R A P P O R T T- C A E S

hug thibault

table des matières

1 Introduction 2
2 Gestion de projet 3
3 Contexte du stockage d’énergies par compression d’air 4
3.1 D-CAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 A-CAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 I-CAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.4 Contexte du Projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4 Matériel et méthodes 6
4.1 Pilote expérimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.2 Modèle théorique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.3 Modèle numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5 Résultats Discussions 11
5.1 Charge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2 Décharge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
6 Conclusions et perspectives 14
a Cahier des charges 15
b Variables 17
c Modèle numérique 18

table des figures

Figure 1 Diagramme de Gantt du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Figure 2 Pilote CAES du laboratoire GEPEA [1] . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Figure 3 Pression des différents paliers durant la charge . . . . . . . . . . . . . . . . . . . . . 12
Figure 4 Différentes températures lors de la décharge . . . . . . . . . . . . . . . . . . . . . . 13

1
 introduction 2

1 introduction
Dans un contexte de transition énergétique, les énergies renouvelables sont de plus en plus sollicitées.
Cependant la plupart de ces énergies renouvelables sont intermittentes et nécessitent, afin de répondre à
des besoins énergétiques continus, des infrastructures de stockage permettant de lisser leur production.
Parmi les nombreux moyens de stockage, des stockages mécaniques comme les CAES (Compressed Air
Energy Storage) encore peu présents sur le marché mondial présentent un bon compromis entre le prix
d’installation, d’entretien et, la fiabilité et le rendement énergétique [2].
Le CAES (Compressed Air Energy Storage) est un stockage mécanique qui repose sur le principe de
compression d’air. L’énergie électrique que l’on souhaite stocker alimente des compresseurs qui conver-
tissent cette énergie électrique en énergie potentielle pneumatique et thermique. Grâce à des détendeurs
couplés à des alternateurs, l’air stocké peut de nouveau être converti en énergie électrique. Il existe dif-
férents types de CAES qui seront abordés dans la section 3.
Le Département Systèmes Energétiques et Environnement (DSEE) de l’IMT Atlantique a développé
un pilote CAES à petite échelle. Cependant le rendement de ce modèle expérimental de 10% est faible.

L’objectif de ce projet est donc d’optimiser les paramètres opératoires afin d’améliorer le rendement
global du pilote. Dans cette finalité, 4 objectifs intermédiaires peuvent être atteints. Tout d’abord, un
contexte général pourra être établi pour comprendre l’environnement dans lequel les systèmes de sto-
ckage par compression d’air évoluent. En parallèle un modèle théorique sera établi. Ensuite, le modèle
théorique servira à la réalisation et l’implémentation d’un modèle numérique via python. Le modèle
numérique sera ensuite, dans un troisième temps, confronté au pilote à disposition afin de valider et
calibrer le modèle numérique défini. Une fois le modèle validé, des tests d’hypothèses seront ensuite
réalisés afin d’optimiser le rendement global.
 gestion de projet 3

2 gestion de projet
Le projet s’est déroulé sur une période de 3 mois durant laquelle 4 phases distinctes ont eu lieu :
Documentation, Modélisation numérique, Confrontation avec l’expérimental et Optimisation du sys-
tème. Dans l’optique d’une meilleure gestion du temps et d’un aperçu lisible global du déroulé, un
diagramme de Gantt a été effectué (Figure 1).

Le projet a commencé par une période importante de documentation à la fin de laquelle le cahier des
charges du projet a été défini (Annexe A) posant le contexte de l’étude. Cette documentation est restée
constante sur toute la durée du projet mais toutefois moins intense. Elle a été utile entre autre pour la
prise en main d’outils d’analyse de données comme Pandas lors de la phase de confrontation.
Une phase de modélisation s’est ensuite étendue sur une période de 20 jours durant laquelle un pre-
mier algorithme de calcul accompagné d’un tableau (jalon Annexe B) référençant toutes les variables
connues et inconnues nécessaires à la modélisation ont été créées. Cette phase s’est clôturée par l’im-
plémentation d’un premier modèle (Annexe C).
Une prise en main du pilote expérimental a été ensuite prévue, à la fin de laquelle des données
expérimentales du pilote auraient été comparées au modèle numérique.
Une dernière phase d’optimisation d’environ un mois a été prévue. Elle laissait le temps à la for-
mulation d’hypothèses et de pistes d’améliorations du pilote et la mise en place par la suite de ces
hypothèses par le biais de la simulation du modèle numérique établi. En parallèle, la rédaction d’un
rapport du suivi de ces hypothèses a été prévue.

