Rapport de projet :

Etude du potentiel éolien au Maroc, sites : Assilah, Larache

et Oujda
4ème année filière mécanique-énergétique

Présenté par : Encadré par :

OUJAOUAAT Mohamed Mr. EL KHCHINE Youness

MALICK SARR Samuel

OUJDARI Mohammed

Année Universitaire: 2021-2022

 ENSAM-Meknès

Table des matières

I. Introduction générale ............................................................................................................... 5
Chapitre 1 : Méthodes d’estimation des paramètres de Weibull .................................................... 6
I. Méthodes d'estimation des paramètres de Weibull.................................................................. 7
1. Méthode de WASP .............................................................................................................. 7
2. Méthode de Likelihood modifiée ......................................................................................... 8
3. Méthode des énergies équivalentes ...................................................................................... 9
4. Méthode de Jestus .............................................................................................................. 11
Chapitre 2 : Estimation des paramètres de Weibull a l’aide des 4 méthodes pour les trois villes :
ASSILAH, LARACHE et OUJDA ............................................................................................... 12
I. Etude de la ville : LARACHE ........................................................................................... 12
Mois de JANVIER ............................................................................................................. 12
Mois de FEVRIER ............................................................................................................. 13
Mois de MARS .................................................................................................................. 14
Mois d’AVRIL ................................................................................................................... 15
Mois de MAI ...................................................................................................................... 16
Mois de JUIN ..................................................................................................................... 17
Mois de JUILLET .............................................................................................................. 18
Mois d’AOUT .................................................................................................................... 19
Mois de SEPTEMBRE ...................................................................................................... 20
Mois d’OCTOBRE ............................................................................................................ 21
Mois de NOVEMBRE ....................................................................................................... 22
Mois de DECEMBRE ........................................................................................................ 23
Saison d’HIVER ................................................................................................................ 24
Saison de PRINTEMPS ..................................................................................................... 25
Saison d’ETE ..................................................................................................................... 26
Saison d’AUTOMNE......................................................................................................... 27
Etude annuelle .................................................................................................................... 28
II. Etude de la ville : ASSILAH ............................................................................................. 30
Mois de JANVIER ............................................................................................................. 30
Mois de FEVRIER ............................................................................................................. 31
Mois de MARS .................................................................................................................. 32

2
 ENSAM-Meknès

Mois d’AVRIL ................................................................................................................... 33

Mois de MAI ...................................................................................................................... 34
Mois de JUIN ..................................................................................................................... 35
Mois de JUILLET .............................................................................................................. 36
Mois d’AOUT .................................................................................................................... 37
Mois de SEPTEMBRE ...................................................................................................... 38
Mois d’OCTOBRE ............................................................................................................ 39
Mois de NOVEMBRE ....................................................................................................... 40
Mois de DECEMBRE ........................................................................................................ 41
Saison d’HIVER ................................................................................................................ 42
Saison de PRINTEMPS ..................................................................................................... 43
Saison d’ETE ..................................................................................................................... 44
Saison d’AUTOMNE......................................................................................................... 45
Etude annuelle .................................................................................................................... 46
III. Etude de la ville : OUJDA.............................................................................................. 47
Mois de JANVIER ............................................................................................................. 47
Mois de FEVRIER ............................................................................................................. 48
Mois de MARS .................................................................................................................. 49
Mois d’AVRIL ................................................................................................................... 50
Mois de MAI ...................................................................................................................... 51
Mois de JUIN ..................................................................................................................... 52
Mois de JUILLET .............................................................................................................. 53
Mois d’AOUT .................................................................................................................... 54
Mois de SEPTEMBRE ...................................................................................................... 55
Mois d’OCTOBRE ............................................................................................................ 56
Mois de NOVEMBRE ....................................................................................................... 57
Mois de DECEMBRE ........................................................................................................ 58
Saison d’HIVER ................................................................................................................ 59
Saison de PRINTEMPS ..................................................................................................... 60
Saison d’ETE ..................................................................................................................... 61
Saison d’AUTOMNE......................................................................................................... 62
Etude annuelle .................................................................................................................... 63

3
 ENSAM-Meknès

IV. Conclusion ............................................................................................................................. 64

V. Quelques testes statistiques pour le choix de la méthode ...................................................... 64
1. Aperçu sur les tests adoptés ................................................................................................... 64
2. Résultats de simulation .......................................................................................................... 66
Chapitre 3 : Extrapolation verticale des paramètres de Weibull pour l’estimation du potentiel
récupérable sur différentes hauteurs, choix des turbines, et justifications du choix ..................... 67
I. Extrapolation des paramètres K et C pour 75 m et 100 m ..................................................... 67
1. Modèle proposé pour le Maroc .............................................................................................. 68
2. Extrapolation des facteurs K et C pour les trois sites ............................................................ 68
3. Energie annuelle produite sur chaque site pour les différentes altitudes ............................... 69
II. Une étude technico-économique pour justifier le choix ........................................................ 71
1. Les prix des turbines choisi ................................................................................................... 71
2. Calcul du Gain ....................................................................................................................... 72
Conclusion .................................................................................................................................... 72

