THESE DE DOCTORAT

SPECIALITE : PHYSIQUE
tel-00447151, version 1 - 14 Jan 2010

Ecole Doctorale « Sciences et Technologies de l’Information, des

Télécommunications et des Systèmes »

Présentée par : Herman BAYEM

Sujet :

APPORT DES METHODES PROBABILISTES AUX ETUDES D’INSERTION DES

ENERGIES RENOUVELABLES DANS LES SYSTEMES ELECTRIQUES

Soutenance le 23 Novembre 2009 devant les membres du jury :

M Philippe DESSANTE (co-encadrant, Supélec)

M Georges KARINIOTAKIS (examinateur, Mines ParisTech)
Mme Françoise LAMNABHI-LAGARRIGUE (examinateur, LSS)
M Vladimiro MIRANDA (rapporteur, INESC Porto)
M Julio USAOLA (rapporteur, Université Carlos III Madrid)
M Jean-Claude VANNIER (directeur de thèse, Supélec)
M Bruno PRESTAT (invité, EDF R&D)
tel-00447151, version 1 - 14 Jan 2010
 Remerciements

J’aimerais en tout premier lieu témoigner ma reconnaissance à tous ceux qui m’ont
encouragé à me lancer dans ce projet de thèse que j’ai vécu comme une formidable
expérience (je pense particulièrement à ma chère mère qui n’est malheureusement plus
là pour en voir l’aboutissement). Au-delà des compétences acquises, ces trois années
m’ont conforté dans ma vision de ce que je veux faire et plus encore de ce que je ne
veux pas du tout faire de mon avenir professionnel.
C’est un agréable plaisir pour moi d’exprimer mes remerciements à ceux qui m’ont
permis d’effectuer ces travaux de thèse, je pense à Marc Petit et Sophie Plumel avec
qui j’ai eu les premiers contacts au département Energie de Supélec ; à Frédéric
Dufourd et Régine Belhomme du département Economie, Fonctionnement et Etudes
tel-00447151, version 1 - 14 Jan 2010

des Systèmes Energétique (EFESE) de EDF R&D.

Je suis très reconnaissant envers Jean-Claude vannier mon directeur de thèse, Marc
Petit et Philippe Dessante mes co-encadrants pour l’appui scientifique, administratif et
moral tout au long de ces trois années. Mes remerciements vont aussi à toute l’équipe
du département Energie pour la chaleur et la bonne ambiance que j’y ai retrouvé à
chacun de mes séjours.
Je tiens également à témoigner ma gratitude à Frédéric Dufourd et Laurent Capely qui
ont supervisé avec grand intérêt ce travail du côté EDF R&D. J’ai mille raisons les
remercier, parmi lesquelles leur disponibilité, les conseils judicieux, le soutient sans
faille dont ils m’ont témoigné. J’en profite pour remercier le département EFESE de
EDF R&D et particulièrement le groupe « Fonctionnement et Raccordement (R12) »
au sein duquel j’ai passé la majeur partie la majeur parties des ces trois années. J’y ai été
si bien accueilli et si bien intégré que mon séjour parmi les « Rdouziens » se prolongera,
à mon grand plaisir, au-delà de la thèse.
Mes vifs remerciements vont également aux membres du jury, en particulier Georges
Kariniotakis, Vladimiro Miranda et Julio Usaola pour leurs remarques pertinentes et
constructives.
Je tiens enfin à remercier toutes les personnes qui de près ou de loin m’ont apporté
leur soutient et leurs encouragements, ma famille, mon petit frère Christian dont la
force de caractère m’a surpris et rassuré dans les moments les plus difficiles, mes amis.
Ils ont chacun, à leur manière, contribué à l’aboutissement de ce travail.
tel-00447151, version 1 - 14 Jan 2010
tel-00447151, version 1 - 14 Jan 2010

A la mémoire de Landry et Maman.

Toutes mes actions sont guidées par l’objectif de vous honorer.
Maman, tu étais si fière à l’idée d’avoir un fils qui prépare un Doctorat,
La force de continuer, je l’ai puisé dans cette fierté que je lisais dans ton regard,
Que j’entendais dans tes mots, que je ressentais et que je ressens toujours.
 T A B L E D E S M A T I E R E S

Table des matières

1 Introduction générale ............................................... 1

1.1 Evolution du système électrique .......................................... 1
1.2 Description de la problématique ........................................... 2
1.3 Objectif ................................................................................. 4
1.4 Organisation du mémoire ..................................................... 4
2 Problématique de l’insertion des EnR dans les
systèmes électriques ......................................................... 7
2.1 Fonctionnement du système électrique................................ 8
2.1.1 Le système électrique « vertical » ...................................... 8
tel-00447151, version 1 - 14 Jan 2010

2.1.2 Le nouveau paradigme ..................................................... 12

2.2 Technologies et fonctionnement des EnR.......................... 16
2.2.1 L’éolien.............................................................................. 16
2.2.2 Le photovoltaïque ............................................................. 19
2.2.3 Conclusion ........................................................................ 23
2.3 Impact des EnR sur les systèmes électriques .................... 23
2.3.1 Impacts locaux .................................................................. 24
2.3.2 Impacts globaux ................................................................ 27
2.3.3 Conclusion ........................................................................ 29
2.4 Conditions techniques de raccordement ............................ 30
2.4.1 Exemple de la France ....................................................... 30
2.4.2 Solutions techniques ......................................................... 35
2.5 Conclusion ......................................................................... 36
3 De la caractérisation probabiliste d’un système
électrique ........................................................................ 37
3.1 Eléments de probabilités et statistiques ............................. 37
3.1.1 Qu’est ce qu’une probabilité ? .......................................... 37
3.1.2 Distributions de probabilité ............................................... 38
3.1.3 Conclusion ........................................................................ 43
3.2 Modèle probabiliste d’un système électrique ..................... 43
3.2.1 Modèle général ................................................................. 43
3.2.2 Caractérisation des aléas ................................................. 45
3.2.3 Modélisation probabiliste de la production d’énergie
renouvelable ................................................................................. 55
3.2.4 Conclusion ........................................................................ 69
3.3 Corrélation et dépendance des aléas................................. 70

i
 T A B L E D E S M A T I E R E S

3.3.1 Types de dépendances entre variables du système

électrique ...................................................................................... 70
3.3.2 Notions d’indépendance de variables aléatoires .............. 71
3.3.3 Corrélation linéaire simple ................................................ 72
3.3.4 Corrélation linéaire multiple .............................................. 73
3.3.5 Corrélation de rang (tau de Kendall) et copules ............... 75
3.4 Quels modèles pour quelles études ? ................................ 75
3.4.1 Les séries temporelles ...................................................... 76
3.4.2 Les distributions de probabilités ....................................... 78
3.5 Conclusion ......................................................................... 81
4 Etudes d’impact des EnR sur les systèmes
électriques : méthodologies ............................................. 83
4.1 Etat de l’art des études de réseaux .................................... 84
4.1.1 Fiabilité, sécurité et stabilité des systèmes électriques .... 84
tel-00447151, version 1 - 14 Jan 2010

4.1.2 Analyse des systèmes ...................................................... 86

4.1.3 Du « déterministe » au « probabiliste » ............................ 90
4.1.4 Conclusion ........................................................................ 96
4.2 Etat de l’art des études d’impact d’EnR dans les
systèmes électriques Français...................................................... 96
4.2.1 Etudes de raccordement en réseau de transport (RTE,
2009) 96
4.2.2 Etudes de raccordement en réseau de distribution (ERDF,
2009) 97
4.2.3 Etudes d’intégration .......................................................... 98
4.2.4 Conclusion ........................................................................ 99
4.3 Etudes probabilistes d’impact des EnR sur les réseaux..... 99
4.3.1 Etudes d’insertion ............................................................. 99
4.3.2 Etudes de raccordement................................................. 110
4.4 Comparaison méthodes déterministes et probabilistes .... 112
4.5 Conclusion ....................................................................... 112
5 Méthodes probabilistes : applications et apports .. 115
5.1 Présentation des outils ..................................................... 115
5.1.1 ASSESS.......................................................................... 115
5.1.2 TROPIC .......................................................................... 116
5.1.3 EUROSTAG .................................................................... 117
5.2 Etude de raccordement .................................................... 117
5.2.1 Objectif de l’étude ........................................................... 117
5.2.2 Le système...................................................................... 117
5.2.3 Approche déterministe .................................................... 119
5.2.4 Approche probabiliste ..................................................... 120
5.2.5 Conclusion ...................................................................... 126
5.3 Etude d’intégration ........................................................... 127

ii
 T A B L E D E S M A T I E R E S

5.3.1 Objectif de l’étude ........................................................... 127

5.3.2 Le système et hypothèses d’étude ................................. 127
5.3.3 Approche déterministe .................................................... 130
5.3.4 Approche probabiliste ..................................................... 132
5.4 Conclusion ....................................................................... 144
6 Conclusion générale et perspectives .................... 147
6.1 Conclusions ..................................................................... 147
6.2 Perspectives .................................................................... 149
7 Bibliographie ........................................................ 151
8 Publications.......................................................... 157
9 Annexes ............................................................... 159
9.1 Annexe A : théorie du calcul de répartition de
puissance.................................................................................... 159
9.1.1 Modélisation des constituants du réseau ....................... 159
tel-00447151, version 1 - 14 Jan 2010

9.1.2 Formulation du problème de load flow ........................... 162

9.1.3 Résolution du problème de load flow ............................. 164
9.2 Annexe B : Données de simulation .................................. 171
9.2.1 Réseau de distribution .................................................... 171
9.2.2 Réseau de type insulaire ................................................ 174
9.3 Annexe C : Codes de calcul MATLAB.............................. 176
9.3.1 Modèle production conventionnelle ................................ 176
9.3.2 Modèle de la production éolienne ................................... 177

iii
 tel-00447151, version 1 - 14 Jan 2010

T A B L E
D E S
M A T I E R E S

iv
 C H A P I T R E 1
Chapitre

1
1 Introduction générale

L
e contexte politique, économique et énergétique européen est actuellement
tel-00447151, version 1 - 14 Jan 2010

favorable à une insertion importante des énergies renouvelables (EnR)

dans les réseaux électriques.
L’accroissement de la production d’énergie renouvelable et la déréglementation
des marchés de l’électricité font naître, dans le domaine de la gestion et de
l’exploitation des réseaux, des problèmes scientifiques et techniques nouveaux. Ces
problèmes sont induits par l’insertion de nouvelles sources d’énergie dans les
systèmes électriques, non conçus à priori pour les accueillir. L’une des
conséquences de cette arrivée massive de nouvelles énergies est la modification de
la structure des réseaux qui passera d’une structure hiérarchique avec des moyens
de production conventionnels de grande taille et centralisés à une structure
horizontale avec de la production décentralisée (notamment renouvelable) dans les
réseaux de distribution.

1.1 Evolution du système électrique

Le nouveau système électrique est constitué de moyens de production conventionnels
(thermique, nucléaire, hydraulique), de moyens de production non conventionnels
(micro turbines, cogénération, pile à combustible, géothermie, biomasse, petite
hydraulique, éolien et photovoltaïque), des réseaux de transport et de distribution.
En 2004 les énergies fossiles (pétrole, gaz) représentaient 65,8% de la production
mondiale d’électricité et le nucléaire 15,8% (Figure 1.1). Les moyens de production
conventionnels (centrales thermiques et nucléaires) sont adaptés au fonctionnement
des systèmes électrique puisque leurs production est contrôlable mais ils utilisent les
énergies qui présentent plusieurs inconvénients liés aux considérations
environnementales :
• réserves limitées,
• émissions de gaz à effet de serre,
• traitement des déchets (notamment nucléaires).

