Académique Documents
Professionnel Documents
Culture Documents
2012 Abbes Dhaker These PDF
2012 Abbes Dhaker These PDF
Présentée par :
Dhaker Abbes
Directeur(s) de Thèse :
Gérard Champenois, André Martinez
Jury :
Dhaker ABBES
Maître Ingénieur
************************
Contribution au dimensionnement et à l'optimisation des
systèmes hybrides éoliens-photovoltaïques avec batteries
pour l’habitat résidentiel autonome
************************
************************
JURY
Rapporteurs
Cristian NICHITA Professeur à l’université du Havre
Serge PIERFEDERICI Professeur à l’INPL-ENSEM de Nancy
Examinateurs
André MARTINEZ Enseignant-chercheur à l’EIGSI-La Rochelle
Gérard CHAMPENOIS Professeur à l’Université de Poitiers
Jean-Paul GAUBERT εaître de Conférences à l’Université de Poitiers
Mohamed MACHMOUM Professeur à Polytech’ σantes
A ma famille,
A mes amis,
A tous ceux qui m’aiment…
Liste des figures
Sommaire
Introduction générale 1
Chapitre 1 : Les systèmes électriques autonomes multi-sources pour l’habitat 6
résidentiel
1.1- Introduction 6
1.2- Généralités sur les systèmes d’énergie hybrides 6
1.2.1- Les systèmes hybrides autonomes (éolien-photovoltaïque) avec stockage 9
1.2.2- Avantages et limites des systèmes hybrides (éoliens-photovoltaïques) avec 11
stockage
1.3- Composants d’un système hybride éolien photovoltaïque avec batteries 13
1.3.1- Système photovoltaïque 13
1.3.2- Système éolien 16
1.3.3- Les batteries électrochimiques 19
1.3.4- Les autres composants du système 23
1.4- Analyse bibliographique des différents travaux de recherche 23
1.5- Objectifs des travaux de recherche de la thèse 27
Bibliographie du chapitre 1 29
Thèse D. ABBES
Page i
Liste des figures
2.4.1- εodélisation d’un profil de consommation type par estimation des besoins 57
énergétiques de l’habitat
a) Eclairage 58
b) Production de froid 58
c) Cuisson 58
d) Ventilation 58
e) Electroménager 58
f) Multimédia 58
g) Eau Chaude Sanitaire (ECS) 59
2.4.2- εodélisation d’un profil de consommation par acquisition de données réelles 63
2.5- Influence de la période d’acquisition des données 64
2.5.1- Cas de la vitesse du vent 65
2.5.2- Cas de l’irradiation du soleil 68
2.5.3- Cas de la consommation 69
2.6- Synthèse et conclusions 71
Bibliographie du chapitre 2 73
Thèse D. ABBES
Page ii
Liste des figures
Thèse D. ABBES
Page iii
Liste des figures
Thèse D. ABBES
Page iv
Liste des figures
Thèse D. ABBES
Page v
Liste des figures
Thèse D. ABBES
Page vi
Liste des figures
MCC1
Figure 5.22: le tracé du diagramme de Bode de la fonction de transfert de 201
la perturbation en boucle fermée
Figure 5.23: Modèle moyen du hacheur en interface entre la génératrice MCC2 et 202
la batterie
Figure 5.24: Schéma bloc de la boucle de régulation de vitesse 204
Figure 5.25: le tracé du diagramme de Bode de la fonction de transfert de la vitesse 205
de l’éolienne en boucle fermée et en boucle ouverte
Figure 5.26: Résultats de simulation de la chaîne de conversion éolienne sous 206
Matlab/Simulink
Figure 5. 27: Schéma de câblage du simulateur éolien développé 207
Figure 5.28: Photo du simulateur éolien mis en place au laboratoire 208
Figure 5.29μ Photo du banc d’essai hybride éolien photovoltaïque avec batterie 209
Figure 5.30: Organigramme de la méthode de supervision proposée 211
Figure 5.31μ Evolution des données d’entrée (vent, température, irradiation et 214
consommation) en fonction du temps utilisée pour la validation de la technique de
supervision
Figure 5.32μ Principaux résultats de l’essai de validation de la technique de 215
supervision
Figure 5.33μ Evolution des données d’entrée (vent, température, irradiation et 217
consommation) en fonction du temps utilisée pour l’étude de sensibilité
Figure 5.34: Principaux résultats de l’essai d’étude de sensibilité 218
Figure 5.35μ Principaux résultats du dernier essai consacré à l’émulation du 220
comportement d’un système hybride éolien photovoltaïque avec batteries
Thèse D. ABBES
Page ix
Liste des tableaux
Tableau 4.5 : Ecobilan du système hybride Eolien photovoltaïque avec stockage 167
Tableau 4.6 : Comparaison des résultats obtenus par HOMER et par Simulink 170
Tableau 5.1: Caractéristiques électriques d’un panneau de type 180
Solar Sharp ND-240QCJ Poly (240Wc)
Tableau 5.2: Paramètres utilisés pour la simulation sous Matlab/Simulink/Simpower 185
Tableau 5.3: Paramètres utilisés pour la simulation sous Matlab/Simulink/Simpower 198
Thèse D. ABBES
Page x
Nomenclatures et principales abréviations
Thèse D. ABBES
Page xi
Nomenclatures et principales abréviations
AC : Courant Alternatif
ACV : Analyse du Cycle de Vie
AGM : Absorbed Glass Mat battery
K : Constante de Boltzmann
LCC : Life Cycle Cost : coût cumulé d’un produit tout au long de son cycle de vie
Li-ion : Lithium Ion
Lm1 : Inductance de la MCC1 + 0,01 mH (inductance additionnelle)
LPS : Pénurie de la puissance produite par le système hybride (Loss of Power Supply)
LPSP : Probabilité d’insatisfaction de la demande (en anglais : « Loss of Power Supply
Probability »)
m : Coefficient de multiplication de vitesse de l’éolienne
M.O.G.A : Multiple Objective Genetic Algorithm
Matlab : Logiciel de calcul mathématique
Mono c-Si : Monocristallines
MPP : Point de Maximum de Puissance
MPPT : Maximum Power Point Tracking (suivi du point de maximum de puissance)
n : Durée de vie du système en années
N : Nombre de panneaux photovoltaïques
PV : Photovoltaïque
Pwg : Puissance produite par le générateur éolien
R : Rayon de l’aérogénérateur
UV : Rayons ultraviolet
V : vitesse du vent em mètre/ seconde
Vo : Vitesse du vent à partir de laquelle les petites éoliennes ne produisent plus d’énergie
Voc : Tension en circuit ouvert du panneau photovoltaïque
: Puissance éolienne
� �
μ Coût du KWh produit par le système hybride avec des sources renouvelables
: Rapport cyclique des convertisseurs
Introduction générale
Depuis quelques années, le monde est confronté à des enjeux énergétiques et climatiques
sans précédent pour lesquels de fortes alternatives sont attendues. Relever ces défis devra
passer par une période de transition où le recours aux énergies renouvelables, l’amélioration
de l’efficacité énergétique, et la modération de la consommation dans les comportements
seront les principaux vecteurs du changement. Les efforts à entreprendre dans le domaine des
énergies renouvelables sont considérables car leur part dans l’énergie finale n’est que de 12,4
% en 2010 alors que la cible pour 2020 est de 23 % pour la France, 20 % pour l’Union
Européenne des 27 pays. En prenant compte du fait que la majorité de cette énergie est
d’origine hydroélectrique, nous mesurons mieux le chemin restant à parcourir. Différents
facteurs climatiques, énergétiques ou économiques telles que le réchauffement climatique, la
raréfaction des énergies fossiles, la libéralisation du marché de l’énergie soutiennent une prise
de conscience accrue dans le domaine des énergies renouvelables de la part des usagers ou des
décideurs politiques. Les collectivités doivent jouer un rôle important dans le développement
des énergies nouvelles sur leur territoire en mettant en place plusieurs actions comme la
réhabilitation du patrimoine pour réduire la consommation d’énergie, le recours aux énergies
locales, l’intégration de critères durables dans la « commande publique » ou encore le soutien
aux acteurs en vue de développer de nouvelles filières. Depuis les années 70, la France a basé
son modèle énergétique sur le développement de l’électricité à bas coût et faiblement émissive
en gaz à effet de serre, en vue de réduire la dépendance aux énergies fossiles. Aujourd’hui, la
politique énergétique du pays connaît quelques incertitudes liées au renouvellement de son
parc nucléaire, aux aléas d’approvisionnements en combustible, à la sécurité même de ces
systèmes de production. C’est ainsi que depuis plusieurs années, des plans climats énergies
ont été adoptés pour favoriser le développement de la production décentralisée d’énergie, ou
encore la maîtrise de la consommation énergétique. Aujourd’hui, la production des énergies
renouvelables est revendue presque intégralement au réseau d’énergie. τr, avec la baisse
programmée du tarif de rachat de l’électricité, cette alternative risque fort dans un avenir
proche de se révéler moins rentable qu'actuellement (suppression des tarifs de rachat à
moyen/long terme). D’un point de vue économique, les installations à base d’énergies
renouvelables ne sont pas encore compétitives mais il est raisonnable de penser qu’elles le
deviendront à court terme, en particulier avec le renchérissement du prix des énergies fossiles.
De plus, la tendance est de consommer au niveau local, l’énergie produite. Dans un tel
contexte, afin de diminuer le pourcentage d'utilisation des énergies traditionnelles dans la
Thèse D. ABBES
Page 2
Introduction générale
consommation globale, il convient de lever les difficultés liées à l'emploi des énergies
propres. L'une de ces difficultés en est l'optimisation de la combinaison de plusieurs énergies
(comme par exemple le soleil, le vent, …) et l’utilisation des dispositifs de stockage pour
pallier au caractère intermittent de ces énergies. τn peut réinjecter l’énergie provenant des
sources renouvelables directement sur le réseau électrique, en prévoyant, soit un dispositif de
stockage (des batteries par exemple), soit un système de gestion intelligente afin de mettre en
adéquation la production avec l’usage de l’énergie. C’est dans ce contexte que se situe la
problématique de cette thèse : concevoir et optimiser un système multi-sources pour satisfaire
aux besoins d’un habitat résidentiel en électricité.
Pour résoudre cette problématique, nous avons divisé cette thèse en plusieurs chapitres.
Dans le chapitre 1, nous présentons les différentes typologies de systèmes électriques
autonomes multi-sources pour l’habitat résidentiel et passons en revue les différents
dispositifs possibles de stockage de l’énergie électrique. δ’utilisation de batteries au plomb
s’avère très intéressante car c’est une technologie éprouvée et qui présente un bon ratio
performance/coût. Après avoir montré les limites d’utilisation d’une seule source pour
satisfaire aux besoins de la charge, nous nous intéressons plus particulièrement aux systèmes
hybrides éoliens-photovoltaïques car les ressources en vent et en soleil sont souvent
complémentaires. Dans le chapitre 2, nous présentons une étude d’impact sur l’évaluation du
potentiel en énergies renouvelables sur un site donné en prenant en compte la consommation
dans un habitat résidentiel (période et méthode d’acquisition des données, techniques
d’évaluation, …). Cette analyse vise à préciser les différentes pistes pour la simulation du
système hybride (éolien photovoltaïque avec batteries) dans la suite des travaux. Le chapitre 3
est consacré à la modélisation du système hybride éolien photovoltaïque avec batteries.
δ’objectif principal est le dimensionnement ainsi que l’évaluation économique et écologique
du système complet. Dans un premier temps, les modélisations énergétiques des différents
composants du système sont présentées, puis les aspects économiques et écologiques sont
définis dans le but de réaliser une évaluation globale de la solution de dimensionnement.
δ’ensemble des modèles est représenté à l’aide du logiciel εatlab/Simulink. δe
fonctionnement global du système est étudié selon différents profils de consommation et tient
compte de l’orientation et de l’inclinaison des capteurs d’énergie (PV en particulier). A la fin
de ce chapitre, des résultats de simulation sont présentés et discutés. Nous destinons le
chapitre 4 à l’optimisation du dimensionnement du système multi-sources. Après avoir passé
en revue la bibliographie, nous exposons les principales méthodes de dimensionnement
Thèse D. ABBES
Page 3
Introduction générale
Thèse D. ABBES
Page 4
Les systèmes électriques autonomes multi-sources
Thèse D. ABBES
Page 6
Les systèmes électriques autonomes multi-sources
Source Stockage
Diesel Supercapacités
Hydraulique Batteries
Réseau Réseau
PAC Electrolyseur
2H2 + O2 H2
Eolienne
Charge Auxilliaire
PV Habitat
Charge
Bus Électrique
δes systèmes d’énergie hybrides peuvent être connectés aux réseaux électriques ou
autonomes. Dans le premier cas, on parle d’une génération distribuée. δes énergies éoliennes
et solaires sont transformées sous la forme électrique transportable via les lignes vers le
réseau. La production énergétique hybride est alors centralisée et mise en réseau entre
plusieurs sites de production et de consommation. La connexion des sources hybrides aux
réseaux électriques doit respecter certaines normes qui ne sont pas forcément spécifiques au
domaine d’énergies renouvelables. δes normes existantes s’appliquent à des générateurs ou à
des convertisseurs statiques dans le cadre des normalisations françaises et européennes
(générateurs PV, machines électriques, onduleurs, pollution électrique, sécurité des biens et
des personnes, etc.). Majoritairement, les centrales hybrides sont de puissance inférieure à 10
MW. Alors elles sont soumises à la réglementation pour le raccordement des systèmes de
micro-génération. Plusieurs groupes de travail au sein de la CEI (Commission
Thèse D. ABBES
Page 7
Les systèmes électriques autonomes multi-sources
Thèse D. ABBES
Page 8
Les systèmes électriques autonomes multi-sources
généralement autonomes par rapport aux grands réseaux interconnectés et sont souvent
utilisés dans les régions isolées pour l’éclairage domestique, les systèmes de production de
froid, le pompage de l’eau et les systèmes de télécommunications.
Par la suite, nous proposons de justifier ce choix et décrire des tels systèmes.
Charge DC ou AC
Turbine
Stockage de
l’ e gie Charge DC
Convertisseurs
statiques adaptés Nœud
aux entrées et la Électrique
sortie et avec AC ou DC
une commande
MPPT
Modules PV
Charge AC
Figure 1.2: Exemple d’une configuration hybride générale dédiée à un site isolé :
δes systèmes hybrides sont souvent classés en deux filières selon le type de nœud
électrique de couplage et les convertisseurs statiques associés. La première est caractérisée par
un couplage des sources autour d’un bus commun alternatif AC, la seconde topologie des
systèmes hybrides est fondée sur un couplage avec un bus commun continu DC [1].
Thèse D. ABBES
Page 9
Les systèmes électriques autonomes multi-sources
δes systèmes hybrides avec un couplage des sources autour d’un bus AC sont plus adaptés
à une génération distribuée (raccordée au réseau électrique) et sont fréquemment utilisés dans
le cas d’une production de plus grande puissance.
Les systèmes hybrides à configuration de bus commun continu sont plus adaptés à une
génération ilotée de petite puissance. La majorité de ces systèmes sont utilisés en sites isolés
où l’énergie est produite et directement consommée en courant continu sur place ou à
proximité des générateurs.
Pour les systèmes à configuration de bus DC, nous remarquons qu’il existe plusieurs
niveaux d’amplitudes du bus DC. Il n’y a pas une exacte modularité de la jonction continue à
l’opposé des systèmes à configuration de bus AC. Une version dérivée de cette structure
couramment employée consiste à utiliser le bus continu comme jonction intermédiaire avant
de transformer l’énergie en courant alternatif AC (figure 1.3). Avec cette configuration, les
systèmes sont capables de satisfaire en même temps une consommation en courant continu
DC et/ou en courant alternatif AC avec une possibilité si besoin d’une connexion au réseau
électrique grâce à des convertisseurs (DC/AC : onduleurs) réversibles. Cette structure sera
adoptée dans le cadre de cette thèse. Sa gestion énergétique est moins complexe que les
configurations alternatives.
BUS DC
AC / DC
Charge DC
DC / DC
BUS AC
Charge AC
DC / AC
Autres Sources Possibilité
Convertisseur
Statique Réseauélectrique
δa dynamique des générateurs d’énergies renouvelables peut aussi causer des problèmes dans
le fonctionnement des systèmes hybrides. Citons à titre d’exemple, le démarrage d’une
éolienne quand la vitesse du vent est élevée μ en l’occurrence, la puissance produite par
l’éolienne atteint presque instantanément la puissance nominale du générateur et de tels
changements rapides dans la production d’énergie peuvent générer des problèmes de qualité
d’énergie (variation de tension et de fréquence) et même l’arrêt complet du système.
σous avons lieu aussi d’évoquer les effets négatifs d’une surtension que provoquent un court-
circuit ou l’arrêt d’une charge importante. De tels problèmes ont été rencontrés lors des tests
expérimentaux effectués sur le banc d’essai mis en œuvre au sein du laboratoire et décrit dans
le chapitre 5.
Par la suite, nous allons faire la description des éléments constitutifs du système hybride éolien-
photovoltaïque avec stockage électrochimique (batteries).
Quand la lumière atteint la cellule, cela crée un champ électrique à travers les couches, créant
ainsi un flux électrique. Plus la lumière est intense, plus le flux électrique est important.
Une cellule photovoltaïque est constituée d’une ou deux couches de matériau semi-
conducteur, le plus souvent le silicium. Elle est soit tranchée à partir de lingots, soit sous
forme de rubans de silicium, soit en couches minces déposées sur un support à bas coût. Sa
performance se mesure en termes de rendement de transformation de la lumière du soleil en
électricité. Dans le commerce, les cellules solaires les plus répandues ont un rendement de 13-
15% [5]. Ce qui signifie qu’environ un sixième de la lumière du soleil frappant une cellule
produit de l’électricité. Donc, améliorer le rendement tout en poursuivant la réduction des
coûts de production est un objectif important pour l’industrie photovoltaïque [5].
Il existe différentes technologies des cellules solaires:
Technologie du silicium cristallin
Les cellules en silicium cristallin sont composées de fines tranches coupées à partir
d’un seul cristal de silicium (monocristallin) ou d’un bloc de cristaux de silicium
(polycristallin). δeur rendement varie entre 12% et 17%. Il s’agit de la technologie
la plus répandue, représentant aujourd’hui environ λ0% du marché.
Trois principaux types de cellules cristallines peuvent être distingués :
- monocristallines (Mono c-Si),
- polycristallines (Poly c-Si),
- rubans (ribbon c-Si).
Technologie des couches minces (Thin Film)
δes cellules en couches minces sont constituées de très fines couches d’un
matériau photosensible déposées sur un support à bas coût tel que le verre, l’acier
inoxydable ou le plastique. Les coûts de production du procédé des couches
minces sont inférieurs à ceux de la technologie cristalline qui nécessite davantage
Il est très sûr et d’une grande fiabilité. δ’espérance de vie d’un module solaire est
d’environ 30 ans. δa performance des cellules photovoltaïques est généralement
garantie par les fabricants pour une durée de 20 à 25 ans. Au-delà, la puissance
d’une cellule reste néanmoins supérieure à 80% de la puissance initiale. Le
photovoltaïque est donc une technologie fiable sur le long terme. De plus, la
fiabilité des produits est garantie aux consommateurs par des standards de qualité
très élevés au niveau européen.
Les modules photovoltaïques sont recyclables et les matériaux utilisés pour leur
production (silicium, verre, aluminium, etc.) peuvent être réutilisés. Le recyclage
n’est pas seulement bénéfique pour l’environnement, il contribue également à
réduire l’énergie nécessaire pour produire ces matériaux et ainsi à réduire leur coût
de fabrication.
Quant aux limites des systèmes photovoltaïques, on peut en citer la superficie ou l’emprise.
δa taille de l’installation doit être en accord avec la surface du toit de l’habitat ou du lieu où
elle sera implantée. En ce qui nous concerne, nous supposons que la surface installée ne
dépasse pas les 15 m².
Les éoliennes se divisent en deux grandes familles : celles à axe vertical et celles à axe
horizontal. Dans ce travail, nous allons plutôt utiliser le second type. Il s’agit
d’aérogénérateurs tripales à rotation rapide. Ce sont les machines les plus répandues
actuellement du fait de leur rendement supérieur à celui de toutes les autres machines et de
leur conception simple. De plus, ces aérogénérateurs peuvent suivre la direction du vent et
sont silencieux [6]. Cet aérogénérateur est composé de (figure 1.5):
1. les pales : ce sont les capteurs de l'énergie cinétique qui transmettent l'énergie au rotor. Ils
peuvent être fabriqués en bois, en lamellé-collé, en alliages d’aluminium ou en matériaux
composites.
2. Le moyeu : il est pourvu d'un système qui permet d'orienter les pales pour réguler la
vitesse de rotation. C’est en général, une pièce d'acier moulée.
3. L'arbre primaire (ou arbre lent) : il relie les pales au multiplicateur.
4. Le multiplicateur: il permet de réduire le couple et d'augmenter la vitesse. C'est
l'intermédiaire entre l'arbre primaire et l'arbre secondaire.
5. L'arbre secondaire : il amène l'énergie mécanique à la génératrice. Il est équipé d'un frein à
disque mécanique qui limite la vitesse de l'arbre en cas de vents violents.
6. Le générateur électrique : il assure la production électrique. Sa puissance peut atteindre
jusqu'à 5 MW. Il peut être une dynamo (produit du courant continu) ou un alternateur (produit
du courant alternatif). L'alternateur est le plus utilisé pour des raisons de coût et de rendement.
7. Le mât : c'est un tube en acier, pilier de toute l'infrastructure. Sa hauteur est importante :
plus elle augmente, plus la vitesse du vent augmente mais en même temps le coût de la
structure augmente. En général, le mât a une taille légèrement supérieure au diamètre des
pales. IL est fixé au sol grâce à des pylônes en acier ou en béton armé. Ces supports peuvent
être autoporteurs, haubanés, rabattables, carénés ou à treillis. Les fondations sont en béton
armé.
8. Le système d'orientation de la nacelle : c'est une couronne dentée équipée d'un moteur qui
permet d'orienter l'éolienne et de la verrouiller dans l'axe du vent grâce à un frein.
9. Le système de refroidissement : il est à air, à eau ou à huile et destiné au multiplicateur et à
la génératrice.
10. Les outils de mesure du vent : la girouette pour la direction et les anémomètres pour la
vitesse. Les données sont transmises à l'informatique de commande.
11. Le système de contrôle électronique : il gère le fonctionnement général de l'éolienne et de
son mécanisme d'orientation.
12. Au pied du mât se trouve un transformateur.
10 2 1
3
4
9 11
8
5
6
Esthétique : le système éolien risque de gâcher la vue que nos voisins ont du
paysage, voire celle que nous en avons-nous-mêmes. cela est particulièrement
grave, si celui-ci est historique.
Corrosion : l’installation du système dans les régions côtières expose certaines
pièces à la corrosion.
Restrictions dues au zonage et à d’autres obstacles juridiques potentiels :
l’administration municipale doit pouvoir fournir les renseignements concernant les
restrictions émises, quant au niveau sonore de l’installation et à la hauteur permise
des tours, par exemple.
Faune ailée locale : les systèmes de grande taille doivent être conçus de manière à
ce que les oiseaux ne puissent s’y percher ou y construire leurs nids, et pour
réduire au minimum les dangers potentiels qu’ils encourent, il faut éviter
d’installer le système éolien sur un parcours migratoire ou à un endroit où de
nombreux oiseaux font leurs nids ou se nourrissent.
Interférences électromagnétiques : les systèmes éoliens produisent parfois des
interférences électromagnétiques qui compromettent la réception des programmes
radiophoniques ou de télévision. Ces problèmes sont habituellement causés par Le
générateur, l’alternateur ou des pales métalliques. On peut remédier à la situation
en installant des pièces blindées, munies de filtres, ou fabriquées en bois, en
plastique ou en fibre de verre.
Connaissances techniques et entretien : le propriétaire doit assurer l’entretien du
système éolien de façon régulière pour en augmenter la durée de vie du système et
approcher une longévité proche de celle des panneaux.
Les assurances, les normes de construction et les restrictions aux actes de propriété
sont autant de facteurs dont il faut également tenir compte.
Il existe différents types de batteries plomb acide pour des applications stationnaires. On
en distingue les suivantes [9]:
les batteries stationnaires « ASI » : Elles sont couramment utilisées afin de fournir un
courant de qualité (ASI Alimentation sans interruption) pour des relais de
télécommunication, des salles informatiques...
Ces batteries sont généralement conçues pour être chargées en permanence par de
faibles courants (courants dits de « floating »), pour n'avoir qu'une faible autodécharge
(1 à 2% / mois), et pour pouvoir supporter des décharges profondes.
Des alliages Pb-Ca sont souvent utilisés pour ce type de batteries.
Sur certaines batteries stationnaires, on privilégie la capacité à fournir une forte
puissance tandis que d'autres sont construites afin d'avoir une très bonne durée de vie en
cyclage profond et sont donc bien adaptées aux applications photovoltaïques et
hybrides.
Les batteries « tubulaires » stationnaires : elles sont caractérisées par une grande
réserve d'électrolyte au-dessus des électrodes ce qui permet un entretien moins fréquent,
ainsi que par une hauteur importante du fond de la batterie sous les plaques qui permet
d'éviter les court- circuits. Les batteries tubulaires sont souvent utilisées en tant que
batteries stationnaires, mais elles possèdent en plus de très bonnes caractéristiques en
cyclage profond (10 à 15 ans d'espérance de vie en application photovoltaïque). Par
rapport aux autres batteries ouvertes, les batteries tubulaires souffrent plus de la
stratification de l'électrolyte à cause de leur hauteur. Les batteries tubulaires sont
vendues sous forme d'élément de 2V de plusieurs centaines d'Ah.
Batterie à recombinaison de gaz (batterie VRLA) : un des grands inconvénients des
batteries « ouvertes » est l'entretien important qu'elles imposent, en particulier l'ajout
régulier d'eau. Une réponse a été apportée au début des années 80 [10], avec un nouveau
type de batteries ne nécessitant qu'un très faible niveau de maintenance: les batteries à
recombinaison de gaz. En cas de dégazage, l'hydrogène et l'oxygène se recombinent pour
former de l'eau. Le taux de recombinaison varie entre 95% et 99% alors qu'il est inférieur à
30% dans le cas des batteries ouvertes. Si la pression interne des gaz devient trop forte, ces
batteries disposent d'une vanne-soupape qui relâche les gaz, d'où leur nom anglais : VRLA
Batteries pour (Valve Regulated Lead Acid Batteries).Des alliages Pb-Ca-Sn sont souvent
utilisés dans ce type de batteries.