Figure 1 – Diagramme de Gantt du projet

 contexte du stockage d’énergies par compression d’air 4

3 contexte du stockage d’énergies par compression d’air

Le Stockage par compression d’air repose sur 3 phases. Tout d’abord, l’air est comprimé à l’aide de
compresseurs électriques, c’est la phase de charge. S’en suit une phase de stockage durant laquelle
des transferts thermiques peuvent avoir lieu. L’isolation thermique du moyen de stockage déterminera
ses performances. Finalement, l’air est libéré et transformé en électricité via des générateurs à turbines
durant la phase de décharge. Il existe plusieurs façon de réaliser ces trois étapes qui ont toutes des
avantages et inconvénients propres et qui sont détaillés ci-après et basés sur la revue de M.Budt et al.
[3].

3.1 D-CAES

Les D-CAES (Diabatic Compressed Air Energy Storage) sont les premières solutions qui ont été déve-
loppées et sont pour l’instant celles qui ont été le plus étudiées et donc les mieux maîtrisées. Dans le
D-CAES, lors de la charge, le système ne récupère pas l’énergie thermique induite par la compression,
c’est l’air ambiant qui refroidi l’air comprimé avant de la stocker. Cette énergie est donc perdue et, lors
de la décharge, il est nécessaire de réchauffer l’air via une source extérieure en amont de l’expanseur
afin d’éviter la condensation et le givrage de la machine. Le système repose donc sur deux sources
d’énergies et le rendement du cycle est fortement réduit.
Aujourd’hui, il existe deux centres de stockage énergétique encore en activité qui reposent sur ce
principe, "l’Huntorf plant" en Allemagne et "McIntosh plant" en Alabama respectivement en activité
depuis 1978 et 1991. Les deux centres utilisent des cavités salines naturelles allant de 310,000 m2 pour
l’Huntorf à 538,000 m2 pour McIntosh [4, 5]. Ces cavités stockent l’air compressé entre 46 et 75 bar[3].
Malgré leur similitude en terme de principe de fonctionnement, les deux centres de stockage n’ont
pas exactement les mêmes applications. Avec un rendement de cycle de 54 et une période de 38h pour
la charge et de 24h pour la décharge, le centre McInstosh a pour but de fonctionner en complémentarité
avec le réseau énergétique [6]. Le centre Huntorf avec un rendement de 42% et des périodes de 8h et 2h
pour respectivement la phase de charge et de décharge, est quant à lui une réserve d’énergie auxiliaire
permettant d’éviter les blackouts [7].

3.2 A-CAES

Les A-CAES (Adiabatic Compressed Air Energy Storage) plus récents sont encore en phase de recherche
et développement. Contrairement au D-CAES, lors de la charge, l’énergie thermique dégagée par la
compression est captée, stockée dans des TES (Thermal Energy Storage) et réinjectée juste avant l’expan-
seur lors de la décharge. Aucune source supplémentaire n’est ici requise pour chauffer l’air en sorti
et le rendement est donc théoriquement plus important qu’un D-CAES. En fonction du choix de la
température de stockage de l’air comprimée on peut classer les A-CAES en trois catégories car leurs
développements diffèrent.
On a tout d’abord les A-CAES fonctionnant à une température de stockage supérieur à 400◦ c qu’on
peut nommer AA-CAES (Advanced Adiabatique Compressed Air Energy Storage). Avec ce modèle l’air ne
passe qu’une seule fois par un dispositif de stockage d’énergie thermique lors de la charge puis de la
décharge. Cela permet d’atteindre des rendements de cycles élevés de l’ordre de 70% [8] toutefois la
température de stockage élevée impose de fortes contraintes mécaniques et thermiques sur les maté-
riaux notamment au niveau des compresseurs qui n’ont pas encore été résolus.
Ensuite, il y a les A-CAES opérant à des températures comprises entre 200◦ c et 400◦ c. L’air passe cette
fois ci à deux reprises dans le dispositif TES durant les deux phases. La diminution de température dans
le système de stockage fait très légèrement baisser le rendement du cycle mais cette température plus
basse permet d’utiliser des technologies de compression et de TES déjà développées et fonctionnelles.
 contexte du stockage d’énergies par compression d’air 5

Enfin, en faisant passer par plusieurs reprise l’air au travers des échangeurs thermiques, on obtient
des A-CAES fonctionnant à des températures basses, inférieures à 200◦ . Malgré une diminution du
rendement, ce type de procédé permet de dramatiquement simplifier les technologies de compression
et le choix du fluide caloporteur dans le TES. De plus, la réactivité de la mise en marche du système
inférieur à 5min, comparée à 10-15min pour les A-CAES étudier ci-dessus, permet à ce dernier d’être
plus compétitif sur le marché de l’énergie.

On peut noter aussi qu’un TES n’est pas toujours nécessaire, il est en effet possible de compresser
l’air sans le refroidir. Ce type de fonctionnement requiert toutefois des matériaux résistants à des tem-
pératures élevées et n’est applicable, dût à ces contraintes de température, que pour des pressions de
compression faible.