1
 C H A P I T R E 1

Ces considérations environnementales ont en partie dicté l’évolution des systèmes

électriques vers une intégration massives des moyens de production non
conventionnels et particulièrement de l’éolien et du photovoltaïque qui feront l’objet de
notre travail. La part d’énergie renouvelable hors hydraulique dans la production
mondiale est passée de 1,1% en 2000 (Papaefthymiou, 2006) à plus de 2% en 2004
(Figure 1.1).
tel-00447151, version 1 - 14 Jan 2010

Figure 1.1 Répartition par source de la production mondiale en 2004 (Observ'ER, 2005)

La caractéristique fondamentale de la production renouvelable est sa dépendance

aux conditions climatiques (le vent pour les fermes éoliennes et l’ensoleillement
pour les fermes photovoltaïques). L’exploitant du système électrique a donc un
pouvoir de contrôle limité sur la quantité d’électricité en sortie des unités de
production d’énergie renouvelable. Plusieurs études montrent que ces énergies
primaires (vent et ensoleillement) ont un comportement fluctuant. Ce
comportement peut être caractérisé par des variables aléatoires traduisant les
variations sur une période donnée. Il en est de même de la puissance produite par
les fermes éoliennes et photovoltaïques.
Plusieurs paramètres du système électrique ont également un comportement
stochastique (disponibilité des moyens de production conventionnelle, des
ouvrages de réseau, la demande…). Ainsi la puissance produite par les moyens
conventionnels peut être modélisée par une variable aléatoire qui tient compte de
la disponibilité des groupes de production. Il est donc légitime de penser qu’une
modélisation probabiliste du système électrique serait adéquate pour caractériser
son fonctionnement. Et, par conséquent, que l’analyse des systèmes électriques par
les méthodes probabilistes serait particulièrement appropriée.

1.2 Description de la problématique

L’insertion d’une installation éolienne ou photovoltaïque sur un réseau électrique
(de transport ou de distribution) peut entraîner des contraintes liées à différents
aspects tels que :

2
 C H A P I T R E 1

• courants en régime permanent et congestion de réseaux,

• plan de tension,
• courants de court-circuit,
• plan de protection,
• comportement dynamique et contribution aux services de réglage de
tension et fréquence,
• stabilité des fermes éoliennes, photovoltaïques et du réseau lors de
défauts,
• qualité de la tension, etc.
La réalisation d’études d’impact des énergies renouvelables sur les réseaux est donc
nécessaire pour analyser ces contraintes, anticiper les problèmes liés au
développement futur de ces énergies et rechercher des solutions appropriées. Ces
tel-00447151, version 1 - 14 Jan 2010

études reposent en particulier sur la modélisation des unités de production

d’électricité d’origine renouvelable.
Les premières études d’insertion d’éolien ou de photovoltaïque dans les systèmes
électriques ont été réalisées à l’aide de méthodes déterministes ; ceci principalement à
cause de l’absence de modélisation probabiliste appropriée et de l’importance,
initialement, relativement réduite de ces unités de production dans le parc de
production. Ces analyses déterministes s’appuient sur l'examen d'un nombre restreint
de situations considérées à priori comme problématiques (« les pires cas ») pour
lesquelles on vérifie la tenue du système électrique. On fait l'hypothèse implicite que les
autres situations pouvant se produire sont moins contraignantes.
L’approche probabiliste est une autre façon d’aborder le problème. Dans son
principe, elle revient à considérer tous les cas possibles avec leur probabilité
d’occurrence afin d’estimer le risque de ne pas respecter une contrainte du
système. Les conséquences du non respect de la contrainte seront bien sûr à
mettre en regard de leur « gravité » ou sévérité pour le système. Le gestionnaire de
réseau devra au préalable établir une politique de risque.
L'approche probabiliste devrait ainsi permettre de « balayer » l’ensemble des
configurations (ou cas) possibles en tenant compte des aléas liés à la production
renouvelable, à la disponibilité des unités conventionnelles et des lignes, à la
demande… et donc de cerner plus finement les risques encourus avec le niveau de
sévérité et la probabilité d’occurrence des situations contraignantes. L’objectif est
alors de rechercher des solutions nouvelles techniquement et économiquement
viables tout en garantissant la sécurité des personnes et des biens.
Bien sûr, en plus d’une modélisation probabiliste du système électrique,
l’utilisation de ce type d’approche requiert le développement d’une nouvelle
méthodologie pour les études d’insertion et l’utilisation d’outils appropriés.
D’autre part, l’implémentation des solutions nouvelles auxquelles elles pourraient
conduire devra probablement s’appuyer sur des moyens évolués de conduite et de

3
 C H A P I T R E 1

contrôle des fermes et des réseaux et pourrait nécessiter une évolution du cadre
réglementaire et contractuel.

1.3 Objectif
Du fait de l’arrivée massive des énergies renouvelables à tous les niveaux du réseau
(transport et distribution), ce dernier est en pleine mutation de sa structure verticale
traditionnelle à une structure horizontale. L’analyse des systèmes électriques dans ce
contexte requiert la prise en compte des différents aléas induits par les nouveaux
moyens de production et par les autres éléments du système. Cette thèse a pour
objectif de contribuer à l’évaluation de l’apport de l’application des méthodes
probabilistes aux études d’impact de l’éolien et du photovoltaïque sur les systèmes
électriques par rapport aux méthodes déterministes. Cet apport va être évalué en
particulier pour les études d’impact à long terme (type planification). La réalisation de
cet objectif principal s’est déclinée en trois étapes :
tel-00447151, version 1 - 14 Jan 2010

• Modélisation probabiliste du système électrique : il s’est agit ici de caractériser

la variation de plusieurs paramètres du système par des variables aléatoires, de
développer des méthodes de calcul des distributions de probabilité de ces
variables aléatoires et d’analyser les dépendances ou corrélations éventuelles
entre elles.
• Développement de méthodes probabilistes pour les études de raccordement et
d’intégration des énergies renouvelables dans les systèmes électriques :
- les études de raccordement concernent l’analyse de l’impact d’une
ferme éolienne ou photovoltaïque raccordée au réseau de distribution ;
- les études d’intégration concernent l’analyse de l’impact d’un parc
d’éolien et de photovoltaïque sur un système maillé.
• Etudes de cas et comparaisons des méthodes probabilistes et déterministes.
Les études abordées dans cette thèse sont des analyses des différents états permanents
d’un système électrique sur une période donnée. Nous ne nous intéresserons pas à la
dynamique lente du système. Les méthodes d’études dynamiques exposées concernent
l’analyse de la réaction du système à un défaut. Les différent états initiaux étant les tous
les états stables possibles du système sur la période de l’étude.
Ce travail s’inscrit dans un partenariat entre Supelec et EDF avec pour but de proposer
à EDF des méthodes probabilistes alternatives aux méthodes déterministes utilisées
pour les études d’impact des énergies renouvelables sur les systèmes électriques.

1.4 Organisation du mémoire

Ce mémoire de thèse est organisé en 6 chapitres :
• Le chapitre 1 est une introduction générale où la problématique de la thèse et
les objectifs sont présentés.

4
 C H A P I T R E 1

• Le chapitre 2 présente les systèmes électriques et leur fonctionnement, les

technologies d’énergies éoliennes et photovoltaïques sont ensuite décrites ;
vient ensuite le sujet central du chapitre à savoir : la question de l’impact de
l’éolien et du photovoltaïque et enfin les conditions techniques de
raccordement des énergies renouvelables dans les réseaux français sont
présentées.
• Le chapitre 3 commence par quelques rappels de notions de probabilités et
statistiques. La suite est une présentation des méthodes développées pour la
caractérisation probabiliste du système électrique. Chaque élément du système
ayant un comportement variable est ainsi modélisé par une loi de probabilité.
Ces différentes lois de probabilité et la structure de dépendance entre elles
forment le modèle probabiliste du système électrique.
• Le chapitre 4 présente les méthodes développées pour les études d’impact de
l’éolien et du photovoltaïque sur les systèmes électriques en statique et en
tel-00447151, version 1 - 14 Jan 2010

dynamique. Il commence par un état de l’art des études de réseau, vient ensuite
une description des études d’impact d’EnR telles qu’elles sont réalisées
actuellement par les gestionnaires de réseaux français, ensuite sont exposées les
méthodes probabilistes développées durant ce travail de recherche et enfin les
critères de comparaison entre les deux approches sont donnés.
• Le chapitre 5 présente l’application des méthodes probabilistes pour les études
en statique à deux cas d’étude :
- le raccordement d’une ferme éolienne à un réseau de distribution,
- l’intégration d’un parc d’éolien et photovoltaïque à un réseau maillé de
type insulaire.
Pour chaque cas d’étude, les approches déterministe et probabiliste sont
appliquées et les résultats sont comparés.
• Le chapitre 6 conclu le travail et propose des perspectives de futurs travaux de
recherche.

5
 tel-00447151, version 1 - 14 Jan 2010

C H A P I T R E 1

6
 C H A P I T R E 2
Chapitre

2
2 Problématique de
l’insertion des EnR
dans les systèmes
tel-00447151, version 1 - 14 Jan 2010

électriques
L’intégration des unités de production à base d’énergie renouvelable
pose des problèmes nouveaux aux gestionnaires de réseaux.

L
es unités de production à base d’énergie renouvelable (EnR), mises à part
les centrales hydrauliques, étaient, au début de leur développement, en
majorité de petites taille. Ces unités ont donc d’abord été raccordées aux
réseaux de distribution d’où le terme production décentralisée – qui qualifie
toute source d’énergie raccordée directement au réseau de distribution ou après le
compteur côté consommateur (Ackermann, et al., 2001) – souvent employé pour
les désigner. Au fur et à mesure que les technologies se développent, les unités de
production d’EnR deviennent plus grosses et par conséquent sont connectées aux
niveaux de tension plus élevés (réseau de transport). Cette arrivée de la production
à tous les niveaux est un challenge à la fois nouveau et important pour les
gestionnaires de réseaux. Ces derniers exploitent un système qui a été conçu pour
des flux de puissance unidirectionnels allant des centrales de production jusqu’aux
consommateurs en passant d’abord par le réseau transport et ensuite par le réseau
de distribution. En plus de circuler dans un sens, l’électricité provient de centrales
conventionnelles dont on maitrise et contrôle la production. L’arrivée des EnR, en
particulier sur les réseaux de distribution, change la situation (production variable,
possible inversion de flux de puissance dans les lignes) et peut générer un certain
nombre de problèmes et de contraintes dont il faut limiter les effets. Ces
problèmes et contraintes ont conduit à la définition de règles ou de conditions
techniques de raccordement de la production d’EnR sur les réseaux.