Les batteries VRLA ont plusieurs avantages :
- l'électrolyte est figé ce qui permet de les transporter beaucoup plus facilement
que les batteries ouvertes,
- elles ont besoin de peu d'entretien,
- elles ne représentent pas de risque de gel,
- le risque de dégagement d’hydrogène et donc d’explosion est réduit,
- la fuite d’acide est improbable,
- elles ont besoins de moins d’espace au sol.
les batteries AGM (Absorbed Glass Mat) : L'électrolyte est absorbé et donc
immobilisé dans des tissus en fibre de verre (borosilicate), placés entre les
électrodes. Le processus de recombinaison des gaz est différent de celui du cas
précédent : les molécules d'oxygène diffusent à travers les tissus-séparateurs, des
électrodes positives vers les électrodes négatives pour y former de l'eau.
La résistance interne des batteries AGM est très faible et la densité spécifique de
l'électrolyte y est élevée (environ 1,3): les batteries AGM supportent des vitesses
de charge et de décharge très élevées, (jusqu'à 4C pour la Concorde Sun
Xtender).
Plus les tissus ne sont épais, plus la quantité d'électrolyte est grande, ce qui
augmente la durée de vie des batteries.
photovoltaïque non connecté au réseau. δe but est d’en déterminer les paramètres
de dimensionnement pour minimiser un critère de coût et un certain critère de
qualité de service rendu au consommateur. Dans la plupart des cas, le critère de
coût retenu est un critère économique : on cherchera donc à minimiser le coût
économique du système.
Il est possible de distinguer deux méthodes de dimensionnement qui seront
détaillées au chapitre 4 :
- les méthodes conventionnelles : elles sont basées sur des calculs empiriques
et permettent de dimensionner le système, généralement dans les conditions
les plus contraignantes et la capacité de stockage définie pour N jours de
consommation sans production photovoltaïque ni éolienne en est une.
Usuellement, le mois avec les potentiels renouvelables les plus faibles
(décembre) est considéré. Il s’agit alors, moyennant certaines hypothèses, de
choisir la puissance crête du générateur photovoltaïque, la surface balayée par
le rotor de l’éolienne et la capacité énergétique de l’accumulateur permettant
de satisfaire les besoins en électricité du consommateur pendant ce mois
critique.
- Les méthodes à base de simulations dynamiques : elles se réfèrent à la
simulation temporelle des systèmes hybrides pour une durée donnée (tsim)
avec un certain pas de temps (∆t). Cependant, ces deux paramètres prennent
de nombreuses valeurs différentes. Dans la littérature ([27]à [29]), l’impact de
ces deux paramètres fondamentaux de la simulation sur les résultats de
dimensionnement n’a pas fait l’objet d’études approfondies. Dans notre cas,
leur choix va être fait de manière rigoureuse. ∆t est fixé suite à une étude au
chapitre 2 de l’influence de la période d’acquisition sur l’estimation du
potentiel énergétique des sources renouvelables et la prise en compte de la
consommation électrique annuelle de l’habitat. δe choix de (tsim) est fait au
chapitre 3 en conséquence suite à plusieurs essais et simulations.
Les simulations reposent sur des modèles énergétiques plus ou moins évolués
des différents composants du système autonome. La description des modèles
utilisés dans notre cas est faite au chapitre 3.
Le problème du dimensionnement global du système hybride revient alors à
déterminer la configuration qui assure le meilleur compromis entre coût du
système et service énergétique rendu au consommateur. A part quelques
De cette manière, nos travaux de thèse contribuent à l’étude des systèmes hybrides éoliens
photovoltaïques avec batteries en se focalisant sur la modélisation, le dimensionnement et la
mise en œuvre expérimentale. δ’ensemble de ses parties et de ses problématiques sont
concentrés autour d’un thème commun qui est l’ « Optimisation » comme le montre la figure
1.6.
Maximiser la production
d'énergie renouvelable :
- Améliorer les techniques
d'évaluation des sources ,
- Optimiser la position des
panneaux
Augmenter la
précision des
Travaux de thèse : Optimiser le
dimensionnement
modèles :
- Prendre en
"OPTIMISATION" du système :
- Minimiser le côut
compte un
maximum de
d'un système économique,
- Minimiser le côut
paramètres, hybride éolien- écologique,
- Identifier les
paramètres des photovoltaïque - Minimiser le taux
d'insatisfaction des
panneaux PV et
de l'éolienne avec batteries besoins électriques
du consommateur
Optimiser la commande et la
supervision du système :
- Intégrer des algorithmes MPPT,
-Assurer la bonne gestion du
sytème et faire la synthèse des
correcteurs
Bibliographie
[1] M. DALI, «Commande et Gestion Energétique des Systèmes Hybrides Photovoltaïque - Eolien,»
Thèse de Doctorat, Ecole Nationale d'Ingénieurs de Tunis, Tunis, Tunsie, 2009.
[2] A. Keyhani, M. N. Marwali et M. Dai, Integration of Green and Renewable Energy in Electric
Power Systems, Hoboken, New Jersey, USA: John Wiley & Sons, Inc, 2010.
[4] T. A. Si go, «Syst e d’ali e tatio photovoltaï ue ave sto kage hy ide pou l’ha itat
énergétiquement autonome,» Thèse de Doctorat, Université Henri Poincaré, Nancy-I, Nancy ,
France, 2010.
[9] ALTER AFRICA, «Les différents types de batteries plomb Acide,» ALTER AFRICA, 2004. [En ligne].
Available: http://www.batterie-solaire.com/types-batteries-plomb.htm [Accès le 12 11 2011].
[11] T. Markvart, «Sizing of hybrid photovoltaic-wind energy systems,» Solar Energy, vol. 57, n° 14,
pp. 277-281, 1996.
[14] W. Kellogg, M. Nehrir, G. Venkataramanan et V. Gerez, «Optimal unit sizing for a hybrid
wind/photovoltaic generating system,» Electric Power Systems Research, vol. 39, n° 11, pp. 35-
38, 1996.
[15] H. G. Beyer et C. Langer, «A method for the identification of configurations of PV/wind hybrid
systems for the reliable supply of small loads,» Solar Energy, vol. 57, n° 15, pp. 381-391, 1996.
[16] Y. Kimura, Y. Onai et I. Ushiyama, «A demonstrative study for the wind and solar hybrid power
system,» Renewable Energy, vol. 9, n° 11-4, pp. 895-898, 1996.
[17] A. Bhave, «Hybrid solar–wind domestic power generating system—a case study,» Renewable
Energy, vol. 17, n° %1, pp. 355-358, 1999.
[18] EDF, «La consommation d'électricité dans le monde,» EDF, [En ligne]. Available:
http://www.edf.com/html/panorama/conso/monde.html [Accès le 15 Janvier 2012].
[19] A. Appleby, «Fuel cell technology: Status and future prospects,» Energy, vol. 21, n° 17-8, pp.
521-653, 1996.
[20] M. Deshmukh et S. Deshmukh, «Modeling of hybrid renewable energy systems,» Renewable and
Sustainable Energy Reviews, vol. 12, n° 11, pp. 235-249, 2008.
[21] A. Agrawal, R. Wies et R. Johnson, Hybrid Electric Power Systems: Modeling, Optimization and
Control, 1e éd., VDM Verlag Dr. Mueller e.K., 2007.
[23] L. Salazar et J. Urra, «A Novel Two Input Single Switch DC-DC Converter for Hybrid Electricity
Generators,» Canadian Journal on Electrical and Electronics Engineering , vol. 2, n° 111, 2011.
[24] P. Kong, J. Zhao et Y. Xing, «Series-parallel Resonant High Frequency Inverter for Standalone
Hybrid PV/Wind Power System,» Energy Procedia, vol. 12, n° 1, The Proceedings of International
Conference on Smart Grid and Clean Energy Technologies (ICSGCE 2011), pp. 1090-1097, 2011.
[25] A. Mellit, S. Kalogirou, L. Hontoria et S. Shaari, «Artificial intelligence techniques for sizing
photovoltaic systems: A review,» Renewable and Sustainable Energy Reviews, vol. 13, n° 12, pp.
406-419, 2009.
[26] W. Zhou, C. Lou, Z. Li, L. Lu et H. Yang, «Current status of research on optimum sizing of stand-
alone hybrid solar-wind power generation systems,» Applied Energy, vol. 87, n° 12, pp. 380-389,
2010.
[27] A. Bin, H. Yang, H. Shen et X. Liao, «Computer-aided design of PV/wind hybrid system,»
Renewable Energy, vol. 28, n° 110, pp. 1491-1512, 2003.
[28] S. Diaf, D. Diaf, M. Belhamel, M. Haddadi et A. Louche, «Amethodology for optimal sizing of
autonomous hybrid PV/wind system,» Energy Policy, vol. 35, n° 111, pp. 5708-5718, 2007.
[29] H. Yang, Z. Wei et L. Chengzhi, «Optimal design and techno-economic analysis of a hybrid solar–
wind power generation system,» Applied Energy, vol. 86, n° 12, pp. 163-169, 2009.
[30] Y. Thiaux, «Optimisation des profils de consommation pour minimiser les coûts économique et
énergétique sur cycle de vie des systèmes photovoltaïques autonomes et hybrides, évaluation
du potentiel de la technologie Li-ion,» Thèse de Doctorat, SATIE UMR CNRS 8029, Cachan,
France, 2010.
[32] «Life cycle assessment of photovoltaic electricity generation,» Energy, vol. 33, n° 12, pp. 224-
232, 2008.
[35] E. Martínez, S. Félix, S. Pellegrini, J. Emilio et J. Blanco, «Life-cycle assessment of a 2-MW rated
power wind turbine: CML method,» The International Journal of Life Cycle Assessment, vol. 14,
n° 11, pp. 52-63, 2009.
[36] Varun, R. Prakash et I. K. Bhat, «Energy, economics and environmental impacts of renewable
energy systems,» Renewable and Sustainable Energy Reviews, vol. 13, n° 19, pp. 2716-2721,
2009.
δe vent ou le soleil sont des ressources énergétiques inépuisables mais fluctuantes. D’où
pour toute installation multi-sources, une étude des caractéristiques énergétiques s’impose. En
voici les étapes essentielles :
Cette analyse est de nature à mettre en évidence les variantes paramètres indispensables par la
suite à la simulation d’un système hybride éolien photovoltaïque avec batteries.
δe vent n’est autre que de l’air en mouvement [1]. Il est produit par les variations de
pressions atmosphériques sur la surface de la terre. Ces variations sont engendrées par les
gradients de température, dus à une distribution inégale de l’énergie solaire et aux différences
de propriétés thermiques entre les surfaces des continents et des océans. En effet, quand les
températures de régions voisines deviennent inégales, l’air le plus chaud tend à s’écouler au-
dessus de l’air le plus froid (car plus lourd). δa direction des vents générés de cette façon est
généralement grandement modifiée par la force de Coriolis résultant de la rotation de la terre
[2].
La méthode physique
Actuellement, pour mesurer l’ensemble des données utiles, on peut disposer de plusieurs
types d’outils μ
Actuellement, Il existe de nombreux outils qui modélisent les terrains afin d’y implanter
les éoliennes de manière optimale. Ces outils diffèrent surtout par les modèles utilisés. En
effet, on trouve :
Ce sont encore les outils les plus utilisés, car les plus simples à trouver dans le commerce
et à mettre en œuvre par des généralistes de l’énergie. Ils fonctionnent sur la base de la
mécanique des fluides et principalement à partir des équations de Navier-Stockes [4], [5]. Ce
sont des outils tels WindPro, WindFarm ou Wasp. Ils sont prévus pour des terrains presque
plats, homogènes, et en conditions de neutralité atmosphérique (pression et température
normales définies comme étant 1 atm (1013,25 hPa) et 15 degrés Celsius).
À l’opposé de ces outils « simplifiés », il existe des outils de calculs complexes, émanant
des sciences météorologiques, et/ou des simulateurs d’écoulements de pollutions, et/ou des
simulateurs de résistance de structure architecturale (par exemple pour valider la résistance
d’un pont ou d’un bâtiment lors d’un vent particulier). Ce sont des modèles de dispersion
basés sur des modèles atmosphériques 3D (par exemple les logiciels MeteoDyn, Fluent,
WindSim, etc.), ou des modèles météorologiques de grande échelle, qui peuvent ensuite être
ramenés vers le sol avec plus ou moins de précision (par exemple les modèles de prévision
utilisés par Météo France : ARPEGE, ALADIN, AROME [6]).
Les données du vent de notre étude ont été obtenues à partir d'un site Internet [7]. Elles
concernent le centre national technologique éolien (National Wind Technology Center,
Latitude: 39° Nord, Longitude: 105° Ouest, Altitude : 1855 mètres) du Colorado aux états
unis. Elles ont été captées à 10 mètres au-dessus du sol en utilisant un mât de mesure de type
SW201 [8]. δes mesures sont transmises via l’enregistreur SDε-INT8 de Campbell Scientific
[9], qui les échantillonne à une fréquence élevée (jusqu'à1 microseconde) et indique leur
valeur moyenne toutes les minutes à l'enregistreur de données.
La figure 2.1 est une représentation de la rose du vent pour ce site en 2009. Elle montre que la
direction et la vitesse du vent varient considérablement sur presque toutes les périodes de
mesures. Néanmoins, la direction Sud-est reste prédominante.
NORD
8%
6%
4%
2%
OUEST EST
V itesse du
v ent ( m/s)
25 - 30
20 - 25
15 - 20
10 - 15
5 - 10
SUD 0-5
Figure 2.1 : Rose de vent enregistrée en 2009 dans le site du National Wind Technology
Center, Latitude: 39° Nord, Longitude: 105° Ouest, Altitude : 1855 mètres
Etant donné que les éoliennes à axe horizontal suivent la direction du vent, la vitesse de ce
dernier est le facteur le plus important pour déterminer la quantité d’énergie exploitable par
une éolienne. Donc, ces données doivent être échantillonnées et analysées avec précision.
δ’irradiance correspond au flux d’énergie incidente sur une surface donnée, exprimée en
W/m2. Sa connaissance pour un site d’implantation est indispensable pour évaluer le potentiel
d’électricité solaire d’un projet photovoltaïque.
δ’irradiance à faible longueur d’onde (0.28-5 µm) peut être séparée en trois composants :
le rayonnement direct, le plus important, le rayonnement diffusé par l’atmosphère qui dépend
de sa composition, et le rayonnement réfléchi par le sol [10], [11]. Le rayonnement global,
somme de ces trois composantes, est déterminé par trois groupes de facteurs : les relations
géométriques entre le soleil et la surface de la terre, l’atténuation due à la traversée de
l’atmosphère et les facteurs topographiques [12]. Des formules astronomiques permettent de
La position du soleil dans le ciel (figure 2.2) est fonction de l’heure et de la latitude. Ainsi,
pour bien définir ses coordonnés, il convient de spécifier un certain nombre de directions de
référence qui varient à chaque instant de la journée. Ces dernières sont repérées dans deux
systèmes de coordonnées différents:
δa direction du soleil est repérée par rapport au plan équatorial de la terre grâce à un angle
appelé déclinaison du soleil. Sa valeur varie entre -23,28 degrés (au solstice d’hiver) et
+23,28 degrés (au solstice d’été) et s’annule aux équinoxes de printemps et d’automne.
C’est l’angle que fait la projection de la direction du soleil avec la direction du méridien du
lieu passant par le sud. Il mesure la course du soleil dans le ciel.
et ω forment les coordonnées horaires du soleil. Une procédure de calcul instantané et précis
des deux est détaillée dans [13].
C’est l’angle que fait la direction du soleil avec sa projection sur le plan horizontal. δa
hauteur du soleil varie à chaque instant de la journée et de l’année selon la relation suivante :
(2.1)
A partir de cette hauteur, on peut calculer l’angle zénithal solaire de la manière suivante :
(2.2)
- δ’azimut du soleil :
C’est l’angle que fait la projection de la direction du soleil avec la direction du sud. δ’azimut
du soleil varie à chaque instant de la journée selon la relation suivante :
(2.3)
Figure 2.2 : Schéma montrant les différentes coordonnées angulaires utilisées en énergétique
solaire : φ : la latitude, l’azimut, h la hauteur, ω l’angle horaire, la déclinaison [14]
- l’ozone qui forme un écran qui arrête les UV ( <0,28 µm) nocifs pour la vie,
- l’oxygène qui absorbe des bandes étroites du spectre visible (vers 0,6λ et 0,76 µm),
- le gaz carbonique qui absorbe une partie de l’IR lointain ( >2 µm),
- la vapeur d’eau qui entraîne des bandes d’absorption multiples surtout dans l’IR. τn
ne la rencontre pratiquement qu’au niveau du sol (altitude <5 km).
δa diffusion se produit avec les molécules de l’air, celles de la vapeur d’eau et les particules
en suspension. Elle est d’autant plus importante que la longueur d’onde du rayonnement est
petite et que l’air est humide et pollué. Ce phénomène explique pourquoi le ciel est bleu
( =0,47µm) dans la journée et rouge-orangé ( =0,67µm) le matin et le soir lorsque le soleil
est bas sur l’horizon.
Plus grande est la longueur du parcours de la lumière solaire dans l’atmosphère terrestre, plus
grande est l’atténuation de celle-ci avant d’atteindre un éventuel capteur. Pour tenir compte du
trajet parcouru par les photons, on utilise la notion de masse atmosphérique. Celle-ci est égale
au rapport, noté m*, de la distance parcourue dans l’atmosphère par un rayon en provenance
du soleil à l’épaisseur verticale de l’atmosphère mesurée au niveau de la mer.
c) Topographie
Pour calculer le rayonnement sur un capteur photovoltaïque incliné (figure 2.3), il est
nécessaire de prendre en compte l’angle d’incidence entre le rayon solaire et sa surface. Il
varie en fonction de la position du soleil et de la topographie :
(2.4)
Comme pour le vent, l’acquisition de données d’irradiance peut être faite par mesure
directe (méthode physique) ou par des modèles numériques (méthodes de modélisation
numérique). Les deux manières ont été bien expliquées par D.R Myers dans son article
« Solar Radiation Modeling and Measurements for Renewable Energy Applications : Data
and Model Quality » [15].
La méthode physique
Il s’agit d’utiliser les instruments de mesure. δe rayonnement solaire direct Gb est mesuré
en visant le soleil avec un pyrhéliomètre. Le rayonnement global horizontal Gh est mesuré par
un pyranomètre. Pour mesurer le rayonnement diffus Gd, il suffit de monter sur un
pyranomètre une bande venant occulter le rayonnement direct.
* L'albédo, grandeur sans dimension, est le rapport de l'énergie solaire réfléchie par une surface à l'énergie solaire incidente.
δa durée d’insolation, quant à elle, est mesurée par un héliographe, boule de verre qui
concentre le rayonnement solaire en un point d’un papier thermosensible. Au fil du temps une
trace apparaît. δa longueur de cette trace donne la durée d’ensoleillement. σotons toutefois
que le seuil de sensibilité du papier est important par rapport au nombre d’heures
d’ensoleillement, de l’ordre de 120W/m².
Il existe aussi les modèles de calcul basés sur l’analyse des images satellites. τn les trouve
chez le NOAA Research (National Oceanic & Atmospheric Administration,U.S) et Satel-
Light au niveau européen par exemple.
δes données d’irradiance globale horizontale (Gh) appartiennent aussi au centre national
technologique éolien du Colorado aux Etats Unis. Elles ont été mesurées à quelques mètres du
sol avec un pyranomètre de précision modèle Eppley [22]. δ’instrument est étalonné
annuellement selon la référence mondiale radiométrique. Les données sont enregistrées à la
minute. La figure 2.4 montre l’évolution de l’irradiance globale du site en 2008. A priori, il
s’agit d’un site bien ensoleillé avec des irradiances globales qui peuvent atteindre les 1452
W/m². Les mois les plus ensoleillés sont Mai, Juin Juillet et Aout.
1200
1000
800
600
400
200
0
Figure 2.4 μ Irradiance globale PSP [W/m²] enregistrée au cours de l’année 2008
Les données de la position du soleil ont été calculées à la minute par Solar Position
Algorithm (SPA) [21] développé par le Laboratoire National des Energies Renouvelables aux
Etats Unis (σREδ). δa figure 2.5 trace la course du soleil dans le site. δ’élévation du soleil
est importante en été en plein Sud (180°) vers 12h00.
80
21 décembre
70 21 mars
21 septembre
21 juin
60
hauteur solaire (°)
50
40
30
20
10
0
50 100 150 sud 200 250 300 350
N-E est Azimut solaire(°) ouest N-O
Figure 2.5 μ Hauteur du soleil en fonction de l’azimut solaire pour différents jours de l’année
Les données disponibles correspondent à des mesures sur un plan horizontal. Par la suite,
nous sommes amenés à connaître le rayonnement sur un plan incliné quelconque pour pouvoir
optimiser la position des panneaux. Ce rayonnement est égal à la somme de la composante
directe, diffuse, et réfléchie.
(2.5)
La température est aussi un paramètre essentiel dont on doit tenir compte dans la
conception des systèmes photovoltaïques.
40 830
30 820
Pression atosphérique (mBar)
20 810
Température (°C)
10 800
0 790
-10 780
-20 770
-30 760
0.9 0.95 1 1.05 1.1 1.15 0.94 0.95 0.96 0.97 0.98 0.99 1 1.01 1.02
3
Densité de l'air(Kg/m ) Densité de l'air(Kg/m3)
a) Evolution de la densité de l’air en fonction de la température b) Evolution de la densité de l’air en fonction de la pression
à la pression moyenne du site soit 813,5 mBar
à la température moyenne du site soit 9,3°C
Pour notre étude, ces données sont obtenues du même site américain ((National Wind
Technology Center, Colorado, USA, Latitude: 39° Nord, Longitude: 105° Ouest, Altitude :
1855 mètres) et sont recueillies à la minute. δa température est mesurée à l’aide d’une sonde
PT100 à 2 mètres du sol et corrigée par rapport à la hauteur de l’éolienne selon le gradient de
température -0.0065°C/m. La sonde est calibrée annuellement par le NREL.
La pression est mesurée grâce à un transmetteur de pression installé sur une tour à 2,5 m au-
dessus du sol. Elle dépend beaucoup de l’altitude, la température aussi. Pour cette raison, il est
possible pour le calcul de ρ d’utiliser l’expression ci-dessous :
353.049 ( 0.034T )
Z
ρ[Kg/m] = e
T (2.6)
Grâce à ces données, nous avons évalué l’évolution de la densité moyenne de l’air au cours
des années.
Année 2002 2003 2004 2005 2006 2007 2008 2009 2010
Densité
moyenne
de l’air, 1.0028 1.0008 1.0031 1.0001 0.9996 1.0006 1.0016 1.0048 1.0018
ρ(Kg/ )
(2.7)
Une fois qu’on a choisi le site et déterminé la quantité de vent disponible, il faut estimer le
potentiel énergétique éolien. Cette estimation est importante pour l’évaluation du site.
] (2.8)
Où f(V) représente la fréquence d’apparition de la vitesse du vent (V) dans une distribution de
fréquences, C le facteur d’échelle empirique de Weibull en m/s et k le facteur de forme
empirique de Weibull.
(2.9)
A partir des données de vent dont nous disposons, nous avons estimé pour chaque année
de 2002 à 2010 les paramètres des distributions de Weibull et Rayleigh. δ’ajustement a été
fait avec les fonctions εatlab (‘Ksdensity’, ‘raylfit’,’wblfit’) appliquant l’estimation du
maximum de vraisemblance [24], une méthode statistique courante utilisée pour inférer les
paramètres de la distribution de probabilité d’un échantillon donné.
La figure 2.7 représente la distribution réelle, de Weibull et de Rayleigh des vitesses de vent
de l’année 200λ. Elle montre que les modèles mathématiques utilisés ne reproduisent pas
parfaitement la distribution réelle.
0.35
Distribution réelle
Distribution de Weibull
0.3 Distribution de Rayleigh
0.25
Fréquence d'apparition (%)
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25
Vitesse du vent (m/s)
Le tableau 2.2 présente les paramètres des différentes distributions du vent. On ne note pas
une grande variation d’une année à une autre. δa vitesse moyenne du vent varie entre
3,33 m/s et 4,1 m/s. Le facteur de la distribution de Rayleigh varie entre 3,06 et 3,72. Il est
très proche de la vitesse moyenne du vent. δe facteur d’échelle de la distribution de Weibull
est compris entre 3,65 m/s et 4,5 m/s. Il est étroitement lié à la vitesse moyenne du vent. Le
facteur de forme, quant à lui, il évolue entre 1,22 et 1,41. Etant donné qu’il est inversement lié
à la variance des vitesses par rapport à la valeur moyenne, on peut en déduire que les vitesses
du vent utilisées présentent une variance élevée.
∫ (2.10)
Avec :
Vi μ la vitesse minimale pour exploiter la puissance du vent (en d’autres termes la vitesse de
démarrage des petites éoliennes, dans notre cas 3,5 m/s) et Vo : la vitesse du vent à partir de
laquelle les petites éoliennes ne produisent plus d’énergie, dans notre cas 25 m/s (arrêt de
l’éolienne V> 25 m/s).
δ’intégrale ne dispose pas d'une forme mathématique fermée, en général, et donc une
intégration numérique est nécessaire, par la méthode des trapèzes, ou par la méthode de
Simpson.
Pour une période d’un an, T = 365*24h et en utilisant n points de données du vent, on peut
déterminer l’énergie captée en utilisant la méthode des trapèzes :
∑ (2.11)
La démarche a été appliquée aux données de vent des années situées entre 2002 et 2010. Les
résultats sont représentés sur le graphique de la figure 2.8.
1400
1200
Potentiel éolien exploitable
1000
(KWh/m²/an)
Par distribution de
800 Rayleigh
600 Par distribution de
Weibull
400
Par distribution réelle
200
0
2002 2004 2006 2008 2010
Année
Figure 2.8: Estimation de l’énergie de vent par distribution des fréquences entre l’année 2002
et l’année 2010.