3.3 I-CAES

Tout comme les A-CAES, les I-CAES (Isothermal Compressed Air Energy Storage) sont des systèmes
récents et encore en cours de développement. Le principe majeur de ce type de CAES est la minimisation
des transferts thermiques lors de la phase de compression. On cherche à effectuer des transformations
isothermales. Pour ce faire, des pistons reposant sur l’utilisation de liquide sont utilisés pour réaliser
des compressions lentes. Ceci permet de réaliser les échanges thermiques nécessaires, pour refroidir
l’air pendant la charge, et réchauffer l’air lors de la décharge, à l’intérieur du piston.

3.4 Contexte du Projet

On peut comparer les différents types de CAES à travers un tableau 1. On remarque que des systèmes
tels que le I-CAES sont très prometteurs. En effet, le rendement de cycle prévu est estimé à 80% et leur
temps de mise en marche, facteur important économique, est inférieur à 1 min. Cependant, le modèle
est encore en phase de recherche et les rendements actuels sont de seulement de 38%. Pour un processus
de développement le A-CAES à basse température de stockage semble aujourd’hui le plus adapté.

Table 1 – Comparatif des différents types de CAES [9, 3]

A-CAES
D-CAES Haut ◦C Moyen ◦ C Bas ◦ C I-CAES
Rendement électrique
de cycle 0.54 0.7 0.68 0.6 0.8
Temps de mise
en marche 10-15 min 10-15 min 10-15 min <5 min <1 min
Plage de puissance 5 MW–1 GW 1 MW–1 GW 1 MW–1 GW 1 MW–1 GW 5 kW–1 GW
Statut En activité Recherche Recherche Applicable Recherche

A partir du A-CAES, on développe une technologie hybride, le T-CAES (trigenerative Compressed

Air Energy Storage). Le système, tout comme le A-CAES, va capter l’énergie thermique issue de la
compression de l’air et la conserver via un dispositif TES. Cependant cette énergie thermique n’est pas
réinjectée dans le système lors de la décharge. Cette énergie thermique va être utilisée en tant que telle
pour subvenir aux potentiels besoins thermiques environnants tel que le chauffage d’habitations. Cette
solution d’un rendement de cycle électrique naturellement inférieur à un A-CAES introduit une notion
de rendement global découlant de la caractéristique hybride du système, et prenant en compte en plus
de l’énergie électrique produite, l’énergie thermique potentielle récupérée.
De nombreuses études ont été menées et ont démontré les avantages d’un tel système.
 matériel et méthodes 6

A grande échelle le T-CAES peut servir au chauffage urbain. Arabkooshar et al. [10] ont montré que
l’utilisation d’un T-CAES comme moyen de stockage électrique et thermique d’une ferme éolienne de
300MW de faire des bénéfices annuel net supérieur à des A-CAES et I-CAES. Le système atteint un
rendement de cycle électrique, de chauffage et de refroidissement de respectivement 30.6%, 32.3% et
92.4%.
A petite échelle, Jannelli et al. [11], ont présenté un T-CAES permettant de répondre au besoin d’un
immeuble de bureaux à partir d’énergie solaires et éoliens. Le rendement global du système était de
∼50% en hiver lorsque qu’un besoin en chauffage était émis et de 30% en été pour des demandes en
refroidissement.
Finalement, M.Cheayb et al. [1] ont étudié les systèmes à "très" petite échelle. Cette approche à très pe-
tite échelle pourra répondre au besoin de groupement d’habitation isolées. Le rendement global trouvé
de 15.6 % reste encore faible. Le modèle réalisé lors de cette étude approxime bien le résultat grâce à
l’utilisation notamment du coefficient de Joule-Thomson qui décrit le caractère non parfait de l’air lors
du passage à travers le régulateur de pression.

Dans le cadre de notre projet de recherche, l’étude de M.Cheayb et al. [1] sera utilisé afin de rétablir le
modèle d’un T-CAES à très petite échelle. Des hypothèses d’optimisation pourront ensuite être établies.

4 matériel et méthodes
4.1 Pilote expérimental

Dans le cadre de l’étude d’un T-CAES à petite échelle, un pilote industriel a été construit dans le
laboratoire GEPEA de l’IMT Atlantique [1].

Le pilote repose sur une compression de l’air en 3 étapes. Il est composé d’un compresseur à trois
étages en forme de W de ratio maximal de compression de 325 et alimenté par un moteur de 4kW de
puissance. Un ventilateur permet le refroidissement via l’air ambiant entre chaque étapes de compres-
sion. Le stockage de l’air comprimé est assuré par six réservoir de 50L chacun. Un moteur pneumatique
couplé à un générateur de courant continu d’une puissance maximale de 2kW permet de récupérer
l’énergie lors de la décharge. La pression à l’entrée du moteur pneumatique est contrôlé manuellement
par un régulateur de pression.
Des capteurs de température, de pression, de puissance et de débit massique équipent le pilote. Ils
permettent un contrôle continu durant la durée d’utilisation. Les capteurs thermiques donnent des
résultats avec une erreur de mesure de ±1, 6◦ C. L’erreur de mesure des capteurs de pression est établit
entre 0,05% et 0,1% de la plage de mesure. Pour les capteurs de débit massique, cette erreur et de 0,08%
de la plage de mesure.
 matériel et méthodes 7