7
 C H A P I T R E 2

2.1 Fonctionnement du système électrique

Le système électrique est un ensemble d’installations électriquement connectées qui
assure, via le réseau, le transfert de l’énergie électrique, des producteurs aux
consommateurs. Cette énergie peut être produite à partir de sources aussi variées que
l’hydraulique, les combustibles fossiles, la fission nucléaire, le vent, le soleil. Le stockage
à grande échelle de l’énergie électrique sous forme immédiatement disponible n’est,
actuellement, pas possible dans des conditions économiques satisfaisantes. Le
problème majeur de l’exploitant du système est donc de maintenir en permanence,
l’équilibre entre l’offre disponible et la demande potentielle, étant entendu que
l’équilibre instantané entre production et consommation est une condition nécessaire
au fonctionnement du système production-transport-consommation. L’exploitation du
système repose donc sur l’adaptation permanente de la production aux fluctuations de
la demande, dans le respect des contraintes liées au réseau. En général on distingue
trois fonctions principales du système électrique :
tel-00447151, version 1 - 14 Jan 2010

• La production : elle est assurée par les centrales électriques qui convertissent
l’énergie primaire en électricité.
• Le transport : il est assuré par un réseau de lignes et câbles qui assurent la mise
en commun et la répartition sur un grand territoire de toute l’électricité qui y
est produite.
• La distribution : Il s’agit de réseaux intermédiaires qui desservent les millions de
consommateurs, industriels ou domestiques, qui ont besoin de petites
puissances.
2.1.1 Le système électrique « vertical »
Le schéma fonctionnel traditionnel des systèmes électriques repose sur le fait que ces
derniers étaient jusqu’à la fin des années 90 exploités par des compagnies
monopolistique, verticalement intégrées, assurant à la fois la production d’électricité et
son transport et souvent aussi sa distribution. L’intégration verticale de ces compagnies,
souvent étatiques, est due d’une part à l’importance économique et sociale de
l’électricité, d’autre part à la nature fortement capitalistique des moyens de production
et des réseaux électriques.
Au cours du XXe siècle, l’évolution des systèmes électriques a été basée sur une
structure « verticale » dans laquelle l’énergie électrique était produite par un nombre
réduit de centrales de grande taille. Le choix des sites de production était dicté par la
disponibilité des ressources énergétiques ou par les facilités d’acheminement des
ressources aux dits sites. Cette stratégie à conduit à une concentration des moyens de
production sur des sites relativement éloignés des zones de consommation. Dans cette
configuration, l’énergie électrique est transportée des zones de production vers les
multiples zones de consommation par le biais d’une structure hiérarchique (Figure 2.1).
Le transport se fait dans le sens des hautes tensions (réseaux de transport et de
répartition) vers les basses tensions (réseaux de distribution).

8
 C H A P I T R E 2

Centrale
électrique

Flux électrique
HTB (400, 225, 90, 63 kV)
Niveaux de tension :

Poste source
THT/HTA ou Réseau de
tel-00447151, version 1 - 14 Jan 2010

HTB/HTA transport
Sens d’écoulement de la puissance active

Flux électrique
Niveaux de tension :
HTA (20 kV)

Transformateur
HTA/BT

Réseau de
distribution HTA

Flux électrique
Niveaux de tension :
BT (400 /230 V)

Consommateur
Réseau de
distribution BT

Figure 2.1 Structure vertical du système électrique

9
 C H A P I T R E 2

2.1.1.1 Le réseau de transport

La fonction première des grands réseaux de transport est d’assurer la liaison entre les
centres de production et les grandes zones de consommation. Ils permettent
d’acheminer, là où elle est consommée, l’énergie la moins chère possible à un instant
donné. Par ailleurs, le maillage du réseau (Figure 2.2) contribue à la sécurité
d’alimentation et permet de faire face, dans des conditions économiques satisfaisantes,
aux aléas locaux ou conjoncturels (indisponibilité d’ouvrage, aléa de consommation,
incident…) qui peuvent affecter l’exploitation.

HTB/HTA
tel-00447151, version 1 - 14 Jan 2010

Générateur

Figure 2.2 Structure maillée d’un réseau de transport

En France le « Transport » correspond en termes de niveaux de tension à la HTB

(Haute Tension B) qui se décompose en trois niveaux : HTB3 (400 kV), HTB2 (225
kV) et HTB1 (150 kV, 90 kV et 63 kV). Ces plages de tension sont le résultat d’un
compromis entre le coût d’investissement, le coût d’exploitation et le service rendu.
2.1.1.2 Le réseau de distribution
La distribution couvre historiquement en France les réseaux à moyenne tension, dits
HTA (Haute Tension A : 20 kV), et les réseaux à basse tension, BT (400 V). La
frontière avec les réseaux de transport se situe dans les postes sources au niveau du
transformateur HTB/HTA. La frontière avec les consommateurs se situe en général au
niveau de l’appareil de coupure en aval du comptage, par exemple en aval du
disjoncteur BT chez un consommateur résidentiel.
Les réseaux de distribution sont arborescents, non maillés (Figure 2.3). Cela signifie que
tout point desservi n’est, à chaque instant, alimenté que par un seul chemin électrique,
venant d’un poste source, passant successivement dans un réseau HTA, dans un poste
de distribution HTA/BT puis dans un réseau BT.

10
 C H A P I T R E 2

HTB/HTA

HTA/BT
tel-00447151, version 1 - 14 Jan 2010

Figure 2.3 Structure arborescente d’un réseau de distribution

2.1.1.3 La production conventionnelle

Vu du centre de conduite, un moyen de production va se caractériser par (Bornard,
2000) :
• son dimensionnement général ; il s’agit essentiellement de :
- sa puissance nominale ;
- son domaine de fonctionnement en tension et fréquence ;
- son apport maximal au courant de court-circuit ;
- la puissance minimale qu’il peut produire en continu (minimum
technique) ;
- ses possibilités de surcharges temporaires ;
• sa flexibilité ; elle comprend deux aspects :
- son aptitude à adapter sa production de puissance active à la demande,
de manière à faire face à un déséquilibre entre la production
programmée et la demande réelle. Parmi les caractéristiques, on va
trouver le temps de démarrage, l’aptitude à participer au réglage
primaire et secondaire fréquence-puissance, la capacité de
« modulation » (vitesse de variation de puissance possible, amplitude
de variation, limitations éventuelles vis-à-vis de variations successives,
aptitude à la baisse d’urgence).
- Son aptitude à adapter sa production de puissance réactive à la
demande ; en effet les groupes de production jouent un rôle
fondamental dans le réglage de la tension sur les réseaux. Ils
permettent de maintenir à une valeur de consigne la tension au nœud

11
 C H A P I T R E 2

où ils sont raccordés, dans la limite de leurs capacités de fourniture ou

d’absorption de la puissance réactive.
• son comportement lors des situations perturbées, par exemple :
- son aptitude à fonctionner après un creux de tension important,
- sa capacité à se découpler du réseau tout en continuant à alimenter ses
auxiliaires,
- ses performances en fonctionnement sur un réseau réduit.
Les caractéristiques précitées sont importantes pour le gestionnaire du réseau car d’elles
dépend la conduite du système. En effet, les différents types de centrales offrent des
souplesses et des contraintes diverses selon l’énergie primaire qu’elles utilisent et selon
leurs caractéristiques constructives.
Dans la structure verticale, le parc de production d’un système électrique est surtout
tel-00447151, version 1 - 14 Jan 2010

constitué de grosses unités de production du type centrales nucléaires, thermiques à

flamme, hydroélectriques. A la fin du XXe, il a été remarqué une augmentation notoire
de la part d’unités de production de petites tailles raccordées aux réseaux. Cette
évolution s’est manifestée dans un premier temps avec les petites centrales
hydroélectriques, les cycles combinés à gaz, les cogénérateurs et dans un deuxième
temps avec les nouvelles énergies renouvelables telles que le solaire photovoltaïque et
les éoliennes. Ces petites unités ont en commun leur manque de flexibilité.
2.1.2 Le nouveau paradigme
Le développement, en marge des moyens conventionnels de production, d’un nombre
important de petites unités de production de type éolien, solaire, hydraulique, ou même
thermique sous forme de cogénération, se traduit dans les réseaux de distribution par
une circulation bidirectionnelle de l’énergie ainsi produite. A ce phénomène se rajoute
le fait que, notamment pour les productions éolienne et photovoltaïque, l’énergie ne
sera disponible que de façon intermittente ; ce dernier aspect impacte le système
électrique tout entier. La circulation bidirectionnelle de l’énergie et l’intermittence de la
production des nouvelles unités nécessitent une adaptation de la gestion des systèmes
électriques pour en maintenir le niveau de sécurité.
La mise en œuvre du nouveau paradigme qui intègre les productions d’énergies
renouvelables de grande taille (connectées en réseau de transport) ou décentralisées
(connectées en réseau de distribution) au contexte économique (dérégulation des
marchés de l’énergie et émergence de producteurs indépendants) va conduire, pour les
systèmes électriques, à un nouveau schéma de fonctionnement qui viendra
progressivement se substituer au schéma de la Figure 2.1. Ce nouveau schéma (Figure
2.4) se caractérise surtout par l’apparition dans les réseaux de distribution de nouveaux
moyens de production (souvent d’autoproduction) dits non conventionnels. En
France, le niveau de tension du point de raccordement d’une installation de production
est réglementé. Ainsi, toutes les unités de production de puissance installée inférieure à
17 MW sont raccordées en réseau de distribution (Arrêté du 23 Avril, 2008).

12
 C H A P I T R E 2

Réseau de transport

Réseau de Réseau de Réseau de

distribution distribution distribution
tel-00447151, version 1 - 14 Jan 2010

Unité locale de
Domestique cogénération
Industrie avec
autoproduction
(cogénération,
PV…)

Stockage

Domestique sans autoproduction

Résidentiel tertiaire

Figure 2.4 Nouveau schéma fonctionnel du système électrique

2.1.2.1 Production non conventionnelle

Les conditions économiques engendrées par le nouveau contexte réglementaire incitent
les consommateurs importants à chercher des solutions pour faire face aux fluctuations
tarifaires issues de la dérégulation. Une des solutions est de s’équiper de moyens de
production alternatifs à la production conventionnelle. Il s’agit en général de petites
unités de production (< 17 MW) raccordées au réseau de distribution dont le rôle est
de moduler la puissance importée par le consommateur. Ce dernier pourra même, dans
le cas d’énergies renouvelables, profiter des différents tarifs de rachat en exportant cette
production au réseau électrique. Notons que ces incitations économiques (tarifs de
rachat) favorisent le développement et le raccordement au réseau des unités de
production d’énergie renouvelable (Figure 2.4).
Les unités de production alternatives que nous appelons production non
conventionnelle regroupent les moyens de production d’énergie renouvelables comme
l’éolien, le solaire photovoltaïque, la géothermie, l’énergie marine, la biomasse et d’autre
technologies comme la cogénération, les micro-turbines à gaz ou au fuel. Le
développement de la production non conventionnelle repose sur la maîtrise des