δ’énergie exploitable du vent pendant une période T est égale à l’intégrale de sa puissance
pendant cette même période. Ainsi, nous sommes capables d’estimer la production d’énergie
par une intégration numérique de la puissance par rapport au temps. A ce fait, nous avons
développé un programme Matlab permettant de tracer la courbe de l’évolution de la puissance
du vent au cours d’une année avec une acquisition de chaque minute, soit 87λ0*60=525600
acquisitions. Le potentiel énergétique du vent est alors donné par l’aire sous cette courbe avec
V compris entre 3,5 m/s et 25 m/s. Il est calculé en utilisant la méthode des trapèzes:
∑ (2.12)
Les résultats sont représentés sur le graphique de la figure 2.9. On remarque une forte
coïncidence entre les résultats obtenus par une distribution réelle du vent et par une
intégration directe de la puissance du vent. Les petites différences sont justement dues au fait
qu’en appliquant la méthode d’estimation par distribution réelle du vent, nous avons utilisé
des valeurs moyennes de la densité de l’air alors qu’en intégration directe, nous nous sommes
servi d’un calcul point par point de la densité de l’air.
1400
1200
Potentiel éolien exploitable
1000
(Kwh/m²/an)
600
Par intégration
400 numérique de la
puissance
200
0
2002 2004 2006 2008 2010
Année
Figure 2.9 μ Estimation de l’énergie de vent entre les années 2002 et 2010 par distribution
réelle des fréquences et par intégration numérique de la puissance
δa méthode d’intégration de la puissance par rapport au temps est très facile à mettre en
œuvre. Elle tient compte presque de tous les facteurs critiques du site (rafales, changement
brusque de direction du vent, variation de la densité de l’air, etc.) vu qu’elle peut utiliser un
maximum de données de vent. δe calcul d’énergie par intégration de la puissance tire sa
justification de la définition de l’énergie elle-même d’où la validité de cette méthode pour une
estimation bien précise du potentiel éolien.
alors primordial d’en extraire l’irradiance globale sur un plan ayant une inclinaison et une
orientation fixe quelconque.
δ’irradiance globale sur un plan incliné (figure 2.3) est calculée par la relation suivante
[26], [27] , [28]:
(2.13)
Avec
(2.14)
Gh : irradiance globale sur un plan horizontal. Elle correspond à l’irradiance mesurée par
pyranomètre ;
r : représente la réflectance diffuse du sol (aussi appelée albédo du sol). Elle est fixée à 0.2 si
la moyenne mensuelle de la température est supérieure à 0°C.
Dans notre cas, étant donné qu’on connaît que Gh, il faut que nous reconstituions Gb et Gd
en utilisant l’indice de clarté du ciel Kt [29]:
(2.15)
étant le rayonnement extraterrestre global sur une surface horizontale pour un instant
donné. Il peut être calculé en utilisant SOLPOS Calculator, un outil développé par le NREL
pour calculer la position et l’intensité du soleil en fonction du temps et du lieu [30].
La relation de corrélation entre Gh et Gd proposée par Miguel et al. [31] est alors appliquée :
{ } (2.16)
(2.17)
Ainsi, en utilisant les données d’irradiance globale horizontale mesurée Gh, extraterrestre
et celles relatives à la position du soleil, nous avons développé un algorithme sous Matlab
(voir Annexe I) permettant de calculer les différentes composantes de l’irradiance incidente
sur un plan ayant une inclinaison et une orientation quelconque.
A titre d’exemple, la figure 2.10 présente l’évolution en 2008 de l’irradiance globale reçue
par un plan incliné de 35° par rapport à l’horizontale (β=35°) et orienté à 15° du sud
( , ainsi que ses composantes directe, diffuse et réfléchie.
1500
Irradiance globale reçue
Irradiance directe
Irradiance diffuse
Puissance photovoltaïque(irradiance,W/m²)
Irradiance réfléchie
1000
500
0
0 1000 2000 3000 4000 5000 6000 7000 8000
Temps(h)
Figure 2.10 : Evolution des différentes irradiances reçues sur un plan incliné en fonction de
l’heure au cours de l’année 2008
Nous remarquons que le rayonnement solaire direct est le plus important et peut atteindre
1000 W/m². Le rayonnement diffus, quant à lui, il est limité en moyenne à 10-15% du
rayonnement global. Le rayonnement réfléchi par contre peut être considéré comme
négligeable.
A partir de l’irradiance globale reçue par une surface de captation inclinée, il est possible
d’estimer son potentiel photovoltaïque avec une simple intégration numérique par rapport au
temps avec la méthode des trapèzes comme dans le cas du vent.
Etant donné que l’algorithme que nous avons développé, permet l’estimation de
l’irradiance globale reçue par un plan incliné avec n’importe quelle inclinaison et orientation,
nous avons procédé pour chaque année à un calcul systématique comme le montre la figure
2.11 de manière à déterminer la position optimale de la surface de captation, pour recevoir le
maximum d’énergie solaire. Par exemple, pour l’année 2008, la position optimale des
panneaux correspond à une inclinaison par rapport à l’horizontal de 35° et une orientation à
15° du sud (165° du Nord-est).
La figure 2.11 montre une grande différence (supérieure à 13%) de potentiel photovoltaïque
entre un panneau horizontal (inclinaison 0°) et un panneau incliné de 35°. Elle indique aussi
que le potentiel photovoltaïque reçu par une surface de captation orientée vers le nord (0 ou
360°) est presque deux fois inférieur à celui reçu par la même surface orientée à 10-15° du
plein sud.
Année Position optimale des Energie Energie produite avec des panneaux Energie Energie
panneaux produite mobiles selon le zenith solaire, produite produite
avec des
avec des Kwh/an (orientation fixe optimale) avec un
panneaux
panneaux mobiles suiveur
fixes, selon parfait
l’azimuth
Kwh/an (panneaux
solaire,
Kwh/an mobiles
selon le
(inclinaison
zenith et
fixe
l’azimuth
optimale)
solaire),
kwh/an
Tableau 2.3 : Estimation du potentiel photovoltaïque pour des panneaux fixes et mobiles en
fonction des années de 2002 à 2010
2600
Potentiel photovoltaïque (Kwh/m²/an)
Récepteur fixe (inclinaison et
2400 orientation optimaux)
Figure 2.12: Evolution du potentiel photovoltaïque pour des panneaux fixes et mobiles en
fonction des années de 2002 à 2010
Néanmoins, il est important de signaler que pour les applications en site isolé, il y a
sûrement une position fixe optimale pour récupérer le maximum d’énergie sur l’année (ce
calcul sera exposé dans le chapitre 3), pour la suite, on considère, dans le cas de panneaux
fixes, d’utiliser l’inclinaison et l’orientation optimale du mois le plus défavorable. Pour
l’année 2008 par exemple, il s’agit du mois de novembre (voir tableau 2.4).
Les panneaux sont alors fixés avec une inclinaison de 60° et orientés plein sud (180°).
δ’évolution du potentiel photovoltaïque mensuel pour l’année 2008 est alors donnée par le
tableau 2.5. On remarque une chute annuelle de 13% du potentiel photovoltaïque par rapport à
des panneaux mobiles d’un mois à un autre, mais une plus faible disparité entre les mois les
plus faibles et les plus élevés.
Mois Potentiel
photovoltaïque
(KWh/m²/mois)
Janvier 144
Février 145,388
Mars 162,336
Avril 170,159
Mai 149,486
Juin 150,725
Juillet 149,608
Aout 148,615
Septembre 152,36
Octobre 148,591
Novembre 122,368
Décembre 124,908
Année complète 1768,544
Tableau 2.5μ Evolution du potentiel photovoltaïque en fonction des mois pour l’année 2008 en
considérant des panneaux fixés avec une inclinaison de 60° et orientés plein sud (180°)
δ’étude des systèmes hybrides éoliens photovoltaïques avec batteries pour l’habitat
résidentiel nécessite la connaissance de la consommation en électricité de ce dernier. Pour
cette raison, nous avons modélisé deux profils de consommation pour un foyer type de 120m²
avec 4 personnes, hors cuisson, eau chaude sanitaire et chauffage du logement. Le premier a
été développé suite à une estimation des besoins énergétiques de l’habitat. δe deuxième a été
obtenu par des acquisitions réelles.
2.4.1- Modélisation d’un profil de consommation type par estimation des besoins
énergétiques de l’habitat
a) Eclairage :
c) Cuisson :
La cuisson est assurée par du gaz naturel ou par du propane. Une micro-onde est utilisée
pour chauffer les repas si nécessaire. Il est un peu plus sollicité en hiver qu’en été. δa cuisine
est équipée d’une hotte aspirante les mauvaises odeurs.
d) Ventilation :
Pour éviter le confinement, préserver la qualité de l’air et éliminer l’humidité et les divers
polluants, l’habitat résidentiel est équipé d’un système de ventilation (VεC) simple flux.
e) Electroménager :
δ’habitat résidentiel est bien équipé pour fournir un confort satisfaisant à ses occupants :
on y trouve une machine à laver, un lave-vaisselle, un aspirateur et plusieurs autres appareils
électrodomestiques (sèche-cheveux, grille-pain, mélangeurs, robots de cuisine, etc…).
f) Multimédia :
Dans l’habitat, on trouve une télé, une chaîne Hi-Fi et un PC connecté à internet via une
ligne ADSL.
Des capteurs solaires assurent 90% de la production ECS (Eau Chaude Sanitaire).
δ’énergie électrique peut être utilisée pour soutenir le chauffage solaire de l’eau pendant la
période hivernale.
Pour chaque charge, nous avons calculé l’énergie quotidienne nécessaire à produire en Ah/j.
Voici un exemple explicatif des calculs :
Le tableau 2.6 résume les charges estimées pour la résidence par saison :
ECLAIRAGE
PRODUCTION DU FROID
CUISSON
VENTILATION
MULTIMEDIA
ADSL + HIFI 50 24 50 24 50 24 50
Suite à l’estimation des charges électriques de l’habitat, nous avons établi un profil de
consommation annuel type en considérant les hypothèses suivantes :
Figure 2.13: Profils de consommation journaliers établis pour l’habitat résidentiel considéré
en fonction de l’heure et de la saison
Des données de consommation réelles ont été acquises pour une maison de 4 habitants
située à δa Rochelle sans considération de la cuisson, du chauffage et de l’eau chaude
sanitaire comme cela a été indiqué dans le paragraphe précédent.
Figure 2.14: Profils de consommations journalière de base enregistrés dans l’habit résidentiel
en fonction du temps
Ces profils ont été extrapolés pour chaque année entière entre 2002 et 2010 en considérant
les variations saisonnières de la charge électrique dans l’habitat. Cette extrapolation a été faite
par multiplication de ces profils de base par les facteurs de correction illustrés par le tableau
2.7. Ces derniers ont été obtenus grâce aux variations saisonnières (figure 2.15) de la charge
électrique enregistrées dans un habitat similaire de la région en 2009.
Consommation Facteurs de
1,4
dans une maison correction
Facteur de correction de la charge
mensuelle par rapport au mois de
Mai
Juin
Mars
Avril
Décembre
Septembre
Octobre
Juillet
Novembre
En utilisant les données disponibles de vitesse du vent, d’irradiance reçue par un plan
incliné (inclinaison et orientation optimales) et de la charge (modélisée par acquisition de
données réelles) pendant un an, nous avons estimé le potentiel énergétique de chacun en
utilisant des périodes d’acquisition qui sont comprises entre une minute et deux heures.
δ’objectif est de démontrer l’influence de la période d’acquisition sur la précision de
l’estimation. δ’étude a été faite deux fois : directement avec les données disponibles, ensuite
avec les mêmes données filtrées en respectant Shannon*.
*Théorème de Shannon : Pour éviter la perte d’informations et la déformation du signal reconstitué, la fréquence
d’échantillonnage Fe doit être égale ou supérieure à deux fois la fréquence la plus élevée d’un signal à
spectre limité : .
Dans ce dernier cas, le filtrage anti-repliement est fait par une structure de Butterworth [34].
Matlab propose une fonction dans laquelle la synthèse de ce filtre est effectuée :
Cette fonction donne directement les coefficients a et b du filtre analogique (décrit avec ‘s’) à
partir de :
- n : ordre du filtre, dans notre cas n =4, sachant que les filtres de Butterworth sont les
seuls filtres linéaires dont la forme générale est similaire pour tous les ordres (mise à
part une pente différente dans la bande de coupure).
- Wn bande passante du filtre (fréquence haute de la bande passante pour un passe-
bas).Dans notre cas, la fréquence du filtre est réglée de manière à être à de la
Avec T : vecteur temps avec la même dimension que les vecteurs donnés.
δes résultats indiquent que les valeurs d’énergie du vent estimées avec des périodes
d’acquisition différentes et sans filtrage varient de manière aléatoire. Par contre, en cumul à
long terme (un mois à un an), il n’y pas de différences significatives entre la valeur d’énergie
obtenue avec une période d’acquisition d’une minute et celle calculée avec une période de 60
min (écart inférieur à 10 %). Ainsi un échantillon toutes les heures sur un an donne une
précision satisfaisante pour l’estimation de l'énergie du vent ou de l’énergie fournie par une
éolienne.
Dans le cas de données filtrées respectant le théorème de Shannon avec une structure de
Butterworth, nous notons que l'énergie diminue lorsque la période d'acquisition du vent
augmente. En revanche, une perte d'énergie (maximum 10%) est détectée entre l’énergie
estimée avec des données filtrées et celle calculée avec des données non filtrées en utilisant la
même période d’acquisition de base (1minute). Sachant que les données de base à une minute
sont obtenues en faisant la moyenne sur une minute avec une acquisition très fine (jusqu’à 1
microseconde).
Par ailleurs, il est important de signaler que pour des périodes d’acquisition entre une
minute et trente minutes, l’énergie estimée après filtrage, décroît linéairement (Fig.2.16). A
titre d'illustration, le tableau 2.8 présente tous les résultats pour le site considéré avec les
données de 2009:
1000
Potentiel éolien exploitable
900
(Kwh/an/m²)
800
Cas de données
700 non filtrées
Cas de données
600 filtrées
500
1 10 100 1000
Période d'acquisition (min)
Les résultats peuvent être expliqués par le fait que pour les fréquences hautes (entre (1 / 60)
Hz et (1 / 3600) Hz), la vitesse du vent, considérée comme une variable aléatoire, a le même
comportement qu’un bruit blanc (figure 2.17). En outre, pour des périodes d'acquisition du
vent entre 60 s et 3600 s, les caractéristiques statistiques des données (maximale, minimale,
moyenne, variance, etc.) sont presque invariantes. En effet, comme exemple, pour les données
du vent de l’année 200λ (σational Wind Technology Canter-Colorado):
Par conséquent, il est possible d’estimer de manière précise le potentiel éolien avec une
période d’échantillonnage allant jusqu’à une heure. Dans notre cas, nous avons opté pour une
période de 30 minutes.
5
x 10
3.5
2.5
2
DSP
1.5
0.5
0
-7 -6 -5 -4 -3
10 10 10 10 10
fréquence exprimée en Hz
δes résultats indiquent qu’il n'y a pratiquement aucune différence entre la valeur de
l'énergie solaire obtenue avec une période d’acquisition d'une minute d'échantillonnage et
celle calculée avec une période de 60 minutes (écart inférieur à 0,5%).
2200
2000
Potentiel photovoltaique
(Kwh/an/m²)
1800 Cas de données non
filtrées
Cas de données
1600
filtrées
1400
1 10 100 1000
Période d'acquisition (min)
Ces résultats permettent de confirmer qu’il est suffisant d'utiliser des données horaires ou
mi- horaires du vent et de l’ensoleillement. Il n’est pas primordial d’utiliser des instruments à
très hautes fréquences d'acquisition car leurs coûts relativement élevées constituent un
handicap.
δes résultats (tableau 2.10, figure 2.1λ) montrent que les valeurs de l’énergie consommée
par l’habitat avec des périodes d’acquisition différentes et sans filtrage varient de manière
aléatoire. En comparaison avec l’irradiation et l’énergie du vent, en cumul à long terme (un
mois à un an), la différence entre la valeur d’énergie obtenue avec une période d’acquisition
d’une minute et celle calculée avec une période de 60 minutes est plus importante (écart
supérieur à 10 %). Mais, elle est presque nulle avec des données filtrées. Cela est dû au fait
que la consommation n’est pas une variable purement aléatoire. Il y a déjà une reproduction
des profils journaliers. Donc, une variation de la période d’acquisition implique un
changement des caractéristiques statistiques des données.
2500
Consommation électrique estimée
2400
2300 Consommation
2200 électrique annuelle de
2100 l'habitat estimée avec
(KWh/an)
Ces résultats permettent une meilleure conception des systèmes hybrides. En effet, pour la
suite de ces travaux, nous utilisons des données mi-horaires pour l’optimisation et le
dimensionnement du système hybride. Cette période d’échantillonnage médiane permet
d’éviter la perte d’informations tout en limitant les temps de calcul, de simulation et de
traitement. Afin d’assurer un maximum de précision, les données de la charge électrique mi-
horaires obtenues par filtrage ont été utilisées pour avoir une consommation annuelle égale à
celle avec des acquisitions réelles à la minute. Le graphique de la figure 2.20 montre les
différents potentiels énergétiques ainsi obtenus et conservés pour la suite :
Figure 2.20: Evaluation des différents potentiels énergétiques en fonction des années à partir
de données mi-horaires
Bibliographie
[1] E. Golding, The generation of electricity by wind power, 2e éd., Halsted Press, 1976.
[2] P. Gipe, Le grand livre de l'éolien, édition révisée éd., Observ'ER, 2004, p. 23.
[3] C. Dubois, Le guide de l'éolien, techniques et pratiques, 1e éd., Eyrolles, 2009, p. 44.
[4] A. Bonnet et J. Luneau, Aérodynamique: Théories de la Dynamique des Fluides, Capadues, 1989,
p. 544.
[7] NREL, «Site Web des données météorologiques à la minute,» NREL, [En ligne]. Available:
http://www.nrel.gov/midc/nwtc_m2/ [Accès le 2009].
[12] J. Hofierka et M. Suri, «The solar radiation model for Open source GIS: implementation and
applications,» chez Proceedings of the Open source GIS-GRASS users conference, 2002.
[13] I. Reda et A. Andreas, «Solar Position Algorithm for Solar Radiation Applications,» National
Renewable Energy Laboratory, 2008.
[15] D. Myers, «Solar Radiation Modeling and Measurements for Renewable Energy Applications:
Data and Model Quality,» chez International Expert Conference on Mathematical Modeling of
Solar Radiation and Daylight-Challenges for the 21st Century, Edinburgh, Scotland, 2003.
[17] M. Iqbal, «Estimation of the monthly average of the diffuse component of total insolation on a
horizontal surface,» Solar Energy, vol. 20, n° 1, pp. 101-105, 1978.
[19] J. A. Davies et D. McKay, «Estimating solar irradiance and components,» Solar Energy, vol. 29,
n° 1, pp. 55-64, 1982.
[20] J. Sherry et C. Justus, «A simple hourly all-sky solar-radiation model based on meteorological
parameters,» Solar Energy, vol. 32, n° 2, pp. 195-204, 1984.
[21] D. Myers, «Inventory of solar radiation/ solar energy systems : estimators, models, site-specific
data and publications,» Electricity, Resources, and Buildings Systems Integration Center,
National Renewable Energy Laboratory, 2009.
[24] E. Morice, «Quelques problèmes d'estimation relatif à la loi de Weibull,» Revue de statistique
appliquée, vol. 16, n° 3, pp. 43-63, 1968.
[25] T. Burton, D. Sharpe, N. Jenkins et E. Bossanyi, Wind Energy Handbook, Estimation of Energy
Capture, John Wiley & Sons, 2001, p. 185.
[26] M. Benghanem, «Optimization of tilt angle for solar panel: Case study for Madinah, Saudi
Arabia,» Applied Energy, vol. 88, n° 4, pp. 1427-1433, 2011.
[30] NREL, «Solar position and intensity calculator, MIDC SOLPOS Calculator,» [En ligne]. Available:
http://www.nrel.gov/midc/solpos/solpos.html.
[31] A. De Miguel, J. Bilbao, R. Aguiar, H. Kambezidis et E. Negro, «Diffuse solar irradiance model
evaluation in the north Mediterranean belt area,» Solar Energy, vol. 70, n° 2, pp. 143-153, 2001.
Available: http://eco-sapiens.com.
[34] S. Butterworth, «On the Theory of Filter Amplifiers,» Wireless Engineer, vol. 7, pp. 536-554,
1930.
3.1- Introduction
Dans ce chapitre, nous abordons la question de la modélisation du système hybride éolien
photovoltaïque avec batteries pour répondre aux besoins énergétiques d’un habitat résidentiel
en site isolé, l’objectif principal étant le dimensionnement du système final d’une part et son
évaluation économique et écologique d’autre part.
D’abord, nous passons en revue les modélisations énergétiques des différents composants du
système ; nous décrivons en détail les modèles de l’éolienne, du générateur photovoltaïque et
du banc de stockage ; afin d’évaluer la production sur site par les sources renouvelables. σous
introduisons des critères énergétiques tels que l’insatisfaction au niveau de la charge, l’excès
de production…Ensuite, nous examinons de près les aspects économiques et écologiques pour
aboutir à une évaluation globale de la solution de dimensionnement. Au niveau de
l’évaluation économique, nous considérons plus particulièrement les paramètres suivants :
l’inflation, le taux d’intérêt… ; En revanche, au niveau de l’évaluation écologique, nous nous
contentons de la considération de la quantité d’énergie primaire intrinsèque.
Bien entendu ; une attention particulière est portée non seulement sur les calculs de coût
énergétique sur cycle de vie, mais aussi également sur le coût économique du système. Par
ailleurs, l’ensemble des modèles est représenté à l’aide du logiciel Matlab/Simulink, et le
fonctionnement global du système est étudié selon différents profils de consommation et tient
compte de l’orientation et de l’inclinaison des capteurs d’énergie (PV en particulier) ; à la fin
des résultats de simulation sont passés en revue et discutés.
Une modélisation de chaque composant est décrite ci-dessous. La complexité des modèles
doit rester acceptable de façon à ne pas allonger les temps de simulation et de résolution
numérique du problème d’optimisation. Ce dernier sera traité dans le chapitre suivant.
Ce sont plutôt des modèles d’entrée-sortie, où seule la puissance active est considérée. Ils
permettent de bien déterminer les différents flux d’énergie au sein du système hybride avec
l’objectif d’optimiser le dimensionnement de chaque élément.
3.2.1-εodèle de l’éolienne
Avec une approche globale, la puissance électrique générée par l’éolienne peut être
formulée de façon proportionnelle par rapport à la surface balayée par son rotor (Awt) comme
suit [1]:
(3.1)
Tc: température des cellules (°C). Pour un module PV de cellules solaires en silicium poly
cristallin, il peut être estimé à partir de la température ambiante Ta [°C] et l'irradiation solaire
Ir comme suit [5]:
(3.4)
TNOCT μ température d’utilisation de la cellule (σominal τperating Cell Temperature). Elle
est définie comme la température qu’atteint la cellule dans son module en circuit ouvert, sous
un ensoleillement de 800W/m², avec une température ambiante de 25 degrés Celsius et un
vent de 1m/s.
Les valeurs couramment rencontrées sont comprises entre 40 et 50 degrés Celsius.
Pour notre travail, après consultation des données techniques de différents panneaux en
silicium poly-cristallin (tels que Astronergy CHSM 6610P-240 ou Trina Solar TSM-PA05),
nous avons considéré une valeur typique de TNOCT égale à 45 degrés Celsius et une valeur
typique de βt de 0,0045 par degré Celsius.
A rappeler que l’irradiance Ir est considérée pour des panneaux fixes et avec une acquisition
chaque 30 minute.
3.2.3-Modèle du banc de stockage (banc de batteries)
δa modélisation de l’élément de stockage est importante dans la simulation des systèmes
hybrides. D’une part, l’élaboration de son état de charge instantané (SOC : State Of Charge)
permet l’optimisation de la gestion de l’énergie au sein du système. D’autre part, l’évaluation
de sa durée de vie facilite l’estimation du coût de ce dernier pendant la durée de vie du
système. Dans notre cas, l’accent est mis sur la technologie de stockage la plus répandue
actuellement dans les applications stationnaires, c’est à dire la technologie électrochimique
Plomb-Acide à plaques tubulaires et en particulier la technologie VRLA. Ce choix est basé
sur les avantages de cette technologie évoqués au cours du premier chapitre (1.3.3).
Il existe dans la littérature trois principaux modèles de batteries [7] [8][9]. Le premier, le
modèle énergétique, le plus couramment utilisé, se concentre sur la modélisation de l’état de
charge, qui est le paramètre le plus important dans le suivi des systèmes hybrides. Le
deuxième type est un modèle de tension qui estime la tension aux bornes de la batterie. Il est
utilisé dans la modélisation du système de gestion de la batterie et permet un calcul plus
détaillé des pertes dans l’accumulateur. δe troisième type de modèles est celui de
vieillissement utilisé pour évaluer l'impact d'un régime d'exploitation particulier sur la durée
de vie attendue de la batterie.
(3.5)
( ) (3.6)
Pload (t) est la puissance consommée par l’habitat résidentiel à l’instant t. ∆t est le pas de
simulation. Il est d’une demi-heure. ηdcdc, ηacdc et ηinv sont les rendements respectifs des
convertisseurs DC/DC, AC/DC et DC/AC (figure 3.1) Ils sont tous égaux à 0,95[10] [6]. ηcha
et ηdis sont les rendements de la charge et de la décharge des batteries. Bien qu’elles soient
critiquables, nous retenons les valeurs de la littérature [11][12] [13] (ηcha = 0,85, ηdis= 1).
ηwr est introduit pour tenir compte des pertes dans les câbles et les connexions (ηwr = 0,98
[12]). Ubus est la tension nominale du bus continu. Elle est choisie à 48V. C’est une valeur
standard respectant les conditions de sécurité.
Afin de maîtriser la durée de vie des batteries, leur état de charge (SOC) est soumis aux
contraintes suivantes :
(3.7)
(3.8)
Nbats = nombre total de batteries connectées en série dans chaque branche. δ’équation (3.λ)
présente comment calculer ce nombre à partir de la tension du bus continu Ubus et la tension
nominale de chaque batterie Vbat (dans notre cas 12V) :
(3.9)
SOCmin correspond à la limite inférieure que le banc de stockage ne doit pas dépasser lors de
la décharge. Elle est déterminée de la manière suivante:
(3.10)
DODmax étant la profondeur de décharge maximale admissible par les batteries. Elle dépend
du type de batteries et de l’application. Dans le cas des systèmes d’énergie autonomes en site
isolé, la plupart des batteries utilisées sont de type Plomb-acide à cyclage profond
(l’utilisation de la technologie VRδA s’est aujourd’hui généralisée et bien répandue) [14].