4
 ENSAM-Meknès

I. Introduction générale

Il y’a quelques années, en 2014 plus précisément, le Maroc importait environ 90 % de

ses besoins énergétiques. Le pays avait alors pris l’engagement d’améliorer la sécurité de
l’approvisionnement en électricité, en réduisant la dépendance aux exportations d’énergie
électrique et en augmentant l’utilisation des sources renouvelables. Depuis, la production
d’énergie solaire et éolienne terrestre du Maroc s’est nettement développée. Fin 2019, la capacité
d’énergies renouvelables du Maroc a atteint 3 685 MW, dont 700 MW d’énergie solaire,
1 215 MW d’énergie éolienne et 1 770 MW d’hydroélectricité. Quatre centrales solaires et onze
centrales éoliennes contribuent à cette nouvelle production d’énergies renouvelables. La centrale
solaire de Noor Ouarzazate affiche la plus grande capacité, avec 580 MW. Dans le secteur de
l’énergie éolienne, la centrale de Tarfaya dispose de la plus grande capacité, avec 301 MW.
Aujourd’hui, le Maroc se trouve confronté à un nouveau défi. Le pays nourrit l’ambition de
faire entrer 42 % d’énergies renouvelables dans son mix électrique d’ici la fin de l’année 2020,
soit une production de 6 000 MW selon l’Agence marocaine pour les énergies renouvelables
(Masen), et de porter la part des énergies renouvelables à 52 % en 2030. Or, il a de quoi relever
ces défis. Une analyse récente sur les marchés émergents de l’éolien offshore, réalisée par le
Programme d’assistance à la gestion du secteur énergétique de la Banque mondiale, en
partenariat avec la Société financière internationale, a révélé que le Maroc disposait d’une
« fantastique » ressource éolienne offshore « trop attractive pour être ignorée ». Ce potentiel
éolien est ainsi mis en évidence au niveau de la côte ouest du Royaume, le long de l’océan
Atlantique.

Dans notre projet on va essayer d’étudier le potentiel éolien à OUJDA, ASSILAH et

LARACHE.

5
 ENSAM-Meknès

Chapitre 1
Chapitre 1 : Méthodes d’estimation des paramètres de Weibull

- Fonction de distribution de Weibull :

Où k et c sont respectivement les paramètres de forme et d'échelle de la fonction de Weibull.

- Fonction de distribution de Rayleigh :

Il existe beaucoup de méthodes pour estimer les paramètres de Weibull, mais pour notre
projet on va se concentrer sur les méthodes suivantes :

✓ Méthode de WASP
✓ Méthode de Likelihood modifiée
✓ Méthode des énergies équivalentes
✓ Méthode de Jestus

6
 ENSAM-Meknès

I. Méthodes d'estimation des paramètres de Weibull

1. Méthode de WASP

Cette méthode utilise une approche différente pour estimer les paramètres de Weibull ; il
suppose que la vitesse du vent au-dessus de la valeur moyenne est la plus susceptible de créer la
puissance maximale. Par conséquent, l'ajustement de Weibull en utilisant uniquement les
données au-dessus de la valeur moyenne de la vitesse du vent est considéré comme plus réaliste
par les développeurs de la méthode. Néanmoins, cela ne signifie pas qu'il est plus efficace pour
des distributions de fréquences diverses ; elle a donc été choisie comme l'une des méthodes à
étudier. La documentation de référence sur la méthode n'est pas détaillée mais la méthode WASP
est l'une des méthodologies les plus utilisées à travers la famille de logiciels WASP.

La première étape de la méthode consiste à définir un paramètre qui donne la probabilité

des vitesses du vent au-dessus de la valeur moyenne, qui peut être calculée grâce à la fonction de
densité cumulée (CDF) avec les paramètres de Weibull. Si la vitesse moyenne du vent est
appliquée à la fonction, la densité cumulée sera la somme totale des probabilités des vitesses du
vent inférieures aux valeurs moyennes ; donc 1-F (V) devient la proportion des valeurs au-dessus
de la valeur moyenne, Vp (équation (1)).
𝑽
−( )𝒌
𝑽𝒑 = 𝒆 𝑪 (1)
Lorsque les deux membres de l'équation sont pris comme normale logarithmique
(équation (2)), on peut écrire le paramètre A en fonction de k ou vice versa et calculer les deux
en deux étapes. Le paramètre de forme A peut-être écrit en fonction de k via la fonction de
densité de puissance (équation (6)), qui est égale à la moyenne de la somme cubique des
échantillons de vitesse du vent (équation (3)). Si le paramètre A est distingué, il peut s'écrire en
fonction de k (équation (4)). Si les équations (2) et (4) sont fusionnées comme dans l'équation
(5), on peut utiliser des étapes numériques itératives pour résoudre k et placer le résultat dans l'équation
(4) pour calculer A.

7
 ENSAM-Meknès

𝑽 𝒌
𝒍𝒏(𝑽𝒑 ) = − ( ) (2)
𝑪

𝟑 𝟏
𝑪𝟑 𝜞 (𝟏 + ) = ∑𝑽𝟑𝒊 (3)
𝒌 𝒏

𝟏
( ) ∑𝒏 𝟑
𝒊=𝟏 𝑽 𝟏/𝟑
𝒏
𝑪= [ 𝟑 ] (4)
𝚪(𝟏+(𝒌)

𝑽
𝐥𝐧(𝑽𝒑 ) = −[ 𝟏 ] (5)
(𝒏) ∑𝒏 𝟑
𝒊=𝟏 𝑽 𝟏/𝟑
( 𝟑 )
𝚪(𝟏+( )
𝒌

2. Méthode de Likelihood modifiée

Il existe une version alternative de la Méthode de Likelihood, qui a une modification sur

les fréquences du vent [20, 21, 26, 27, 30, 32]. La méthode est généralement préférée lorsqu'il y

a une grande quantité de données manquantes. Toutes les valeurs de fréquence du vent sont

pondérées en fonction des données disponibles ; par conséquent, la méthode est appelée méthode

du maximum de vraisemblance modifiée (MMLM) (parfois elle est également appelée méthode

du maximum de vraisemblance pondérée dans la littérature). L'équation est réécrite avec l'ajout

de la fréquence en sachant que tous les échantillons sont supérieurs à 0 m/s. La même itération de

MLM est appliquée pour calculer le paramètre d'échelle modifié. Dans cette méthode, le

paramètre k est trouvé par itération pour n nombre d'échantillons avec le paramètre de forme

8
 ENSAM-Meknès

initial avec la valeur de k = 2. Après avoir trouvé k dans les limites souhaitées avec l'équation,

le paramètre d'échelle C peut être calculé avec l'équation (7).

