Partie2: Application 3

Estimation et prédiction de l’énergie produite

par les installations photovoltaïques

12/19/2020
 Formulation du problem
 L’utilisation de l’énergie PV à grande échelle passe dans les pays
industrialisés par la réalisation de systèmes connectés au réseau
électrique.
 L’inconvénient technique majeur de ce type de production d’énergie est
son aspect non contrôlable dû au caractère aléatoire dans le temps du
soleil.
 La maîtrise du caractère aléatoire de la puissance PV pourrait permettre
aux gestionnaires de réseaux électriques de mieux les intégrer.

12/19/2020
 Motivation

Modèles
empiriques

Statistiques(physiques) Réseaux de neurones

Séries temporelles

12/19/2020
 Objective

Méthodes régressives

Prévision de la puissance PV

Méthodes intelligentes

Objective
Rendements énergétiques

Analyse de la performance

Pertes énergétiques

12/19/2020
 Productivité d’un système PV
Il existe plusieurs façons pour évaluer la performance d’un système PV. L’approche la plus
simple repose sur « le rapport de performance PR » proposé par la directive européenne,
document B, et la norme IEC 61724.

Productible aux différents étages de la chaîne de conversion d’énergie d’un système PV *

12/19/2020
 Analyse des séries temporelles
Une série temporelle ou encore chronique est une succession d’observations au cours
du temps représentant un phénomène (météorologique, économique, démographique,
biologique …etc.) ; par hypothèse, le pas de temps des observations est considéré
constant : la seconde, l’heure, le jour, le mois…etc*.

La tendance (Tt)

La composante cyclique (Ct)

Série
temporelle*
La composante saisonnière (St)

La composante résiduelle (t)

12/19/2020
 Méthodologie de Box-Jenkins

Procédure itérative de Box-Jenkins *

12/19/2020
 Estimation de l’erreur de prédiction

Erreurs de
prédiction

12/19/2020
 Introduction Systèmes PV connectés au réseau Méthodes régressives Méthodes intelligentes Un prédicteur hybride Analyse de la performance Conclusion

Du neurone biologique au neurone formel

Le terme « réseaux de neurones artificiels » désigne des circuits composés de petites
unités de calcul interconnectées, dont le fonctionnement est inspiré de celui du système
nerveux humain *.

Structure d’un neurone biologique

Schématisation d’un neurone formel

= = +

12/19/2020
Kkkkk *Junod F, Bornoz M. A la découverte des réseaux de neurones. Yverdone, Juin 2002. 22
 Introduction Systèmes PV connectés au réseau Méthodes régressives Méthodes intelligentes Un prédicteur hybride Analyse de la performance Conclusion

Fonction d’activation

Fonctions d’activation y = f(v) *

12/19/2020
Kkkkk *Parizeau M. Réseaux de neurones. Livre PDF, Automne 2004. 23
 Architecteur des réseaux de neurones

Réseaux de neurones

Réseaux de neurones non récurrents Réseaux de neurones récurrents

Structure d’un réseau de neurones non récurrent (statique) Structure d’un réseau de neurones récurrent (dynamique)
12/19/2020
Kkkkk 24
 Réseaux de neurones multicouches

Réseaux de neurones multicouches

Perceptron multicouches (MLP) Réseaux à couches récurrentes (LRN)

Exemple d’architecture d’un MLP Réseau LRN

12/19/2020
 Procédure de développement d’un réseau de neurones

Collecte des données

Séparation des bases de données

Choix de l’architecture du réseau

Procédure de
développement*
Prétraitement des données

Apprentissage

Validation et tests

12/19/2020
 Machines à vecteurs de support
La régression par séparateurs à vaste marge (SVM) consiste à trouver la fonction f(x) qui a
au plus une déviation  par rapport aux exemples d'apprentissage (xi,yi), pour i = 1,…, N, et
qui est le plus plate possible.
= , +
Pour assurer la platitude de la fonction f, la norme des poids est minimisée en
garantissant que les erreurs sont inférieures à ε et peut s'écrire
min + ∑ + ∗

Fonction noyau Forme fonctionnelle Commentaire

Polynomiale , = , + La puissance d est
déterminée à priori par
l’utilisateur
Fonction , L’écart type σ2, commun
gaussienne à base − , à tous les noyaux, est
radiale = spécifié à priori par
2
l’utilisateur
Fonction sigmoïde , Le théorème de Mercer
= ℎ , − n’est vérifié que pour
certaines valeurs de γ et
c

Processus de transformation : illustration d'un modèle SVM* Les fonctions noyau les plus courantes avec leurs paramètres
12/19/2020
 L’installation PV

Installation photovoltaïque (20KWc)

Onduleurs

Vers le réseau
Système d'acquisition
de données

L’installation utilisée*
12/19/2020
* Bouzerdoum M, Mellit A, Massi Pavan A. A hybrid model (SARIMA-SVM) for short-term power forecasting of a small-scale grid-connected photovoltaic plant. Solar Energy, vol.98, n°C, p 226-235,30
 L’installation PV
Technologie Si polycristallin
Puissance crête 115 W
Tension en circuit ouvert au STC 21.5 V
Tension du point de puissance 17.3 V
maximale au STC
Courant de court-circuit au STC 7.26 A
Courant du point de puissance 6.65 A
maximale au STC
Nombre de cellules 72
Température de la cellule de 44 °C
fonctionnement nominale
Coefficient de tension-température -0.53%/°C
Coefficient de courant-température 0.049%/°C
Coefficient de puissance-température -0.49%/°C

Caractéristiques électriques de module Evergreen EC-115

Nombre de modules 14 15
Puissance crête 1610W 1725 W
Tension du circuit ouvert (Vco) au STC 301.0V 322.5 V