Une profondeur de décharge de 70% est tolérée [15].
Le vieillissement des batteries plomb-acide est surtout dû aux causes suivantes [16]:
- la profondeur de décharge.
- la durée de fonctionnement à charge minimale.
- l’énergie échangée en Ah.
- δ’amplitude de la puissance et de la charge/décharge,
- la durée d’un cycle (temps entre deux charges maximales).
- les cycles partiels (l’état de charge de l’accumulateur à la fin du cycle n’est pas le
même qu’au début du cycle).
- la température ambiante.
Plusieurs modèles de vieillissement des batteries sont évoqués dans la littérature [17][18].
Les plus connus sont les modèles dits de post-traitement et les modèles de dégradation des
performances.
a) Modèles de post-traitement
Les modèles de post-traitement sont des modèles de durée de vie basés sur l’analyse de
données mesurées à partir de systèmes réels. Généralement, ils impliquent directement ou
indirectement les facteurs de stress mentionnés ci-dessus. Les plus connus sont le modèle à
cycles (charge/décharge) et celui à énergies échangées.
4000
3500
2500
2000
1500
1000
500
0
0 0,2 0,4 0,6 0,8 1
Profondeur de décharge
Cette courbe provient d’essais en cyclage pour des cycles bien définis : départ à SOC
égal à 100%, puis décharge jusqu’à X% puis de nouveau recharge jusqu’à SτC égal à
100%. Le problème majeur dans le cas de notre système hybride éolien-
photovoltaïque avec batteries est lié au fait que l’accumulateur est soumis à un cyclage
plus complexe avec :
- des cycles partiels (l’état de charge de l’accumulateur à la fin du cycle n’est pas
le même qu’au début du cycle).
- des cycles évoluant autour d’une certaine valeur moyenne de l’état de charge.
- des microcycles.
Le modèle à énergies échangées suppose qu'il existe une quantité fixe d'énergie qui
circule à travers une batterie avant qu'elle nécessite le remplacement, indépendamment
de la profondeur des cycles individuels ou de tout autre paramètre spécifique à la
façon dont l'énergie circule à travers la batterie. Dans la plupart des cas, l’énergie
échangée estimée est dérivée de la profondeur de décharge du nombre de cycles fourni
par les fabricants. Avec la courbe de la figure 3.3, il est possible de déterminer
l’énergie cumulée qui a transité dans l’accumulateur tout au long de sa vie en
supposant que l’état de charge moyen n’a aucune importance. δ’équation 3.12 indique
comment l’énergie échangeable est calculée [14]:
(3.11)
1400
Energie totale échangée par durée de 1200
1000
vie (KWh)
800
600
400
200
0
0 0,2 0,4 0,6 0,8 1
Profondeur de décharge
Figure 3.4 : Energie totale échangée en KWh par durée de vie en fonction de la
profondeur de décharge pour l’accumulateur au plomb-Acide considéré comme
exemple
(3.12)
(3.13)
∫
(3.14)
Notons que le paramètre calculé de la manière précédente n’est pas un nombre entier. Il
s’agit en réalité d’un nombre réel rendant compte du vieillissement de l’accumulateur. δe
nombre effectif de remplacements est la partie entière de ce paramètre.
(3.15)
(3.16)
Cette notion de NEFC suppose que la courbe de vieillissement en cyclage Ncycles(DOD) soit
une hyperbole. δa notion d’EFC se rapproche du paramètre explicité au paragraphe
3.2.3.2.2 et suppose les mêmes hypothèses. Des coefficients de perte de capacité par cycle
complet équivalent ont pu alors être déterminés : ils diffèrent selon la technologie employée,
ils sont rappelés dans le tableau 3.1.
(3.17)
constructeurs. Elle ne tient pas non plus compte de la valeur moyenne du cycle d’évolution de
l’état de charge. Seule l’amplitude du cycle de décharge est supposée avoir une importance.
σotons aussi que la perte de capacité nominale de l’accumulateur dans le temps se traduit
aussi par une augmentation de sa résistance interne, et par suite par une diminution de
l’énergie qu’il est possible d’extraire de l’accumulateur. Cette augmentation de la résistance
engendrant des pertes supplémentaires dans l’accumulateur ne sera pas prise en compte dans
la suite de ce travail.
Il est clair qu’il est difficile de trouver des méthodes permettant de prendre en compte
tous les facteurs de vieillissement affectant l’accumulateur utilisé dans notre application.
Ainsi, nous allons nous contenter d’une évaluation à postériori basée sur les modèles de
dégradation des performances et en particulier l’équation 3.18.
Par rapport à l’état de charge des batteries, le ‘LPSP ’ est défini par :
{ } (3.18)
C'est-à-dire, la probabilité pour que l’état de charge des batteries SOC, à tout instant t, soit
inférieur ou égal au seuil minimal SOCmin et que la puissance produite par les sources
renouvelables Pre soit inférieure à celle demandée par la charge Pdemand, tout en considérant
les pertes dans le système.
{ } (3.19)
Concrètement, le ‘LPSP ’ est défini comme étant la fraction de tous les déficits de l’énergie
par rapport à l’énergie demandée durant la période considérée ∆t. Il exprime le taux de non-
satisfaction de la charge. Il est calculé de la manière suivante [23]:
∑
∑
(3.20)
(3.21)
Avec :
Il est considéré lorsque l’énergie produite pendant cet intervalle (∆t) dépasse les besoins
énergétiques de l’habitat pendant cette période.
Cette évaluation est basée sur le concept du coût du cycle de vie (CCV) : coût cumulé d'un
produit tout au long de son cycle de vie, depuis le début de sa conception jusqu'à son
démantèlement, (en anglais : Life Cycle Cost ou LCC). Il est aussi nommé coût total de
possession (en anglais : Total Cost of Ownership ou TCO), coût global de possession ou
encore coût global. Celui-ci est important. Il permet de guider le concepteur et de l’éclairer
dans la sélection des composants du système. Son analyse et son évaluation présentent un
outil pour l’aide à la décision. En fonction du besoin, il est possible de réduire le champ de
l'évaluation du coût du cycle de vie à :
Dans la suite, nous allons expliciter les différents paramètres économiques retenus dans notre
cas ainsi que leur application pour l’évaluation du CCV des différents composants de notre
système hybride.
Pour notre cas, le modèle économique du coût de cycle de vie inclut le prix d’acquisition du
matériel (Co), le coût de l’installation (Cinst), du remplacement (CCreplace) et de la
maintenance (CCmaint) :
(3.23)
(3.24)
(3.25)
Avec (3.26)
représente le taux d’inflation qui est une mesure de la baisse durable de la valeur de la
monnaie. d correspond au taux d’actualisation par année; c’est le pourcentage de retour sur
investissement (rémunération pour le capital avancé).
(3.27)
Pour cette thèse, nous avons supposé un taux d’actualisation d = 5% par an, une inflation
τ = 2% par an et une durée de vie du système n = 25 ans.
Pour les éoliennes à axe horizontal, nous avons estimé approximativement leurs coûts du
cycle de vie (CCVs) en fonction de la surface balayée par leurs rotors. Cette considération,
fait du diamètre du rotor le paramètre le plus significatif et est représentative de la taille d’une
éolienne. Le tableau 3.2 présente les résultats de calcul du CCV pour des petites éoliennes
tripales à axe horizontal disponibles sur le marché et considérées parmi les plus utilisées en
Europe. δe prix d’achat de chacune d’entre elles est déterminé à partir de différents
catalogues constructeurs [24], [25]. Vu l’aspect domestique de l’installation, une tour de 10 m
a été sélectionnée pour toutes les éoliennes. Les calculs supposent que le coût initial du
système éolien est partagé entre l’éolienne et sa tour (environ 55%), l'installation (25%), les
composants nécessaires au bon fonctionnement du système (Balance-of-System components
BOS) tels que les câbles, les connecteurs, les protections, etc. (10%) et le convertisseur
statique (10 %) [26]. Les coûts récurrents concernent seulement la maintenance annuelle qui
représente environ 2,5% du coût investi initialement. Le convertisseur est remplacé tous les
10 ans. Tous les CCVs sont donnés en dollars $ et convertis en euros € (1$ = 0,71854€,
valeur moyenne en 2011 donnée par l’institut national de la statistique et des études
économiques [27].
La figure 3.5 montre l’évolution du coût du cycle de vie des éoliennes choisies ( en
fonction de la surface balayée par leurs rotors (Awt). C’est une évolution linéaire selon la
fonction :
(3. 28)
4
x 10
7
SouthWest
4
Proven
3
Modèle de CCV
0
0 5 10 15 20 25
Awt(m²)
Figure 3.5 μ l’évolution du coût du cycle de vie des éoliennes choisies ( en fonction de
la surface balayée par leurs rotors (Awt
Convert. Convert.
Convert. statique statique
Awt Eol. Tour statique après 10 après 20
Modèle (m²) ($) ($) BOS ($) Inst. ($) ($) Maint. ($) ans ($) ans ($) CCV ($) CCV(€) CCV/m²(€)
SouthWest
SouthWest (Air X) 1,02 600 1300,00 345,45 863,64 345,45 1513,77 258,52 193,47 5420,30 3894,71 3818,34
SouthWest (Whisper 100) 3,46 2085 1300,00 615,45 1538,64 615,45 2696,90 460,58 344,68 9656,70 6938,72 2005,41
SouthWest (Whisper 200) 5,73 2400 1300,00 672,73 1681,82 672,73 2947,86 503,44 376,75 10555,33 7584,43 1324,79
Southwest (Skystream 3,7) 10,87 5400 1300,00 1218,18 3045,45 1218,18 5338,02 911,63 682,23 19113,70 13733,96 1263,47
Aeromax Engineering
Aeromax Engineering
(Lacota S, SC) 3,43 1591 1300,00 525,64 1314,09 525,64 2303,32 393,36 294,38 8247,42 5926,10 1727,73
Bergey
Bergey (BWC 1500) 7,07 4700 1300,00 1090,91 2727,27 1090,91 4780,32 816,39 610,95 17116,75 12299,07 1739,61
Bergey (BWC XL,1)) 4,91 2590 1300,00 707,27 1768,18 707,27 3099,24 529,29 396,10 11097,36 7973,90 1624,01
Bornay
Bornay (Inclin 6000) 12,57 10070 1300,00 2067,27 5168,18 2067,27 9058,70 1547,06 1157,75 32436,24 23306,74 1854,15
Abundent Renewable
Energy
Abundent Renewable
Energy (ARE110) 10,18 11500 1300,00 2327,27 5818,18 2327,27 10198,01 1741,63 1303,36 36515,73 26238,01 2577,41
Kestrel Wind
Kestrel Wind (800) 3,46 1995 1300,00 599,09 1497,73 599,09 2625,19 448,33 335,51 9399,95 6754,24 1952,09
Kestrel Wind (1000) 7,07 2950 1300,00 772,73 1931,82 772,73 3386,06 578,28 432,76 12124,36 8711,84 1232,22
Kestrel Wind (3000) 11,34 8400 1300,00 1763,64 4409,09 1763,64 7728,18 1319,83 987,70 27672,08 19883,49 1753,39
Proven
Proven WT 0,6 5,10 4870 1300,00 1121,82 2804,55 1121,82 4915,76 839,52 628,26 17601,72 12647,54 2479,91
Proven WT 2,5 9,00 9650 1300,00 1990,91 4977,27 1990,91 8724,08 1489,91 1114,98 31238,07 22445,80 2493,98
Proven WT 6 23,60 20500 1300,00 3963,64 9909,09 3963,64 17368,49 2966,21 2219,79 62190,85 44686,62 1893,50
Tableau 3.2 : Coûts du cycle de vie de différentes éoliennes domestiques
Pour les panneaux photovoltaïques, nous avons supposé que le prix d'achat représente 50
pour cent du coût d'investissement initial. Les 50 pour cent restants sont répartis entre les
composants complémentaires ‘BτS’ (10%), le convertisseur statique (20%) et l'installation
(20%). En outre, l’entretien annuel des panneaux photovoltaïques représente environ 1%.Le
convertisseur est remplacé tous les 10 ans.
Le tableau 3.3 présente les résultats de calcul du CCV pour différents modèles de
panneaux photovoltaïques. δe prix d’achat unitaire de ceux-ci est déterminé à partir du site
spécialisé Wholesalesolar.com [28].
Modèle Pmax Apv Prix BOS Inst. Convert. Maint. Convert. Convert. CCV CCV CCV/m²
(m²) panneau ($) ($) ($) statique statique (€)
(W) ($) statique après après ($) (€)
($)
10 ans 20 ans
($) ($)
Sharp
Sharp ND- 240 1,63 400 80 160 160 140,22 119,74 89,61 1149,57 826,01 506,75
240QCJ
Solar Word
SW 240 poly 240 1,6767 450 90 180 180 157,75 134,70 100,81 1293,26 929,26 554,22
Trina Solar
Trina TSM- 180 1,2789 380 76 152 152 133,21 113,75 85,12 1092,09 784,71 613,59
DA01-180
TSM- 235 1,6365 575 115 230 230 201,57 172,12 128,81 1652,50 1187,39 725,56
235PA05
Kyocera
KD235GX- 235 1,645 470 94 188 188 164,76 140,69 105,29 1350,74 970,56 590,01
LPB
Sunwize
SW130 130 0,9776 415 83 166 166 145,48 124,23 92,97 1192,67 856,98 876,62
SW-S85P 85 0,686 330 66 132 132 115,68 98,78 73,92 948,39 681,46 993,38
Tableau 3.3 : Coûts du cycle de vie de différents modèles de panneaux photovoltaïques avec
différentes surfaces
(3.29)
18000
12000
PVCCV (€)
10000
8000
Sharp
6000 Trina
Kyocera
4000
Sunw ize
2000 Solar World
Modèle de CCV
0
0 5 10 15 20 25
Apv(m²)
Figure 3.6μ l’évolution du coût du cycle de vie de différentes installations photovoltaïques en
fonction de la surface des panneaux
Comme évoqué au chapitre 1, nous avons choisi la technologie plomb-acide avec cyclage
profond pour des raisons de coût et de fiabilité. Ce type de batteries n’a pratiquement pas
besoin d’entretien et il est bien commode pour les pics de puissance. Ainsi, les coûts
récurrents ne concernent que le remplacement. Toutefois, étant donné la nature imprévisible
des sources, il est très difficile d'estimer leur durée de vie. Dans notre cas, nous avons
supposé un remplacement tous les 4,2 ans. Et nous allons montrer par un traitement à
postériori avec les modèles de vieillissement évoqués dans 3.2.3.2.2, que cette supposition est
raisonnable et justifiée .Ainsi, en nous référant aux données de différents sites Web
spécialisés dans la vente des batteries [29] [30], nous avons pu évaluer le coût du cycle de vie
de nombreux modèles avec des capacités nominales variées. Les résultats des différents
calculs sont détaillés dans le tableau 3.4.
(3.30)
Modèle Capacité Coût Coût après Coût Coût après Coût après Coût après LCC($) δCC(€) LCC/Ah
nominale initial 4,2 ans ($) après 8,4 12,6 ans ($) 16,8 ans ($) 21 ans ($) (€)
(Ah) ($) ans ($)
FNC12220
Sealed Lead
22 76 70,103 64,663 59,645 55,017 50,748 376,176 270,298 12,286
Acid
Battery
SLC120-12 120 334 308,083 284,177 262,126 241,786 223,024 1653,197 1187,888 9,899
SLA4.5-12 4,500 24,600 22,691 20,930 19,306 17,808 16,426 121,762 87,491 19,442
SLA2.3-12
2,300 22,700 20,938 19,3138 17,815 16,433 15,158 112,358 80,734 35,101
Numax
SLA3.2-12 3,200 23,700 21,861 20,165 18,600 17,157 15,825 117,308 84,290 26,341
SLG140-12 140 412 380,030 350,542 323,341 298,251 275,108 2039,273 1465,299 10,466
SLG180-12 180 492 453,823 418,608 386,126 356,164 328,527 2435,248 1749,823 9,721
SLA 12-12 12 37,2 34,313 31,651 29,195 26,930 24,840 184,128 132,304 11,025
SLC 34-12 34 109,5 101,003 93,166 85,937 79,268 73,117 541,991 389,442 11,454
LSLG75-12 75 243 224,144 206,751 190,708 175,910 162,260 1202,775 864,242 11,523
LSLG42-12 42 122 112,533 103,801 95,747 88,317 81,464 603,862 433,899 10,331
NP2.8-12 2,800 23,500 21,676 19,994 18,443 17,012 15,692 116,318 83,579 29,850
NP1.2-12 1,200 19,500 17,987 16,592 15,304 14,116 13,020 96,519 69,353 57,794
NP38-12 38 160,700 148,230 136,728 126,119 116,332 107,305 795,415 571,538 15,040
NP17-12i 17 78,500 72,409 66,790 61,607 56,827 52,417 388,550 279,189 16,422
YC33-12 33 96,500 89,012 82,105 75,734 69,857 64,437 477,645 343,207 10,400
NPL38-12I 38 171 157,731 145,492 134,202 123,7887738 114,183 846,397 608,170 16,004
16,819
NPL24-12I 24 113,500 104,693 96,569 89,076 82,16389373 75,788 561,790 403,669
6FM40D 40 209 192,783 177,823 164,025 151,2973902 139,557 1034,486 743,319 18,583
6FM55D 55 265 244,437 225,470 207,974 191,8364039 176,951 1311,668 942,486 17,136
6FM75D 75 371 342,212 315,658 291,164 268,5709654 247,731 1836,336 1319,481 17,593
6FM90D 90 456 420,616 387,978 357,873 330,1033968 304,489 2257,059 1621,788 18,020
6FM100D 100 504 464,892 428,818 395,543 364,8511228 336,540 2494,645 1792,502 17,925
6FM200D 200 839 773,897 713,846 658,455 607,3612937 560,232 4152,792 2983,947 14,920
Tableau 3.4 : Coûts du cycle de vie de différents modèles de batteries plomb-acide avec des capacités
nominales variées
3500
Numax SLA
3000 Numax Gel
Lucas SLA
2500 Lucas Gel
Yuasa SLA
2000 Yuasa VRLA
(€)
Vision VRLA
CCV
Modèle de CCV
Bat
1500
1000
0
0 50 100 150 200 250
Cn(Ah)
Figure 3.7μ l’évolution du coût du cycle de vie de différentes batteries en fonction de leur
capacité nominale
Dans ce qui suit, nous allons décrire les différentes étapes de cette analyse, puis présenter
l’ensemble des impacts environnementaux retenus pour notre champ d’étude pour en finir
avec la détermination du coût énergétique selon l’analyse du cycle de vie de chacun des
composants de notre système hybride.
- la caractérisation des dommages regroupe les catégories d’impact dans des catégories
de dommages (dommages sur la santé humaine, les écosystèmes, les équilibres
climatiques…).
Une étape supplémentaire de normalisation peut être effectuée pour mettre en évidence la
contribution du produit étudié à l’effet mondial global dans une catégorie d’impact
environnemental donnée. δ’analyse de l’impact environnemental peut finalement être
complétée par la pondération sociale des impacts ou des dommages qui évalue
l’importance relative des classes intermédiaires d’effet ou des différents dommages.
L’interprétation : elle permet aussi bien d’interpréter les résultats obtenus dans
chacune des phases précédentes que d’évaluer les incertitudes. Les points clés et les
options d’amélioration du produit ou du système étudié sont identifiés. Des études de
propagation des incertitudes et des études de sensibilité sont effectuées pour dégager
les paramètres les plus influents. δ’incidence des limites de l’ACV et des hypothèses
effectuées et analysée de manière critique. Cette dernière phase d’interprétation peut
être complétée par la mise en relation des aspects environnementaux et des aspects
économiques ou sociaux.
Analyse de l’impact
Pour mesurer les différents impacts sur l'environnement du système hybride éolien
photovoltaïque avec batteries, nous utilisons dans le cadre de cette thèse l’indicateur suivant:
Dans notre cas, le système hybride ne consomme pas d’énergie au cours de son utilisation,
mais implique la consommation d’énergie primaire non renouvelable pour la fabrication de
ses composants. C’est cette énergie qui sera modélisée par la suite et utilisée comme critère de
conception et d’optimisation. Elle est exprimée en Joule (J) ou kilowattheure (kWh).
En respectant les étapes d’Analyse de Cycle de Vie déjà décrites ci-dessus, nous avons
effectué le bilan énergétique de plusieurs systèmes éoliens domestiques. Ce travail apporte
des éléments de réponse dans le domaine des faibles puissances, souvent peu abordés dans la
littérature en raison du surcoût d’échelle.
Le tableau 3.5 énumère les hypothèses et les données utilisées pour l’évaluation de l’énergie
primaire incarnée dans un système éolien. δes informations s’inspirent des références [32],
[33], [34]. Certaines approximations sont fondées sur la mise à l’échelle des données en
fonction du poids et de la puissance.
Pour les convertisseurs, après consultation de différents documents de la littérature [14], [35]
[36] , nous avons pris en compte une valeur de 1MJ/W avec un remplacement tous les 10 ans.
Hypothèses
1- Les pales du rotor sont soit en plastique renforcé de verre, soit en bois avec résine
époxy, soit en fibres de verres moulé avec de la résine époxy ou en plastique moulé par
injection avec des fibres de carbone. Pour la normalisation des calculs, nous avons
considéré la fibre de verre moulé comme matériau pour les pâles car nous connaissons
son énergie intrinsèque.
2- En raison du manque de données, une hypothèse a été faite d’inclure les aimants
permanents dans la catégorie d’aluminium en raison de son énergie intrinsèque élevée.
3- On assume une amélioration annuelle de 1% dans le traitement des matériaux et les
processus de fabrication. Ainsi, l’énergie primaire incarnée par le convertisseur statique
diminue d’un remplacement à un autre.
Pourcentage des poids des composants de l’éolienne
Turbine
Composant % poids de Repartition des matériaux
l’éolienne
Rotor
Moyeu 4% 95% Acier, 5% Aluminum
Pâles(1) 10% 100% fibre de verre moulé
Nacelle
Boite de vitesse 6% 100% Acier
Génératrice 15% 25% aimants, 40% Acier,
35% Cuivre
Autres composants
Châssis et carcasse 35% 30% Aluminum, 12 % Cuivre,
5% plastique renforcé de verre,
53% Cuivre
Câbles, supports internes et 30 % 80% Acier, 20% Cuivre
cartes électroniques
Tour
Tour 30 kg/m² 98% Acier, 2 % Aluminum
de surface
balayée*
Fondations
Pieux de fondations et plate- 65 kg/m² 97% Béton, 3% Acier
forme de surface
balayée*
Tableau 3.5 : Hypothèses et données utilisées pour le bilan énergétique des petites éoliennes
Grace à ces hypothèses et ces données, nous avons déterminé la quantité d’énergie primaire
nette incarnée dans différentes éoliennes domestiques. Les calculs sont basés sur les énergies
intrinsèques à chaque matériau [37] ainsi que sur l’énergie nécessaire au processus de
fabrication. Les résultats sont représentés dans le tableau 3.6.
A partir de ces résultats, nous avons déterminé le modèle d’évolution de l’énergie primaire
incarnée par un système éolien de petite puissance ( ) en fonction de la surface balayée
par le rotor de l’éolienne (Awt), ce modèle est représenté par la figure 3.9 et est exprimé par la
formule mathématique suivante :
(3.31)
SouthWest
Aeromax Engineering
(Lacota S, SC)
Bergey
Bornay
(ARE110)
Kestrel Wind
Proven
Tableau 3.6 μ Bilan d’énergies primaires de différents systèmes éoliens domestiques en fonction des
surfaces balayées par leurs rotors
4
x 10
8
Southw est
7 Aeromax
Bergey
6
Bornay
Abundent
5
Kestrel
WTEE(MJ)
4
Proven
Modèle d'EE
3
2
WTEE(MJ)=28,342*Aw t2 + 2361,3* Aw t
1
0
0 5 10 15 20 25
Aw t(m²)
Figure 3.λμ l’évolution de l’énergie primaire incarnée par les éoliennes choisies ( en
fonction de la surface balayée par leurs rotors (Awt)
Pour les panneaux photovoltaïques, nous admettons la plus récente valeur donnée par
Stoppatto A. [38] pour un m² de panneaux solaires poly cristallin silicium soit une énergie
intrinsèque de 2300MJ/m². Cette valeur est à prendre avec précaution car nous avons constaté
une grande disparité dans la littérature concernant l’énergie primaire sur cycle de vie incarnée
dans un m² de panneaux solaires poly cristallin silicium. En effet, dans [35], [39] et [40], en
considérant le cas où les panneaux photovoltaïques de référence ne sont pas produits à partir
de matériaux recyclés, l'énergie intrinsèque est estimée à environ 4600 MJ/m2, ce qui
correspond au double de la valeur donnée par [38]. Cela peut être dû à l'évolution des
technologies de production des wafers et des procédés de fabrication. Il faut donc garder un
regard critique sur les résultats, sachant que notre travail est d'ordre méthodologique et peut
être appliqué à n’importe quelles données souhaitées.
Pour les composants supplémentaires tels que les câbles, les connecteurs, les protections et
le support de panneaux, nous adoptons les données présentées par Tom Markvart et Luis
Castañer dans le livre « Practical Handbook of Photovoltaics: Fundamentals and Applications
» [40]. Les composants complémentaires (BOS) ont des besoins en énergies primaires
relativement faibles (<10% du système installé). On se fixe la valeur de 300MJ/m². Pour le
châssis en aluminium, on retient la valeur de 400MJ/m².
Pour une batterie au plomb-acide remplacée tous les 4,2 ans, l’énergie primaire a été
évaluée à 60MJ/Ah (pour 25 ans). Cette valeur suppose un taux de recyclage optimiste de
90% pour les métaux de batteries [40] [41] [42] et une amélioration annuelle de 1% dans le
traitement des matériaux et les processus de fabrication [43]. A 0% de recyclage, les besoins
en énergie primaire de la batterie augmente à 103 MJ / Ah [41].