Figure 2 – Pilote CAES du laboratoire GEPEA [1]

 nomenclature 8

nomenclature
β Ratio de Compression ou d’expansion
 Efficacité de l’échangeur thermique
Cpa Capacité thermique de l’air (J.K−1 .Kg−1 )
k Coefficient polytropique
m Masse (Kg)
Nc Nombre d’étages de compression
Nres Nombre de réservoir
P Pression (Bar)
Q Chaleur (J)
r constante des gaz parfaits (J.K−1 .Kg−1 )
T Température (K)
t Temps de charge/décharge
V Volume (m3 )
W Travail (J)

4.2 Modèle théorique

Le modèle prend en compte les phases de charge et de décharge du T-CAES. Le modèle ne décrit
pas la phase de stockage de l’air dans les réservoirs. Pour le modèle, on associe l’air à un gaz parfait à
une température ambiante de 20◦ C. On suppose les effets dissipatifs nuls et les transformations quasi-
statiques lors des phases de charge et de de décharge. On peut donc considérer des transformations
réversibles pour le modèle.

4.2.1 Charge

Les compresseurs volumétriques sont les plus adaptés pour le modèle [1] soit une masse d’air limitée
et des pressions de compression importante. Le travail thermodynamique issue d’une compression est :
R2
wcomp,12 = 1 VdP.
On prends k le coefficient polytropique qui généralise les transformations réversibles grâce à la loi
d’évolution polytropique suivante : P1 V1k = P2 V2k
En tenant compte de l’équation précédente on obtient le travail résultant suivant :

k k−1
Wcomp = .r.m.Tin (β k − 1) (1)
k−1
 nomenclature 9

β= P 2
P1 est le taux de compression et r la constante de gaz (J.Kg
−1 .K−1 ).

Pour modéliser le travail total, l’équation 1 doit être sommée du nombre de stade de compression Nc
définit, en l’occurrence 3 fois dans notre cas. On a ainsi :

X
Nc
ki
k −1
i
k
Wcomp = r.m. .Tin,i (βi i − 1) (2)
ki − 1
i=1

A chaque stade de compression, on modélise un échangeur thermique qui récupère l’énergie thermique
issue de la compression. On peut définir i sont efficacité à chaque stade comme suit :

Tout − Tin,i+1
i = (3)
Tout,i − Tamb

On a alors : Tin,i+1 = Tamb + ∆Ti avec ∆Ti = (1 − i )(Tout,i − Tamb )

En réinjectant l’équation 3 dans la 2, on obtient une équation qui prend en compte les échanges ther-
miques de l’échangeur :

X
Nc
ki i
k
k −1

Wcomp = r.m. .(Tamb + ∆Ti−1 )(βi i − 1) (4)

ki − 1
i=1

Connaissant, la puissance injectée dans le compresseur (section 4.1), on cherche ici le débit massique
˙
de l’air dans les compresseurs. Pour cela, on dérive l’équation 4 et on exprime ṁ en fonction de Wcomp
que l’on multiplie par l’efficacité électrique ηelec et l’efficacité mécanique ηmeca du moteur. On se
retrouve avec l’équation finale :

˙
ηelec .ηmeca .Wcomp
ṁ = (5)
PNc
ki −1
ki ki
r. i=1 ki −1 .(Tamb + ∆Ti−1 )(βi − 1)

Connaissant théoriquement le débit d’air du système lors de la compression, pour estimer le temps
de charge, il faut connaître la quantité d’air théoriquement stockable. En utilisant la loi des gaz parfait
(P.V = m.r.T ) et en définissant une pression maximale et minimale que l’on multiplie au nombre de
réservoirs à disposition Nres on a :

Nres .Vres .(Pmax − Pmin )

mstockable = (6)
r.Tres

On en déduit ainsi le temps de charge :

mstockable
tcharge = (7)
ṁ

On peut aussi déduire des échanges thermiques réalisés durant la phase de compression, l’énergie
thermique associée potentiellement stockable. Pour cela, on somme la chaleur échangée à chaque étages
de compression :
X
Nc
Qc = ṁ.Cpa .(Tout,i − Tin,i+1 ).tcharge (8)
i=1

Ces quatre dernières équations (5,6,7,8) nous permettent de définir la phase de charge du système.
 nomenclature 10