13
 C H A P I T R E 2

techniques d’électronique de puissance. Ce qui suit est une brève présentation des
moyens de production non conventionnels.
2.1.2.1.1 Micro-turbines
D’une puissance allant de 25 à 500 kW, elles sont constituées d’un alternateur
(générateur) intégré à très grande vitesse de rotation (50 000 à 120 000 tours par
minutes). Le courant produit a donc une fréquence très élevée, de l’ordre de 10 kHz ;
d’où la nécessité du recours à des convertisseurs à électronique de puissance pour
interfacer ce type de générateurs aux réseaux électriques classiques.
La majorité des micro-turbines utilise le gaz comme combustible (Papaefthymiou,
2006). Ceci contribue à améliorer le bilan écologique de ce type de technologie par
rapport à l’utilisation du fuel. L’utilisation, possible et, grandissante, des combustibles
d’origine renouvelable comme l’éthanol va dans le même sens.
2.1.2.1.2 La cogénération
La cogénération désigne la production simultanée d’électricité et de chaleur. Au début
des années 2000 ils représentaient la majorité des moyens de production décentralisée
tel-00447151, version 1 - 14 Jan 2010

sur les réseaux de distributions (Jenkins, et al., 2000). Les unités de cogénération
utilisent en général les énergies fossiles (fuel, gaz). Le principe est de récupérer la
chaleur résultant de la transformation de l’énergie primaire en électricité et de l’utiliser
pour des usages tels que le chauffage individuel ou collectif ou encore l’eau chaude.
Bien souvent pour de petites installations, la production de chaleur est prépondérante,
reléguant l’électricité au rang de produit dérivé servant à l’auto alimentation des
auxiliaires de l’installation. Avec le processus de production simultanée d’électricité et
de chaleur, le rendement global d’une installation de cogénération peut atteindre 85%
(Papaefthymiou, 2006). De plus les unités de cogénération permettent de réduire de
35% la consommation d’énergie primaire par rapport aux simples turbines thermiques
(Jenkins, et al., 2000).
2.1.2.1.3 La géothermie
Le principe de la géothermie consiste à capter la chaleur de la croûte terrestre pour le
chauffage (température inférieure à 90°) ou pour produire de l’électricité (température
comprise entre 90 et 150°). Les centrales géothermiques convertissent cette chaleur en
la captant et en la ramenant à la surface de la terre par le biais d’un fluide caloporteur –
qui peut être de l’eau – puis en transformant l’énergie contenue dans le fluide en
électricité.
L’énergie géothermique est souvent considérée comme une forme d’énergie
renouvelable. Il convient de nuancer cette opinion car la chaleur extraite du sol ne se
renouvelle pas ; la quantité de chaleur contenue dans le sol d’une installation
géothermique diminue donc irréversiblement. La période productive d’un sol est
estimée entre 10 et 100 ans, suivant le taux d’extraction (Sheth, et al., 2004).
2.1.2.1.4 La pile à combustible
Comme une batterie, la pile à combustible produit du courant électrique à partir d’une
réaction chimique. La fabrication d’électricité se fait grâce à l’oxydation d’une électrode
du combustible réducteur (par exemple le dihydrogène) couplé à la réduction sur l’autre
électrode d’un oxydant tel que le dioxygène de l’air.

14
 C H A P I T R E 2

Les piles à combustible ont un rendement très élevé, jusqu’à 80% (Papaefthymiou,
2006). Lorsque l’hydrogène est utilisé comme combustible, le fonctionnement de la pile
ne produit que de l’eau pure, elle est donc particulièrement écologique.
2.1.2.1.5 La biomasse
La biomasse est la première source d’énergie renouvelable en France devant l’énergie
hydraulique, éolienne et géothermique. Les ressources en biomasse peuvent être
classées en plusieurs catégories : le bois, les sous produits du bois (branchages, écorces,
sciures, plaquettes…), certains sous produits de l’industrie (boues issues de pattes à
papier, déchets des industries agroalimentaires…), les produits issus de l’agriculture
traditionnelle (pailles, bagasse, produits issus de plantations à vocation énergétique…)
et les déchets organiques.
En pratique, la ressource en biomasse est convertie sous forme d’énergie thermique,
liquide, solide ou sous forme gazeuse et autres produits chimiques par divers processus
de transformation. Ces différentes formes sont ensuite transformées en électricité.
tel-00447151, version 1 - 14 Jan 2010

2.1.2.1.6 La petite hydraulique

Le principe de production d’énergie hydraulique consiste à capter la force motrice
(énergie mécanique) des cours ou des chutes d’eau et à la transformer en électricité. On
distingue la petite hydraulique de la grande hydraulique. Les installations de petite
hydraulique sont principalement des usines au fil de l’eau (sans réservoirs d’eau) d’une
puissance inférieure à 10 kW.
L’intégration et l’exploitation de petites centrales hydrauliques dans un réseau de
distribution sont parfaitement maîtrisées depuis plusieurs années (Jenkins, et al., 2000),
malgré le fait que, ces installations, souvent au fil de l’eau, peuvent avoir une
production très variable (cours d’eau à débits variables) liée à la disponibilité de l’eau. La
puissance produite par une turbine hydraulique est donnée par l’expression (Jenkins, et

  2.1
al., 2000):

où :
• P est la puissance produite (W),
• Q est le débit du cours d’eau (m3/s),
• H est la hauteur de chute d’eau (m),
• η est le rendement de la turbine,
• ρ est la densité de l’eau (1000 kg/m3),
• g est la constante gravitationnelle.
H, η, ρ et g, sont des paramètres constants. La puissance produite par une turbine
hydraulique est donc directement proportionnelle au débit Q du cours d’eau. Elle peut
par conséquent, en l’absence de capacité de réserve significative, être sujette à des
variations liées à celles du débit.

15
 C H A P I T R E 2

2.1.2.1.7 L’éolien et le photovoltaïque

Ce sont les deux formes d’énergie renouvelable qui connaissent les plus fortes
progressions (Tableau 2.1) de nos jours en particulier pour la production d’électricité.
Elles ont aussi en commun la dépendance à des sources d’énergie qui bien
qu’inépuisables sont très variables et non contrôlables. Ces caractéristiques font de
l’intégration de ces deux formes d’énergie renouvelable – que nous désignerons par
‘EnR’ dans la suite de ce document – dans les systèmes électriques un challenge
relativement nouveau pour les gestionnaires.
Tableau 2.1 Evolution en MW installés de de la production d’énergie renouvelable en France

biogaz, biomasse cogénération déchet ménagers Eolien Photovoltaïque Hydro

2005 657 2826 531 662 1,6 n.c.
2006 906 2769 578 1567 5 1273
2007 751 2246 421 2336 11,5 1347
2008 746 2215 445 3140 47,7 1371
tel-00447151, version 1 - 14 Jan 2010

La prochaine partie sera consacrée à une description détaillée de ces deux formes
d’EnR. Il sera notamment présenté le processus de conversion dans le but de souligner
la variabilité de la production en fonction de l’énergie primaire.

2.2 Technologies et fonctionnement des EnR

2.2.1 L’éolien
Les questions relatives aux technologies et au fonctionnement des turbines éoliennes
sont largement traitées dans la littérature (Heier, 2006), (Polinder, et al., 2001),
(Slootweg, et al., 2001), (Karki, et al., 2006). Dans cette partie seront présentées les
trois grandes technologies d’éoliennes les plus courantes sur le marché des turbines. La
question de la régulation de la puissance générée sera traitée en préambule à la
caractérisation probabiliste de cette dernière dans le chapitre 3.
2.2.1.1 Conversion d’énergie
Le principe de fonctionnement d’une turbine éolienne est de capter l’énergie cinétique
du vent dans le but de produire de l’électricité (Figure 2.5). La conversion de l’énergie
cinétique en énergie électrique se fait en deux étapes (Laverdure, 2005):
• Au niveau de la turbine (rotor), qui extrait une partie de l’énergie cinétique du
vent disponible pour la convertir en énergie mécanique.
• Au niveau de la génératrice, qui reçoit l’énergie mécanique et la convertit
ensuite en énergie électrique, transmise au réseau électrique.

16
 C H A P I T R E 2

Rotor Génératrice Connexion au réseau

Réseau
Vent

Energie Energie Energie

cinétique mécanique électrique

Figure 2.5 Principe général de fonctionnement d’une turbine éolienne

Malgré un principe général de fonctionnement très simple, la turbine éolienne est un

système complexe faisant appel à des connaissances d’aérodynamique, de mécanique,
de génie civil, d’électricité et d’automatique.
tel-00447151, version 1 - 14 Jan 2010

2.2.1.2 La caractéristique vent-puissance

La puissance du vent disponible à la surface balayée par les pales de la turbine

1
s’exprime en fonction de la vitesse du vent :

    2.2
2
avec :
• ρ : densité volumique de l’air (kg/m3),
• S : surface balayée par les pales (m2),
• v : vitesse moyenne du vent à travers la surface S (m/s).

La puissance du vent ne peut pas être récupérée entièrement par l’hélice (Théorie de
Betz : la puissance récupérable ne dépasse pas 60 à 70% de la valeur maximale). La
puissance captée par la turbine peut s’exprimer en fonction de la puissance disponible
en introduisant un facteur dépendant des conditions aérodynamiques des pales.

1

     ,  2.3
2
avec :
• Cp : coefficient de puissance ; il caractérise l'aptitude de l’aérogénérateur à
capter de l'énergie éolienne. D’après la théorie de Betz sa valeur maximale
est de 0,593.

    : rapport de vitesse entre la vitesse en bout de pale et la vitesse

•
 
β : angle de calage des pales.

•
du vent ;
où :
• ΩT est la vitesse de rotation de l’éolienne (rad/s) ;

17
 C H A P I T R E 2

• RT est le rayon de la turbine (m).

Le résultat important est que cette puissance éolienne varie avec le cube de la
vitesse du vent. Une turbine éolienne est dimensionnée pour développer sur son
arbre une puissance dénommée puissance nominale PN obtenue à partir d'une
vitesse du vent VN (vitesse nominale).
A coté de la vitesse nominale VN, on spécifie aussi :
• la vitesse de démarrage, VD, à partir de laquelle l'éolienne commence à
fournir de l'énergie,
• la vitesse maximale du vent, VM, pour laquelle la turbine ne convertit plus
l'énergie éolienne, pour des raisons de sûreté de fonctionnement.
Les vitesses VD, VN et VM définissent quatre zones sur le diagramme de la
puissance utile en fonction de la vitesse du vent.
tel-00447151, version 1 - 14 Jan 2010

Décrochage aérodynamique

Angle de calage variable

PN
Puissance

VD VN VM
Vitesse du vent

Figure 2.6 Caractéristique vent-puissance des éoliennes

Lorsque la vitesse du vent est supérieure à VN, pour éviter la destruction

mécanique et/ou la surcharge des convertisseurs, la turbine éolienne doit modifier
ses paramètres aérodynamiques afin de réduire la puissance captée PT. Cela permet
de garder la vitesse de rotation du rotor pratiquement constante et dans les
limites acceptables. Le contrôle de la puissance captée par la turbine se fait en
jouant sur coefficient de puissance Cp. Il existe deux méthodes de régulation : la
régulation par décrochage aérodynamique (stall control) et la régulation par angle de
calage variable (pitch control).
La régulation par décrochage aérodynamique est la solution la plus robuste car
c’est la forme des pales qui conduit à une perte de portance au-delà d’une certaine
vitesse de vent, mais la courbe de puissance chute plus vite (Figure 2.6 courbe en traits
interrompus). Il s’agit donc d’une solution passive.
Ce système présente l’avantage d’être simple et robuste car il ne fait intervenir aucun
système mécanique ou électrique auxiliaire. Par contre la puissance captée par la turbine

18
 C H A P I T R E 2

est seulement fonction de la vitesse du vent et de la vitesse de rotation. Il n’y a donc

aucune possibilité d’adaptation.
Dans le cas de la régulation par angle de calage variable, on utilise des actionneurs
hydrauliques ou électriques, pour modifier l’angle de calage β des pales par rotation de
celles-ci. Ce système permet l'augmentation de l'angle de calage de quelques dizaines de
degrés (20 à 30° généralement). Les forces aérodynamiques (portance et traînée)
s'exerçant sur les pales sont alors réduites. Ainsi, le couple de la turbine peut être
maintenu pratiquement constant et la puissance peut être limitée à sa valeur nominale,
voire annulée par la « mise en drapeau » des pales (angle de calage de 90°).
Le principal avantage de ce type de régulation réside dans le fait que le contrôle de
l’angle de calage permet de réduire considérablement les efforts sur toute la mécanique
de la turbine (pales, tour…). De plus l’excédant de puissance à vitesse de vent élevée
peut être stockée dans l’inertie du rotor par variation de vitesse. Par contre la présence
d’actionneurs nécessite de l’énergie pour leur fonctionnement et augmente les risques
de pannes.
tel-00447151, version 1 - 14 Jan 2010