−𝟏
∑𝒏 𝒌
𝒊=𝟏 𝑽𝒊 𝐥𝐧(𝑽𝒊 )𝒇(𝑽𝒊) ∑𝒏
𝒊=𝟏 𝐥𝐧(𝑽𝒊)𝒇(𝑽𝒊)
𝒌=[ − ] (6)
∑𝒏 𝒌
𝒊=𝟏 𝑽𝒊 𝒇(𝒗𝒊) 𝒇(𝑽𝒊≥𝟎)

𝟏 −𝟏
𝑪= [ ∑𝒏𝒊=𝟏 𝑽𝒌𝒊 𝒇(𝑽𝒊)] (7)
𝒇(𝑽𝒊≥𝟎)

3. Méthode des énergies équivalentes

La probabilité d'observation de la vitesse du vent est supérieure ou égale à une valeur

particulière, v, selon la distribution de Weibull. Il est défini par

(8)

P(v) represents the frequency of the observed wind speed in the interval
(v − 1) ≤ V < v.

The probability that the wind speeds are higher than v − 1 (v − 1 < v) now is

(9)
(10)
Statistiquement, une variable stochastique Pv représentée par la fonction de
probabilité P peut être définie comme :

(11)
9
 ENSAM-Meknès

Où ε correspond au terme stochastique.

La première hypothèse stipule que : « La densité d'énergie est un paramètre qui

permet de déterminer les paramètres de distribution de Weibull pour les applications
éoliennes ». La partie facteur déterministe associée doit correspondre aux conditions
d'équivalence de contenu énergétique entre les vitesses de vent observées dans la
distribution de Weibull, le facteur d'échelle c peut être indiqué comme l'expression du
cube moyen

(12)

En remplaçant l'éq. (12) dans l'éq. (11) rendements

(13)

En utilisant la méthode des moindres carrés pour l'expression suivante, le facteur

de forme de Weibull, k, peut être évalué

(14)

Pvi : Vitesses du vent pour la ième case, probabilité,

10
 ENSAM-Meknès

n : L'histogramme de la vitesse du vent nombre de bacs,

Vi : La ième valeur de vitesse du vent la plus élevée
: : le cube moyen (observé).
Le facteur d'échelle est calculé à partir de l'Eq. (12) après que k a été calculé.

4. Méthode de Jestus
L’une des méthodes les plus connues et simples pour estimer le paramètre de WEIBULL
est la méthode de Jestus, dérivée de la fonction de densité de puissance. Le facteur énergétique
peut être calcule comme le rapport entre la moyenne de la somme des cubes de toutes les vitesses
du vent et le cube de la vitesse moyenne. Une fois Ef calcule, on peut facilement utiliser une
solution numérique dérivée de K et C. La simplicité de l’équation la rend très utile pour les
calculs initiaux, mais il a également été observé que l’ajustement n’est pas aussi bon que celui
des autres méthodes lorsqu’il y a une fiable vitesse du vent et une forte turbulence, ce qui fait le
PDF de WEIBULLL n’est pas une courbe lisse. Néanmoins, il a été choisi pour cette étude
comme formulation de référence afin d’explorer les différences possibles avec des méthodes plus
avancées.

11
 ENSAM-Meknès

Chapitre 2
Chapitre 2 : Estimation des paramètres de Weibull a l’aide des 4 méthodes pour les
trois villes : ASSILAH, LARACHE et OUJDA

Dans ce chapitre on a essayé d’estimer les paramètres de Weibull a l’aide des méthodes :
JESTUS, LIKELIHOOD MODIFIE, WASP et la méthode des ENERGIES EQUIVALENTS
pour LARACHE, ASSILAH et OUJDA pour une durée de dix ans de (2008-2018), on a fait une
étude mensuelle, saisonnière et annuelle.