δe tableau 3.7 récapitule les différentes hypothèses et données utilisées pour l’évaluation
énergétiques des systèmes PV et des batteries. Le tableau 3.8 présente le bilan d’énergies
primaires pour différents panneaux photovoltaïques prenant en compte les composants
additionnels nécessaires à leur bon fonctionnement.
Hypothèses
1- Les données présentées concernent un module type poly cristallin silicium avec châssis en
aluminium.
2- On suppose un taux de recyclage optimiste de 90% pour les métaux de batteries.
3- Les composants complémentaires tels que les câbles ou les convertisseurs ont des besoins
en énergies primaires relativement faibles (<10% du système installé).
4- On assume une amélioration annuelle de 1% dans le traitement des matériaux et les
processus de fabrication. Ainsi, l’énergie primaire incarnée par les batteries diminue d’un
remplacement à un autre.
Données
Panneau PV
Composant Besoins en énergies Besoins en énergies
primaires (MJ/m²) primaires (KWh*/m²)
Module PV sans châssis 2300 639,4
Installation du châssis en aluminium 400 111,2
Total module avec châssis 2700 750,6
Composants supplémentaires (BOS) 300 83,4
Total module (installé) 3000 834
Convertisseur statique
Etat Besoins en énergies Besoins en énergies
primaires primaires
(MJ/W puissance) (KWh/W puissance)
Convertisseur statique (initial) 1 0,278
Convertisseur statique (après 10 ans) 0,9 0,250
Convertisseur statique (après 20 ans) 0,82 0,228
Total Convertisseur statique 2,72 0,756
Batteries
Etat Besoins en énergies Besoins en énergies
primaires primaires
(MJ/Ah stockage) (KWh/Ah stockage)
Batteries (initial) 11 3,058
Batteries (après 4,2 ans) 10,545 2,932
Batteries (après 8,4 ans) 10,109 2,810
Batteries (après 12,6 ans) 9,692 2,694
Batteries (après 16,8 ans) 9,291 2,583
Batteries (après 21 ans) 8,907 2,476
Total Batteries ** 60 17
*1KWh=3.6 MJ or 1MJ=0.278 KWh **Chiffre arrondi
Tableau 3.7: Hypothèses et données utilisées pour le bilan énergétique par m² de panneaux
photovoltaïques et par Ah de batteries en considérant les composants supplémentaires
Module Model Pmax Area PV BOS Installtion Convertisseur Convertisseur Convertisseur Total MJ/m²
(m²) (MJ) (MJ) chassis en statique (MJ) statique après 10 statique après 20 (MJ)
(W) aluminium ans (MJ) ans (MJ)
(MJ)
Sharp
Sharp ND- 240 1,63 3749 489 652 240 217,05 196,3 5543,35 3400,83
240QCJ
Solar Word
SW 240 poly 240 1,6767 3856,1 503,01 670,68 240 217,05 196,3 5683,45 3389,66
Trina Solar
Trina TSM-DA01- 180 1,2789 2941,47 383,67 511,56 180 162,79 147,22 4326,71 3383,15
180
TSM-235PA05 235 1,6365 3763,95 490,95 654,6 235 212,53 192,21 5549,24 3390,92
Kyocera
KD235GX-LPB 235 1,645 3783,5 493,5 658 235 212,53 192,21 5574,74 3388,9
Sunwize
SW130 130 0,9776 2248,48 293,28 391,04 130 117,57 106,33 3286,70 3362,01
Moyenne 3379
(chiffre
arrondi)
Tableau 3.8μ Bilan d’énergies primaires de différents panneaux photovoltaïques en prenant en compte
les composants additionnels nécessaires à leur bon fonctionnement en fonction de leurs surfaces
En outre, grâce à ces hypothèses et à ces données, aussi bien l’énergie primaire incarnée
dans les panneaux photovoltaïques ( ) en fonction de leur surface (Apv) que celle
contenue dans les batteries ( ) en fonction de leur capacité de stockage (Cn) peuvent
être exprimées respectivement par les modèles linéaires suivants :
(3.32)
(3.33)
Pour simuler le système hybride éolien photovoltaïque avec batteries, nous avons opté
pour l’utilisation d’un modèle dynamique sous εatlab/Simulink. δa plupart des logiciels de
simulation sont développés en C ou en Microsoft Visual Basic. Les principaux avantages
d’utiliser Simulink sont les suivants :
- la génération automatique des codes ce qui garantit une exécution plus rapide,
Dans ce qui suit, nous décrirons le simulateur développé ainsi que son principe de
fonctionnement.
La figure 3.10 présente le simulateur développé. Il est constitué d’un modèle d'éolienne,
d’un modèle de générateur photovoltaïque, d’un modèle idéal de batterie et d’un sous-système
de gestion d’énergie et de régulation de charge. Ce sous-système permet d’arrêter le processus
de charge lorsque la capacité du banc de stockage atteint sa valeur maximale ( SOCmax).
Dans ce cas, si la puissance totale générée par le générateur photovoltaïque et l’éolienne
(Pres) est supérieure à la puissance demandée par le consommateur (toutes pertes prises en
compte), un excès d'énergie est compté. Sinon, si la capacité des batteries atteint son niveau
minimum (SOCmin), certains appareils sont délestés. Par conséquent, les besoins en
électricité de l’habitat sont insatisfaits. Ainsi, une pénurie de la puissance produite par le
système hybride (LPS) est prise en considération.
Le système doit assurer la LPSP désirée. Ce paramètre est inclus dans le bloc «Total Unmet
Load and LPSP Calculation ». Les sorties de ce bloc sont la charge totale insatisfaite
exprimée en KWh et la probabilité d’insatisfaction de la demande exprimée en pourcent (%).
Le coût du cycle de vie du système est calculé dans le bloc «Life Cycle Cost». Sa sortie est
une estimation du coût économique global du système pendant 25 ans en fonction des
variables (Apv, Awt, Cn).
Le coût énergétique exprimé par l'énergie primaire incarnée dans le système est donné par
le bloc «EmbodiedEnergy». Son résultat est une évaluation du coût total en énergie primaire
du système en fonction des variables (Apv, Awt, Cn).
oui
t = tsim ? Fin simulation
Non
t = t + ∆t
δa première phase est une phase d’initialisation où les paramètres d’origine du système
sont fixés (taille des composants et état de charge initial des batteries). Compte tenu de la
durée considérée pour les simulations (minimum 1an), on peut considérer que l’état de charge
initial des batteries n’a pas d’impact sur les résultats. Ensuite, la même boucle va être répétée
pour chaque pas de temps de la simulation (Δt) jusqu’à ce que le temps de simulation (tsim)
soit atteint.
Pour une configuration donnée du système, après avoir pris en compte la demande
électrique du consommateur, la puissance totale produite par les générateurs éoliens et
photovoltaïques est évaluée à chaque pas de calcul Δt, les pertes dans les convertisseurs
(hacheur PV εPPT, convertisseur AC/DC de l’éolienne et onduleur) et dans les câbles sont
déduites. La charge et la décharge des batteries peuvent alors être contrôlées par la différence
entre la production injectée sur le bus DC (production minorée des pertes des convertisseurs)
Pres et la demande du consommateur sur le bus DC (demande augmentée des pertes de
l’onduleur et dans les câbles) Pdemand. Un switcher assure la gestion de l’énergie selon
différents scénarios :
Cette partie est dédiée à la prise en main du simulateur. δ’objectif est de tester ce dernier
avec différentes configurations et dans différentes situations afin de valider son bon
fonctionnement et émettre des conclusions.
Pour cette partie, nous allons considérer les données de la charge électrique mi-horaires
obtenues par filtrage et des panneaux photovoltaïques inclinés de 60° par rapport à
l’horizontal et orientés plein sud.
Résultats de fiabilité
Tableau 3.9μ Résultats de simulation d’un système photovoltaïque seul avec batteries
τn remarque aussi qu’à part la consommation qui est à peu près la même pour toutes les
années, les autres résultats varient aléatoirement d’une année à une autre à cause des profils
aléatoires des sources renouvelables.
Résultats de fiabilité
Tableau 3.10μ Résultats de simulation d’un système éolien seul avec batteries
Résultats de fiabilité
Tableau 3.11μ Résultats de simulation d’un système hybride éolien photovoltaïque avec batteries
Dans ce cas, bien que le site soit plutôt ensoleillé, une hybridation peut s’avérer
intéressante car les deux sources (soleil et vent) sont souvent complémentaires. Le fait
d’ajouter une éolienne permet d’assurer la satisfaction des besoins énergétiques de l’habitat à
plus de 95 % tout en limitant le nombre de panneaux photovoltaïques. Le coût économique
reste raisonnable mais le coût énergétique est meilleur. δ’hybridation présente des vrais
avantages pour couvrir les besoins en électricité d’un habitat.
Pour étudier l’influence de la position des panneaux, nous considérons les deux
configurations différentes suivantes:
Configuration I : le système hybride est composé d’une éolienne Kestrel Wind 800 (surface
balayée de 3,46 m²), de 9 panneaux Sharp ND-240QCJ (14,67 m² de surface installée) et de 4
batteries Vision 6FM200D, 200 Ah.
Configuration II : l’éolienne SouthWest (Whisper 200) avec une surface balayée de 5,725 m2
est associée à 8 panneaux Sharp ND-240QCJ (13.04 m² de surface installée) et de 4 batteries
Vision 6FM200D, 200 Ah.
Pour ces deux configurations, nous faisons varier la position des panneaux selon la figure
3.12. Celle-ci représente la variation du taux d’insatisfaction de la demande sur les neuf
années en fonction de la position des capteurs photovoltaïques.
3,8
3,7
3,6
LPSP (%) sur 9 ans
3,5
3,4
3,3
3,2
Configuration I
3,1
Configuration II
3
Figure 3.12 μ Variation du taux d’insatisfaction de la demande LPSP (%) sur les neuf ans en
fonction de la position des panneaux pour deux configurations hybrides
Il est clair que la meilleure position à considérer dans le cas d’une hybridation correspond
à une inclinaison de 45° par rapport à l’horizontale et à une orientation de 5° vers l’est par
rapport au plein sud ( . C’est elle qui garantit le taux d’insatisfaction de la demande
le plus faible sur les 9 ans.
Dans ce paragraphe, nous étudions l’influence du profil de consommation sur les résultats
de simulation. Nous considérons la première configuration hybride c'est-à-dire : une éolienne
Kestrel Wind 800 associée à 9 panneaux Sharp ND-240QCJ 240W et 4 batteries Vision
6FM200D, 200 Ah comme indiqué précédemment, les panneaux sont inclinés de 45° par
rapport à l’horizontale et orientés de 5° vers l’est par rapport au plein sud ( . Nous
répétons la simulation avec deux profils de consommation différents :
- le profil de consommation type (décrit dans le paragraphe 2.4.1) corrigé de manière à avoir
une énergie annuelle égale à celle d’un profil de consommation avec des données réelles
filtrées.
Tableau 3.12μ Résultats de simulation d’un système hybride éolien photovoltaïque avec batteries pour
différents profils de consommation
Nous remarquons une grande sensibilité des résultats de fiabilité (charge non satisfaite en
KWh/an, excès de production en KWh/an et probabilité d’insatisfaction de la demande en %)
en fonction du profil de consommation. Ils montrent bien l’impact de la forme du profil de
consommation sur la probabilité d’insatisfaction de la demande. En effet, bien que les deux
profils incarnent des énergies annuelles égales, la probabilité d’insatisfaction de la demande
n’est pas la même pour les deux cas. Cette dernière dépend alors des habitudes énergétiques
du consommateur ce qui va directement influer sur le dimensionnement du système hybride.
Ainsi, ces résultats montrent qu’en modifiant le profil de consommation, on peut améliorer le
taux d’insatisfaction, c’est la base des études des smart grids. Ces résultats sont intéressants
car ils confirment l’avantage d’utiliser un simulateur dynamique dans l’étude des systèmes
d’énergies renouvelables par rapport à d’autres travaux [6] [44] se basant sur des calculs
d’énergies annuelles. Ce dernier permet une meilleure considération de la variation temporelle
de la production et de la consommation.
Il est aussi important de signaler à ce stade que lors de ces différentes simulations, nous
avons remarqué que, dans le cas d’une hybridation avec des panneaux inclinés de 45° par
rapport à l’horizontal et orientés de 5° vers l’est par rapport au plein sud ( , c’est
l’année 2010 qui procure la probabilité d’insatisfaction de la demande la plus élevée. Donc,
afin de diminuer le temps de traitement, nous allons utiliser ces données par la suite pour la
procédure d’optimisation.
En plus, pour les différents cas étudiés, nous remarquons que la dégradation de la batterie
décrite par la diminution de sa capacité de stockage nominale ne dépasse pas les 7% par an
(SOH> 93%). Ce qui justifie notre choix de remplacer les batteries chaque 4,2 ans. En effet,
après cette période, on se trouve avec une dégradation supplémentaire de l’ordre de 7*4,2 =
29,4%.
Bibliographie
[1] W. Shepherd et D. Shepherd, Energy studies, Imperial College Press, 2003.
[2] W. Tong, Wind Power Generation and Wind Turbine Design, WIT Press, 2010.
[3] J. Hofierka et J. Kañuk, «Assessment of photovoltaic potential in urban areas using open-
source solar radiation tools,» Renewable Energy, vol. 34, n° 10, pp. 2206-2214, 2009.
[4] B. Liu, S. Duan et T. Cai, «Photovoltaic DC Building Module Based BIPV System : Concept and
Design considerations,» IEEE Transactions on Power Electronics, vol. 26, n° 5, pp. 1418-1429,
2011.
[5] F. Lasnier et T. Ang, Photovoltaic Engineering Handbook, 1e éd., Taylor and Francis, 1990.
[7] J. F. Manwell et J. G. McGowan, «Lead Acid Battery Storage Model for Hybrid Energy
Systems,» Solar Energy, vol. 50, n°5, pp. 399-405, 1993.
[8] R. A. Jackey, «A Simple, Effective Lead-Acid Battery Modeling Process for Electrical System
Component Selection,» SAE SP, n° 2130, pp. 17-26, 2007.
[9] Cherif A., M Jraidi, A Dhouib, «A battery ageing model used in stand alone PV systems,»
Journal of Power Sources, vol. 112, n° 1, pp. 49-53, 2002.
[10] B. Borowy et Z. Salameh, «Methodology for optimally sizing the combination of a battery bank
and pv array in wind/pv hybrid system,» IEEE Transactions on Energy Conversion, vol. 12, n° 1,
pp. 367-375, 1996.
[11] J. Stevens et G. P. Corey, «A study of lead-acid battery efficiency near top-of-charge and the
impact on PV system design,» chez Photovoltaic Specialists, Washington, DC , USA , 1996.
[12] A. Bin, Y. Hongxing et S. X. ,. L. Hui, «Computer aided design for pv/wind hybrid system,»
Renewable Energy, vol. 6, n°10, pp. 1491-1512, 2003.
[14] Y. Thiaux, «Optimisation des profils de consommation pour minimiser les coûts économique et
énergétique sur cycle de vie des systèmes photovoltaïques autonomes et hybrides , Évaluation
du potentiel de la technologie Li-ion,» ENSC, 2010.
[15] A. Luque et S. Hegedus, Handbook of photovoltaic science and engineering, John Wiley& Sons
Ltd,, 2003, pp. 812-849.
[17] A. Andersson, «Simulation model for improved battery lifetime for renewable based energy
systems for rural areas,» Risø National Laboratory, Roskilde , Denmark, 2006.
[18] B. L. D. S. Johnson, «A Battery Life Prediction Method for Hybrid Power Applications,» National
Renewable Energy Laboratory, Golden, Colorado , USA, 1997.
[20] Y. Riffonneau, «Gestion des flux énergétiques dans un système photovoltaique avec stockage -
Appli atio à l’ha itat,» La o atoi e de G ie Éle t i ue de G e o le G2Ela , G e o le ,
France, 2010.
[22] A. Kornelakis et E. E.Koutroulis, «Methodology for the design optimisation and the economic
analysis of grid-connected,» IET Renewable Power Generation, vol. 3, n° 4, pp. 476-492, 2009.
[24] M. Sagrillo et I. Woofenden, «Wind turbine buyer's guide,» home power, n° 119, pp. 34-40,
2007.
[26] T. B. Johanson et L. Burnham, Renewable energy: sources of fuels and electricity, 1e éd., Island
Press, 1992.
[27] Institut national de la statistique et des études économiques, [En ligne]. Available:
http://www.insee.fr
[31] O. Jolliet, M. Saadé et P. Crettaz, Analyse du cycle de vie, comprendre et réaliser un écobilan,
Lausanne, Suisse : Presses polytechniques et universitaires romandes, 2005.
[32] D. Ancona et J. McVeigh, «Wind Turbine – Materials and Manufacturing Fact Sheet,» 2001.
[33] B. Fleck et M. Huot, «Comparative life-cycle assessment of a small wind turbine for residential
off-grid use,» Renewable Energy, vol. 34, n°12, pp. 2688-2696, 2009.
[34] M. F. Ashby, Materials and the Environment: Eco-Informed Material Choice, Elsevier, 2009, pp.
146-148.
[35] E. N. E. Alsema, «Energy viability of photovoltaic systems,» Energy Policy, vol. 28, n°14, pp.
999-1010, 2000.
[38] A. Stoppato, «Life cycle assessment of photovoltaic electricity generation,» Energy, vol. 33,
n° 2, pp. 224-232, 2008.
[41] E. Alsema, «Environmental Life Cycle Assessment of Solar Home Systems,» Dept. of Science ,
Technology and Society , Utrecht University, Utrecht, 2000.
[42] K. E. Aifantis, S. A. Hackney et R. V. Kumar, High Energy Density Lithium Batteries , Chapter 1,
Weiheim: WILEY-VCH Verlag GmbH & Co. KGaA, 2010, p. 23 of chapter 1.
[43] J. De Beet, Potential for Industrial Energy-Efficiency Improvement in yhe Long Term, The
Netherlands: Kluwer Academic Publishers, 2000.
[44] E. O. et B. Ozerdem, Hybrid combination of photovoltaic and wind energy conversion system,
sizing and optimization of hybrid energy systems, 1e éd., Lambert Academic Publishing, 2010.
4.1- Introduction
Dans les chapitres précédents, nous avons analysé et traité les données du site afin
d’évaluer le gisement de production d’énergie d’origine renouvelable ainsi que le profil de
consommation. Puis, nous avons établi les modèles de chaque composant du système hybride
éolien photovoltaïque avec batteries et développé un outil de simulation du système complet.
Nous allons passer maintenant à la phase d’optimisation du dimensionnement du système
complet en tenant compte des critères cités précédemment à savoir : la satisfaction des
besoins en électricité pour l’habitat résidentiel, le coût énergétique au cours du cycle de vie
ainsi que le coût économique du système entier. Ce chapitre est donc consacré à la
problématique de l’optimisation du dimensionnement. Il est organisé de la manière suivante :
dans une première partie, les méthodes de dimensionnement existantes sont étudiées et
évaluées. Puis, une méthodologie d’optimisation est présentée afin de résoudre cette
problématique. Plusieurs approches sont passées en revue, allant d’une optimisation mono-
objective à multi-objective et évaluant le coût économique et écologique de chacune de ces
solutions. Une solution « pratique » est retenue pour les composants PV, éolien et batteries
du système final afin d’évaluer la viabilité énergétique, économique et écologique. Les
résultats montrent un impact environnemental faible et un coût raisonnable du point de vue
économique ainsi qu’une satisfaction de la charge dans les limites autorisées. A la fin de ce
chapitre, une évaluation d’un logiciel existant est menée et permet de valider la méthode
développée dans nos travaux.
4.2-Méthodes et outils de dimensionnement des systèmes hybrides éolien-
photovoltaïques autonomes avec batteries
Etant donné le caractère intermittent et limité des sources renouvelables ainsi que la
variation significative de la consommation électrique d’un habitat en fonction du moment de
la journée et de la saison, la problématique du dimensionnement des systèmes hybrides
éolien-photovoltaïques autonomes avec batteries est cruciale. Depuis les années 90, plusieurs
travaux [1], [2], [3] se sont intéressés à cette problématique. Les premières méthodes
proposées (méthodes conventionnelles [4], [5] ) tiennent leur justification de l’expérience et
de la pratique. Elles se basent sur l’étude statistique des données de gisement de production
(vitesse du vent, ensoleillement et température ambiante) et de profil de consommation. Les
nouvelles méthodes [6] sont plutôt basées sur des simulations dynamiques et ont abouti à la
réalisation de différents outils logiciels de dimensionnement.
Dans ce qui suit, nous présentons les principales méthodes ainsi que les outils de
dimensionnement rencontrés dans la littérature.
Connue aussi sous le nom de méthode « Ampère-heure » [4], [5], cette méthode consiste à
déterminer le nombre de panneaux photovoltaïques nécessaire pour satisfaire la demande,
puis peu à peu à réduire ce nombre, tout en calculant le pourcentage des besoins énergétiques
annuels fournis par le générateur PV et ainsi à compléter le reste par l’énergie fournie par un
générateur complémentaire. En règle générale, ce dernier est un générateur diesel mais nous
avons pu adapter la méthode pour une génératrice éolienne qui présente un impact écologique
réduit. La démarche proposée est la suivante :
Etape Description
(4.2)
2) Détermination de la capacité de
stockage des batteries en cas avec :
(4.3)
(4.6)
Où
(4.7)
(4.8)
7) Dimensionnement de l’éolienne
0 ,3 étant le rendement global de la chaîne de conversion éolienne
( et P Wind la densité d’énergie annuelle du vent
exprimée en KWh/m²/an.
Les étapes 5, 6 et 7 peuvent être répétées avec différents nombres de panneaux jusqu’à ce
que l’on aboutisse au dimensionnement adéquat qui réponde à la plupart des critères exigés
par le concepteur et décrits dans la procédure de l’étape 5.
Développée au début par Tomas Markvart [8], cette méthode a été expliquée et appliquée
par Orhan Ekren et Baris Özerdem dans le livre « Hybrid Combination of Photovoltaic and
Wind Energy Conversion System » [9]. δa méthode est en sorte l’automatisation de la
méthode précédente « Ampère-heure ». Elle fixe la capacité nominale des batteries qui peut
être calculée avec la formule (4.2). Puis, en utilisant les méthodes de programmation linéaire
(méthode Graphique, méthode Simplex ou méthode Matrix), elle détermine la configuration
optimale des deux générateurs qui satisfait la demande en énergie tout au long de l'année. Les
dimensions des deux générateurs sont définies en termes de la surface effective de chacun
et .
(4.10)
(4.11)
(4.12)
(4.13)
(4.14)
(4.15)
(4.16)
(4.17)
(4.18)
(4.19)
(4.20)
(4.21)
(4.22)
(4.23)
fonctionne à une température moyenne de 10 degrés Celsius alors en appliquant les équations
(4.2) et (4.3) et en considérant trois jours d’autonomie, on constate une forte capacité
nominale de batteries de l’ordre de :
(4.24)
Par la suite, on obtiendra une batterie de 180 Ah avec un LPSP moins de 5%. Ce qui montre
que 3 jours d’autonomie ne se justifient pas si on accepte 5% de δPSP.
Nous avons pu constater au troisième chapitre, qu’en se basant sur les différents modèles
(de performances, économique, énergétique, etc.) du système hybride, il est possible de
développer un simulateur dynamique du système. Avec cet outil, il est possible d’optimiser le
système pour un ensemble de variables de décision en utilisant un algorithme informatique
adéquat. La fonction objective habituellement formulée pour le coût du cycle de vie, doit être
réduite au minimum en respectant les contraintes de fiabilité à savoir la satisfaction des
besoins électriques du consommateur. Cette démarche apparaît dans plusieurs publications
[6], [10], [11] et a été adoptée dans plusieurs travaux de thèse [3], [12], [13].
Par exemple, Borowy et Salameh [14] présentent une méthode pour optimiser le
dimensionnement d'un système hybride éolien-photovoltaïque avec batteries : le taux
d’insatisfaction de la demande souhaité est obtenu en modifiant le nombre de panneaux
photovoltaïques et de batteries. δ’éolienne, le type de panneaux et la technologie des batteries
sont fixés. Comme il y a plusieurs solutions techniquement réalisables, ils choisissent la
moins coûteuse.
On peut citer aussi les travaux de Yang et al [15] qui présentent une méthode de
dimensionnement d’un système hybride éolien photovoltaïque avec batteries minimisant le
coût moyen actualisé de l'énergie (Levelized Cost of Energy LCE). L'optimisation est réalisée
par simulation du système complet et en changeant de nombreux paramètres: la combinaison
des composants, l'orientation des modules PV, la puissance nominale des générateurs, la
hauteur de la tour de l'éolienne et la capacité des batteries.
En 2007, Shiet et al [11] ont proposé une méthode de dimensionnement robuste des systèmes
éolien-photovoltaïque autonomes permettant d’atteindre une configuration optimale du
système insensible aux variations climatiques. Elle était basée sur une optimisation multi-
objective avec contraintes résolue par un algorithme génétique multi-objectif, NSGA-II.
Un an plus tard, en 2008, la même démarche a été alors suivie par Rodolfo Dufo-López et
José L.Bernal-Agustín [16] en appliquant pour la première fois, l'algorithme évolutionnaire de
Pareto pour l’optimisation multi-objective de la conception d’un système multi-sources (PV-
éolien-diesel avec pile à combustible et batteries). Ils minimisent, simultanément, trois
objectifs: le coût, les émissions de polluants et la charge électrique non satisfaite. Les
optimisations ont étés faites avec un outil de simulation (HOGA : Hybrid Optimization by
Genetic Algorithms) développé en C++.
En même temps, en France, le Laboratoire « Systèmes et Applications des Technologies de
l’Information et de l’Énergie » de l’Ecole σormale Supérieure de Cachan s’est intéressé à la
problématique du dimensionnement des systèmes hybrides à travers deux thèses successives.
δa première, est celle d’τlivier Gergaud [12] qui, disposant de modèles énergétiques,
économiques et d’un outil pour la simulation de l’ensemble, a effectué l’optimisation du
dimensionnement et de la gestion des systèmes de productions éolien et photovoltaïque
autonomes ou couplé au réseau et associé à un accumulateur avec un simple calcul
systématique et sans recourir à un algorithme d’optimisation. La deuxième est celle de Yaël
Thiaux [13] qui s’est basé sur les modèles d’τlivier Gergaud pour effectuer l’optimisation
multi-objective des systèmes photovoltaïques autonomes et hybrides (PV-diesel) en
minimisant les coûts économiques et énergétiques sur cycle de vie du système ainsi que le
taux de délestage énergétique. δ’algorithme utilisé pour les optimisations est l’algorithme
évolutionnaire NSGA-II.