Dans les très grandes machines, un système hybride se développe, le « stall actif »
dans lequel le décrochage aérodynamique est obtenu progressivement grâce à une
orientation minime des pales nécessitant des moyens de réglage plus économiques et
plus robustes que dans le système « pitch control » (angle de calage).
2.2.1.3 Technologies de l’éolien
Les technologies éoliennes sont classées en fonction de deux critères principaux :
• la méthode de régulation utilisée au niveau de la turbine :
- la régulation par décrochage aérodynamique des pales ;
- la régulation par angle de calage variable ;
• la nature de la machine utilisée pour transformer l’énergie mécanique en
énergie électrique et la transmettre au réseau :
- Machines asynchrones à cage ;
- Machines asynchrones à double alimentation ;
- Machines synchrones.
On distingue trois grandes technologies : les éoliennes à vitesse fixe basées sur la
machine asynchrone à cage, les éoliennes à vitesse variable basées soit sur la machine
asynchrone à double alimentation soit sur la machine synchrone (Slootweg, 2005).
2.2.2 Le photovoltaïque
Le solaire photovoltaïque – conversion directe de la lumière du soleil en électricité – est
une technologie largement utilisée pour les applications en systèmes isolés (sites
éloignés des réseaux de distribution classique). La tendance a d’abord été – pour lies
pionniers – à son utilisation comme production autonome complémentaire en
résidentiel mais de nos jours, grâce aux tarifs de rachat préférentiels, la tendance est à
son utilisation aussi bien à petite qu’à grande échelle, comme source d’énergie
alternative destinée à être injectée dans le réseau. Dans cette partie nous présenterons

19
 C H A P I T R E 2

brièvement l’effet photovoltaïque qui conduit à la création du courant électrique et

nous nous intéresserons ensuite aux technologies du photovoltaïque.
2.2.2.1 Conversion d’énergie
L’effet photovoltaïque est un phénomène physique propre à certains matériaux appelés
semi-conducteurs (le plus connu est le silicium utilisé pour les composants électroniques).
Il permet de convertir directement l’énergie lumineuse des rayons solaires en électricité
par le biais de la production et du transport dans un matériau semi-conducteur de
charges électriques positives ou négatives sous l’effet de la lumière.
La lumière est une onde électromagnétique multispectrale qui peut être perçue comme
un flux de particules de masse nulle, les photons, caractérisées par une énergie donnée


par la relation :

    2.4

où :
tel-00447151, version 1 - 14 Jan 2010

• h est la constante de Planck (= 6,62 · 10-34 J.s),

• ν est la fréquence de la lumière émise (Hz),
• c est la célérité de la lumière (m/s),
• λ est la longueur d’onde de la radiation lumineuse (m).
La photopile (cellule photovoltaïque) élémentaire est constituée de deux couches en
contact d’un matériau semi-conducteur (Figure 2.7). L’une de ces couches présente un
excédant d’électron et l’autre un déficit, elles sont dites respectivement dopée n et dopée p.
Les deux couches en contact forment la jonction p-n, siège d’un champ magnétique
dirigé de la zone p vers la zone n. Lorsque les photons heurtent la surface mince des
semi-conducteurs, ils transfèrent leur énergie aux électrons de la matière. Si l’énergie
transmise par les photons est suffisante (au moins égale à l’énergie d’extraction d’un
électron), les électrons se mettent alors en mouvement en direction de la zone n, créant
ainsi un courant électrique (le photo-courant) qui est recueilli par des contacts
métalliques très fins accolés aux zones p et n.

Figure 2.7 Effet photovoltaïque

20
 C H A P I T R E 2

Le fonctionnement de la cellule photovoltaïque est modélisé par un circuit équivalent

(Figure 2.8) comportant une diode parcourue par le photo-courant Iph. Le modèle est
complété par une résistance série Rs qui matérialise les pertes ohmiques du matériau,
des métallisations et du contact métal/semi conducteur, et par une résistance parallèle
(shunt) Rsh provenant des courants parasites entre le dessus et le dessous de la cellule,
par le bord en particulier et à l’intérieur du matériau par les inhomogénéités ou
impuretés.
tel-00447151, version 1 - 14 Jan 2010

Figure 2.8 Schéma équivalent d’une cellule photovoltaïque

L’illumination de la cellule produit le photo-courant Iph qui est indépendant de la

tension. Mais lorsque la tension augmente, une partie de ce courant est dissipée dans la
jonction représentée sur la Figure 2.8 par la diode. La caractéristique courant-tension

) * + !,$ * + !,$
(I/V) de la cellule s’écrit alors (Rosell, et al., 2006) :

!  !" # !$ %&'( % / # 1/ # 2.5

-. ,$"
Avec :
• Is = courant de saturation de la diode,
• q = 1,602 · 10-19 C : charge d’un électron,
• k = 1,38 · 10-23 : constante de Boltzmann,
• T = température absolue en K.
L’allure de la caractéristique courant-tension (Figure 2.9) varie en fonction des
conditions environnementales (irradiation et température) et du point de
fonctionnement de la cellule photovoltaïque, c'est-à-dire de la charge électrique qui lui
est connectée. Vu que ces conditions changent en permanence, différentes techniques
de recherche automatique du point de puissance maximale (MPPT) ont été
développées. Nous ne nous attarderons pas sur ces techniques largement développées
dans la littérature spécialisée, l’idée principale à retenir étant que la production d’un
panneau solaire est dépendante de l’ensoleillement et de la température et que des
dispositifs à base d’électronique de puissance permettent entre autre d’optimiser cette
production.

21
 C H A P I T R E 2
tel-00447151, version 1 - 14 Jan 2010

Figure 2.9 Caractéristique I/V pour différentes valeurs d’ensoleillement et température

2.2.2.2 Technologies
Les technologies de panneaux photovoltaïques sont classées en trois catégories
(générations) dont la description détaillée est largement abordée la littérature spécialisée
(Patel, 1999), (Lincot, 2007) (Goetzberger, et al., 2003):
• La première génération est constituée des technologies classiques au silicium
monocristallin et polycristallin. Ce dernier est moins cher que le précédent mais
permet des rendements moins élevés, avec 19 % contre 24,5 % de rendement
record sur les cellules de laboratoire. Ces deux filières commerciales dominent
actuellement le marché, avec des modules commerciaux présentant des
rendements de 12 à 14 % pour le polycristallin et de 15 à 16 % (Lincot,
2007)pour le monocristallin (à noter que des rendements de près de 20 % ont
été obtenus récemment.
• La deuxième génération comporte les technologies à couches minces
comme le silicium amorphe, le CIS/CIGS (cuivre indium/gallium selenium), le
CdTe (tellure de cadmium), les cellules photovoltaïques plastiques, à colorant.
Les rendements record obtenus en laboratoire pour ces technologies sont de
l’ordre de 12 % pour le silicium amorphe, de 20 % pour le CIS/CIGS et de
16,5 % pour le CdTe (Lincot, 2007). Les rendements commerciaux sont
respectivement de 6 %, 11 à 13 % et 8 à 9 % pour le silicium amorphe, le
CIS/CIGS et les CdTe.
• La troisième génération, encore à l’état de concept théorique aujourd’hui,
devrait considérablement améliorer les rendements des deux autres filières. Les
concepts « troisième génération » sont :
- la photopile avec une ou plusieurs bandes intermédiaires,
- la conversion des photons non utilisés directement dans la cellule PV,

22
 C H A P I T R E 2

- les cellules utilisant les porteurs chauds,

- les cellules à puits quantiques,
- les antennes électromagnétiques.
Les développements autour de la troisième génération visent des rendements
allant de 30 à 70 % et des réductions de coûts considérables.
Le raccordement du panneau photovoltaïque au réseau est réalisé à travers une
interface à électronique de puissance dont le principal composant est l’onduleur. Il
existe plusieurs topologies d’interface qui se distinguent par le type d’onduleur utilisé
(Sabonnadière, 2006).
• Onduleur central. Plusieurs lignes de panneaux sont raccordées directement à un
onduleur centralisé. Cette structure nécessite de placer une diode en série qui
interdit tout courant inverse dans un groupement élémentaire de panneaux
connectés en série, constituant une branche d’une association parallèle.
tel-00447151, version 1 - 14 Jan 2010

• Onduleur individuel. Chaque panneau est raccordé à un petit onduleur. (certains

onduleurs permettent de raccorder jusqu’à cinq modules en série) Les
onduleurs sont alors tous raccordés en parallèle sur le réseau.
• Onduleur de rangée. Chaque ligne de modules est raccordée à un onduleur
(certains onduleurs permettent de raccorder directement deux ou trois lignes
en parallèle). Les onduleurs sont raccordés en parallèle sur le réseau.
• Onduleur multi-rangées. Un convertisseur DC/DC est associé à un groupement
série de modules. Les convertisseurs DC/DC en parallèle, sont reliés à un
onduleur central.
2.2.3 Conclusion
Les éoliennes et les panneaux photovoltaïques sont des moyens de production
d’énergie renouvelable en forte expansion dans les systèmes électriques de nos jours. Ils
ont la particularité d’avoir un productible largement dépendant de la disponibilité de
leur énergie primaire (vent et ensoleillement). Il existe plusieurs technologies d’éolien et
de photovoltaïque caractérisées, d’une part par la méthode de régulation et par la nature
de la machine électrique utilisée pour l’éolien, d’autre part par le système de conversion
lumière – courant et le type de raccordement pour le photovoltaïque. Ces différentes
technologies d’énergie renouvelables, de par leurs particularités de fonctionnement ont
des impacts sur le système électrique.

2.3 Impact des EnR sur les systèmes électriques

En raison de la nature intermittente de la source d’énergie et des fluctuations qui
en résultent au niveau de la puissance produite par une unité de production d’EnR,
le raccordement de celle-ci à un système électrique quelconque a un impact non
négligeable qui dépend de la technologie utilisée (Bousseau, et al., 2003),
(Slootweg, 2005), (Tan, 2004) et aussi du type de réseau. En général on peut dire
que plus le taux de pénétration est important, plus l’impact de l’intégration des

23
 C H A P I T R E 2

EnR dans les réseaux est significatif. On peut distinguer des impacts locaux qui
concernent tous les types de réseaux et les impacts globaux qui concernent en
particulier les réseaux de transports interconnectés et les réseaux insulaires.
2.3.1 Impacts locaux
Ce sont les impacts qui se produisent dans le voisinage (électrique) du point de
raccordement de l’unité et qui peuvent être attribués directement à cette dernière.
Les impacts locaux sont en général indépendants du taux de pénétration global des
unités de production d’EnR dans le système. Ils concernent deux principaux
aspects : la capacité d’accueil du réseau et la qualité de tension.
2.3.1.1 Capacité d’accueil du réseau
2.3.1.1.1 Courants en régime permanent
Suite au raccordement d'un producteur (EnR ou pas) sur le réseau, l'intensité du
courant en fonctionnement normal parcourant un ou plusieurs éléments du réseau
(lignes, câbles) peut augmenter. Il y a donc risque de dépassement des valeurs
tel-00447151, version 1 - 14 Jan 2010

admissibles pour les différents équipements de réseau. Ceci implique

naturellement la première contrainte à respecter qui est de ne pas dépasser ces
valeurs admissibles quelques soient la configuration et le point de fonctionnement
de la centrale connectée et du système électrique dans lequel elle s’insère.
Lorsque l'installation d’EnR est reliée au réseau de distribution et qu'elle n'exporte
pas ou peu de puissance sur le réseau de transport, les contraintes thermiques
éventuelles liées au régime permanent apparaissent en général sur les conducteurs
proches de l'installation (Figure 2.10). Elles sont liées à la puissance de l'installation
raccordée et aux caractéristiques des conducteurs existants.
Lorsque l'installation de production d’EnR est reliée aux réseaux de distribution ou
de transport et qu'elle exporte de la puissance sur le réseau HTB, des phénomènes
de congestion peuvent apparaître. Ces phénomènes de congestion seront d'autant
plus probables et importants que les installations éoliennes seront de forte
puissance. Suivant les puissances raccordées, les phénomènes de congestion
pourront par exemple être observés à l'échelle d'une région.