I. Etude de la ville : LARACHE

• Mois de JANVIER

Méthode d’estimation Facteur K Facteur C

JESTUS 1,880335354 5,907012892

WASP 1,895314782 5,910947513

Energies équivalentes 1,840587231 5,976183971

Likelihood modifié 1,87668744121 5,854126621

12
 ENSAM-Meknès

• Mois de FEVRIER

Méthode d’estimation Facteur K Facteur C

JESTUS 1,985367245 6,692085575

WASP 1,961587403 6,695994172

Energies équivalentes 1,893641112 6,763382992

Likelihood modifié 1,9254356321 6,8366522104

13
 ENSAM-Meknès

• Mois de MARS

Méthode d’estimation Facteur K Facteur C

JESTUS 2,03640666 6,596291462

WASP 2,184562303 6,599871663

Energies équivalentes 2,097801354 6,663016197

Likelihood modifié 1,9854101432 6,98745131554

14
 ENSAM-Meknès

• Mois d’AVRIL

Méthode d’estimation Facteur K Facteur C

JESTUS 2,194521479 6,300457425

WASP 2,2513602512 6,303065753

Energies équivalentes 2,1432024412 6,353381568

Likelihood modifié 1,11235473601 6,77230145

15
 ENSAM-Meknès

• Mois de MAI

Méthode d’estimation Facteur K Facteur C

JESTUS 2,40456497 6,054991232

WASP 2,351024781 6,056507283

Energies équivalentes 2,398740152 6,092102728

Likelihood modifié 2,12384107536 6,1050322587

16
 ENSAM-Meknès

• Mois de JUIN

Méthode d’estimation Facteur K Facteur C

JESTUS 2,454060093 5,696666842

WASP 2,352165802 5,697885739

Energies équivalentes 2,352012254 5,728615962

Likelihood modifié 2,4789601223 5,5874501233

17
 ENSAM-Meknès

• Mois de JUILLET

Méthode d’estimation Facteur K Facteur C

JESTUS 2,417334394 5,321858631

WASP 2,513697012 5,323140654

Energies équivalentes 2,65200139874 5,353758038

Likelihood modifié 2,2302554123 5,9854101356

18
 ENSAM-Meknès

• Mois d’AOUT

Méthode d’estimation Facteur K Facteur C

JESTUS 2,245449428 5,382344069

WASP 2,4587023652 5,384352662

Energies équivalentes 2,60235164 5,424561479

Likelihood modifié 2,254203255 5,58201452

19
 ENSAM-Meknès

• Mois de SEPTEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,145792133 5,072043552

WASP 2,147820016 5,074343671

Energies équivalentes 2,18320145 5,117349794

Likelihood modifié 2,1047862011 5,203548023

20
 ENSAM-Meknès

• Mois d’OCTOBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 1,980517088 5,466863564

WASP 1,982147802 5,470077835

Energies équivalentes 1,950234536 5,525383494

Likelihood modifié 1,990325417 5,652100144

21
 ENSAM-Meknès

• Mois de NOVEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,047735254 6,157524764

WASP 2,0423587123 6,16081

Energies équivalentes 2,0320011478 6,219065896

Likelihood modifié 2,145230456 6,5632178214

22
 ENSAM-Meknès

• Mois de DECEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 1,863639242 5,577952824

WASP 1,8725136697 5,58173759

Energies équivalentes 1,8654123901 5,644156615

Likelihood modifié 1,8925633012 5,45633212879

23
 ENSAM-Meknès

• Saison d’HIVER

Méthode d’estimation Facteur K Facteur C

JESTUS 1,909780613 6,059017097

WASP 1,9125478023 6,063284421

Energies équivalentes 1,8713698525 6,121042903

Likelihood modifié 1,93369821056 6,19631752395

24
 ENSAM-Meknès

• Saison de PRINTEMPS

Méthode d’estimation Facteur K Facteur C

JESTUS 2,211831036 6,317246706

WASP 2,259098540 6,3225214

Energies équivalentes 2,2985045054 6,411757757

Likelihood modifié 2,3098357548 6,75775877

25
 ENSAM-Meknès

• Saison d’ETE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,372281305 5,466956514

WASP 2,3785261901 5,469126831

Energies équivalentes 2,4026971035 5,507229191

Likelihood modifié 2,45032698712 5,589321475

26
 ENSAM-Meknès

• Saison d’AUTOMNE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,058014825 5,565477293

WASP 2,062381258 5,569175215

Energies équivalentes 2,0589315902 5,632697056

Likelihood modifié 2,123852301447 5,458931502369

27
 ENSAM-Meknès

• Etude annuelle

Méthode d’estimation Facteur K Facteur C

JESTUS 2,137976945 5,852174403

WASP 2,113258641 5,856026967

Energies équivalentes 2,152326956 5,918181727

Likelihood modifié 2,2123028643 5,95631873621

28
ENSAM-Meknès

29
 ENSAM-Meknès

II. Etude de la ville : ASSILAH

• Mois de JANVIER

Méthode d’estimation Facteur K Facteur C

JESTUS 1,963528234 6,872483971

WASP 1,963528234 6,876617977

Energies équivalentes 1,840587231 5,976183971

Likelihood modifié 1,87668744121 5,854126621

30
 ENSAM-Meknès

• Mois de FEVRIER

Méthode d’estimation Facteur K Facteur C

JESTUS 2,011191787 7,542272965

WASP 1,963528234 7,546521012

Energies équivalentes 1,893641112 6,763382992

Likelihood modifié 1,9254356321 6,8366522104

31
 ENSAM-Meknès

• Mois de MARS

Méthode d’estimation Facteur K Facteur C

JESTUS 2,042571762 7,532992103

WASP 1,963528234 7,537042893

Energies équivalentes 2,097801354 6,663016197

Likelihood modifié 1,9854101432 6,98745131554

32
 ENSAM-Meknès

• Mois d’AVRIL

Méthode d’estimation Facteur K Facteur C

JESTUS 2,128920586 7,269276711

WASP 1,963528234 7,272673183

Energies équivalentes 2,1432024412 6,353381568

Likelihood modifié 1,11235473601 6,77230145

33
 ENSAM-Meknès

• Mois de MAI

Méthode d’estimation Facteur K Facteur C

JESTUS 2,267423033 7,187031677

WASP 1,963528234 7,189588572

Energies équivalentes 2,398740152 6,092102728

Likelihood modifié 2,12384107536 6,1050322587

34
 ENSAM-Meknès

• Mois de JUIN

Méthode d’estimation Facteur K Facteur C

JESTUS 2,196267779 6,532372326

WASP 1,963528234 6,535067465

Energies équivalentes 2,352012254 5,728615962

Likelihood modifié 2,4789601223 5,5874501233

35
 ENSAM-Meknès

• Mois de JUILLET

Méthode d’estimation Facteur K Facteur C

JESTUS 2,063758162 6,141751085

WASP 1,963528234 6,144947616

Energies équivalentes 2,65200139874 5,353758038

Likelihood modifié 2,2302554123 5,9854101356

36
 ENSAM-Meknès

• Mois d’AOUT

Méthode d’estimation Facteur K Facteur C

JESTUS 2,134909479 6,278147051

WASP 1,963528234 6,281049776

Energies équivalentes 2,60235164 5,424561479

Likelihood modifié 2,254203255 5,58201452

37
 ENSAM-Meknès

• Mois de SEPTEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,048912364 6,143759697