4.2.2 Décharge

Lors de la décharge, l’air est décompressé à travers un régulateur de pression qui maintient la pres-
sion à 5 bar pour notre modèle. La pression de stockage maximale atteint les 315 bar. Ces grandes
variations de pressions à des pressions importantes, ne nous permet plus de considérer l’air comme
un gaz parfait. Le coefficient de Joule-Thomson est donc introduit pour décrire les variations de la
température en sorti du régulateur :
∂T
µT = ( )h (9)
∂P
On obtient une approximation pour notre modèle donnée par M.Cheayb [1] :

 ∆T
 ∆P = 2.a.P + b




2.a = 0.0297 − 1.674 − 19093 + 0.0000157 (10)


T T2 T3



 b = 50.1 + 14830 + 366000 − 0.122
T T2 T3

En intégrant l’équation 10 et en se référent à un diagramme(P,h) de l’air pour une enthalpie constante,

on a : 
T (P) = a.P2 + b.P + c
(11)
c = T − a.P2 − b.P
Pour ensuite déterminer l’énergie produite lors de la décharge, on utilise l’équation 1 avec T(P) en
entrée et β = P 1
P2 le ratio d’expansion cette fois-ci, ce qui nous donne :

k 1−k
Wexp = .r.m.Tin (β k − 1) (12)
k−1
En introduisant des coefficients d’efficacité électrique ηelec et mécanique ηmeca on obtient l’énergie
électrique issue de la décompression de l’air stocké :

k 1−k
Wexp = ηmeca .ηelec . .r.m.Tin (β k − 1) (13)
k−1

On obtient finalement de la même manière que lors de la charge, l’énergie thermique de refroidisse-
ment que l’on définit par rapport à une température de "confort" Tconfort :

Qf = ṁ.Cpa .(Tcomfort − Tout ).tdecharge (14)

minit
tdecharge = (15)
ṁ
 résultats discussions 11

4.3 Modèle numérique

Le modèle numérique s’implémente de manière assez simple pour la phase de charge car les para-
mètres d’entrée sont bien définis. On peut noter l’itération des différentes stades de compression qui
permet de calculer progressivement la masse stockée (cf équation 5) et les températures intermédiaires :
1 # initialisation
2 T_in = T_amb
3 sum_mass = 0 # somme des stages pour mass flow rate
4 T_stage_in = [T_amb] # T_in a chage stage
5 T_stage_out = [] # T_out a chaque stage
6 T_out = T_in
7 delta_T = 0
8
9 for i in range(N):
10 T_out = T_in*(B[i])**((n_c[i]-1)/n_c[i])
11 T_stage_out.append(T_out)
12 sum_mass +=
13 R*(n_c[i]/(n_c[i]-1))*((T_amb+delta_T)*((B[i])**((n_c[i]-1)/n_c[i])-1))
14 delta_T = (1-e[i])*(T_out-T_amb)
15 T_in = T_amb+delta_T
16 T_stage_in.append(T_in)
17
18

Pour la phase de décharge, la température varie en fonction de la pression (cf équation 11). Il faut
donc implémenter cette variation grâce une itération qui met à jour la température et la pression toutes
les secondes :
1 #initialisation
2 time = np.arange(0,discharge_time,1)
3 produced_power = []
4 electrical_energy_produced = 0
5 cooling_energy = 0
6 for i in time:
7 c = T_res-a*reservoir_pressure**2-b*reservoir_pressure
8 reservoir_pressure -= (initial_pressure-final_pressure)/discharge_time #linear decrease
9 Rpress.append(reservoir_pressure)
10 T_in = a*P**2+b*P+c
11 T_out = 269.15*B_e**((1-n_poly)/n_poly)
12 cooling_energy += expension_mass_flow_rate*C_pa*(T_comfort-T_out)
13 electrical_energy_produced +=
14 n_th*n_el_m*R*(n_poly/(n_poly-1))*expension_mass_flow_rate*(T_in-T_out)
15
16

Le reste du modèle dépend d’équations qui peuvent se calculer directement.

5 résultats discussions
Dans cette section, les résultats obtenus au niveau de l’expérimentation avec le pilote (cf section 4.1)
et au niveau du modèle défini section 4.3 et section 4.2 sont analysés. Ils sont ensuite confrontés via
l’erreur relative définit comme suit :
|Resultats modele − Resultats exp|
erreur relative = (16)
moyenne(Resulats)
 résultats discussions 12

5.1 Charge

Les données de l’expérience du pilote nous donnent un temps de charge en moyenne de 7h durant
lequel la pression du réservoir atteint les 302 atmosphère correspondant à 106kg d’air stocké dans 6
réservoirs d’un volume total de 0.3 m3 . On observe des pressions constantes pour les deux premiers
stades de compression tout le long de la charge à respectivement à 7.8 atm et 45.3 atm pour les paliers
1 et 2. Cependant, pour le 3ème palier, on observe, après une phase globalement constante à 180 atm
une augmentation linéaire de la pression à la moitié du temps de charge (Figure 3). La pression du
3ème étage se couple à la pression du réservoir. Ceci fait légèrement augmenter la température et la
puissance injectée dans le compresseur.

