Les modèles météorologiques peuvent-ils correctement caractériser les cycles journaliers de la production éolienne ?

Aux États-Unis, les tours des nouvelles centrales éoliennes mesurent souvent plus de 90 mètres de haut et les rotors eux-mêmes peuvent s’étendre sur environ 60 mètres supplémentaires. La hauteur énorme de ces structures signifie que des vitesses de vent bien au-dessus de la surface peuvent avoir un impact sur la production éolienne. La capacité à caractériser avec précision les vitesses du vent à ces hauteurs est essentielle afin d’estimer la production potentielle d’énergie éolienne, d’intégrer efficacement les centrales éoliennes dans le réseau électrique, d’améliorer la fiabilité et la résilience du réseau, et même de concevoir de nouvelles centrales éoliennes elles-mêmes.

Il est difficile et coûteux de mesurer la vitesse du vent à la hauteur de la tour (~ 90 mètres), et les données accessibles au public, provenant de hautes tours ou de télédétection, sont très limitées. Par conséquent, les chercheurs et les praticiens utilisent couramment des modèles météorologiques pour caractériser les vitesses du vent à hauteur de tour et au-dessus. Mais comment ces modèles fonctionnent-ils ? Peuvent-ils caractériser avec précision les profils de vent et quelles sont leurs limites ?

Une nouvelle étude du Berkeley Lab et de l’Université de Californie à San Diego évalue trois modèles météorologiques couramment utilisés pour leur capacité à caractériser les profils horaires des vitesses du vent (à hauteur de tour) à travers le Texas. L’étude a été publiée dans la revue Wind Energy.

Nouvelle approche

Nous utilisons une nouvelle approche pour évaluer ces modèles météorologiques afin de surmonter le manque d’observations de la vitesse du vent à la hauteur des tours : nous transformons les vitesses du vent modélisées en production éolienne en utilisant des caractéristiques spécifiques à l’usine, puis évaluons la production éolienne modélisée par rapport à un ensemble de données unique de 7 années d’enregistrements de production horaire de plus de 100 centrales éoliennes au Texas (la figure 1 montre une carte de toutes les centrales utilisées dans cette étude). Cette comparaison permet d’évaluer la capacité des modèles météorologiques à représenter les ressources de production éolienne.

Figure 1. Carte des centrales éoliennes incluses dans cette étude et coefficient de corrélation entre la production horaire modélisée et la production enregistrée.

Principales conclusions

L’analyse a révélé que, selon certaines mesures, ces modèles météorologiques fonctionnaient bien et représentaient avec précision les profils horaires des ressources de production éolienne à travers le Texas. Cependant, le document identifie également des domaines clés dans lesquels la précision de ces modèles est limitée. Notez que nos résultats se concentrent principalement sur deux des trois modèles que nous avons évalués (ERA5 et MERRA2), car nous avons évalué le modèle HRRR sur seulement un sous-ensemble de la période d’étude.

  • Les modèles représentent la production éolienne avec un biais relativement faible et une corrélation horaire décente. Plus précisément, l’erreur moyenne sur l’ensemble des heures et des usines, en termes de facteur de capacité, était de 1,1 % pour ERA5 et de 6,4 % pour MERRA2 (impliquant, par exemple, qu’une usine avec un facteur de capacité enregistré de 40 % serait modélisée avec un facteur de capacité de 46,4 %). facteur de capacité en utilisant MERRA2). Les coefficients de corrélation horaires moyens varient de 0,7 à 0,9, selon le modèle et l’heure de la journée (voir Figure 2).
  • Les erreurs étaient plus importantes sur une base horaire que sur une base quotidienne. Par exemple, la probabilité que le facteur de capacité modélisé du modèle ERA5 soit à ± 20 % du facteur de capacité enregistré était de 78 % sur une base horaire, mais de 99 % sur une base quotidienne. Encore une fois, c’est en termes de facteur de capacité, donc, par exemple, si le facteur de capacité enregistré pour une journée était de 80 %, il y avait une probabilité de 99 % que le facteur de capacité du modèle ERA5 se situe entre 60 % et 100 % pour ce jour et cette usine. MERRA2 a suivi un modèle similaire, mais avec une précision légèrement inférieure dans les délais quotidiens et horaires.
  • La résolution améliorée du modèle géographique a réduit les erreurs et amélioré la corrélation. ERA5 (résolution horizontale ~ 30 km) a obtenu de meilleurs résultats que MERRA2 (résolution horizontale ~ 50 km) et HRRR (résolution horizontale 3 km) avait les meilleures mesures de performance. Bien que la résolution soit radicalement différente entre les modèles, d’autres différences méthodologiques au sein des modèles ont probablement également contribué aux différences de performances.
  • La corrélation entre la production modélisée et enregistrée a diminué pendant les heures de nuit, en particulier pendant l’été.