WASP 1,963528234 6,147031693

Energies équivalentes 2,18320145 5,117349794

Likelihood modifié 2,1047862011 5,203548023

38
 ENSAM-Meknès

• Mois d’OCTOBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 1,963528234 6,398233674

WASP 1,963528234 6,402082405

Energies équivalentes 1,950234536 5,525383494

Likelihood modifié 1,990325417 5,652100144

39
 ENSAM-Meknès

• Mois de NOVEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,21273979 6,860377265

WASP 1,963528234 6,863116802

Energies équivalentes 2,0320011478 6,219065896

Likelihood modifié 2,145230456 6,5632178214

40
 ENSAM-Meknès

• Mois de DECEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 1,990891086 6,46441557

WASP 1,963528234 6,468162483

Energies équivalentes 1,8654123901 5,644156615

Likelihood modifié 1,8925633012 5,45633212879

41
 ENSAM-Meknès

• Saison d’HIVER

Méthode d’estimation Facteur K Facteur C

JESTUS 1,988537036 6,959724169

WASP 1,963528234 6,963767158

Energies équivalentes 2,413569274 7,674936931

Likelihood modifié 1,93369821056 6,19631752395

42
 ENSAM-Meknès

• Saison de PRINTEMPS

Méthode d’estimation Facteur K Facteur C

JESTUS 2,146305127 7,32976683

WASP 1,963528234 7,333101549

Energies équivalentes 2,533266808 6,876700512

Likelihood modifié 2,3098357548 6,856026967

43
 ENSAM-Meknès

• Saison d’ETE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,13164514 6,317423487

WASP 1,963528234 6,320354952

Energies équivalentes 2,558532175 6,642893928

Likelihood modifié 2,45032698712 5,589321475

44
 ENSAM-Meknès

• Saison d’AUTOMNE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,103946833 6,469068679

WASP 1,963528234 6,470743633

Energies équivalentes 2,600403492 6,842568509

Likelihood modifié 2,123852301447 5,458931502369

45
 ENSAM-Meknès

• Etude annuelle

Méthode d’estimation Facteur K Facteur C

JESTUS 2,137976945 5,852174403

WASP 2,466754328 7,006300764

Energies équivalentes 2,152326956 5,918181727

Likelihood modifié 2,2123028643 5,856026967

46
 ENSAM-Meknès

III. Etude de la ville : OUJDA

• Mois de JANVIER

Méthode d’estimation Facteur K Facteur C

JESTUS 1,218938912 5,907012892

WASP 1,2112973247 5,910947513

Energies équivalentes 1,32782179821 5,976183971

Likelihood modifié 1,23766723623 5,6894589

47
 ENSAM-Meknès

• Mois de FEVRIER

Méthode d’estimation Facteur K Facteur C

JESTUS 1,76347834 6,692085575

WASP 1,76346734 6,695994172

Energies équivalentes 1,7834723 6,763382992

Likelihood modifié 1,783472389 6,76347878

48
 ENSAM-Meknès

• Mois de MARS

Méthode d’estimation Facteur K Facteur C

JESTUS 2,78457847 6,596291462

WASP 2,184562303 6,599871663

Energies équivalentes 2,74334747378 6,663016197

Likelihood modifié 1,9854101432 6,98745131554

49
 ENSAM-Meknès

• Mois d’AVRIL

Méthode d’estimation Facteur K Facteur C

JESTUS 2,764378438 6,78634674

WASP 2,7633637626 6,634643778

Energies équivalentes 2,734744378 6,353381568

Likelihood modifié 1,7834784378 6,76346734

50
 ENSAM-Meknès

• Mois de MAI

Méthode d’estimation Facteur K Facteur C

JESTUS 2,63457837 6,78457847834

WASP 2,351024781 6,7847437878

Energies équivalentes 2,73457834 6,78347634843

Likelihood modifié 2,12384107536 6,3478747878

51
 ENSAM-Meknès

• Mois de JUIN

Méthode d’estimation Facteur K Facteur C

JESTUS 2,454060093 5,784743899

WASP 2,352165802 5,697885739

Energies équivalentes 2,7864734578 5,728615962

Likelihood modifié 2,4789601223 5,5874501233

52
 ENSAM-Meknès

• Mois de JUILLET

Méthode d’estimation Facteur K Facteur C

JESTUS 2,87847878 5,784578484

WASP 2,513697012 5,323140654

Energies équivalentes 2,6526759874 5,353758038

Likelihood modifié 2,2302554123 5,9854101356

53
 ENSAM-Meknès

• Mois d’AOUT

Méthode d’estimation Facteur K Facteur C

JESTUS 2,78634576 5,382344069

WASP 2,45823652 5,7634734478

Energies équivalentes 2,634347837 5,424561479

Likelihood modifié 2,734737643 5,7623463737

54
 ENSAM-Meknès

• Mois de SEPTEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,145792133 5,73457345

