malgré l’amélioration apportée par la méthode de post-traitement, une marge d’erreur persiste toujours en raison de facteurs de modélisation ou de l’évolution chaotique inhérente de l’atmosphère, se manifestant sous la forme d’incertitudes de prédiction. Par conséquent, nous avons mis en œuvre plusieurs approches pour quantifier cette incertitude à l’aide de méthodes basées sur des scénarios, menant une étude approfondie pour déterminer la stratégie la plus appropriée en termes de qualité et de valeur ajoutée au processus de planification de la production de la centrale PV.

Finalement, la planification de la production a été réalisée en utilisant une méthode inspirée des algorithmes d’optimisation stochastique. Cette approche a pris en compte les prédictions de production PV, les variations des prix de l’électricité tout au long de la journée, la capacité des batteries et les contraintes imposées par le gestionnaire du réseau. Après la mise en œuvre de cette méthode permettant la déclaration du profil d’injection optimal pour le futur proche, une étude a été menée pour déterminer la meilleure stratégie de contrôle des batteries en temps réel. Cette dernière étape est cruciale pour minimiser les écarts entre la production PV réelle à des intervalles d’une minute et les déclarations précédentes calculées à des intervalles de 10 minutes, réduisant les éventuelles pénalités encourues à la fin de la journée. L’étude a également évalué l’impact de l’intégration de prévisions de production PV à haute résolution temporelle générées de manière progressive dans le processus.

À la culmination de notre exploration, l’évaluation réalisée sur chaque composante du pipeline proposé dans cette thèse, ainsi que la valeur ajoutée par l’utilisation de l’ensemble du pipeline, émergent comme un point focal critique. Cette évaluation vise à consolider la signification de cette recherche en comparant l’approche intégrée proposée dans cette thèse, couvrant la prévision météorologique, la prévision de la puissance photovoltaïque, la planification et le contrôle en temps réel, par rapport aux références de base et aux stratégies opérationnelles employées par Voltalia et ses sous-traitants. Les résultats mettent en évidence les avantages tangibles des stratégies innovantes proposées, démontrant leur potentiel pour améliorer de manière significative les gains financiers et assurer une gestion fiable de l’énergie dans un environnement avec des fortes instabilités météorologiques.

Les résultats obtenus dans cette thèse démontrent de manière convaincante la faisabilité d’ajuster le fonctionnement d’une centrale solaire PV dans un environnement météorologique instable, tout en respectant des contraintes réglementaires strictes. Cette réussite a été rendue possible grâce à l’intégration réussie de prévisions fiables, de techniques d’optimisation avancées et de dispositifs permettant une injection d’énergie flexible, notamment l’utilisation intelligente de systèmes de stockage tels que les batteries.

Development of an algorithm to forecast and schedule the production of a PV power plant with batteries

This thesis is dedicated to the research and development of a set of techniques to ensure the optimal operation of a photovoltaic (PV) power plant with batteries, subject to a Feed-in-Tariff mechanism where daily forecasts of future electricity injection into the grid are mandated at very high temporal resolution, in an environment of high meteorological instability.

Striving to fulfull such obligations and determining the optimal injection profile for future power generation, the power plant operator frequently relies on forecasts for the electricity generated by the PV panels. However, this PV output is subject to fluctuations influenced by various meteorological parameters, such as sunlight, cloud cover, temperature, and more, throughout the prediction horizon. Thus, the initial phase of this process entails predicting the meteorological conditions over the PV power plant, which will then serve as the foundation for generating PV power predictions.

Once the future PV power production is estimated, attention shifts to determining the optimal power injection into the grid. This process is achieved thanks to optimization techniques, which will seek to charge the batteries during times of low electricity prices and discharge them during peak price periods, effectively defining an optimized injection strategy throughout the day. The resulting injection plan, once communicated to the transmission system operator, serves as a guiding path for daily operations. Any disparities between the declared profile and the actual power generation from the PV plant must ideally be absorbed or compensated for by the battery systems, mitigating the risk of incurring penalties.

Our real case study involves a PV power plant with batteries subjected to a Feed-in-Tariff mechanism, operated by Voltalia since 2020 in Sinnamary, French Guiana. This region is known for significant meteorological instabilities, compelling the French Energy Regulatory Commission to mandate the submission of injection profiles at a remarkably minute time scale – every one minute. As a result, seeking to optimize its revenues and avoiding penalties, the producer must account for even minute-to-minute production variations. This ensures the grid operators to have a more reliable and stable electricity supply, thereby enhancing their capacity to effectively allocate resources for meeting electricity demand.

Specifically, meteorological predictions were generated using the Weather Research and Forecasting (WRF) mesoscale numerical model. However, despite efforts in previous work leading up to this thesis to fine-tune its parameters for better predictions over the Guyana Shield, forecasts obtained at a 10-minute time step still proved unreliable. Consequently, our focus shifted to identifying the most effective post-processing procedure to enhance the quality of solar irradiance forecasts, assessing various methods proposed in the literature, as well as their combinations. After applying the optimal post-processing method and armed with more reliable meteorological predictions, a Multi-Layer Perceptron (MLP) neural network model was employed to convert these predictions into PV power forecasts.

Despite the improvement achieved through post-processing, a margin of error always remains due to modeling factors or the inherent chaotic evolution of the atmosphere, manifesting as predictive uncertainty. Consequently, we implemented multiple approaches to quantify this uncertainty using scenario-based methods, undertaking an in-depth study to determine the most suitable strategy in terms of quality and value added to the PV plant’s production planning process.

The production planning was finally carried out using a method inspired on stochastic optimization algorithms. This approach considered photovoltaic production predictions, electricity prices throughout the day, battery capacity, and constraints imposed by the grid operator. Following the implementation of this method enabling the declaration of the optimal injection profile for the near future, a study was conducted to determine the best real-time battery control strategy. This final step is crucial in minimizing discrepancies between PV power production at one-minute intervals and previous declarations calculated at 10-minute intervals, reducing potential penalties incurred at the end the day. The study also evaluated the impact of integrating incrementally generated, high-temporal-resolution PV power forecasts into the process.

In the culmination of our exploration, the assessment conducted on each part of the pipeline proposed in this thesis, as well as the value added by the utilization of the complete pipeline, emerge as a critical focal point. This comprehensive evaluation seeks to solidify the significance of this research by comparing the integrated approach proposed in this thesis, spanning weather forecasting, PV power forecasting, scheduling, and real-time control, against baseline references and operational strategies employed by Voltalia and its subcontractors. The outcomes underscore the tangible benefits of the innovative strategies proposed, demonstrating their potential to significantly enhance financial gains and ensure reliable power management in an ever-changing energy landscape.

The results achieved in this thesis compellingly demonstrate the feasibility of adapting the operation of a PV power plant within a volatile meteorological environment while adhering to rigorous regulatory constraints. This accomplishment was made possible through the successful integration of reliable predictions, advanced optimization techniques, and devices enabling flexible energy injection, notably the intelligent utilization of storage systems such as batteries.