Figure 3 – Pression des différents paliers durant la charge

Le modèle numérique ne prend pas en compte cette variation de pression dans le 3ème étage du
compresseur. Cependant, il fournit des résultats assez proches avec des erreurs relatives inférieures à
10% pour la majorité des résultats (Tableau 2).

Table 2 – Phase de charge

Paramètres Modèle Expériences Erreur relative (%)
Débit massique [kg.h−1 ] 12.90 11.75 9.40
Masse stockable [kg] 101.76 106.24 4.31
Temps de charge [h] 7.89 7.08 10.71
Énergie électrique consommée [kWh] 25.15 23.14 8.34
Énergie potentiel de chauffage [kWh] 8.91 9.09 2.05
 résultats discussions 13

5.2 Décharge

La phase de décharge complète dure 1h15. Pendant cette période, le réservoir passe d’une pression
de à 280 atm à 5 atm. La pression est bien régulée à 5 bar. On observe (Figure 4), comme prévu, des
variations non linéaires de températures en sortie du régulateur de pression ce qui confirme que l’air
ne peut plus être considéré comme un gaz parfait pour cette plage de pressions.

Figure 4 – Différentes températures lors de la décharge

L’implémentation du modèle numérique de la phase de décharge ne considérant pas le coefficient de

Joule-Thomson pour la variation de la température, de grands écarts ont lieu entre le pilote et le modèle
(Tableau 3). Les échanges thermiques reposant sur des gradients de température, la modélisation qui
prend en compte une température d’entrée constante (moyenne de la variation observé expérimenta-
lement) est nettement inférieure à ce qui est trouvé expérimentalement. Toutefois, l’énergie produite
estimée par le modèle est fidèle à celle trouvée lors de l’expérience. Cette valeur est faible. En effet, le
rendement électrique du pilote est de 3%. Si on considère maintenant le rendement global, on obtient
un résultat de 18% ce qui reste assez faible.

Table 3 – Phase de décharge

Paramètres Modèle Expériences Erreur relative (%)
Temps de décharge [h] 1.61 1.25 25.36
Énergie électrique produite [kWh] 0.73 0.69 5.25
Énergie potentiel de refroidissement [kWh] 1.52 4.48 98.66
 conclusions et perspectives 14

6 conclusions et perspectives
Le projet a permis de comprendre le contexte actuel des stockages mécaniques et plus particulière-
ment des CAES. Une comparaison des points forts et faibles de chaque système de CAES a pu être
établi.
Un modèle théorique de T-CAES à petite échelle a ensuite été développé puis implémenté en appui
sur les travaux de M.Cheayb[1]. Cependant, Le caractère non parfait de l’air à l’entrée du régulateur de
pression, plus compliqué à implémenter, n’a pas pu être modélisé numériquement. Pour cette raison,
on observe de grandes erreurs relatives liées à cette section. De plus, cette complication a entraîné un
retard dans le déroulement du projet et la phase de recherche pure, soit la mise en place d’hypothèses
d’optimisation du système, n’a pas eu lieu. Le pilote possède donc toujours un rendement électrique
et global faible respectivement de 3% et 18%. Néanmoins, le développement d’outils de data analyse
tel que Pandas implémenté dans le programme final a permis d’automatiser certaines tâches. Ainsi, un
gain de temps dans le traitement des données du pilote T-CAES pourra être utile par la suite.
Étant donné que la phase d’optimisation n’a pas eu lieu, les hypothèses de M.Cheayb énoncées dans
sa thèse [1] sont toujours valides. On peut aussi se concentrer sur des solutions plus accessibles telles
que le nombre d’étapes de compression et la mise en place d’un régulateur de pression automatique.

Finalement, le projet m’a permis de renforcer mes connaissances dans le domaine du stockage d’éner-
gie notamment en terme d’ordre de grandeurs des performances des systèmes. Le traitement de don-
nées expérimentales m’a permis de découvrir des outils (Pandas) qui me seront très certainement utiles
dans un futur proche. Travailler sur un projet s’étendant sur une période importante, m’a permis de
me familiariser avec des outils de gestion de projet comme les diagrammes de Gantt et la mise en place
d’un cahier des charges.
 cahier des charges 15