WASP 2,147820016 5,73456732

Energies équivalentes 2,73473829 5,562347378

Likelihood modifié 2,1047862011 5,73457888

55
 ENSAM-Meknès

• Mois d’OCTOBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 1,980517088 5,466863564

WASP 1,982147802 5,7634573489

Energies équivalentes 1,763763483 5,525383494

Likelihood modifié 1,990325417 5,652100144

56
 ENSAM-Meknès

• Mois de NOVEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,763746537 6,157524764

WASP 2,86783457 6,734736463

Energies équivalentes 2,6324463823 6,219065896

Likelihood modifié 2,145230456 6,5632178214

57
 ENSAM-Meknès

• Mois de DECEMBRE

Méthode d’estimation Facteur K Facteur C

JESTUS 1,863639242 5,75234732

WASP 1,8725136697 5,58173759

Energies équivalentes 1,7347342347 5,862388734

Likelihood modifié 1,7243423328 5,45633212879

58
 ENSAM-Meknès

• Saison d’HIVER

Méthode d’estimation Facteur K Facteur C

JESTUS 1,909780613 6,059017097

WASP 1,9125478023 6,063284421

Energies équivalentes 1,8713698525 6,121042903

Likelihood modifié 1,93369821056 6,19631752395

59
 ENSAM-Meknès

• Saison de PRINTEMPS

Méthode d’estimation Facteur K Facteur C

JESTUS 2,732482364 6,7237846234

WASP 2,57234238 6,738437823

Energies équivalentes 2,6236427238 6,862346238

Likelihood modifié 2,734782347 6,86234623

60
 ENSAM-Meknès

• Saison d’ETE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,783768234 5,764237236

WASP 2,7234824888 5,76236898

Energies équivalentes 2,7234782323 5,723478823

Likelihood modifié 2,893834237 5,86234828

61
 ENSAM-Meknès

• Saison d’AUTOMNE

Méthode d’estimation Facteur K Facteur C

JESTUS 2,7863482347 5,734589234

WASP 2,8358832349 5,623583329

Energies équivalentes 2,123728328 5,823482349

Likelihood modifié 2,3658378234 5,7834287228

62
 ENSAM-Meknès

• Etude annuelle

Méthode d’estimation Facteur K Facteur C

JESTUS 2,89485488 5,894589349

WASP 2,23483494 5,9734347309

Energies équivalentes 2,28384509 5,863282293

Likelihood modifié 2,894589749 5,862349234

63
 ENSAM-Meknès

IV. Conclusion

Après une modélisation mathématique de la distribution du vent dans les régions de

Larache, ASSILAH et OUJDA avec toutes les méthodes proposées, nous remarquons qu’elles
représentent relativement de façon fidèle cette distribution .de la méthode de WASP à Likelihood
modifié en passant par la méthode empirique de jestus, toute nous ont permis de matérialiser
mathématiquement ces distributions, mais notons que les méthodes de likelihood modifié et de
WASP tout au long des différentes périodes mensuelles saisonnières ou annuelles, épousent tant
bien que mal la distribution du vent. Nous étudierons par la suite la fiabilité pour quantifier le
degré de précision et ainsi connaitre à travers ces données la puissance électrique potentiellement
récupérable dans ces régions à l’aide des représentations mathématiques effectuées ci haut à l’ai
de la loi de Weibull, mais après tout on va effectuer une étude statistique par année, quelque
testes statistique au but de choisir la meilleure méthode qui décrit d’une manière très fidèle la
distribution du vent dans chaque site.

V. Quelques testes statistiques pour le choix de la méthode

1. Aperçu sur les tests adoptés

Les résultats de l’algorithme de calcul ont été validés par comparaison avec les données
mesurées dans la base de données que l’encadrant nous donnés.
Plusieurs indicateurs statistiques utilisés dans la littérature vont nous permettre de confronter
les données obtenues par le modèle développé et les données mesurées. Les indicateurs utilisés
sont :
RMSE, Racine carrée de l’erreur quadratique moyenne.

𝟐 (𝐕𝐜−𝐕𝐦)𝟐
𝐑𝐌𝐒𝐄 = √∑𝐧𝐢=𝟏 Avec n Nombre d’heures, Vc c’est la vitesse calculé et Vm c’est
𝐧
la vitesse mesurée. La RMSE est une mesure de la variation des valeurs calculées autour des
valeurs mesurées, plus sa valeur est petite et plus le modèle est meilleur.
MBE : Erreur de biais moyen.
La MBE donne une indication sur la déviation moyenne des valeurs calculées par rapport aux
valeurs mesurées. Une valeur positive indique une sur estimation par contre une valeur négative
𝐧 𝐕𝐜−𝐕𝐦
indique une sous-estimation. 𝐌𝐁𝐄 = ∑𝐢=𝟏
𝐧
R²: Coefficient de détermination.

64
 ENSAM-Meknès

∑𝒏𝒊=𝟏(𝑽𝒄 − 𝑽𝒄𝒎𝒐𝒚) ∗ (𝑽𝒎 − 𝑽𝒎𝒎𝒐𝒚)

𝑹2 =
∑𝒏𝒊=𝟏(𝑽𝒄 − 𝑽𝒄𝒎𝒐𝒚) ∗ ∑𝒏𝒊=𝟏(𝑽𝒎 − 𝑽𝒎𝒎𝒐𝒚)

Avec Vcmoy: la vitesse moyenne journalière calculée et Vmmoy est la vitesse moyenne
journalière mesurée. L’indicateur R² varie entre 0 et 1. Une valeur de 1 ou proche de 1 indique
un parfait accord entre la valeur mesurée et calculée. Par contre, une valeur proche de 0 indique
un total désaccord.
Le test du khi-deux
Un test du khi-deux est une méthode de test des hypothèses. Deux tests du khi-deux
courants impliquent de vérifier si les fréquences observées dans une ou plusieurs catégories
correspondent aux fréquences attendues. Nous ici on va s’intéresser justement au test du khi-
deux d'indépendance, pour décider qu’il est la méthode fortement liée aux données de notre base.