En résumé, la plupart des études mentionnées ci-dessus se concentrent principalement sur
la minimisation des coûts économiques. Quelques-unes, seulement, prennent en compte
l’impact écologique et considèrent, dans le cas des systèmes hybrides autonomes éolien-
photovoltaïque avec batteries la réduction de l'énergie primaire contenue dans le système.
Afin de pallier ce manque, nous proposons dans ce chapitre une approche pertinente qui
consiste à minimiser à la fois l'énergie incarnée par le système (EE [MJ]), le coût économique
sur cycle de vie du système (CCV [€]) et la probabilité d’insatisfaction de la demande
(LPSP [%]). Différentes méthodes d’optimisation sont utilisées. δes variables de décision
utilisées sont la surface installée des panneaux (Apv [m²]), la surface balayée par le rotor de
l’éolienne (Awt [m²]) et la capacité de batteries (Cn [Ah]). Ce concept de surface installée est
souvent utilisé pour les systèmes solaires photovoltaïques de production. Il est moins fréquent
pour les systèmes hybrides éolien-photovoltaïque avec batteries. La méthode proposée diffère
aussi de l’outil de simulation utilisé décrit dans le paragraphe 3.5.
4.2.2- Les principaux outils de dimensionnement [17]
batteries, d’éoliennes, puissance des générateurs diesels) et jugent le résultat pour choisir la
meilleure solution répondant à leurs besoins.
4.2.2.4- SOLSIM
Il est développé au Fachhochschule Konstanz, en Allemagne. C’est un outil de simulation
qui permet aux utilisateurs de concevoir, d’analyser et d’optimiser des systèmes connectés ou
pas à un réseau et des systèmes d’énergie hybrides. δes sources d’énergie disponibles
consistent en des panneaux PV, en des éoliennes, en des installations de biogaz ou de
biomasse, en des batteries et en des générateurs diesels. C’est un logiciel qui comporte des
outils différents : un programme de simulation général appelé SOLSIM, une unité
d’optimisation de l’angle d’inclinaison des panneaux PV appelée Solτpti, une unité de calcul
des coûts du cycle de vie appelée SolCal et l’unité simulant des générateurs éoliens appelée
SolWind.
4.2.2.5- INSEL
Il est développé par l’Université d’τldenburg en Allemagne. Il réalise la simulation des
systèmes d’énergie renouvelable. C’est un logiciel avec une interface graphique en blocs.
Chaque bloc représente un composant d’une puissance prédéterminée. δes utilisateurs doivent
sélectionner des blocs à partir d’une bibliothèque et les interconnecter pour construire un
diagramme représentant les systèmes d’énergie à étudier.
∑
∑
(4.27)
L'un des objectifs de la procédure d'optimisation est de trouver la combinaison entre les
différents éléments du système électrique hybride qui garantissent un LPSP inférieur au
maximum autorisé par l'utilisateur.
4.3.2- Formulation du problème d’optimisation
Formulation (I) :
(4.28)
(4.29)
(4.30)
(4.31)
Apv, Awt, et Cn étant les variables de décision.
Le même problème peut être perçu comme une optimisation multi-objective. En effet, les
différents coûts du système (énergétique et économique) doivent être minimaux tout en
assurant au consommateur la meilleure qualité de service en termes d’alimentation électrique.
Ceci est présenté par la formulation mathématique suivante :
Formulation (II) :
Fonctions objectives:
Minimum Coûts : [CCV [€] et EE [MJ]]
&
4.3.3.1- Principe
La figure 4.1 présente le principe de la procédure qui a été mise en place pour réaliser
l’optimisation en reliant la simulation dynamique du système hybride sous Matlab/Simulink à
la méthode d’optimisation.
δ’optimisation est une procédure itérative (on note k l’itération en cours). Elle se déroule
comme suit μ à l’état initial (k=0), on dispose d’un ensemble de paramètres (variables de
décision initiaux ), la simulation dynamique du système permet
d’évaluer les fonctions objectives et la contrainte (CCV [€], EE[MJ] et LPSP [%]).
Parallèlement, l’analyse de sensibilité incluse dans la méthode d’optimisation permet de
déterminer le sens de variation des objectifs et de la contrainte par rapport aux paramètres.
Tant que les critères d’arrêt ne sont pas satisfaits pour le jeu de paramètres , la méthode
d’optimisation est utilisée pour calculer un nouveau jeu de paramètres à partir des
résultats de la simulation et de l’analyse de sensibilité. Ce dernier jeu de paramètres est utilisé
pour définir les données de la simulation suivante.
Pour cette raison, une méthode basée sur de la programmation informatique (mathématique
déterministe ou non) doit être utilisée pour l'optimisation.
Les méthodes aléatoires présentent dans tous les cas une très bonne fiabilité.
δ’algorithme de « recuit » simulé (méthode empirique provenant d'un processus
utilisé en métallurgie) est particulièrement adapté pour des fonctions présentant un
grand nombre d’optimums locaux (fonctions unimodales bruitées) car les solutions
intermédiaires sont autorisées.
Gradient Non (oui en Linéaire, très lente pour des Bonne Délicate à mettre en œuvre pour
projeté pratique pour problèmes mal conditionnés des cas généraux
des contraintes
linéaires)
Gradient Non (sous la Linéaire, très lente pour des Bonne Impose des contraintes linéaires
réduit forme de base) problèmes mal conditionnés
Gradient Oui, sous des Linéaire, très lente pour des Bonne Délicate à mettre en œuvre pour
réduit conditions très problèmes mal conditionnés des cas généraux
généralisé restrictives
Newton et Non si loin de Quadratique (super- linéaire Bonne Se ramène à une optimisation
Wilson l’optimum avec des algorithmes quasi- quadratique
newtoniens)
Pénalités Oui, sous des Dépend de la méthode sans Faible Se ramène à une optimisation
(extérieures et conditions peu contrainte utilisée (super- sans contraintes
intérieures) restrictives linéaire pour quasi-Newton
ou gradient conjugué)
Lagrangiens Non (sous la Selon la méthode sans Bonne, Se ramène à une optimisation
augmentés forme de base) contraintes utilisée (linéaire améliorée sans contraintes
à quadratique) par rapport
aux
pénalités
Monte-Carlo Bonne Faible (nécessitent un grand Faible Ne nécessite que des calculs
et Recuit nombre de calculs) directs
simulé
Algorithmes Très bonne Faible (nécessite un grand Faible σécessite le choix d’options
génétiques nombre de calculs) d’optimisation influentes sur la
qualité de la résolution
Essaims Possible mais Faible (temps de calcul Bonne Nécessite des calculs directs et
particulaires pas garantie élevé) réglage simple des paramètres
Tableau 4.1 : Tableau comparatif des méthodes d’optimisation non linéaire sous contraintes
[20]
Si l’on cherche à optimiser sans trop de précision une fonction présentant de nombreux
optimums locaux et si le temps de calcul n’est pas un facteur pénalisant, les méthodes
aléatoires et évolutionnaires sont les mieux adaptées.
Enfin, l’utilisation de méthodes hybrides permet de combiner les avantages des deux
types de méthodes : augmenter la fiabilité et la précision tout en diminuant le temps de calcul.
τn pourra par exemple s’approcher de l’optimum global par une méthode aléatoire puis
affiner les résultats par une méthode déterministe. On pourra aussi utiliser un grand nombre
de points initiaux choisis aléatoirement et réaliser des optimisations déterministes à partir de
tous ces points.
Pour choisir une méthode d’optimisation efficace pour le problème décrit par la
formulation (I), nous avons déterminé le relief des fonctions à optimiser et celui de la
contrainte comme le montre la figure 4.2. Afin de représenter clairement les figures et de
pouvoir dessiner les contours, l'une des trois variables de décision à savoir la capacité de
stockage des batteries (Cn), a été fixée à une valeur probable de 180 Ah.
4 4
x 10 x 10
4.5 4 13
x 10
4
x 10 15 12
4
5 11
3.5
4 10 10
EE [MJ]
3 3
CCV [€]
9
5
2 8
2.5
1 15 7
0
2 15
0 10
15 6
15 10
5 10
10 1.5 5
5 0 5 5
0 Apv [m²] 0 0
Awt [m²] Awt [m²] Apv [m²]
a) Surface décrite par le coût du cycle de vie du système en b) Surface décrite par l’énergie primaire incarnée dans le
fonction des paramètres Apv et Awt système en fonction des paramètres Apv et Awt
90
80
100
70
80
60
LPSP [%]
60 50
40 40
30
20
0
20
0 10
15 10 10
5 0 20
Awt [m²]
Apv [m²]
On remarque que toutes les surfaces obtenues ont une apparence polynomiale, présentant
un unique minimum global (fonctions uni-modales) et sont monotones. Néanmoins, la
fonction LPSP [%] présente une plus forte non-linéarité. En plus, les évolutions des fonctions
coûts CCV [€] ou EE [MJ] et la fonction contrainte LPSP [%] sont contradictoires. La
fonction LPSP [%] n’améliore pas l’avancement des fonctions objectif dans le sens favorable.
Cette méthode est basée sur l’algorithme de σewton/Wilson [23], [24], [25]. Cette
méthode itérative (figure 4.3) se décompose comme suit :
- les points successifs (y compris le point initial) ne sont pas forcément solutions (ce
qui est utile si l’on a du mal à trouver un point initial respectant toutes les
contraintes),
- la résolution repose sur la résolution de problèmes quadratiques à l’aide de
procédures simples et bien connues (ils se ramènent eux-mêmes à la résolution de
systèmes linéaires).
K=0
0
P
k k k k
CCV ( P ) / EE (P ) �CCV ( P ) / �EE(P ),
k
LPSP(Pk) �LPSP (P )
Résolution du
sous-problème
quadratique
dk Hk
αk
k=k+1
Pk+1 = Pk + αk + dk
P*
D’un point de vue concepteur, les approches utilisées pour la résolution de problèmes
multi-objectifs peuvent être classées en deux catégories [26] , [27] : les approches non Pareto
et les approches Pareto (figure 4.4).
Les approches non Pareto ne traitent pas le problème en tant que véritable problème
multi-objectif. Elles cherchent à ramener le problème initial à un ou plusieurs problèmes
mono-objectifs. Elles sont classées en deux catégories : les approches scalaires, qui
transforment le problème multi-objectif en un problème mono-objectif et les approches
non scalaires, qui gardent l’approche multi-objectif, tout en traitant séparément chacun
des objectifs.
Les approches scalaires «ces approches sont de type a priori»
A l’origine, les problèmes multi-objectifs étaient transformés en problèmes mono-
objectifs. Plusieurs approches différentes ont été mises au point pour transformer les
problèmes multi-objectifs en problèmes mono-objectifs : les approches agrégées,
programmation par but, et les approches -contraintes, etc. Que ce soit sous la forme
d'une somme pondérée, ou sous la forme d'une distance à un but, cette transformation
permet d'utiliser facilement les méthodes d'optimisation issues de l'optimisation à un
objectif. Cependant, celles-ci ne sont pas sans reproches : les unes ne peuvent traiter
complètement des problèmes non convexes et par suite sont très sensibles à la forme
du front Pareto ; un autre inconvénient de taille réside dans le fait qu’il faille relancer
plusieurs fois les algorithmes de résolution avec des valeurs différentes pour certains
paramètres tels que le vecteur de poids pour obtenir plusieurs points distincts de la
surface de compromis ; par surcroît, ces méthodes nécessitent aussi souvent une bonne
connaissance du problème à priori, notamment pour fixer les vecteurs de poids ou les
points de référence.
Les approches non scalaires non Pareto « ces approches sont de type a posteriori »
Ces approches ne transforment pas le problème multi-objectif en un problème mono-
objectif, mais utilisent des opérateurs qui traitent séparément les différents objectifs,
elles n’utilisent pas non plus la notion de dominance Pareto. τn trouve l’approche par
sélection parallèle, et celle par sélection lexicographique. Ces différentes approches
surmontent les difficultés des approches scalaires. Une seule résolution du problème
permet de trouver un ensemble de solutions Pareto optimales. Le décideur peut ainsi
choisir une solution suivant la situation courante. Néanmoins, elles tendent à générer
des solutions qui sont largement optimisées pour certains objectifs et le sont très peu
pour d’autres.
σous présentons dans la section suivante l’approche PARETτ qui, non seulement traite les
problèmes multi-objectifs sans transformation et sans favoriser un objectif par rapport à un
autre, mais aussi fournit au décideur un ensemble compromis de solutions (supportées et non
supportées) en une seule résolution du problème [28].
Les approches Pareto « ces approches sont de type a posteriori ≫
Au 19ème Siècle, Vilfredo Pareto, un mathématicien Italien, formule le concept suivant :
dans un problème multi-objectif, il existe un équilibre tel que l’on ne peut pas améliorer un
objectif sans détériorer au moins un des autres objectifs. Les approches Pareto utilisent
directement la notion de dominance dans la sélection des solutions générées. Le principal
avantage de ces approches. C’est l’optimisation simultanée d’objectifs contradictoires. Une
grande partie de ces approches exploite une métaheuristique [29]:
- La méthode P.A.S.A (Pareto Archived Simulated Annealing),
- La méthode M.O.G.A (Multiple Objective Genetic Algorithm),
- La méthode W.A.R.G.A ( Weighted Average Ranking Genetic Algorithm),
- La méthode N.S.G.A (Non dominated Sorting Genetic Algorithm),
- La méthode N.P.G.A(Niched Pareto Genetic Algorithm),
- La méthode S.P.E.A (Strength Pareto Evolutionary Algorithm).
But Programmé
Un ensemble de mesures a été proposé pour analyser les performances des algorithmes
multi-objectifs à la fois en termes de convergence et de diversité des solutions obtenues [27],
[29].
δ’analyse de performances en multi-objectif est, en elle seule, un domaine d’étude encore très
ouvert puisqu’il n’existe pas de mesures universellement utilisées. C’est la raison pour
laquelle nous n’allons pas nous étendre plus longuement : nous nous contenterons de signaler
qu'aucune des mesures existantes ne peut synthétiser en une seule valeur toute l'information
contenue dans la surface de compromis et que , par suite, il est souvent nécessaire d'utiliser
plusieurs mesures conjointement pour espérer évaluer au mieux la surface de compromis. Le
meilleur moyen d'évaluer une surface de compromis, lorsque le problème ne comporte pas
plus de trois critères, reste encore l'évaluation graphique.
b) Choix et description des méthodes retenues
Dans le cadre de cette thèse, nous établissons un parallèle entre l’approche Pareto et
l’approche non Pareto et nous les testons μ pour la première, nous mettons en œuvre une
méthode qui exploite une métaheuristique ; pour la seconde, une méthode scalaire simple.
σous allons décrire et justifier chacune d’elles dans nos choix finaux.
σous avons opté pour l’algorithme NSGA-II de Matlab avec la fonction « GAmultiobj »
de la « Global optimisation Toolbox » [31]. Le choix de cet algorithme a été fait selon la
procédure suivante :
A ce niveau, assurément, nous avons le choix. Nous sélectionnons un mode de traitement non
agrégatif, dont nous connaissons la propriété suivante μ il n’y a pas de préférence sur les
objectifs.
Ayant à notre disposition, un algorithme génétique déjà implémenté dans Matlab, nous
utilisons une méthode du type algorithme génétique. Nous choisissons donc une méthode
couplée.
4- Choix de la méthode
Puisque nous cherchons plusieurs solutions, nous choisissons une méthode évolutionnaire :
elle permettra d’en extraire celles qui correspondent aux compromis les plus intéressants.
Nous voulons archiver les meilleurs individus rencontrés au cours de l’optimisation afin
d’améliorer les résultats : aussi choisissons-nous une méthode avec élitisme.
6- Choix final
Le choix final se portera sur une version évoluée de la méthode NSGA, car elle permet
d’obtenir une bonne répartition des solutions sur la surface de compromis, sans requérir de
réglages trop complexes. Il s’agit de l’algorithme σSGA-II.
δ’algorithme σSGA-II a été proposé par K. Deb et al [31], [32]. Il garantit des meilleurs
résultats. Il intègre un opérateur de sélection, basé sur un calcul de la distance de « crowding »
(ou « surpeuplement ») qui estime la densité de chaque individu dans la population. Cet
algorithme est l’un des plus utilisés aujourd’hui car :
Il utilise une approche élitiste qui permet de sauvegarder les meilleures solutions
trouvées lors des générations précédentes,
Il se sert d’une procédure de tri fondée sur la non-dominance, plus rapide,
Il intègre un opérateur de comparaison différent basé sur le calcul de la distance de
« crowding ».
Pour estimer la densité au voisinage d’une solution particulière S sur un front F , la fonction
« distance crowding » calcule la distance moyenne des deux solutions de chaque côté de S
selon chaque objectif. Cette quantité sert d’estimation du périmètre du cuboïde
formé par les plus proches voisins autour de S (figure 4.5). Cette distance de « crowding » va
être utilisée pour guider le processus de sélection.
Figure 4.5: Pour une solution S du front F, la distance de peuplement (crowding distance)
d’une solution Si distance, utilisée dans NSGA-II correspond au périmètre du cuboïde formé par
ses deux voisins
Pour répondre à la critique de non élitisme, K. Deb utilise dans cette méthode une sélection
par tournoi avec peuplement (« crowded tournament »). Cet opérateur sélectionne en priorité
les solutions non dominées. Si aucune des solutions tirées aléatoirement ne domine l’autre, la
sélection est faite en fonction de la distance de peuplement. Plus formellement, une solution
S1 gagne un tournoi contre une autre solution S2 si l’une des conditions suivante est vraie :
À chaque itération, une population Qt est créée à partir de la population parente P t, chacune de
taille N. Les deux populations sont alors combinées pour former une population (
), de taille 2N. Cet assemblage permet d’assurer l’élitisme. δa population de taille (2N) est
ensuite triée selon un critère de non-dominance pour identifier les différents fronts F 1, F 2, etc.
Les meilleurs individus vont se retrouver dans le ou les premiers fronts. Une nouvelle
population parent (P t+ 1) est formée en ajoutant les fronts complets (premier front F 1, second
front F 2, etc.) tant que la population ne dépasse pas N. Si le nombre d’individus présents dans
P t+ 1 est inférieur à N, une procédure de « crowding » est appliquée sur le premier front
suivant, F k, non inclus dans P t+ 1. Le but de cet opérateur est d’insérer les (N-| P t+ 1| ) meilleurs
individus qui manquent dans la population P t+ 1. Les individus de ce front sont utilisés pour
calculer la distance de « crowding » entre deux solutions voisines [33]. Une fois que les
individus appartenant à la population P t+ 1 sont identifiés, une nouvelle population enfant Qt+ 1
est créée par sélection, croisement et mutation. Une sélection par tournoi prenant en compte le
peuplement (« crowded tournament ») est utilisé. Le processus continue d’une génération à la
suivante, jusqu’à un critère d’arrêt.
Rt Qt Pt
F3 F2 F1
Gen = Gen+1
F3Trié
Dans le cas d’une optimisation mono-objective, nous avons considéré les paramètres
suivants :
Ce résultat est conforme aux attentes car le site est plutôt photovoltaïque et le coût sur cycle
de vie du m² de panneaux photovoltaïques est beaucoup moins cher que pour un « m² »
d’éolienne (figure 4.2.a). En effet, un m² de panneaux vaut en moyenne 650 € contre 1982,67
€ pour un m² d’éolienne.
par le rotor de l’éolienne et de la capacité de stockage. δes résultats sont représentés dans la
figure 4.8. Ils montrent bien que la solution obtenue se situe bien dans la zone optimale.
Valeurs normalisées des variables optimisées
�
0.8 � � � �
15
� �
0.6
10
0.4
� � �
5
0.2
� � �
0 0
1 2 3 0 5 10 15 20 25 30
Variable de décision Itération
x 10
4
CCV minimal: 22416€ Dépassement des 5% de probilité d'insatisfaction de la demande: 0
6 100
5 80
LPSP [%]
4 60
CCV [€]
3 40
2 20
5%
1 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Itération Itération
Figure 4.7μ Résultats d’optimisation dans le cas d’une optimisation mono-objective selon
l’approche économique
CCV [ € ] x 104
5
250 4.5
4
Cn [Ah]
200
3.5
150 3
Zone Optimale
15
15
10
14
13 2.5
5 12
11
Awt [m²] 0 10
Apv [m²]
Figure 4.8μ Estimation du coût total (€) du système hybride en fonction de Apv[m²], Awt[m²],
Cn[Ah]
Ces résultats prouvent que l’hybridation est avantageuse en termes d’énergie primaire
incarnée d’autant plus que l’éolienne est plus efficace énergétiquement que les autres
composants du système (figure 4.2.b).
Comme pour le cas d’une optimisation mono-objective selon l’approche économique, nous
avons confirmé la fiabilité du résultat obtenu par un calcul systématique du coût énergétique
total du système hybride sur 25 ans en termes d’énergie primaire incarnée (EE [MJ]), pour
�
� 8
�
0.8 � �
� � 6
0.6
� � �
4
0.4 � � �
0.2 2
0 0
1 2 3 0 5 10 15 20
Variable de décision Itération
5
x 10 EE minimal: 99541,4 MJ Dépassement des 5% de probilité d'insatisfaction de la demand
1.15 10
1.1 8
1.05
LPSP [%]
6
EE [MJ]
1 5%
4
0.95
2
0.9
0.85 0
0 5 10 15 20 0 5 10 15 20 25
Itération Itération
Figure 4.λμ Résultats d’optimisation dans le cas d’une optimisation mono-objective selon
l’approche écologique
EE [MJ] x 105
1.5
1.45
250
1.4
1.35
1.3
Cn [Ah]
200
1.25
1.2
1.15
150
15
Zone Optimale 1.1
15
10
14
13 1.05
5 12
11
Awt [m²] 0 10
Apv [m²]
Figure 4.10: Estimation de l’énergie primaire incarnée dans le système hybride EE(εJ)
en fonction de Apv[m²],Awt[m²], Cn[Ah]
La fiabilité des résultats est confirmée par calcul systématique à la figure 4.12.
Valeurs normalisées des variables optimisées Paramètres optimaux Nombre total d'évaluations de la fonction coût: 209
30
0.2 5
0 0
1 2 3 0 5 10 15 20
Variable de décision Itération
5
x 10 EE + CCV minimal: 124411 Dépassement des 5% de probilité d'insatisfaction de la demand
1.5 10
1.4 8
EE + CCV
LPSP [%]
1.3 6
1.2 4 5%
1.1 2
1 0
0 5 10 15 20 0 5 10 15 20
Itération Itération
Figure 4.11μ Résultats d’optimisation dans le cas d’une optimisation multi-objective obtenus
par application de la méthode scalaire
5
CCV + EEx 10
2
250
1.9
1.8
Cn [Ah]
200
1.7
1.6
150
1.5
15
10 1.4
Zone Optimale
5 15
14 1.3
13
12
Awt [m²] 0 11
10
Apv [m²]
En se basant sur les paramètres par défaut et en réalisant plusieurs tests avec la boîte à outil
« GAmultiobj » de Matlab, nous avons fixé les paramètres suivants pour notre application.
Paramètres Valeurs
Fraction de la population au sens de Pareto 0,6 (choisi par expérience après plusieurs essais)
Sur la figure 4.13, nous représentons l’ensemble des points obtenus par calcul
systématique, l’ensemble des solutions de la surface de compromis (ici une portion de courbe)
donnée par l’algorithme NSGA-II et un point de référence correspondant à une configuration
optimale pour un LPSP max inférieur ou égal à 5%. σous remarquons qu’on trouve une surface
de compromis typique à des problèmes de minimisation. La surface de compromis obtenue
par optimisation approche parfaitement le cas théorique. Les points solution de notre
problème sont répartis de manière uniforme. Nous avons alors en possession un ensemble de
solutions utile. Ce qui valide la fiabilité et la précision de la méthode et de l’algorithme
d’optimisation utilisé.
La solution de référence choisie est très proche de celle obtenue suite à une optimisation
mono-objective avec l’algorithme SQP. σéanmoins, cette dernière reste plus précise.
4
x 10
5.5
Points Optimaux (Front de Pareto)
5 Tous les points
Point optimal pour LPSPmax=5%
[Apv=14,78m² Awt=1.36m² Cn=217.74Ah]
4.5
3.5
CCV [€]
2.5
1.5
1
0 10 20 30 40 50 60 70 80 90 100
LPSP [%]
De même, sur la figure 4.14, nous représentons l’ensemble des points obtenus par calcul
systématique, l’ensemble des solutions de la surface de compromis (ici une portion de courbe)
donnée par l’algorithme σSGA-II et un point de référence correspondant à une configuration
optimale pour un LPSP max inférieur ou égal à 5%. Dans ce cas aussi, par application de
l’algorithme σSGA-II, nous obtenons une bonne représentation de la surface de compromis et
la solution de référence retenue est en adéquation avec celle obtenue suite à une optimisation
mono-objective avec l’algorithme SQP.
5
x 10
1.8
Points Optimaux (Front de Pareto)
Tous les points
1.6
Point optimal pour LPSPmax=5%
[Apv=14,7m² Awt=3,92m² Cn=176.5Ah]
1.4
1.2
EE [MJ]
0.8
0.6
0.4
0 10 20 30 40 50 60 70 80 90 100
LPSP [%]
Optimisation tri-objective :
Résultats de simulation et d’optimisation
Dans ce cas, nous obtenons vraiment une surface de compromis et non plus une portion de
courbe comme dans les cas précédents. La figure 4.15 représente la surface de compromis
obtenue associée à l’ensemble des valeurs des fonctions « objectifs ». Une projection « bi-
objectif » est faite pour faciliter l’interprétation des résultats. δes fronts obtenus pour tous les
objectifs sont typiques à des problèmes de minimisation multi-objectifs. La surface de
compromis théorique est bien approchée et la solution optimale de référence retenue ne
s’éloigne pas de celle obtenue par la méthode scalaire. Ainsi, la fiabilité de la méthode utilisée
est prouvée.