Figure 2. Coefficient de corrélation par heure (en temps solaire) pour MERRA2, ERA5 et HRRR, pour l’année 2019.

Implications clés

Les modèles représentaient très bien la production éolienne quotidienne. En termes simples, les modèles ont presque toujours été en mesure de différencier avec succès les jours de forte génération de vent et les jours de faible génération de vent (par la mesure de la prévision des facteurs de capacité à ± 20 % du facteur de capacité enregistré). Pour des heures individuelles, les modèles ont souvent réussi à différencier les heures de ressources éoliennes fortes et faibles, mais ont manqué le facteur de capacité de > 20 % environ 20 % à 30 % du temps.

Nous émettons l’hypothèse que la baisse de la corrélation entre la production modélisée et enregistrée pendant la nuit était due à une mauvaise représentation de la couche limite atmosphérique dans ces modèles. La nuit, la couche limite se rétrécit souvent à des hauteurs qui auraient un impact sur les éoliennes. De plus, la capacité des modèles à représenter certains phénomènes météorologiques pendant la nuit, tels que les jets à basse altitude, peut encore dégrader l’accord d’observation du modèle. Des recherches supplémentaires sont nécessaires pour confirmer cette hypothèse.

L’augmentation de la résolution du modèle améliore les mesures de corrélation dans l’ensemble, mais ne résout pas le problème de la corrélation déprimée pendant la nuit.

Les praticiens qui utilisent ces modèles météorologiques pour représenter les profils de production éolienne doivent être conscients de leurs limites. Une analyse plus approfondie serait bénéfique pour déterminer dans quelle mesure ces modèles représentent les profils de vent dans d’autres régions.

Enfin, notons que cette analyse ne porte pas sur des prévisions météorologiques, mais simplement sur des modèles météorologiques de conditions météorologiques en temps réel. Nous nous attendons à ce que la qualité des mesures d’erreur diminue avec les prévisions. D’autres recherches axées sur les prévisions sont nécessaires pour déterminer leur capacité à représenter la production horaire.

Principales limites

Cette approche repose sur l’hypothèse qu’il y a beaucoup plus d’incertitude dans les vitesses de vent modélisées elles-mêmes que dans la conversion entre les vitesses de vent et la puissance de sortie. Notre conversion de la vitesse du vent en production était relativement simple et, même si elle incluait l’utilisation de courbes de puissance spécifiques à la centrale, elle ne tenait pas compte des commandes de la centrale, des variations locales de la vitesse du vent, des pertes de sillage et d’autres types de pertes. Si les pertes de sillage étaient moins constantes pendant la nuit que pendant les autres périodes, il est possible que cela ait contribué aux schémas diurnes que nous avons observés. Cela dit, les pertes de sillage représentent généralement une petite partie de la production annuelle (0 à 10 %) et il est donc peu probable qu’elles aient causé le type de changements de performances du modèle observés. De plus, notre approche ne peut pas tenir compte des pertes liées à l’entretien de l’usine ou aux arrêts opérationnels dus aux conditions météorologiques (comme le givrage hivernal). Cependant, les schémas d’erreur observés ne suggèrent pas que ces problèmes opérationnels jouent un rôle majeur. Nous notons que si les pertes avaient été incluses dans la génération modélisée, les modèles auraient probablement eu de petits biais négatifs plutôt que de petits biais positifs.

Une autre limitation clé est que cette évaluation s’applique à la région du Texas, mais n’est pas nécessairement applicable à d’autres régions, en particulier aux régions avec un terrain complexe et/ou montagneux.

L’article dans Wind Energy, « Limites of reanalysis data for wind power applications » est en « libre accès » et accessible à tous : https://doi.org/10.1002/we.2759.

Si vous avez des questions, veuillez contacter Dev Millstein, [email protected], au Lawrence Berkeley National Laboratory.

Nous apprécions le soutien financier du Bureau de l’efficacité énergétique et des énergies renouvelables du Département américain de l’énergie.

Avec l’aimable autorisation de Berkeley Lab, Marchés et politiques de l’électricité


 

Vous appréciez l’originalité et la couverture de l’actualité des technologies propres de CleanTechnica ? Envisagez de devenir membre, supporteur, technicien ou ambassadeur de CleanTechnica – ou un mécène sur Patreon.


 

Vous avez un conseil pour CleanTechnica, souhaitez faire de la publicité ou suggérer un invité pour notre podcast CleanTech Talk ? Contactez-nous ici.

Publicité