Jeu de barres Jeu de barres

Icharge0 Iprod-Icharge

Iprod
Icharge0 Icharge

Figure 2.10 Courant en régime permanent avant et après raccordement d’un producteur sur réseau de distribution

2.3.1.1.2 Courants de court-circuit

L’impact sur le courant de court-circuit est surtout du aux fermes éoliennes qui suivant
la technologie peuvent, en cas de défaut sur le réseau, alimenter et donc accroître le

24
 C H A P I T R E 2

courant de court-circuit circulant dans le réseau (Bousseau, et al., 2004). La contrainte

ici est de ne dépasser ni les valeurs maximales admissibles pour les différents
appareillages de réseaux et les conducteurs, ni le pouvoir de coupure des organes de
protection. Chaque appareil de coupure possède un pouvoir de fermeture et un
pouvoir de coupure sur défaut ; un dépassement des valeurs de dimensionnement de
l’appareil de coupure a pour conséquence un risque de non coupure de l’arc ou de non
fermeture du courant de défaut avec un fort risque de destruction de l’appareillage.
Les éoliennes à vitesse fixe, étant équipées de machines asynchrones classiques
directement couplées au réseau, contribuent de façon significative aux courants de
court-circuit.
Les éoliennes à vitesse variable équipées de machines asynchrones à double
alimentation contribuent aussi aux courants de court-circuit. Cependant cette
contribution diminue rapidement du fait de l’action des équipements d’électronique de
puissance qui détectent et mesurent les défauts rapidement.
La contribution des éoliennes à vitesse variable équipées de machines synchrones est
tel-00447151, version 1 - 14 Jan 2010

négligeable car la machine est entièrement découplée du réseau par l’interface à

électronique de puissance. Il en est de même des unités de production photovoltaïque.
2.3.1.1.3 Le profil de tension
Les changements de puissances actives et réactives dus aux sources (quelque soit
leur nature) se répercutent sur le profil de tension en régime permanent selon les
caractéristiques du réseau. Des simulations sont nécessaires pour vérifier que ce
profil s’inscrit dans un gabarit prédéfini. En général, le niveau de tension s'élève au
point de raccordement d’une installation de production, ainsi que plus loin dans la
ligne, tel qu’illustré sur la Figure 2.11, pour une ferme éolienne raccordée sur une
artère de distribution (réseau HTA).

Umax
Profil de tension après raccordement

Uc
Profil de tension avant raccordement
Umin
1 2 3 4 5

Jeu de barres Uc : tension au jeu de barres

Umax : tension maximale admissible
Umin : tension minimale admissible

Uc

Figure 2.11 Profil de tension le long d’une ligne de distribution

L’impact sur le profil de tension dépend du type d’EnR et de la technologie (pour

l’énergie éolienne). La machine asynchrone à cage utilisée pour les éoliennes à vitesse

25
 C H A P I T R E 2

constante est directement couplée au réseau. La relation entre la vitesse de son rotor, la
puissance active, la puissance réactive et la tension au point de raccordement est fixe.
De plus la vitesse du rotor est très peu variable ; elle n’a donc pas de capacités de
réglage de la tension. La compensation de réactif est donc assurée par des équipements
additionnels tels que les batteries de condensateurs ou d’autres systèmes de
compensation évolués tels que les compensateurs statiques de puissance réactive
(SVC : Static Var Compensation) ou les STATCOM (STATic COMpensation).
Les éoliennes à vitesse variables ainsi que les centrales photovoltaïques, grâce à leur
interface à électronique de puissance, ont la possibilité de régler la puissance réactive
produite ou consommée à leurs bornes (pour l’éolien) et d’effectuer un réglage fin de la
tension. Ces capacités de réglage ne sont actuellement pas exigées aux petites fermes
(EDF SEI, 2008) (RTE, 2009).
2.3.1.2 Qualité de tension
Le terme « qualité de la tension » se réfère aux niveaux de tension, à la stabilité de
la fréquence du réseau et à l'absence dans le réseau électrique de différentes formes
tel-00447151, version 1 - 14 Jan 2010

de phénomènes électriques (comme par exemple les flicker ou les distorsions

harmoniques).
La prise en compte des problèmes décrits ci-dessous ainsi que leur évaluation
permet de concevoir et dimensionner le dispositif de connexion de l’unité de
production d’EnR.
2.3.1.2.1 Variations de tension
Les variations de puissance générée, conséquence directe des variations de la
vitesse du vent pour les éoliennes ou de l’ensoleillement pour les centrales PV,
peuvent entraîner des variations lentes de la tension sur le réseau.
Dans certains cas (démarrage ou déconnexion d’une éolienne ou d’une centrale
PV; enclenchement de transformateur à vide) des sauts de tension (à-coups de
tension) peuvent survenir ce qui limite le nombre de génératrices pouvant être
connectées à un nœud précis du réseau (cet effet est limité par des dispositifs
limiteurs ou des règles d’exploitation spécifiques).
2.3.1.2.2 Flicker
Le terme flicker désigne les variations de tension de courte durée apparaissant
dans le réseau électrique et risquant de provoquer le scintillement des ampoules
électriques à incandescence. Ce phénomène peut surgir si l'unité de production
d’EnR est raccordée à un réseau ayant une faible puissance de court-circuit, les
variations fréquentes de son énergie primaire causant alors des variations
importantes de puissance. Ce phénomène est surtout observé pour les éoliennes à
vitesse constante car il n’existe pas de tampon entre l’énergie mécanique en entrée
et l’énergie électrique injectée au réseau. Afin de déterminer le flicker produit
durant un fonctionnement continu, des mesures sont effectuées et comparées avec
la tension de référence pour quantifier le taux de flicker en tension.
Le phénomène de flicker peut également se produire lors d’un basculement d’une
zone de fonctionnement à une autre. Les commutations typiques sont les mises
en/hors service de l’unité de production d’EnR. Ces opérations provoquent des
changements dans la puissance produite. Par exemple, lors de la mise en service

26
 C H A P I T R E 2

d’une éolienne basée sur une génératrice asynchrone, la puissance réactive

consommée due à la magnétisation de la génératrice provoque une chute de
tension au point de connexion. Cette dernière est rétablie par la connexion d’un
banc de condensateurs.
2.3.1.2.3 Emission d’harmoniques
Les harmoniques de tension et de courant sont toujours présents dans un réseau
de distribution. Ils sont essentiellement provoqués par la présence de charges non
linéaires et de convertisseurs de puissance. Ces harmoniques provoquent une
surchauffe de l’équipement, un fonctionnement défectueux du système de
protection, et des interférences dans les circuits de communication. Les dispositifs
d’électronique de puissance utilisés pour optimiser la puissance extraite des unités
de production d’EnR (éoliennes à vitesse variables et panneaux photovoltaïques)
présentent l’inconvénient d’être des sources d’harmoniques.
Des standards concernant les taux maximum d’harmoniques générés par les
générateurs éoliens ont été établis (NF EN 50160, 2000). Ces mesures distinguent
tel-00447151, version 1 - 14 Jan 2010

la propagation des harmoniques de rang pair et impair. On distingue aussi les

harmoniques et les inter-harmoniques. Les harmoniques sont des composantes de
fréquence toujours constituées de multiples de la fréquence de base. Les inter-
harmoniques sont des composantes situées entre les harmoniques et la fréquence
de base. Les courants harmoniques injectés sur le réseau public doivent être
inférieurs à une certaine limite spécifiée par le gestionnaire du réseau (Arrêté du 23
Avril, 2008).
2.3.1.3 Plan de protection
Le plan de protection est un système coordonné de protections visant à isoler très
rapidement un ouvrage en défaut (ligne, transformateur, jeu de barres, etc.) afin de
garantir la sécurité des biens et des personnes. Différents types de relais mesurant
différentes grandeurs physiques sont utilisés.
Le raccordement de la production d’énergie renouvelable peut entraîner des
variations du sens (réseau de production) ou de l'amplitude des courants en régime
permanent, des variations des courants de court-circuit, des modifications de la
tension, des variations des impédances mesurées, etc. Ces variations peuvent avoir
une influence sur le bon fonctionnement du plan de protection avec notamment
des aveuglement de protection ou des déclenchements intempestifs..
2.3.2 Impacts globaux
A part les impacts locaux qui ont des effets dans le voisinage du point de
raccordement, les unités de production d’EnR peuvent avoir des impacts plus
globaux à l’échelle d’une région surtout si elles sont raccordées au réseau de
transport ou dans les réseaux insulaires.
2.3.2.1 Impact sur le fonctionnement des systèmes
La problématique majeure liée à l’intégration des EnR dans les réseaux est de deux
ordres :
• la variabilité de la production d’EnR du fait des variations de l’énergie primaire
qui de plus est non contrôlable (fatale). Les gestionnaires de réseau doivent

27
 C H A P I T R E 2

donc faire face à une production fatale variable. Des capacités de production
de réserve contrôlables sont alors nécessaires pour pallier à ces variations, en
particulier pour satisfaire la demande en période de pointe,

• l’incertitude sur les prévisions météorologiques induisant une incertitude

sur la production. Cette problématique est plus marquée pour la
production éolienne car les prévisions de vitesse de vent sont moins
fiables que celles de l’ensoleillement.
Les deux aspects cités plus haut ont trait à des impacts liés surtout à la réalisation
de l’équilibre production-consommation à divers horizons temporels. Outre ces
préoccupations, restent celles liées à la sécurité du réseau du point de vue global.
2.3.2.1.1 Régulation
Il s’agit ici de l’impact de l’incertitude de la production renouvelable sur l’allocation et
l’utilisation de la réserve (primaire et secondaire) dans le système. L’échelle de temps
considérée ici va de quelques secondes à une demi-heure.
tel-00447151, version 1 - 14 Jan 2010