Les résultats montrent aussi que plus le consommateur tolère du délestage, plus le système
hybride est sous-dimensionné et donc moins cher en termes de coût du cycle de vie et
d'énergie primaire incarnée. En effet, il y a une variation considérable du coût (jusqu'à 30%)
entre le dimensionnement d'un système qui fournit 95% et 99% des besoins électriques du
système.
4
x 10
16
Points Optimaux (Front de Pareto) EE[MJ] vs LPSP[%] (Front Pareto Optimal)
Tous les points
14 CCV[€] vs LPSP[%] (Front Pareto Optimal)
4 Point optimal pour LPSPmax=5%
x 10
[Apv=14,8m² Awt=3,49m² Cn=178.6Ah]
12
6
5 10
4 8
CCV [€]
3 6
2 100
4
1
50 2
0
0 2 4 6 0 0
8 10 12 14 LPSP [%]
16 0 10 20 30 40 50 60 70 80 90
4 LPSP [%]
x 10 EE [MJ]
a) Représentation 3D b) Projection 2D
Suite à tous ces résultats, nous avons remarqué que la solution obtenue par optimisation
multi-objective en appliquant la méthode scalaire [ [ ] , [ ]
et ] garantit le coût économique et énergétique le plus bas pour une
probabilité d’insatisfaction de la demande limitée à 5%. Pour cette raison, nous avons décidé
de la retenir et de la mettre en œuvre en pratique par rapport aux différents composants
présenté dans le chapitre 3. Ainsi, nous considérons la configuration suivante pour les
systèmes complets:
Le tableau 4.3 récapitule les données de fiabilité pour toutes les années considérées dans
cette thèse. Pour toutes les années, le manque de la production ne dépasse pas la limite
autorisée de 5%. Ce qui confirme la validité de la méthode de dimensionnement proposée.
δ’année 2006 présente le taux d’insatisfaction le plus faible bien qu’elle n’a pas les
productions renouvelables les plus élevées. Ce qui confirme que le plus important est la
répartition des sources et du profil de consommation au cours du temps et non pas l’énergie
renouvelable totale cumulée pour l’année.
Résultats de fiabilité
Pour les mois de mars à août, il y a une sorte de périodicité dans le cyclage des batteries.
Pour cette période, l'énergie éolienne est très faible. Pendant la journée, les générateurs
photovoltaïques rechargent l’accumulateur. Ensuite, pendant la nuit, l'énergie stockée est
utilisée pour assurer les besoins énergétiques de l’habitat.
100 100
80 80
SOC [%]
SOC [%]
60 60
40
40
20
20
0
0 0 500 1000 1500 2000
0 500 1000 1500 2000 Temps[h]
Temps[h]
c) Juillet, Aout, Septembre
a) Janvier, Février, εars
100 100
80 80
SOC [%]
SOC [%]
60 60
40 40
20 20
0 0
0 500 1000 1500 2000 0 500 1000 1500 2000
Temps[h] Temps[h]
b) Avril, εai, Juin d) τctobre, σovembre, Décembre
Figure 4.17μ Evolution de l’état de charge des batteries en fonction des saisons au cours de
l’année 2010
Il est aussi important de signaler que les batteries installées devraient être en mesure de
supporter les pics de puissance occasionnés par les vitesses de vent élevées (voir figure 4.18).
2000
1500
1000
500
Pbat[W]
-500
-1000
-1500
0 1000 2000 3000 4000 5000 6000 7000 8000
Temps[h]
Dans cette partie nous établissons une évaluation économique et écologique du système
tout au long de sa vie.
δe tableau 4.4 montre le calcul du coût de cycle de vie CCV pour notre système hybride.
Selon cette évaluation économique, il est clair que notre configuration optimale a un CCV
acceptable. Si on suppose que l’année 2010 est reproduite pour les 25 ans, le coût du KWh
produit par le système hybride avec des sources renouvelables revient àμ
� � �� (4.32)
Ce prix est raisonnable pour une maison autonome mais reste élevé par comparaison aux
tarifs proposés par les fournisseurs d’énergie avec un prix du KWh d’énergie conventionnelle
avec raccordement au réseau de 0,12€/KWh environ (puissance souscrite de 6KVA qui
constitue une offre de base).
δe tableau 4.5 montre l’écobilan du système hybride. Ce bilan prend en compte les
énergies nécessaires à la production des différents composants ainsi que les énergies
consommées durant la durée de vie du système (25 ans) dissipées en transport et en travaux de
maintenance. δes calculs sont basés sur les énergies intrinsèques à chaque matériel ainsi que
l’énergie nécessaire au processus de fabrication.
Selon cet écobilan, le temps de récupération de l’énergie qui a été investie pour la mise en fonction
du système hybride est estimé par :
(4.33)
De même l’intensité énergétique de chaque KWh produit par les sources renouvelables peut être
calculée de la manière suivante :
(4.34)
1
Approximation.
] (4.35)
2- HOMER utilise une interpolation linéaire pour calculer la puissance fournie par l'éolienne
en fonction de la vitesse du vent à partir d’un tableau de valeurs entré par l’utilisateur.
4- HOMER considère que les rendements de la charge et de la décharge des batteries ηcha et
ηdis sont égaux à la racine carré de 0,8 soit ηcha = ηdis=0,894.
6- HOMER ne dispose pas dans sa bibliothèque de batteries de 90 ou 180 Ah. Pour approcher
au maximum la configuration optimale retenue, nous considérerons des batteries de type
Vision VRLA 6FM200D de 200 Ah avec un prix d’acquisition de l’unité de 83λ$. Ainsi, la
configuration évaluée est la suivante : 9 panneaux Sharp ND-240QCJ soit une puissance
installée de 2,16 KW, une éolienne Aeromax Engineering (Lacota S, SC) avec une surface
balayée de 3,43 m² et une puissance nominale de 900 W à 13 m/s, 4 batteries Vision VRLA
6FM200D de 200 Ah 12 V et un onduleur de 2 KW et de rendement constant de 0,95. Sa
modélisation sous HOMER est décrite par la figure 4.19.
8- HOMER intègre le coût de l’onduleur et suppose son remplacement tous les 10 ans.
δes résultats de l’évaluation sont donnés à la figure 4.20. Ils sont concluants. Le taux
d’insatisfaction de la demande est de 3,9 % donc éloigné des 5 % exigés (résultats valables
pour une capacité de stockage de 180 Ah). Ces résultats confirment la fiabilité de la méthode
d’optimisation proposée. A noter que plus d’analyses résultant de cette évaluation sont
présentées dans l’annexe II.
Pour que la comparaison soit logique et interprétable, nous utilisons pour les deux, des
batteries de 200 Ah avec une profondeur de décharge de 60 % (
et ).
Le tableau 4.6 établit une comparaison entre les résultats obtenus par HOMER et par notre
simulateur développé sous Simulink.
Concernant la production photovoltaïque, dans HOMER, elle est calculée par l’équation
(4.37) alors que celle obtenue à partir du modèle Simulink est en partie basée sur le rendement
du générateur photovoltaïque (Eq. 3.2). Accroître ce rendement se traduit par une
augmentation de la puissance produite par le générateur photovoltaïque et par conséquent une
élévation de l’excès de production.
Pour l’estimation des coûts économiques sur cycle de vie, la différence est surtout due aux
données des coûts moyens des composants.
Enfin, pour l’estimation de la durée de vie des batteries, la différence est principalement
due à la méthode de prédiction utilisée. HOMER utilise le modèle à énergies échangées décrit
dans 3.2.3.2.2 alors que nous utilisons le modèle de dégradation des performances (évaluation
du SOH).
- ce sont les batteries qui sont les plus gourmandes en énergies primaires. Il est important
d’améliorer leur processus de fabrication ainsi que leur durée de vie par des techniques
de gestion de l’énergie optimales par exemple,
Le chapitre suivant est dédié à la mise en place d’un banc d’essai pour émuler le
fonctionnement du système hybride et analyser son comportement. Une nouvelle méthode de
supervision avec sa mise en œuvre expérimentale est alors présentée.
Bibliographie
[1] B. Borowy et Z. Salameh, «Optimum photovoltaic array size for a hybrid wind / PV system,»
IEEE Transactions on Energy Conversion, vol. 9, n° 13, pp. 482-488, 1994.
[2] R. Chedid et S. Rahman, «Unit sizing and control of hybrid wind-solar power systems,» IEEE
Transactions on Energy Conversion, vol. 12, n° 11, pp. 79-85, 1997.
[3] G. C. Seeling-Hochmuth, «A combined optimisation concept for the design and operation
strategy of hybrid-PV energy systems,» Solar Energy, vol. 61, n° 12, pp. 77-87, 1997.
[5] R. A. Messenger et J. Ventre, Photovoltaic Systems Engineering, 2e éd., Florida, USA: CRC
Press, 2004, pp. 209-257.
[8] T. Markvart, Solar Electricity, 2e éd., New York: John Wiley & Sons, Ltd., 2000.
[9] E. Orhan et Ö. Baris, Hybrid Combination of Photovoltaic and Wind Energy Conversion System,
1e éd., Saarbrüken, Germany: LAP LAMBERT Academic Publishing, 2010.
[10] A. Bin, Y. Hongxing et S. X. ,. L. Hui, «Computer aided design for pv/wind hybrid system,»
Renewable Energy, vol. 6, n° 110, pp. 1491-1512, 2003.
[11] J.-h. Shi, Z.-d. Zhong, X.-J. Zhu et G.-y. CAO, «Robust design and optimization for autonomous
PV-wind hybrid power systems,» Journal of Zhejiang University SCIENCE A, vol. 9, n° 13, pp.
401-409, 2008.
[13] Y. Thiaux, «Optimisation des profils de consommation pour minimiser les coûts économique et
énergétique sur cycle de vie des systèmes photovoltaïques autonomes et hybrides , Évaluation
du potentiel de la technologie Li-ion,» Thèse de Doctorat, SATIE UMR CNRS 8029, Cachan,
France, 2010.
[14] B. Borowy et Z. Salameh, «Methodology for optimally sizing the combination of a battery bank
and pv array in wind/pv hybrid system,» IEEE Transactions on Energy Conversion, vol. 12, n° 11,
pp. 367-375, 1996.
[15] H. Yang, Z. Wei et L. Chengzhi, «Optimal design and techno-economic analysis of a hybrid
solar–wind power generation system,» Applied Energy, vol. 86, n° 12, pp. 163-169, 2009.
[17] I. Vechiu, «Modélisation et analyse de l'intégration des énergies renouvelables dans un réseau
autonome,» Thèse de Doctorat,Université du Havre, 2010.
[18] L. H. Hansen et P. Lundsager, «Review of Relevant Studies of Isolated Systems,» Risø National
Laboratory, Roskilde, 2000.
[19] D. Turcotte, M. Ross et F. Sheriff, «Photovoltaic Hybrid System Sizing and Simulation Tools :
Status and Needs,» chez PV Horizon : Workshop on Photovoltaic Hybrid Systems, Montreal,
Canada, 2001.
[23] M. Minoux, Programmation mathématique, Théorie et algorithmes, 2e éd., Tec & Doc
Lavoisier, 2007.
[25] P. T. Boggs et J. W. Tolle, «Sequential Quadratic Programming,» Acta Numerica, vol. 4, pp. 1-
51, 1995.
[26] V. Barichard, «Approches hybrides pour les problèmes multi-objectifs,» Université d'Angers,
2003.
[28] H. Meu ie , «Algo ith es volutio ai es pa all les pou l’opti isatio ulti-objectif de
réseaux de télécommunications mobiles,» Thèse de Doctorat, UNIVERSITÉ DES SCIENCES ET
TECHNOLOGIES DE LILLE, Lille, France, 2002.
[30] C. A. Coello, «An updated survey of GA-based multiobjective optimization techniques,» ACM
Computing Surveys (CSUR), vol. 32, n° 12, pp. 109-143, 2000.
[31] K. Deb, A. Pratap, S. Agarwal et T. Meyarivan, «A fast and elitist multiobjective genetic
algorithm: NSGA-II,» IEEE Transactions on Evolutionary Computation, vol. 6, n° 12, pp. 182-197,
2002.
Figure 5.1 : εodèle idéal à une diode d’une cellule photovoltaïque et modèle équivalent
réaliste d’un panneau avec résistances série et parallèle
Le courant Ipv généré par le panneau est lié aux résistances Rs et Rp, à la tension et aux
courants et par la relation suivante :
[ ] (5.1)
Avec :
: courant photovoltaïque dû à l’irradiation. Si le panneau est composé de Np cellules
connectées en parallèle alors où est le courant de
saturation pour une seule cellule,
: courant de saturation du panneau. où étant le courant pour une
seule cellule et le nombre de cellules en parallèle,
: le potentiel thermique du panneau. , étant le nombre de cellules en série,
(5.3)
(5.5)
( )
Pmax 240 Wc
Isc 8,75 A
Voc 37,5 V
Imp 8,19 A
Vmp 29,3 V
KI 53 x 10-5 A/K
KV -36 x 10-3 V/K
Tableau 5.1μ Caractéristiques électriques d’un panneau de type
Solar Sharp ND-240QCJ Poly (240Wc)
On remarque que seuls les paramètres (Rs, Rp) sont manquants. En examinant l’expression
(5.6) de la puissance maximale , on voit que ces deux paramètres sont facilement
identifiables.
{ [ ] } (5.6)
(5.7)
{ [ ] }
Avec un algorithme itératif, il est donc possible de trouver les deux paramètres Rs et Rp. A cet
effet, nous pouvons utiliser la procédure décrite par M.G. Villalva et al. [1] et représentée par
l’organigramme de la figure 5.2.
Données: T, G,
Augmenter Rs
La procédure consiste à chercher Rs (et donc Rp) de manière à avoir la puissance maximale
indiquée par le constructeur P max,e égale à la puissance maximale donnée par le modèle P max,m.
Il suffit simplement d’augmenter de manière itérative la valeur de Rs partant de zéro tout en
comparant les valeurs des deux puissances jusqu’à atteindre la valeur maximale donnée par le
constructeur.
Pour commencer, l’algorithme itératif a besoin de valeurs initiales de Rs et Rp. On peut
considérer = 0 et estimer par [1]:
(5.8)
En utilisant ces paramètres on peut représenter les courbes caractéristiques (figure 5.3) du
panneau « Sharp ND-240QCJ Poly (240Wc) » et présenter l’évolution de sa puissance
250 9
8
200
7
6
150
Ppv [W]
Ipv [A]
5
100 4
50 2
1
0
0 5 10 15 20 25 30 35 40 0
Vpv [V] 0 5 10 15 20 25 30 35 40
Vpv [V]
300
250
Puissance Maximale (W)
200
150
100
50
0
1000 40
800 20
600
400 0
200
0 -20
G [W/m²] Ta [°C]
Il est intéressant de noter que suite au calcul des différentes valeurs de la puissance
maximale en fonction de la température ambiante Ta [°C] et de l’irradiance G, il est
possible avec un « fitting » (voir Annexe III) sous εatlab d’avoir un modèle polynomial du
panneau sous la forme suivante :
(5.9)
Figure 5.5 : Principe de recherche avec pas variable dans un algorithme P&O [5]
OUI NON
C = 0.01 |dPpv| > r C =0.001
N
P(k) – P(k-1)
OUI =0
NON
NON OUI
P(k) – P(k-1) > 0
OUI NO OUI
NO
N
N
RETOURNER
Figure 5.9: Modèle moyen du hacheur en interface entre les panneaux solaires et la batterie
( )
{ } (5.10)
Ainsi, on propose d’exprimer une fonction de transfert linéarisée autour d’un point de
fonctionnement moyen, en considérant
{ } (5.11)
̃ ̃
{ } (5.12)
̃ ̃
̃ ̃ ̃ ̃ ̃ ̃
{ } (5.13)
̃ ̃ ̃ ̃ ̃
suivant :
̃ ̃ ̃ ̃
{ } (5.14)
̃ ̃ ̃
̃
̃
(5.17)
̃
D’où ̃
(5.18)
Avec : ; ; et √
√
60 V donc , on obtient : ; ; ;
.
Avec variant de 0 à 8A, on a toujours , un gain variant de 0 à +20 environ et
un coefficient d’amortissement toujours petit. Ainsi le plus contraignant est pour un faible
courant (faible irradiation).
Exemple : (pour crête de 8A), on obtient une fonction de transfert avec des
pôles à 440rd/s et un coefficient d’amortissement de , ce qui donne
un gain à la résonance de .
√
Donc, pour éviter la résonance en boucle fermée, il faut réduire la bande passante. On choisit
une bande passante de 1 rad/s. A cette fréquence, la fonction de transfert peut être réduite au
(5.19)
(5.20)
est choisi égal au pôle (compensation pôle/zéro), , et avec une bande passante
de 1 rad/s. Ce qui donne :
(5.21)
d’où .
La figure 5. 10 présente le tracé du diagramme de Bode pour les fonctions de transfert en
boucle ouverte et en boucle fermée ( et ) pour et .
100 40
Boucle ouverte (Ipv = 0,2A) Boucle ouverte (Ipv = 8A)
20
50 Boucle fermée (Ipv = 0,2A) Boucle fermée (Ipv = 8A)
Magnitude (dB)
Magnitude (dB)
0
0
-20
-50
-40
-100 -60
-150 -80
0 0
-45
-45
Phase (deg)
Phase (deg)
-90
-90
-135
-135
-180
-225 -180
-1 0 1 2 3 4 5 6 0 1 2 3 4 5
10 10 10 Frequency
10 (rad/sec)
10 10 10 10 10 10 Frequency
10 (rad/sec)
10 10 10
a) Diagramme de bode en boucle ouverte et fermée b) Diagramme de bode en boucle ouverte et fermée
(cas )
(cas )
Figure 5. 10 : le tracé du diagramme de Bode pour les fonctions de transfert en boucle ouverte
et en boucle fermée ( et ) pour et
Les résultats de simulation sont représentés ci-dessous. Ils confirment la stabilité, la précision
et la rapidité de réponse du correcteur synthétisé ainsi que l’algorithme εPPT utilisé.
1200 500
450
1000
400
350
800
Irradiance [W/m²]
Puissance [W]
300
600 250
200
400
150
200 100
50 Puissance maximale
Puissance mésurée
0 0
0 0.5 1 1.5 0 0.5 1 1.5
Temps [s] Temps [s]
a) Profil d’irradiance en fonction du temps utilisé pour b) Suivi de la puissance maximale au cours du temps
la simulation
10 300
T = 10°C
9 T = 25°C
250 T = 40°C
8
7
200
6
[W]
[A]
5 150
pv
pv
P
I
4
100
3
2
T = 10°C 50
1 T = 25°C
T = 40°C
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Vpv [V] Vpv [V]
7
200
6
[W]
[A]
5 150
pv
pv
P
I
4
100
3
2
G = 1000W/m² 50
1 G = 750W/m²
G = 500W/m²
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Vpv [V] Vpv [V]
V
Ceol_ref
��
Cem
Ceol
Equations
mécaniques
Cem
2
�
Commande en Cref
vitesse
MPPT
Machine MCC2
commandée en vitesse
(5.18)
S étant la surface balayée par l’éolienne : . Prenant en compte la mise à l’échelle 1/3,
avec Awt est la surface balayée par le rotor de l’éolienne δacota SC Engineering.
(5.19)
Dans notre cas, nous supposons que la caractéristique de la voilure a la forme de la figure
5. 18 et que [9] :
Cp( ) = - 4.54 10-7. 7
+ 1.3027 10-5. 6
- 6.5416 10-5. 5
- 9.7477 10-4. 4
+ 0.0081. 3
-
0.0013. 2+0.0061. (5.20)
�� λ
opt= 7
Cpmax( opt)=0.476
λ
Figure 5.18 : Courbe caractéristique de l’éolienne
Pour la vitesse réduite optimale opt, le coefficient de puissance est maximal
(Cpmax( opt)) et la voilure délivre un maximum de puissance mécanique. Il est donc
souhaitable d’exploiter le système éolien de façon à obtenir son fonctionnement à ce point.
Dans le cas des éoliennes, les techniques d'extraction maximale de puissance [9], [10]
consistent à ajuster le couple électromagnétique de la génératrice pour fixer la vitesse à une
valeur de référence (Ω réf ) calculée pour maximiser la puissance extraite.
La courbe spécifique Cp (λ) possède une forme en cloche très prononcée. Sur le
sommet de cette courbe, on trouve la puissance optimale qu’il est possible d’extraire. Il est
caractérisé par la vitesse réduite optimale λopt et le coefficient de puissance maximal
Cpmax (Figure 5.18). La référence de la vitesse de la turbine doit donc correspondre à
cette valeur optimale. Elle est obtenue à partir de l’équation (5.21) :
(5.21)
m étant le coefficient de multiplication de vitesse. Dans notre cas, il est pris égal à deux.
Il s’agit donc de faire varier la vitesse de rotation de la turbine en fonction des variations
de la vitesse du vent V. Ce qui permet de continuellement travailler avec un rendement
aérodynamique optimal puisque le coefficient de puissance Cp est toujours égal à sa valeur
maximale.
Paramètre Valeur
Machine MCC1
Tension nominale Unom[V] 220
Courant nominale Inom [A] 9,8
Tension d’excitation Uex[V] 100
courant d’excitation Iex [A] 0,65
Vitesse nominale Ωnom [tr/min] 1500
Inertie J [Kg m2 ] 0,11
Constante de couple K [Vs/rad ou Nm/A] 1,7
Inductance propre L [mH] 10
Résistance d’un enroulement R [Ω] 4,6
Machine MCC2
Tension nominale Unom[V] 220
Courant nominale Inom [A] 9,8
Tension d’excitation Uex[V] 220
courant d’excitation Iex[A] 1,2
Vitesse nominale Ωnom [tr/min] 1500
Inertie J [Kg m2 ] 0,11
Constante de couple K [Vs/rad ou Nm/A] 1,7
Inductance propre L [mH] 10
Résistance d’un enroulement R [Ω] 4,6
Hacheurs
Inductance Lh[mH] 2
Fréquence de hachage f [KHz] 20
Batterie
Tension de batterie Vbat [V] 48
Résistance de batterie Rbat [Ω] 0,01
Charge
Résistance de charge Rch [Ω] 10
Paramètres de simulation
Pas de simulation Ts[s] 10 e-3
Méthode de simulation Ode23tb(Stiff/TR-BDF2)
Les paramètres des correcteurs PI utilisés pour la commande en couple et en vitesse sont
calculés de la manière suivante :
Pour le calcul du correcteur de courant de la MCC1, nous utilisons le même modèle moyen
du hacheur, soit le modèle suivant :
: fem de la MCC1 = ,
: Résistance de la MCC1,
Comme E à l’entrée du hacheur est constante, une seule équation d’état est à utiliser :
(5.22)
ou encore : (5.23)
Avec : (5.24)
(5.25)
Si on choisit alors .
Vis-à-vis de la perturbation , on a :
Ou encore, (5.30)
Soit : (5.31)
Cette fonction de transfert en boucle fermée peut être tracée dans le domaine de Bode de la
manière suivante :
Bode Diagram
-30
-40
Magnitude (dB)
-50
-60
-70
-80
90
Boucle fermée (Kp=0.3 et Ki= 384)
45
Phase (deg)
-45
-90
1 2 3 4 5 6
10 10 Fréquence
10 (rad/sec)
10 10 10
Ainsi, on obtient une rejection de de 37 dB pour une pulsation de 384 rd/s (60Hz).
Comme la variation de la vitesse est lente (=quelques Hz), la réjection de est donc
suffisante.
Comme le système est non linéaire, on exprime la fonction de transfert entre et autour
d’un point de fonctionnement moyen. , et sont pris à zéro et on a :
{ } (5.34)
D’après les équations précédentes, on obtient pour les variations autour d’un point de
fonctionnement moyen le système suivant :
̃ ̃ ̃ ̃ ̃ ̃
{ ̃ (̃ ̃ ̃ ̃) } (5.36)
̃ ̃ ̃
obtient :
̃
�
̃ �
(5.37)
� � �
̃
�
̃
(5.38)
� �
En négligeant car et , on fait l’étude des deux extrémités du
fonctionnement avec :
Pour , on a d’après le simulateur et ;
et pour , on a avec le simulateur et .
Ainsi, on obtient deux fonctions de transfert en mettant sous la forme de pôle de zéro et de
gain (calcul fait avec Matlab) :
pour :
̃
�
̃
(5.39)
pour :
̃
�
̃
(5.40)
Pour une étude en basse fréquence, on peut simplifier les deux fonctions de transfert à :
̃
�
̃
(5.41)
̃
�
̃
(5.42)
.
En boucle ouverte, la fonction de transfert devient :
(5.43)
Pour une bonne marge de phase, il faut que soit inférieur à 187 rd/s.
On choisit 100 rd/s d’où =0,02.
(5.44)
(5.45)
Bode Diagram
150
Magnitude (dB)
50
-50
0
-45
Phase (deg)
-90
-135
-180
-3 -2 -1 0 1 2 3
10 10 10 Fréquence10(rad/sec) 10 10 10
(5.46)
Ainsi : (5.47)
(5.48)
τn fait un deuxième choix d’avoir un gain de 1/10 pour une fréquence de 1rd/s alors :
(5.49)
Avec (5.47) et (5.49), on obtient et (5.50)
Les résultats de simulation pour une référence de vent qui varie de 12 à 2 m/s avec une
superposition d’une oscillation de 0,2 m/s à 3 Hz sont représentés dans les figures qui suivent.
Ils montrent un suivi parfait du couple éolien de référence et une commande satisfaisante de la
vitesse de rotation de la génératrice malgré quelques perturbations en basse vitesse. Ces
dernières sont dues aux pertes et de la contrainte imposée par la tension aux bornes de la
génératrice qui doit être supérieure à celle de la batterie.
15 8
Couple mesuré
Vitesse du vent en [m/s]
Couple de référence
6
5 2
0
0 2 4 6 8 10 -2
0 1 2 3 4 5 6 7 8 9 10
Temps [s] Temps [s]
a) Evolution de la vitesse du vent en fonction du b) Evolution du couple éolien en fonction du temps
temps
Vitesse de rotation de la génératrice[rd/s]
200 1000
Vitesse de référence Puissance extraite
800 Puissance maximale théorique
Puissance éolienne [Nm]
Vitesse mesurée
150
600
100 400
200
50
0
0 -200
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
* Note importante : Pour la mise en œuvre du banc, en plus de ce calcul théorique qui a
permis d’avoir les ordres de grandeur des paramètres des correcteurs, un réglage manuel sur le
banc autour de ces valeurs théoriques s’est avéré nécessaire pour prendre en compte les gains
des capteurs, les filtres de mesures, la variation des paramètres des machines avec le temps,
les perturbations dues aux mesures et aux non linéarités négligées (saturation,…).