65
 ENSAM-Meknès

2. Résultats de simulation

χ 2: La
Ville Méthode R² : MBE : RMSE : Test de densité
Coefficient Erreur de L’Erreur khi- de la
de biais quadratiqu deux puissanc
déterminatio moyen e moyenne e
n
OUJDA LIKELIHOO 0.9997653545 0.11484885 0.10484885 0.01078 208.3646
D MODIFIEE
WASP 0.9986473278 0.163482783 0.117538742 0.01368

JESTUS 0.8753262335 0.242717213 0.125367328 0.03838

LYSEN 0.8666666666 0.251237681 0.129247993 0.00618

ASSILAH LIKELIHOO 0.9842162672 0.192738267 0.117642798 0.00635

D MODIFIEE
WASP 0.9843438932 0.173213098 0.102111462 0,00369 229.3912

JESTUS 0.9736252872 0.268283290 0.235387822 0.01860

LYSEN 0.9757324812 0.302348323 0.252358789 0.02226
LARACH LIKELIHOO 0.9873476234 0.288329813 0.118734083 0.00925
E D MODIFIEE

WASP 0.9878656349 0.194278932 0.097248237 0.00905 408.7980

JESTUS 0.9674737863 0.313429031 0.123279382 0.02820

4 0 7
LYSEN 0.9734282782 0.394720983 0.113587329 0.03461
0

66
 ENSAM-Meknès

Chapitre 3
Chapitre 3 : Extrapolation verticale des paramètres de
Weibull pour l’estimation du potentiel récupérable sur différentes hauteurs,
choix des turbines, et justifications du choix

Dans ce chapitre on a essayé d’estimer les paramètres de Weibull a l’aide de la méthode de

Justus-Mikhaiel, au Maroc, les paramètres de vent sont généralement mesurés à la hauteur
normalisée de 50 m. Pour obtenir des données relatives à la hauteur désirée, tel que la hauteur
d’une hélice, il faut procéder à une extrapolation verticale des mesures relevées à 50 m du sol par
les services météorologiques au niveau des différentes stations ou des paramètres de Weibull
(caractéristiques liées aux sites) à l’aide de formules empiriques de la littérature. Ces dernières
ne s’appliquent malheureusement pas au climat semi-aride des hauts plateaux. La présente étude
porte sur la présentation d’un modèle développé pour le climat des Hauts Plateaux marocaines,
Ce modèle a été validé avec les mesures relevées sur un mât à une hauteur de 50 m installé à
Ksar El Chellala en Algérie et comparé aux modèles empiriques les plus utilisés dans la
littérature. L’atlas annuel de la densité de puissance récupérable est ainsi établi à 50 m et
comparé avec les résultats obtenus avec la loi proposée par Justus.

I. Extrapolation des paramètres K et C pour 75 m et 100 m

Plusieurs études établies sur les potentialités énergétiques éoliennes de Maroc ont produit
les paramètres de Weibull obtenus à partir de d’étude statistique de 10 années de mesures, C’est
pour cela que l’étude s’est orientée vers l’extrapolation verticale des facteurs de forme et
d’échelle de Weibull qui déterminent le potentiel d’un site donné.

67
 ENSAM-Meknès

1. Modèle proposé pour le Maroc

Pour la détermination des formules empiriques d’extrapolation des paramètres de

Weibull en zone aride, la méthode de Justus et Mikhaiel, a été utilisée. Basée sur la loi de
puissance, elle exprime l’extrapolation du facteur de forme K et du facteur d’échelle C par :

𝐻1
𝐾2 1 − 𝐴 𝑙𝑛(𝐻2)
=
𝐾1 1 − 𝐴 𝑙𝑛(𝐻1)
𝐻2
𝐶2 𝐻2𝑛
=
𝐶1 𝐻1
𝐵−𝐴 ln(𝐶1)
Avec 𝑛= 𝐻1 Loi de puissance de Justus-Mikhaiel Proposée en 1976 et proposée
1−𝐴 ln( 10 )
pour des conditions de stabilité neutre, cette loi garde la forme donnée en avec des facteurs A et
B égaux à : 𝐴 = 0,00881 𝐵 = 0,37

2. Extrapolation des facteurs K et C pour les trois sites

Donc on se basant sur le modèle déterminer dorénavant on trouve

Larache Assilah Oujda
Ville

50 m 75 m 100 m 50 m 75 m 100 m 50 m 75 m 100 m

H(mètres)

Paramètres
de Weibull

K 2,11 2,85 2,14 2,46 2,76 2,96 2,89 2,23 2,57

C 5,85 6,56 6,87 7 6,76 7,74 5,86 6,46 5,87

68
 ENSAM-Meknès

3. Energie annuelle produite sur chaque site pour les différentes altitudes

On a pris une moyenne de 8000 heures par année pour qu’on puisse accéder au calcul de
l’énergie récupérable sur chaque site.
Oujda Assilah Larache
Ville

50 m 75 m 100 m 50 m 75 m 100 m 50 m 75 m 100 m

H(mètres)