2.3.2.1.2 Dispatching
Cet impact est du à la variabilité et aux erreurs de prédiction de la production
renouvelable. Ces deux aspects influent sur la gestion prévisionnelle de la production
pour le lendemain. Les deux principaux aspects influencés sont : le dispatching, et
l’exploitation (durée, charge partielle, arrêts/démarrages) du parc de production. Il est
donc important de développer des méthodes pour analyser et intégrer l’impact des
EnR sur la gestion prévisionnelle du parc de production.
2.3.2.1.3 Adéquation
L’horizon de temps ici est de l’ordre de plusieurs années. Il s’agit de la capacité du
système à satisfaire la demande. L’estimation de la capacité de production nécessaire
tient compte de la demande et de la disponibilité des unités de production.
L’adéquation est évaluée à l’aide d’indices tels que le « LOLP » (loss of load probability), le
« LOLE » (loss of load expectation), le « LOEE » (loss of energy expectation). L’adéquation est
influencée par la variabilité de la production renouvelable.
2.3.2.1.4 Capacité de transport
L’impact de l’intégration des EnR sur les capacités de transport dépend de la
situation géographique de la production renouvelable par rapport à la demande, de
la corrélation entre cette production et la demande et de la puissance du réseau
initial. La production d’énergie renouvelable affecte le transit de puissance dans le
réseau : elle peut changer le sens des flux, augmenter ou réduire les pertes.
L’analyse des capacités de transport nécessite à la fois des études statiques (calcul
de la répartition des flux de puissance) et dynamiques (analyse de stabilité).
2.3.2.2 Comportement dynamique et stabilité du réseau
La puissance produite par une unité de production d’énergie renouvelable varie en
fonction de la disponibilité de l’énergie primaire (pour une éolienne par exemple
elle varie en fonction du cube de la vitesse du vent). Des variations de la puissance
fournie par l'installation de production d’EnR peuvent donc être observées en
fonctionnement normal. Suivant leur amplitude, ces variations peuvent avoir un
impact sur le comportement dynamique du réseau et parfois même sur sa stabilité
pour des variations brusques et importantes de la puissance délivrée par une ou

28
 C H A P I T R E 2

plusieurs unités de grosse puissance. Le réseau doit être capable de supporter ces
variations en conservant sa stabilité et en maintenant la tension et la fréquence sur
le réseau dans les plages admissibles.
Lors du démarrage d’une unité de production d’EnR ou lors d'une déconnexion, il
doit en être de même. Si l'installation est brusquement déconnectée à pleine
puissance, par exemple par suite d'un défaut sur le réseau interne de l'installation,
le réseau doit pouvoir rester stable, la tension et la fréquence sur le réseau doivent
pouvoir être maintenues dans les plages de tension et de fréquence admissibles.
L'impact sur le fonctionnement dynamique du réseau sera d'autant plus important
que :
• le réseau au point de raccordement de l'installation de production d’EnR
est « faible » (puissance de court-circuit faible, difficulté à maintenir la
tension),
•
tel-00447151, version 1 - 14 Jan 2010

le taux de pénétration en énergies renouvelables est important (ce qui peut

arriver rapidement pour des réseaux insulaires),
• les unités de production sont concentrées dans les mêmes zones
géographiques ; par exemple, des parcs éoliens sont proches les uns des
autres et donc soumis à des conditions de vent similaires.
2.3.3 Conclusion
L’intégration de production d’énergie renouvelable impacte de façon notoire les
systèmes électriques. Ces impacts peuvent être classés en deux grandes catégories : les
impacts locaux (au voisinage du point de raccordement) et les impacts globaux qui
concernent surtout la gestion de la production à tous les horizons de temps et le
comportement dynamique du système (Figure 2.12). Le fonctionnement du système
est ainsi influencé à toutes les échelles de temps : de l’exploitation (quelques secondes à
quelques heures) à la planification (quelques années) en passant par la gestion
prévisionnelle (quelques jours à une année).

29
 C H A P I T R E 2

Régulation :
Impacts Réserve
globaux primaire/secondaire Adéquation
en production
Stabilité et en transport
du Dispatching
réseau
Capacité de
transport

Plan de Capacité d’accueil du réseau

protec
tion
Impacts Qualité de
locaux tension
tel-00447151, version 1 - 14 Jan 2010

ms à qlq s s à qlq min min à 1h 1h à qlq jours qlq années

Horizon de temps

Figure 2.12 Impacts des EnR sur les systèmes électriques

L’évaluation de ces impacts implique des études préalables au raccordement de toute

unité de production renouvelable. Ces études servent à vérifier si toutes les contraintes
liées au fonctionnement normal des systèmes sont respectées. Le paragraphe suivant
est consacré à la revue de ces contraintes pour différents gestionnaires de réseaux. Elles
sont connues sous les appellations « grid code » ou « conditions techniques de
raccordement ».

2.4 Conditions techniques de raccordement

En fonction des pays, compte tenu des impacts que peuvent avoir les moyens de
production sur les réseaux, des conditions techniques spécifiques de raccordement
sont données dans des textes législatif (France, Espagne) et a minima, dans les
référentiels techniques (grid code ou distribution code) des différents gestionnaires de
réseau.
2.4.1 Exemple de la France
2.4.1.1 Tension au point de raccordement
En France, la tension au point de raccordement détermine la puissance maximale
de l’installation de production (article 4 de l’arrêté du 25 Avril 2008). Le Tableau
2.2 donne les niveaux de tension au point de raccordement en fonction de la
puissance de l’installation.

30
 C H A P I T R E 2

Tableau 2.2 Niveaux de tension aux points de raccordement en fonction de la puissance installée

Réseau Limite de tension Niveaux réels Limite de puissance

BT U≤ 1 kV (raccordement monophasé) 230 V P≤ 18 kVA
U≤ 1 kV (raccordement triphasé) 400 V P≤ 250 kVA
HTA 1 kV< U ≤ 50 kV 15kV, 20kV, 33kV P≤ 17 MW
HTB 50 kV< U ≤ 130 kV 63 kV, 90 kV P≤ 50 MW
130 kV< U ≤ 350 kV 150 kV, 225 kV P≤ 250 MW
350 kV< U ≤ 500 kV 400 kV P> 250 MW

2.4.1.2 Tenue en régime normal et exceptionnel

Toute installation de production d’énergie doit pouvoir produire sa puissance
maximale dans les plages de fonctionnement normal. Elle doit en outre pouvoir
tel-00447151, version 1 - 14 Jan 2010

fonctionner pendant un temps limité lorsque la tension ou la fréquence pour des

raisons qui ne lui sont pas due atteint des valeurs exceptionnelles.
Par exemple, en France, les niveaux de tension et de fréquence du domaine de
fonctionnement normal sont :
• [95%-105%] en tension en HTA, [90%-110%] en BT(230 V).
• [48Hz-52Hz] en fréquence.
Dans les réseaux de distribution et de transport métropolitains, les installations de
production mettant en œuvre l’énergie éolienne doivent rester en fonctionnement
lorsque la fréquence prend des valeurs exceptionnelles (Arrêté du 23 Avril, 2008).
Pour les réseaux insulaires (EDF SEI, 2008) par exemple, on distingue les
domaines exceptionnels suivants :
• [46 Hz – 48 Hz] en sous-fréquence pendant 3 minutes,
• [44 Hz – 46 Hz] en sous-fréquence pendant 30 secondes,
• [52 Hz – 54 Hz] en sur-fréquence pendant 5 secondes,
• [90% - 95%] et [105% – 110%] en tension pendant 1 heure (pour la HTB
seulement).
2.4.1.3 Tenue aux creux de tension
En cas de creux de tension, les éoliennes et les panneaux photovoltaïques se
protègent généralement en se déconnectant du réseau plus rapidement que les
autres moyens de production. Ces déconnexions entraînent des pertes de
production qui peuvent aggraver la situation sur un réseau déjà fragilisé par
l’incident et avoir ainsi des conséquences très néfastes. Des contraintes de tenue
aux creux de tension sont donc spécifiées dans les conditions techniques de
raccordement. Par exemple, en France :

31
 C H A P I T R E 2

• Sur le réseau de transport métropolitain (HTB1 et HTB2), les éoliennes ne

doivent pas déclencher pour des creux de tension moins sévères qu’un
creux de tension de référence défini selon la Figure 2.13.
tel-00447151, version 1 - 14 Jan 2010

Figure 2.13 Gabarit de tension en HTB1 et HTB2 (cas particulier des éoliennes)

• sur les réseaux HTB insulaires (EDF SEI, 2008), les installations de
production doivent pouvoir rester en fonctionnement lors de l’apparition
au point de raccordement, d’un creux de tension défini comme suit :
- creux de tension 100 % pendant 250 ms,
- palier à 0,5 Udim pendant les 450 ms suivantes,
- retour linéaire à 0,9 Udim pendant les 400ms suivantes,
- palier à 0,9 Udim pendant les 400 ms suivantes,
- retour linéaire à Udim pendant les 500 ms suivantes.
Où Udim est la tension de dimensionnement définie par le gestionnaire de
réseau en concertation avec le producteur et fixée normalement à 66 kV
(réseau 63 kV) ou 93 kV (réseau 90 kV).

• En réseau de distribution (métropolitain et insulaire) (Arrêté du 23 Avril,

2008), toute installation de production dont la puissance maximale est
supérieure à 5 MW (y compris fermes éoliennes et photovoltaïques) doit
rester en fonctionnement lors de l’apparition au point de raccordement
d’un creux de tension HTA illustré sur la Figure 2.14

32
 C H A P I T R E 2
tel-00447151, version 1 - 14 Jan 2010

Figure 2.14 Gabarit de tension en réseau de distribution

2.4.1.4 Services systèmes

Les services systèmes sont nécessaires pour garantir un fonctionnement sûr et fiable du
système électrique. Ils sont gérés par les gestionnaires de réseaux sur la base de
contributions fournies par les producteurs raccordés. Parmi les services systèmes on
peut citer : le réglage de la tension, le réglage de la fréquence, le ‘black start’1 et la
reconstitution de réseau.
La variabilité, la non contrôlabilité des énergies éolienne et photovoltaïque, et la nature
des technologies utilisées limitent grandement la capacité de ces énergies à fournir des
services systèmes. A l’heure actuelle les installations utilisant comme source primaire le
vent et le soleil sont exemptés de participation aux services systèmes. Ceci à pour
conséquence l’accroissement des sollicitations des autres groupes de production
présents. La capacité du système à garder un niveau de services systèmes suffisant
malgré l’intégration des énergies renouvelables sera une des principales limites à
l’insertion de ces dernières si elles ne sont pas en mesure de fournir ces services.
2.4.1.4.1 Réglage de tension et compensation de puissance réactive
Toutes les unités de production, y compris les groupes de production d’énergie
renouvelable, doivent pouvoir fonctionner dans un domaine de fonctionnement
déterminé par le gestionnaire de réseau.
Les unités de productions doivent assurer un contrôle de la tension et/ou de la
puissance réactive au point de livraison. Trois types de réglage primaire sont
possibles :
• Type 1 : réglage à puissance réactive constante au point de livraison ;
• Type 2 : réglage de la tension au point de livraison à une valeur variant
linéairement en fonction de la puissance réactive avec une pente ajustable ;

1 Démarrage d’un groupe sans alimentation des auxiliaires par le réseau.

33
 C H A P I T R E 2

• Type 3 : réglage de la tension aux bornes de l’installation selon une

consigne asservie aux ordres provenant du réglage secondaire de la
tension.
En France, les contraintes suivantes sont imposées dans les textes législatifs
(Arrêté du 23 Avril, 2008) concernant le réglage de la tension et la compensation
de puissance réactive :
• Les installations éoliennes et photovoltaïques connectées en basse tension
ne doivent pas consommer de la puissance réactive.
• Les centrales connectées au réseau de distribution(puissance inférieure à 17
MW) doivent chacune d'elles être capables, dans les conditions normales
de fonctionnement, de produire une puissance réactive au moins égale à 40
% de leur puissance active maximale ou absorber une puissance réactive au
moins égale 35 % de leur puissance active maximale.
tel-00447151, version 1 - 14 Jan 2010