Tension de MPPT au STC 242.2V 259.5 V

Courant de court-circuit (Icc) au STC 7.26A 7.26 A

Courant de MPPT au STC 6.65A 6.65 A

Caractéristiques électriques des chaînes de 14 et 15 modules PV

Nombre de MPPT 4
Tension de sortie 230 V, 50 HZ
Puissance nominale 5500W
Rendement européen 94%
Rendement maximal 95%
Tension MPPT 100-380 V
Tension continue (DC) maximale 450 V
Courant continu (DC) nominal 7.5 A
Schéma électrique de l'installation utilisée
Caractéristiques électriques de l’onduleur Mastervolt QS-6400
12/19/2020
Kkkkk 31
 La base de données

Exemple de données mesurées (G: l’irradiation, Tc: la température de la cellule, PDC : la

puissance produite à courant continu et PAC : la puissance produite à courant alternatif) *

12/19/2020
Kkkkk * Bouzerdoum M, Mellit A, Massi Pavan A. A hybrid model (SARIMA-SVM) for short-term power forecasting of a small-scale grid-connected photovoltaic plant. Solar Energy, vol.98, n°C, p 226-235,32
 Validation et prévision

(a) (b)
10 1400
Mesurée Mesurée
9 Prévue-SARIMA Prévue-SARIMA
1200
8

7 1000

6
800

PAC(W)
Pt(W)

600
4

3
400
2
200
1

0 0
3100 3150 3200 3250 3300 3350 3400 3450 3500 3100 3150 3200 3250 3300 3350 3400 3450 3500
Temps (10min) Temps (10min)

Puissance de sortie mesurée et prévue par le modèle SARIMA, en échelle logarithmique : (a) et en échelle linéaire : (b) *

12/19/2020
 Modèle MLP
Couche d’entrée: un seul nœud

MLP* Couche cachée: 16 neurones

Couche de sortie: un seul nœud

Architecture du MLP utilisée *

12/19/2020
 Rendement du champ PV

( ℎ)
=
( )
*

0.14 0.45
Mesuré R=0.9990
Prévu 0.4
0.12

R endem ent du c ham p prév u(W h/W c )

0.35
Rendem ent du cham p(Wh/Wc )

0.1
0.3

0.08 0.25

0.2
0.06

0.15
0.04
0.1

0.02
0.05

0 0
0 5 10 15 20 25 30 35 40 45 50 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45
Temps(min) Rendement du champ mesuré(Wh/Wc)

Evolution du rendement du champ prévu en fonction

Evolution du rendement du champ mesuré et prévu
du rendement du champ mesuré
12/19/2020
 Rendement final
ℎ
= *

Le rendement final Yf permet de comparer l'énergie produite par des systèmes PV de

tailles différentes.
0.12 0.4
Mesuré
R=0.9984
Prévu 0.35
0.1

0.3

Rendement final prévu(Wh/Wc)

0.08
Rendement final(Wh/Wc)

0.25
0.06
0.2
0.04
0.15

0.02
0.1

0 0.05

-0.02 0
0 5 10 15 20 25 30 35 40 45 50 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
Temps(min) Rendement final mesuré(Wh/Wc)
Evolution du rendement final prévu en fonction du rendement
Evolution du rendement final mesuré et prévu
final mesuré

12/19/2020
 Rendement de référence

/
=
/
*

Le rendement de référence est fonction du lieu d’installation du système, de

l’orientation du champ et de la variation des conditions météorologiques d’un mois sur
l’autre ou d’une année sur l’autre.
0.35 1
Mesuré R=0.9905
Prévu 0.9
0.3

Rendement de référence prévu(Wh/Wc)

0.8
Rendement de référence(Wh/Wc)

0.25 0.7

0.6
0.2
0.5
0.15
0.4

0.1 0.3

0.2
0.05
0.1

0 0
0 5 10 15 20 25 30 35 40 45 50 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps(min) Rendement de référence mesuré(Wh/Wc)

Evolution du rendement de référence mesuré et prévu Evolution du rendement de référence prévu en fonction du
rendement de référence mesuré
12/19/2020
 Introduction Systèmes PV connectés au réseau Méthodes régressives Méthodes intelligentes Un prédicteur hybride Analyse de la performance Conclusion

Rapport de performance
= *
Très utilisé notamment pour contrôler le fonctionnement des systèmes
photovoltaïques connectés au réseau électrique car il est indépendant de la taille du
système et de sa localisation.
0.8 0.8
Mesuré Mesuré
Prévu prévu
0.6 0.7

0.6
0.4
Rapport de performance

Ratio de performance
0.5
0.2

0.4
0
0.3

-0.2
0.2

-0.4
0.1

-0.6 0
0 5 10 15 20 25 30 35 40 45 50 1165 1170 1175 1180 1185 1190 1195 1200 1205
Temps(min) Temps(min)

Evolution du rapport de performance mesuré et

Evolution du rapport de performance mesuré et prévu prévu sur une journée ensoleillée
12/19/2020
 Pertes du champ PV

= − (KWh/KWc) *
Les pertes du champ photovoltaïque Lc sont dues en grande partie à des températures
de modules élevées.
0.16 1
Mesurées R=0.9824
0.14 Prévues
0.8

0.12

Pertes du champ prévues(Wh/Wc)

0.6
Pertes du champ(Wh/Wc)

0.1

0.4
0.08

0.06 0.2

0.04
0
0.02

-0.2
0

-0.02 -0.4
0 5 10 15 20 25 30 35 40 45 50 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Temps(min) Pertes du champ mesurées(Wh/Wc)

Evolution des pertes du champ prévues en fonction

Evolution des pertes du champ photovoltaïque mesurées et prévues
des pertes du champ mesurées

12/19/2020