Paramètres
de Weibull

E(KWh) 2315262 2649578 1869490 2890610 2656489 3724689 3889289 3962428 4642789

Cp (%) 54 55 49 66 60 58 74 72 69

4. Choix des turbines sur Windographer

Au but d’avoir grand facteur de puissance le plus possible et avec une très vaste base des
aérogénérateurs sur Windographer on a pu à faire un choix des trois turbines chacune pour un
site bien quantifié. Aéronautica 47-750 kWatt, Aéronautica 54-750 kWatt, Enercon E-48/800
kWatt respectivement dans les villes OUJDA, ASSILAH, et LARACHE.
Aéronautica 47-750 kWatt

69
 ENSAM-Meknès

Aéronautica 54-750 kWatt

Enercon E-48/800 kWatt

70
 ENSAM-Meknès

II. Une étude technico-économique pour justifier le choix

Etant donné que les facteurs capacités sont meilleurs à un auteur de 75m pour Oujda, et
50m pour Assila et Larache nous ferons le choix d’effectuer les installations des rotors
Aéronautica 47-750 kWatt, Aéronautica 54-750 kWatt, Enercon E-48/800 kWatt respectivement
dans les villes de OUJDA, ASSILA, LARACHE

En se basant sur la formule suivante pour le calcul du cout

1+𝑖 1+𝑖 1+𝑖 𝑇

𝐶𝑇 = 𝐼 + 𝐶𝑜𝑚𝑟 [ ] [1 − ( )] − 𝑆 ( )
𝑟−𝑖 1+𝑟 1+𝑟

❖ T : durée de vie supposée 20 ans

❖ Le taux d'intérêt (r) et d’inflation (i) sont considérés 12% et 3% respectivement.
❖ Le coût de maintenance (Comr) est considéré comme 25% du coût annuel de la turbine
(prix machine/durée de vie).
❖ La valeur de rebut (S) correspond à 10% du coût de la turbine et des travaux de génie
civil.
❖ L'investissement (I) comprend le coût de la turbine plus son coût de transport vers le pays
(Maroc) et le coût des travaux de génie civil et les coûts associés à l'intégration du réseau.

1. Les prix des turbines choisi

➢ Le prix de la turbine Aéronautica 47-750 kW, et Aéronautica 54-750 kW est de 1677273

dollars (coût de transport inclus = 95455 dollars)

➢ Le coût d'entretien et de réparation (Comr) = 0,25*(1677273/20) = 20966 dollars.

➢ La valeur de rebut, S, s'élève à (1677273-95455) *0,1 = 158182 dollars (10% du coût
initial).
➢ Le taux d'intérêt (r) et d’inflation (i) sont considérés 12% et 3% respectivement.
➢ r = 158182*0,12 = 18982 dollars
➢ i = 158182*0,03 = 4746 dollars
➢ T = 20 ans

➢ Le prix de la turbine Enercon E-48/800 kW est de 1789091 dollars (coût de transport

inclus = 10182 dollars)
➢ Le coût d'entretien et de réparation (Comr) = 0,25*(1789091/20) = 22364 dollars.
➢ La valeur de rebut, S, s'élève à (1789091-10182) *0,1 = 177891 dollars (10% du coût
initial).
➢ Le taux d'intérêt (r) et d’inflation (i) sont considérés 12% et 3% respectivement.

71
 ENSAM-Meknès

➢ r = 177891*0,12 = 21347 dollars

➢ i = 177891*0,03 = 5337 dollars
➢ T = 20 ans

2. Calcul du Gain

Ville 𝑪𝑻 (Dollars) Le gain sur une durée de cinq ans

(Dollars)
𝟏
𝑮𝒂𝒊𝒏 = 𝑪𝒕 − 𝑬𝒕(𝑲𝑾𝒉) ∗ 𝑫𝒐𝒍𝒍𝒂𝒓𝒔
𝟓

OUJDA 1 777 971 756 386

ASSILA 1 777 971 764 894 798

LARACHE 1 804 866 895 902 842

On voix claire et très bien qu’on va gagner plus sur Larache que Assila, mais pour Oujda c’est
un mauvais choix, un gain de 756 386 Dollars sur une durée de cinq ans ce n’est pas significatif,
donc un rechoie du rotor.

Conclusion

En somme, nous convenons que l’un des enjeux majeurs de la recherche ce siècle consiste
à l’augmentation de la part des énergies renouvelables dans la production d’électricité en dépit
des énergie fossiles. L’une des alternatives qui se propose est d’exploiter l’énergie récupérable à
travers la vitesse du vent. Ainsi, l’étude du potentiel éolien est une phase cruciale de la
perspective d’installations d’un parc éolien dans une région afin d’en évaluer la puissance
électrique récupérable.
La fonction de densité de Weibull est une loi qui nous a permis ici de modéliser par une
fonction mathématique la distribution des vitesses du vent en fonction de leur fréquence. Les
paramètres d’échelle et de forme de Weibull sont estimés à l’aide de méthodes numériques
programmables. Ces derniers nous ont permis par la suite d’estimer la puissance récupérable et
de choisir les turbines adéquates pour les sites respectifs.
Cette étude, en somme montre que les régions de Larache, Assela et Oujda possèdent un
potentiel éolien exploitable afin de pouvoir alimenter en électricité des zones environnantes

72
 ENSAM-Meknès

dépourvu de cette énergie. Une étude des couts de l’installation et de la maintenance de ces sites
ainsi qu’une évaluation du rapport investissement et bénéfice.
Par ailleurs la perspective de ce projet est d’estimer le potentiel solaire de la région afin
d’effectuer une comparaison avec ce potentiel éolien. Cette comparaison avec les couts
d’installation nous permettrait de faire un choix judicieux et rentable entre les deux sources
d’énergies.

73