a cahier des charges

cahier des charges 16
 variables 17

b variables
 modèle numérique 18

c modèle numérique

1 # %%
2 import numpy as np
3
4
5 ###############################################################################
6 ########################### CHARGE PHASE ######################################
7 ###############################################################################
8
9 elec_power = 3190 # motor electrical power (J/s)
10 n_el_c = 0.8 # electrical efficiency compressor
11 n_m = 0.8 # mechanical efficiency
12 R = 287 # specific gas constant (J/(Kg*K))
13 N = 3 # stage number
14 B = [7.891000000000004, 5.732179961408145, 4.426602392370346] # ompression ratio
############### formule c’est compression ratio
15 e = [0.589905727569153, 0.8228370490157557, 0.8693471363496112] # heat exhanger efficiency
16 n_c = [1.1482075472768862, 1.2429616247623332, 1.2178396934698685] # polytropic coeff compressor
17 T_amb = 28+273.15 # Ambiante temperature (Kelvin)
18 C_pa = 1004 # c a p a c i t thermique air (p=cst)(J/(K*Kg))
19 N_res = 6 # Number of Tanks
20 V_res = 0.05 # Tank volume (m^3) (50L)
21 P_max = 31500000 # Maximum tank pressure (Pa)
22 P_min = 500000 # Minimun tank pressure (Pa)
23
24 ###############################################################################
25
26 # initialisation
27 T_in = T_amb
28 sum_mass = 0 # somme des stages pour mass flow rate
29 T_stage_in = [T_amb] # T_in a chage stage
30 T_stage_out = [] # T_out a chaque stage
31 T_out = T_in
32 delta_T = 0
33
34 #for i in range(0, N):
35 # T_out = T_in*B[i]**((n_c[i]-1)/n_c[i])
36 # T_stage_out.append(T_out)
37 # sum_mass += (n_c[i]/(n_c[i]-1))*(T_out-T_in)
38 # T_in = T_amb + (1-e[i])*(T_out-T_amb) # Heat exchanger
39 # T_stage_in.append(T_in)
40 for i in range(N):
41 T_out = T_in*(B[i])**((n_c[i]-1)/n_c[i])
42 T_stage_out.append(T_out)
43 sum_mass += R*(n_c[i]/(n_c[i]-1))*((T_amb+delta_T)*((B[i])**((n_c[i]-1)/n_c[i])-1))
44 delta_T = (1-e[i])*(T_out-T_amb)
45 T_in = T_amb+delta_T
46 T_stage_in.append(T_in)
47
48
49 storable_mass = N_res*(P_max-P_min)*V_res/(R*T_stage_in[N]) # kg
50 mass_flow_rate = 3600*(n_el_c*n_m*elec_power)/(sum_mass) #kg/h
51 time_charge = storable_mass/mass_flow_rate #h
52 consumed_energy = elec_power*time_charge/10**3 #kWh
53
54 heating_energy_produced = 0 # somme des stages pour thermal energy (heating)
55 for i in range(N):
56 heating_energy_produced += mass_flow_rate*C_pa*(T_stage_out[i]-T_stage_in[i+1])*time_charge ### OK
57
58 heating_energy_produced = heating_energy_produced*2.7777777777778*10**(-7) #conversion J->kWh
59
 modèle numérique 19

60 print(’###############################################################################’,
61 ’\n############################# MODEL ###########################################’,
62 ’\n###############################################################################’,
63 ’\n\n########## CHARGE ########## \n\n’,
64 "TEMPERATURE : \n T_stage_in : ", [T_stage_in[i] -273.15 for i in range(len(T_stage_in))],
65 "\n T_stage_out : ", [T_stage_out[i] -273.15 for i in range(len(T_stage_out))],
66
67 ’\n\n STORABLE MASS :’,storable_mass,’kg’,
68 ’\n MASS FLOW RATE :’,mass_flow_rate,’Kg/h’,
69 ’\n TIME CHARGE :’,time_charge,’h’,
70 ’\n CONSUMED ENERGY :’,consumed_energy,’kWh’
71 ’\n POTENTIAL HEATING ENERGY :’,heating_energy_produced,’kWh’)
72
73
74
75
76
77
78 ###############################################################################
79 ########################### DISCHARGE PHASE ###################################
80 ###############################################################################
81
82
83 reservoir_pressure = 30000000 #reservoir pressure (350 bar)
84 initial_pressure = reservoir_pressure # (Pa)
85 final_pressure = 900000 # final pressure (Pa)
86 P = 500000 # Regulated pressure (5bar)
87 Pa = 101300 # Atmospheric pressure (Pa)
88 n_el_m = 0.83 # Electrical efficiency motor
89 n_poly = 1.0972894010219905 # polytropic coeff
90 R = 287 # Ideal gas constant (perfect gas)(J/(Kg*K))
91 n_th = 0.304 # Pneumatic mechnical efficiency
92
93 B_e = P/Pa # Expension ratio (P_in/Pa)
94 T_res = 24+273.15 # Tanks temperature (K)
95 expension_mass_flow_rate = 55.74978564102564/60 # kg/min
96 stored_mass = N_res*(10**5)*(279.297-5.329)*V_res/(R*T_stage_in[N]) #kg
97
98 T_comfort = 21+273.15 #abiante temperature wanted
99
100 ###############################################################################
101
102 discharge_time = stored_mass/expension_mass_flow_rate #min
103
104 #initialisation
105 time = np.arange(0,discharge_time,1)
106 produced_power = []
107 electrical_energy_produced = 0
108 cooling_energy = 0
109
110 LT_in =[]
111 LT_out = []
112 Rpress =[]
113
114 a = 0.5*((0.0297/T_res)-(1.674/(T_res**2))-(19093/(T_res**3))+0.0000157)
115 b = (50.1/T_res)+(14830/(T_res**2))+(366000/(T_res**3))-0.122
116 #p reservoir varie --> T_in(temps)
117 for i in time:
118 c = T_res-a*reservoir_pressure**2-b*reservoir_pressure
119 reservoir_pressure -= (initial_pressure-final_pressure)/discharge_time #linear decrease
120 Rpress.append(reservoir_pressure)
121 T_in = a*P**2+b*P+c
122 LT_in.append(T_in-273.15)
 modèle numérique 20