Le simulateur éolien mis en place est représenté par les figures 5.27 et 5.28. Il est basé sur
l’accouplement de deux machines à courant continu. δa première machine MCC1 sert à
reproduire le couple mécanique éolien. La deuxième MCC2 joue le rôle de génératrice. Sur
l’arbre mécanique, est monté un tachymètre pour la mesure de la vitesse de rotation. Ses
signaux ainsi que les mesures de tension et de courant sont envoyés directement sur le port
parallèle de la carte DSPACE en code Gray. Puisque les signaux de sortie de cette dernière
sont de type TTL (0 ou 5V) alors que ceux de la commande des convertisseurs statiques
(Semikron AN-8005) sont de niveaux 0 ou 15V, alors une carte électronique d’interface a été
développée pour assurer la bonne conversion des signaux. δ’ensemble des paramètres a été
réglé précisément pour avoir une puissance électrique de l’ordre de 250 W pour une vitesse de
vent de 12 m/s afin de garantir la mise à l’échelle au 1/3 par rapport à une éolienne δacota SC
Engineering (750W à 12m/s).
Carte
d’i terfaçage
Génératrice MCC2
Machine MCC1
PC commande
Alimentation
continue
Tachymètre
Alimentation
des hacheurs
Alimentation
et de la carte
continue
d’i terfaçage
Hacheurs dévolteurs
Le banc hybride est la jonction des deux simulateurs, photovoltaïque et éolien. Il est décrit
par la photo de la figure 5.29. La commande du système est assurée en temps réel par deux
cartes Dspace DS1104.
Simulateur éolien
Simulateur photovoltaïque
Figure 5.29 : Photo du banc d’essai hybride éolien photovoltaïque avec batterie
Ainsi, l’algorithme de supervision implanté sous Dspace peut être représenté par
l’organigramme suivant :
Estimer SOC
Manque de production
Fonctionnement Excès de production
Déconnexion de la batterie par
normal Imposer un courant nul
Consommation délestage
dans la batterie (Ibat = 0 )
satisfaite (Imposer Pdemand = 0.9*Pres) Dégrader le
fonctionnement des
générateurs
(Imposer Pres = Pdemand)
δe choix d’un modèle de prédiction de la tension en circuit-ouvert pour la batterie est dicté
par le critères suivant : le modèle doit être pratique, car la stabilisation de la tension en
circuit-ouvert n’est atteinte qu’après plusieurs heures. Il est déconseillé de laisser la
charge hors service durant toute cette période pour le relevé de l’état initial ou la mise
à jour de l’état de charge. Pour cela, il est nécessaire de prédire la valeur de la tension en
circuit-ouvert avant que la batterie ne se stabilise complètement après une période de
repos raisonnable. Le modèle de prédiction de la tension en circuit-ouvert tient compte de
la réduction adéquate du temps de repos de la batterie. La tension en circuit ouvert Voc
est exprimée par la relation linéaire simple suivante [12] :
(5.21)
(5.22)
La tension de circuit ouvert est utilisée pour la détermination de la valeur initiale de l’état
de charge de la batterie et pour le « recalage » de l’état de charge des batteries (SOC) estimé
par mesure coulomb-métrique selon l’expression suivante :
(5.23)
Le « recalage » se fait à chaque fois que l’on a une période de pause (courant de batterie nul)
supérieure à 5 minutes.
Ce modèle considère que l’état de charge d’une batterie (SOC) est le rapport entre la
quantité d’électricité [Ah] restituée par la batterie et sa capacité nominale Cn [Ah]. Le calcul
de l’état charge des batteries (SOC) se fait en permanence en appliquant les relations
récursives suivantes :
en charge (3.5)
en décharge (3.6)
ηcha et ηdis sont les rendements de la charge et de la décharge des batteries (ηcha = 0,85,
ηdis= 1).
Wind [m/s]
10
5
0
0 100 200 300 400 500 600 700 800 900 1000
Vent (m/s)
Solar IR [W/m²]
500
0
0 100 200 300 400 500 600 700 800 900 1000
Temp T [°C]
50
0
0 100 200 300 400 500 600 700 800 900 1000
400
Load [W]
200
0
0 100 200 300 400 500 600 700 800 900 1000
Time [s]
Figure 5.31 : Evolution des données d’entrée (vent, température, irradiation et consommation)
en fonction du temps utilisée pour la validation de la technique de supervision
Puis, nous avons fixé les limites supérieur et inférieur de l’état de charge des batteries
respectivement à : SOCmax = 50,2% et SOCmin = 49,8% pour tester les différents modes de
fonctionnements possibles (fonctionnement en mode normal, fonctionnement en mode
dégradé et fonctionnement en mode délestage).
Les principaux résultats de cet essai sont représentés dans la figure qui suit :
400 400
Ppvmax
300 Ppv 300
P [W]
P [W]
200 200
600 500
Peolelec Pbattery
400
P [W]
P [W]
200 0
-200 -500
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Time [s] Time [s]
a) Puissances renouvelables produites en fonction du temps b) Evolution de la puissance de la charge et des batteries en
fonction du temps
3.5 700
Imcc1
Imcc1ref
600
3
500
2.5
400
P [W]
I [A]
300
2
200
1.5
100
Prenouvelable (Produite)
Putile (Pertes prises en compte)
1 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Time [s] Time [s]
c) Evolution du courant produit par la turbine éolienne (image d) Bilan des puissances en fonction du temps
du couple éolien, machine MCC1) en fonction du temps
50.5
SOC [%]
W [rad/s]
50
100
45
0 100 200 300 400 500 600 700 800 900 1000
80
20
60
Ibat [A]
10
0
40
-10
0 100 200 300 400 500 600 700 800 900 1000
Time [s] 20
0 100 200 300 400 500 600 700 800 900 1000
Time [s]
e) Evolution des paramètres des batteries ( tension, courant, f) Evolution de la vitesse de rotation de la génératrice
état de charge ) en fonction du temps ( machine MCC2) en fonction du temps
*Possibilité d’un petit décalage des temps dû à l’utilisation de deux Dspaces et de deux PC de commande
- l’état de charge des batteries est toujours compris entre SOCmax = 50,2% et SOCmin =
49,8% (figure 5.32.e). Ce qui prouve sa bonne gestion et la fiabilité de la technique de
supervision proposée,
- pour t [0 125], [310 450] et [600 1000] : phase de fonctionnement normal. Les deux
générateurs fonctionnent à leur point de maximum de puissance « MPPT » (figure
5.32.a),
- pour t [125 300], SOC=SOCmin : c’est le cas de défaillance de production. Il y a une
insatisfaction de la demande, donc un délestage de la charge de manière à avoir Pdemand
= 0,9*Pres (figure 5.32.b). Le courant des batteries est alors nul par balance énergétique.
- pour t [450 600], SOC=SOCmax et Pdemand < Pres : c’est le cas d’excès de production.
Un courant nul est donc imposé aux bornes des batteries. Les générateurs ne fonctionnent
plus à leurs points optimaux et Pres = Pdemand avec Peolelc= Pdemand – Ppv. La
production photovoltaïque subit une diminution. La vitesse de rotation de la génératrice
éolienne passe alors de 145,7 rad/s à 40 rad/s bien que la vitesse du vent reste constante à
12 m/s durant tout l’intervalle de temps [300 600] (figure 5.32.f). De même le courant
généré par la turbine éolienne (machine MCC1) chute de 2,7 A à 1,75 A (figure 5.32.c).
- il existe une différence entre la puissance renouvelable produite et celle réellement
consommée par la charge et les batteries (puissance utile) (figure 5.32.d) à cause des
pertes dans les convertisseurs et dans les câbles.
Dans cette partie, nous nous posons dans le cas d’un fonctionnement normal. Chaque 200 s,
une des variables d’entrée subit un changement comme le montre la figure 5.33.
Wind [m/s] 10
5
0
0 100 200 300 400 500 600 700 800 900 1000
Temp T [°C]
50
0
0 100 200 300 400 500 600 700 800 900 1000
Solar IR [W/m²]
500
0
0 100 200 300 400 500 600 700 800 900 1000
500
Load [W]
0
0 100 200 300 400 500 600 700 800 900 1000
Time [s]
Figure 5.33 : Evolution des données d’entrée (vent, température, irradiation et consommation)
en fonction du temps utilisée pour l’étude de sensibilité
400 10
Ppvmax
300 Ppv 9
P [W]
200 8
100 7
0 6
0 100 200 300 400 500 600 700 800 900 1000
I [A]
5
300 4
Peolelec
200 3
P [W]
100 2
Idemand
0 1 Iload Reference
Iload Satisfied
-100 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Time [s] Time [s]
a) Evolution des puissances éoliennes et photovoltaïques en b) Evolution du courant dans la charge en fonction du temps
fonction du temps
3
Imcc1 180 Wrotation mésuré
Imcc1ref
Wopt (fonct. optimal)
2.5 160
140
2
120
W [rad/s]
I [A]
100
1.5
80
1 60
40
0.5
0 100 200 300 400 500 600 700 800 900 1000 20
Time [s] 0 200 400 600 800 1000
Time [s]
c) Evolution du courant généré par la turbine éolienne d) Evolution de la vitesse de rotation de la génératrice en
( image du couple éolien, machine MCC1) fonction du temps
*Possibilité d’un petit décalage des temps dû à l’utilisation de deux Dspaces et de deux PC de commande
Les figures 5.34.b et 5.34.c confirme la bonne régulation du courant de charge et du courant
éolien. Une suivie parfaite de la consigne est constatée.
Enfin, la figure 5.34.d montre la variation de la vitesse de rotation de la génératrice en
fonction de la vitesse du vent. Elle confirme l’efficacité de l’algorithme de maximisation de
puissance utilisé et le bon asservissement de la vitesse de rotation de la génératrice.
* LPSP [%] est un pourcentage déterminé selon les expressions des équations (3.20) et (4.27). Sa valeur élevée n’est pas
représentative, car pour cet essai l’insatisfaction de la charge est très importante dû aux seuils très proches SOCmin et SOCmax.
1000 10 500
Pload satisfied
Irradiation [W/m²]
450
Vitesse [m/s]
Pload
500 5 400
350
0 0 300
0 1000 2000 0 1000 2000
P [W]
Temps [s] Temps [s] 250
5 500
200
400
Température [°C]
0 150
300
P [W]
200 100
-5
100 50
-10 0
0 1000 2000 0 1000 2000 0
0 500 1000 1500 2000 2500
Temps [s] Temps [s]
Temps [s]
a) Evolution des données d’entrée en fonction du temps b) Evolution de la puissance de charge en fonction du temps
500 50.4
Ppv SOC
400 50.2
SOC [%]
300
P [W]
50
200
49.8
100
0 49.6
0 500 1000 1500 2000 2500
0 500 1000 1500 2000 2500
400
200 Pbat
Peolien 200
150
P [W]
0
P [W]
100
-200
50
-400
0 0 500 1000 1500 2000 2500
Temps [s]
0 500 1000 1500 2000 2500
Temps [s]
c) Evolution de l’état de charge et de la puissance des
c) Puissance éolienne et photovoltaïque produite en fonction
batteries en fonction du temps
du temps
60
LPSP
LPSP [%]
40
20
0
0 500 1000 1500 2000 2500
-3
x 10
20
Excès
15
E [kWh]
10
0
0 500 1000 1500 2000 2500
Temps [s]
Bibliographie
[1] M. G. Villalva, J. R. Gazoli et E. Ruppert F., «MODELING AND CIRCUIT-BASED SIMULATION OF
PHOTOVOLTAIC ARRAYS,» Brazilian Journal of Power Electronics, vol. 14, n° 1, pp. 35-45, 2009.
[2] W. De Soto, S. Klein et W. Beckman, «Improvement and validation of a model for photovoltaic
array performance,» Solar Energy, vol. 80, n° 1, pp. 78-88, 2006.
[3] V. Salas, E. Olías, A. Barrado et A. Lázaro, «Review of the maximum power point tracking
algorithms stand-alone photovoltaic systems,» Solar Energy Materials and Solar Cells, vol. 90,
n° 11, pp. 1555-1578, 2006.
[5] A. T. Si go, «Syst e d’ali e tatio photovoltaï ue ave sto kage hy ide pou l’ha itat
énergétiquement autonome,» , Thèse de Doctorat , Groupe de Recherche en Electrotechnique
et Electronique de Nancy, Faculté des Science et Technique, 54500 Vandoeuvre-lès-Nancy,
2010.
[7] R. Kad i, «Co t i utio à l’a lio atio de la aptu e de l’ e gie solai e photovoltaï ue da s
l’ha itat side tiel : ouvelles st u tu es de puissa e et de o a de,», Thèse de Doctorat
La o atoi e d’Auto ati ue et d’I fo ati ue I dust ielle LAII , U ive sit de Poitie s, Poitie s,
2010.
[8] T. J. Ypma, «Historical development of the Newton-Raphson method,» SIAM Review, vol. 37,
n° 4, pp. 531-551, 1995.
[9] I. Munteanu, A. I. Bratcu, N.-A. Cutululis et C. Emil, Optimal Control of Wind Energy Systems,
Verlag London: Springer, 2008.
[10] M. Adam, «Etude comparative de chaînes de conversion d'énergie dédiées à une éolienne de
petite puissance,», Thèse de Do to at, La o atoi e d’Ele t ote h i ue et d’Ele t o i ue
I dust ielle, l’ENSEEIHT, Toulouse, 2005.
[11] M. Dali, «Commande et Gestion Energétique des Systèmes Hybrides Photovoltaïque - Eolien,»,
Thèse de Doctorat, ENIT, Tunis, 2009.
Un site isolé alimenté uniquement par de l’énergie éolienne et solaire avec des batteries de
stockage ne permet pas, avec un coût raisonnable, de disposer à 100% de l’énergie électrique.
Il faut que le consommateur accepte un certain pourcentage de manque d’énergie (δPSP).
C’est cette variable qui va être la grandeur qui va orienter le choix du dimensionnement final.
Celle-ci ne peut être calculée que par intégration sur une période donnée. Comme les
conditions météorologiques ont une période naturelle de un an, c’est cette période
d’intégration que nous avons choisi. Ainsi, nous avons développé un simulateur dynamique
prenant en considération tous les éléments (PV, éolienne, batteries) du système de production.
Nous avons développé des modèles énergétiques pour chaque élément et calculé à chaque
instant toutes les grandeurs intervenant dans le système : puissances fournies par les PV et
l’éolienne, l’état de charge des batteries, la puissance demandée par l’habitat, le manque
éventuel de puissance (l’intégration de cette puissance permet de calculer le rapport LPSP) ou
le surplus de puissance non récupérée. Ce simulateur est paramétré par trois grandeurs : les
surfaces des PV et de l’éolienne et la capacité des batteries, et fourni pour chaque simulation
sur une année le coefficient d’insatisfaction de fourniture d’énergie (δPSP).
Pour cela, nous avons montré dans cette thèse, que l’on pouvait prendre en compte les coûts
en termes économiques et écologiques. Pour chaque élément composant ce système de
génération d’énergie électrique, il a été développé des modèles de coût en euros (€) en
fonction des trois grandeurs à dimensionner (surfaces des PV et de l’éolienne et la capacité
des batteries) et des modèles de coût en énergies grises (MJ) en fonction des trois mêmes
grandeurs. Ces modèles ont été développés en prenant en compte le cycle de vie complet
(fabrication, transport, maintenance et démantèlement) de l’ensemble des éléments.
Avec le simulateur dynamique et les modèles de coût, il est nécessaire d’utiliser des
algorithmes d’optimisation pour obtenir une solution optimale selon les critères choisis. Ce
problème d'optimisation du système hybride éolien photovoltaïque avec batteries s’est révélé
un problème d’optimisation continue non linéaire multi variables sous contraintes. Pour cela,
deux algorithmes d’optimisations ont été utilisés et comparés μ l’algorithme d’optimisation
non linéaire SQP et les algorithmes génétiques. Durant cette thèse nous avons envisagé
plusieurs scénarios de dimensionnement : le minimum de coût en Euros, le minimum
d’énergie grise et la double minimisation des deux coûts, paramétré par la probabilité
d’insatisfaction de la demande (δPSP). Ainsi, la meilleure configuration avec un impact
environnemental minimal en termes d’énergie primaire et avec un coût économique le plus
faible possible a été obtenue avec la configuration suivante : pour le générateur
photovoltaïque, Apv = 15 m² (surface des panneaux), Awt = 3,378 m² (surface balayée par
l’éolienne) et Cn = 169,217Ah (capacité de stockage des batteries). Ce dimensionnement final
est très satisfaisant car il permet d’assurer les besoins en électricité de l’habitat résidentiel à
95% au moins avec un excès de production réduit. Pour le site sur lequel notre méthodologie a
été testée, il s’est avéré que 86,15 % de l’énergie produite est assurée par le générateur
photovoltaïque et 13,85 % par l’éolienne. δ’excès de production, surtout en période estivale,
pourrait être utilisé pour la cuisson ou le chauffage de l'eau sanitaire et éviter ainsi la
dégradation du point de fonctionnement des générateurs éolien et photovoltaïque.
Un autre résultat important concerne la gestion d’énergie au niveau des batteries. Dans le
cas annuel le plus défavorable en énergies renouvelables, il est important de noter que l’état
de charge se situe toujours entre 30 % et 100% et donc garantit une durée de vie des batteries
très honorable. A la fin, nous avons comparé les résultats de notre démarche à un logiciel
existant (Homer) et les conclusions de ce test sont très probantes. Ainsi, la solution optimale
recherchée est aussi bien d’un point de vue économique, énergétique qu’écologique et
constitue une approche nouvelle dans la littérature.
D’un point de vue économique, notre configuration optimale a un CCV acceptable. σous
aboutissons à un coût du KWh produit par le système hybride avec des sources renouvelables
qui revient à . Ce prix est raisonnable pour une maison en site isolée en rapport
au prix du KWh d’énergie observée (0,12€/KWh environ pour une puissance souscrite de
6KVA, offre de base), d’autant plus que ce dernier est amené à progresser de 30% d’ici 2016.
D’un point de vue écologique, notre analyse s’est basée sur l’énergie primaire nécessaire à
ses différents composants au cours de sa vie (« Embodied Energy »). Les résultats indiquent
un bon ratio énergétique de produit correspondant à un temps de 6 ans
et demi pour amortir le coût écologique lié à la fabrication et à l’exploitation du système
complet de 25 ans.
Dans le dernier chapitre de cette thèse, un banc expérimental hybride PV-éolien avec
batteries a été mis en œuvre dans notre laboratoire afin d’émuler au mieux le comportement
d’un système hybride. Une nouvelle stratégie de supervision basée sur le contrôle des
courants et l’estimation de l’état de charge des batteries a été alors validée avec succès malgré
la simplicité de la commande des convertisseurs qui a été mise en œuvre (simple commande
PI). Ce banc fera l’objet de plusieurs futurs travaux de recherche surtout dans le domaine de la
commande et de la supervision.
Ces travaux de thèse peuvent subir des améliorations et des nombreuses perspectives
peuvent être dégagées à leur issue. Au niveau de la procédure d’optimisation du
dimensionnement des systèmes multi-sources, un outil automatisant la méthodologie proposée
avec des interfaces conviviales pour l’utilisateur peut être développé. Pour les boucles de
régulations des convertisseurs statiques, il s’est avéré que la modélisation mène souvent à des
modèles non linéaires avec des paramètres dépendant de l’amplitude des sources d’énergie.
Ainsi, des commandes plus élaborée des convertisseurs sont nécessaires à établir pour
améliorer la dynamique du système et minimiser les pertes énergétiques. Cette perspective fait
l’objet de la thèse de δiδa Croci débutée en τctobre 2010, et aussi codirigée par εr. André
εartinez, chercheur à l’EIGSI. Pour le stockage, il reste à améliorer la technique d’estimation
de l’état de charge des batteries pour une meilleure précision et par conséquent une gestion
énergétique plus efficace. Il est aussi possible d’ajouter des supercapacités pour absorber les
pics de puissance au niveau des générateurs et de la charge pour minimiser les pertes, sous
dimensionner les convertisseurs,…
%% Data
%%%%%%%%%%%%%%%%%%%%%%%
% Choose year to load %
load 2002; %
%%%%%%%%%%%%%%%%%%%%%%%
i=1;
while (i<=length(Ir))
if Ir(i)<0;
Ir(i)=0;
end;
i=i+1;
end;
Gh=Ir(1:30:length(Ir));
Gext1=Gext(1:30:length(Ir));
Zenith=Azenith(1:30:length(Ir));
Elevation=Aelevation(1:30:length(Ir));
Azimuth=Aazimuth_E_N(1:30:length(Ir));
i=1;
while (i<=length(Zenith))
if Zenith(i)> 89;
Zenith(i)=89;
end;
i=i+1;
end;
for j=1:6
if (j==1)
tilt=TiltOpt;
Az_panel=AzOpt;
end
if (j==2)
tilt = Zenith - 15;
Az_panel = AzOpt;
end
if (j==3)
tilt = Zenith - 1.5;
Az_panel = AzOpt;
end
if (j==4)
if (j==5)
tilt = TiltOpt;
Az_panel = Azimuth-1.5;
end
if (j==6)
tilt = Zenith - 1.5;
Az_panel = Azimuth-1.5;
end
%% Memory Preallocation
Solution=[0 0 0];
kt2 = zeros(1,length(Gext1));
coef = zeros(1,length(Gext1));
%% Calculation
costheta=sin(Zenith.*pi/180).*sin(tilt*pi/180).*cos((Azimuth-
Az_panel).*pi/180)+ cos(Zenith.*pi/180).*cos(tilt*pi/180);
theta = acos(costheta).*180/pi;
Rb=costheta./cos(Zenith.*pi/180);
i=1;
while (i<=length(Gext1))
if Gext1(i)==0;
kt2(i) =0;
else
kt2(i)=Gh(i)/Gext1(i);
end;
i=i+1;
end;
kt=kt2';
i=1;
while (i<=length(kt))
if kt(i)<0.21;
coef(i)=(0.995-0.081*kt(i));
elseif (0.21<=kt(i)&& kt(i)<=0.76)
coef(i)=(0.724+ 2.738*kt(i)-8.32*kt(i)^2+4.967*kt(i)^3);
else
coef(i)=0.18;
end;
i=i+1;
end;
coef1=coef';
Gd=coef1.*Gh;
Gb=Gh-Gd;
P=Gb.*Rb + Gd.*((1+cos(tilt.*pi/180))/2)+ Gh.*rho.*((1-
cos(tilt.*pi/180))/2);
i=1;
while (i<=length(P))
if P(i)<0;
P(i) =0;
end;
i=i+1;
end;
Pincident_PV =P;
Temps=0:(length(Ir)/60)/(length(Pincident_PV)-1):(length(Ir)/60);
Potentiel_PV = trapz(Temps,Pincident_PV)/1000;
if (j==1)
str = ['Panneaux fixes: ',
num2str(Potentiel_PV), 'kWh'];
disp(str);
end
if (j==2)
str = ['Panneaux mobiles selon Zenith (-15): ',
num2str(Potentiel_PV), 'kWh'];
disp(str);
end
if (j==3)
str = ['Panneaux mobiles selon Zenith (-1.5): ',
num2str(Potentiel_PV), 'kWh'];
disp(str);
end
if (j==4)
str = ['Panneaux mobiles selon Zenith (+15): ',
num2str(Potentiel_PV), 'kWh'];
disp(str);
end
if (j==5)
str = ['Panneaux mobiles selon Azimuth (-1.5): ',
num2str(Potentiel_PV), 'kWh'];
disp(str);
end
if (j==6)
str = ['Panneaux Mobiles (-1.5 ; -1.5): ',
num2str(Potentiel_PV), 'kWh'];
disp(str);
end
end
System architecture
PV Array 2.16 kW
Wind turbine 1 Aeromax Engineering : LaKota S,SC
Battery 4 Vision 6FM200D
Inverter 3 kW
Rectifier 3 kW
Cost summary
Total net present cost $ 34,972
Annualized Costs
Capital Replacement O&M Fuel Salvage Total
Component
($/yr) ($/yr) ($/yr) ($/yr) ($/yr) ($/yr)
Electrical
Production Fraction
Component
(kWh/yr)
(kWh/yr)
PV
Quantity Value Units
PV penetration 168 %
Battery
Quantity Value
String size 4
Strings in parallel 1
Batteries 4
Autonomy 23.0 hr
Converter
Quantity Inverter Rectifier Units
Emissions
Pollutant Emissions (kg/yr)
Carbon dioxide 0
Carbon monoxide 0
Unburned hydocarbons 0
Particulate matter 0
Sulfur dioxide 0
Nitrogen oxides 0
> restart:
> with(plottools):
0.8286 10 -5 Ir 2
> plot3d(f,Ta=-15..35,Ir=0..1000,axes=boxed);
Résumé de la thèse
Cette thèse est une contribution à l’étude des systèmes hybrides éoliens-photovoltaïques
avec batteries sur plusieurs aspects : évaluation des sources, modélisation, simulation,
optimisation du dimensionnement et enfin commande et supervision.
Finalement, une conclusion générale avec quelques perspectives pour des travaux futurs
sont données.
Abstract
This thesis is a contribution to the study of photovoltaic-wind-battery hybrid systems for
several aspects: source evaluation, modeling and simulation, design optimization and finally
control and supervision.
Finally, a general conclusion with some perspectives for future work is given.
Publications
1 Revue acceptée :
2 Revues en 2° relecture :
3 congrès internationaux:
1 congrès national :
Dhaker Abbes, André Martinez, Gérard Champenois, Jean-Paul Gaubert, Etude d’un
système hybride éolien-photovoltaïque avec stockage : dimensionnement et analyse du
cycle de vie, Conférence Francophone sur l’Eco-conception en Génie Electrique,
Toulouse, France, 2010
Conférence invitée :
Gérard CHAMPENOIS, Jean Paul GAUBERT, Riad KADRI, Dhaker ABBES, The
needs of the automatic in energy seen by researchers in electrical engineering, 12th
International Conference on Sciences and Techniques of Automatic Control &
computer engineering STA’2011, Sousse, Tunisia