123 T_out = 269.15*B_e**((1-n_poly)/n_poly)

124 LT_out.append(T_out-273.15)
125 cooling_energy += expension_mass_flow_rate*C_pa*(T_comfort-T_out)
126 electrical_energy_produced += n_th*n_el_m*R*(n_poly/(n_poly-1))*expension_mass_flow_rate*(269.15-T_out) #
NORMALEMENT T_in
127
128 electrical_energy_produced = electrical_energy_produced*2.7777777777778*10**(-7) #conversion j->kWh
129 cooling_energy = cooling_energy*2.7777777777778*10**(-7) # la m m e
130
131 print(’\n\n ########## DISCHARGE ##########’,
132 #’\n Temperature IN :’, LT_in,
133 #’\n Temperature OUT :’, LT_out,
134 ’\n\n ELECTRICAL ENERGY PRODUCED:’,electrical_energy_produced,’kWh’,
135 ’\n POTENTIAL COOLING ENERGY :’,cooling_energy,’kWh’,
136 ’\n DISCHARGE TIME :’,discharge_time/60,’h’)
137
138
139 ###############################################################################
140 ############################## ANALYSE ########################################
141 ###############################################################################
142 cop_h = 4 # COP heating
143 cop_c = 3 #COP cooling
144 ###############################################################################
145 electrical_efficiency = electrical_energy_produced/consumed_energy
146 cop_sys = (cooling_energy+heating_energy_produced+electrical_energy_produced)/consumed_energy
147 global_efficiency = ((heating_energy_produced/cop_h)+(cooling_energy/cop_c)+electrical_energy_produced)/
consumed_energy
148
149
150 print(’\n\n ########## ANALYSE ##########\n\n’,
151 ’\n ELECTRICAL EFFICIENCY :’,electrical_efficiency,
152 ’\n COPsys :’,cop_sys,
153 ’\n COMPREHENSIVE EFFICIENCY:’,global_efficiency)
154 # %%

Listing 1 – Modèle numérique

 references 21

references
[1] Mohamad Cheayb, Mylène Marin Gallego, Mohand Tazerout, and Sébastien Poncet. Modelling
and experimental validation of a small-scale trigenerative compressed air energy storage system.
Applied Energy, 239 :1371–1384, April 2019.
[2] Xing Luo, Jihong Wang, Mark Dooner, Jonathan Clarke, and Christopher Krupke. Overview of
Current Development in Compressed Air Energy Storage Technology. Energy Procedia, 62 :603–611,
2014.
[3] Daniel Wolf, Roland Span, and Jinyue Yan. A review on compressed air energy storage : Basic
principles, past milestones and recent developments. Applied Energy, 170 :250–268, May 2016.
[4] S Collins. Commercial options for energy storage multiply. Power ; (United States).
[5] M. Nakhamkin, L. Andersson, E. Swensen, J. Howard, R. Meyer, R. Schainker, R. Pollak, and
B. Mehta. AEC 110 MW CAES Plant : Status of Project. Journal of Engineering for Gas Turbines and
Power, 114(4) :695–700, 10 1992.
[6] J O Goodson. History of first us compressed air energy storage (caes) plant (110-mw-26 h).
[7] Operating experience with the huntdorf air-storage gas turbine power station.
[8] Edward Barbour, Dimitri Mignard, Yulong Ding, and Yongliang Li. Adiabatic Compressed Air
Energy Storage with packed bed thermal energy storage. Applied Energy, 155 :804 – 815, 2015.
[9] Methods for design and application of adiabatic compressed air energy storage based on dynamic
modeling.
[10] A. Arabkoohsar, M. Dremark-Larsen, R. Lorentzen, and G.B. Andresen. Subcooled compressed air
energy storage system for coproduction of heat, cooling and electricity. Applied Energy, 205 :602–
614, November 2017.
[11] Yongliang Li, Xiang Wang, Dacheng Li, and Yulong Ding. A trigeneration system based on com-
pressed air and thermal energy storage. Applied Energy, 99 :316–323, November 2012.