• Les centrales raccordées au réseau public de transport doivent être, dans la

plage normale de tension, capables :
- à Pmax de fournir de la puissance réactive à hauteur de 0,32 Pmax, et
d’en absorber à hauteur de 0,35 Pmax ;
- à une puissance de fonctionnement quelconque P, de fournir de la
puissance réactive à hauteur de 0,30 Pmax, et d’en absorber à
hauteur de 0,28 Pmax .
Pour ce qui est des générateurs synchrones, leurs besoins en puissance réactive
sont satisfaits par des batteries de compensation connectées soit directement au
niveau de l’installation ou au poste transformateur HTB/HTA.
2.4.1.4.2 Réglage de fréquence
Les installations à base d’énergie fatale (dont font partie l’éolien et le photovoltaïque)
sont dispensées de réglage de fréquence.
2.4.1.5 Qualité de tension
2.4.1.5.1 Flicker
Les indicateurs de sévérité du flicker sont d’une part, le Pst, flicker à court terme quantifié
sur 10 minutes et d’autre part, le Plt, flicker à long terme quantifié sur 120 minutes. Le
« Plt en fonctionnement établi » indique la sévérité du phénomène de flicker en
fonctionnement établie. Le « Pst et Plt lors des opérations de découplage » indique la
sévérité du phénomène de flicker lors des opérations de découplage.
En réseau de distribution, le niveau de contribution des sites perturbateurs tels que les
fermes éoliennes et photovoltaïques au papillonnement doit être limité à 0,35 en Pst et à
0,25 en Plt au point de raccordement.
En réseau de transport (HTB) la contribution limite au niveau de papillonnement est :
Pst < 1 (0,6 en 400 kV).
2.4.1.5.2 Harmoniques
Les limites d’émission en courant sont déterminées au prorata de la puissance
apparente maximale de l’installation de production S. A chaque harmonique de rang n

34
 C H A P I T R E 2

est associé un coefficient de limitation kn. Les courants harmoniques émis par


l’installation de production doivent être limités à :

!"1  -1 2.6
√334
où :
• Uc est la valeur de la tension au point de livraison,
• S est la puissance apparente maximale,
• Kn est le coefficient de limitation de rang n.
2.4.2 Solutions techniques
Lorsque des problèmes apparaissent lors des études d’insertion de l’éolien et du
photovoltaïque dans les réseaux électriques, plusieurs solutions sont proposées.
tel-00447151, version 1 - 14 Jan 2010

Les principales sont (Bousseau, et al., 2004):

• le renforcement des réseaux,
• l’effacement de la production,
• l’amélioration des technologies de production éolienne,
• la coordination avec d’autres moyens de production,
• le contrôle de charges,
• les systèmes de compensation de réactif,
• les systèmes de Fault Ride Through (tenue sur creux de tension),
• le stockage de l’énergie,
• les limiteurs de courants de court-circuit,
• les protections directionnelles et les filtres.
Pour chaque problèmes et contraintes énoncés au paragraphe précédent, il existe
plusieurs solutions. Le choix de ces solutions se fera en fonction de critères
économiques, sociaux et environnementaux et politiques.
De grandes tendances se dégagent dans le processus de choix des solutions. Tout
d’abord certaines solutions sont déjà prises en compte dans les référentiels
techniques et dans les études de raccordement effectuées par le gestionnaire de
réseau (renforcement de réseaux, filtres anti harmoniques ou filtres « bouchon »
pour la TCFM, protections directionnelle, limiteurs de courant ou encore
changement du point de raccordement de l’unité de production d’EnR).
Le processus de choix des solutions commence par l’analyse de celles proposées
par le gestionnaire de réseau. Si leur coût est acceptable, le processus s’arrête là.
Dans le cas contraire, si la rentabilité du projet est remise en cause, d’autre
solutions seront envisagées :

35
 C H A P I T R E 2

• sur les réseaux insulaires français, l’effacement de la production, pour

autant qu’il soit limité en temps et ne mette pas en péril la rentabilité du
projet, est une solution simple et efficace déjà prévue par les arrêtés.
• Les solutions au niveau technologique seront ensuite privilégiées :
amélioration des technologies existantes voire changement de technologie.
Même s’il est certain que des enjeux importants sont associés aux contraintes de
raccordement : sécurité des personnes et des biens, exploitation fiable du réseau,
respect des engagements des opérateurs de réseau, il se pose néanmoins la
question de la probabilité d’occurrence des différents problèmes liés au
raccordement des EnR dans les réseaux. Est-il nécessaire de mettre en œuvre
des solutions complexes et coûteuses pour des contraintes qui ne se produiront
pas ou très rarement ? Existe-t-il d’autres solutions simples mais plus drastiques
qui seraient tout à fait justifiées pour ces évènements rares ?
Les solutions basées sur l’effacement de la production renouvelable constituent
tel-00447151, version 1 - 14 Jan 2010

une première approche dans ce sens. Pour systématiser ce genre d’approche,

l’utilisation de méthodes probabilistes dans l’analyse des contraintes liées au
raccordement des EnR s’avère nécessaire.

2.5 Conclusion
L’intégration importante des énergies renouvelables dans les systèmes électriques
entraine la mutation de ces derniers d’une structure verticale vers une structure
horizontale (avec des injections de puissance à tout les niveaux de tension ; notamment
dans le réseau de distribution). L’arrivée des EnR pose aux gestionnaires de réseaux de
nouveaux défis techniques notamment à cause de la variabilité de la production et aussi
de leurs faibles capacités à fournir les services systèmes même si l’évolution des
technologies va sûrement palier ce dernier inconvénient. Les EnR impactent
localement et globalement les systèmes électriques. Leur raccordement au système fait
l’objet d’études en vue de vérifier si elles respectent les conditions techniques des
différents gestionnaires de réseaux. Certaines des conditions de raccordement ont été
modifiées pour s’adapter au mieux aux particularités de l’éolien et du photovoltaïque.

36
 C H A P I T R E 3
Chapitre

3
3 De la caractérisation
probabiliste d’un
système électrique
tel-00447151, version 1 - 14 Jan 2010

L’aléa est omniprésent aussi bien en exploitation qu’en

planification des systèmes électriques.

L
e fonctionnement d’un système électrique sur une période donnée se
caractérise par les variations plus ou moins corrélées d’une multitude de
paramètres importants. Cette relative « vie » du système impose aux exploitants
et aux gestionnaires de réseaux des défis dont un des plus importants est la
maîtrise de l’impact lié à ces variations. Cela passe par une modélisation probabiliste de
tous les paramètres participant au fonctionnement du système électrique autrement dit
par une caractérisation probabiliste du système électrique.

3.1 Eléments de probabilités et statistiques

3.1.1 Qu’est ce qu’une probabilité ?
3.1.1.1 Définitions
Au sens scientifique et technique du terme, la probabilité définit de façon quantitative
la vraisemblance d’un ou de plusieurs évènements. Au sens strictement mathématique,
il s’agit d’une valeur variant de zéro (évènement impossible) à un (évènement certain).
On parle principalement de probabilité expérimentale et de probabilité théorique. Ces
deux notions peuvent être définies comme suit :
Probabilité expérimentale : elle est déduite de toute la population concernée. Par exemple,
si sur 8760 heures de l’année, il y a eu 10 heures de coupure d’électricité, on dit que la
probabilité de coupure est P[coupure] = 10/8760 = 0,00114. Il s’agit ici d’une
connaissance a posteriori de la probabilité.
Probabilité théorique : elle est déterminée grâce à l’étude du phénomène sous-jacent sans
expérimentation. Il s’agit donc d’une connaissance a priori par opposition à la définition
précédente.

37
 C H A P I T R E 3

Les évènements impossibles et certains étant très rares, la grande majorité des
évènements ont une probabilité comprise entre 0 et 1. Ils ont donc en général deux
états (où s’ils en ont plusieurs, ceux-ci peuvent être classés en deux catégories) :
favorable ou succès (l’évènement s’est produit) et défavorable ou échec (l’évènement
ne s’est pas produit). Les probabilités d’avoir chacun des états se calculent donc comme
suit :

<=>?@& A& 89è8 K

789è8;  (  I
6 <=>?@& B=BCD AE&'(é@G&<&8
3.1
<=>?@& AEé&8 J

7é& ;  ) 
<=>?@& B=BCD AE&'(é@G&<&8 IH
3.1.1.2 Le calcul de probabilité en ingénierie
Comme indiqué au paragraphe précédent, il existe deux définitions de la notion de
probabilité : une expérimentale et une théorique. La première est issue de l’approche
tel-00447151, version 1 - 14 Jan 2010

« fréquentiste » selon laquelle seules ont un sens les probabilités a posteriori sur la base de
la répétition d’un grand nombre d’évènements identiques. A contrario, pour les
subjectivistes (probabilité théorique), seule la notion de probabilité a priori, évaluable en
fonction d’un sentiment individuel d’incertitude, peut avoir un sens. Cette évaluation
théorique de la probabilité est possible à condition d’avoir une formulation
mathématique simple du problème ou a minima un moyen de la déduire (forme
géométrique d’un dé par exemple). Il se trouve que pour la plupart des problèmes
d’ingénierie et en particulier pour les phénomènes qui vont nous intéresser tout au long
de cette étude (i.e. : les variations des paramètres et de l’état d’un système électrique), il
n’est en général pas possible d’avoir une formulation mathématique simple permettant
de déterminer les probabilités a priori à partir des connaissances qu’on a du
fonctionnement du système. L’approche « fréquentiste » sera donc privilégiée ; les
probabilités (et surtout les lois de probabilité) calculées seront issues d’expériences
identiquement répétées.
3.1.2 Distributions de probabilité
3.1.2.1 Variables aléatoires
Les règles de calcul de probabilité précédemment décrites permettent de déterminer les
probabilités d’évènements ayant une formulation mathématique ou une représentation
schématique évidente (diagramme de Venn). Dans la pratique des problèmes
d’ingénierie, la connaissance mathématique qu’on a du problème n’est en général pas
suffisante pour permettre de décrire le comportement du système. On a alors recours à
des séries d’expériences et à l’analyse de données collectées pour caractériser le système
et ainsi appliquer la théorie des probabilités pour évaluer la probabilité d’occurrence
d’un évènement quelconque dans le système. De plus l’évolution du système (électrique
dans notre cas) fait que ses paramètres varient et, sur une période donnée, les différents
éléments du système passent pas plusieurs états ayant chacun une probabilité
d’occurrence. Le modèle qui sied le mieux à la description d’un tel système est un
modèle probabiliste défini sur la base d’une variable aléatoire globale représentant l’état
du système. Cette dernière étant la combinaison de variables aléatoires représentant
l’état des différents éléments du système. Tout ceci sous l’hypothèse - nécessaire à

38
 C H A P I T R E 3

l’application de la théorie des probabilités - que les occurrences des différents états sont
aléatoires.
Une variable aléatoire est une application de l’ensemble des épreuves (expériences)
dans le corps des réels. Elle est caractérisée par l’ensemble des probabilités associées à
tous les états possibles. Une variable aléatoire peut être discrète ou continue.
Une variable aléatoire est dite discrète lorsque son ensemble d’états possibles est fini ou
dénombrable. Par exemple lors d’un lancé de dé, la variable aléatoire qui associe à
chaque lancé, le numéro de la face apparaissant au dessus est une variable aléatoire
discrète car elle n’a que 6 états possibles.
Une variable aléatoire est dite continue si son ensemble d’états possibles est infini et
non dénombrable. Par exemple si la vitesse du vent sur un site donné peut prendre
toutes les valeurs entre 0 et 30 m/s, les valeurs prises par cette vitesse définissent une
variable aléatoire continue.
Une variable aléatoire est entièrement définie par sa loi de probabilité qui se décline
tel-00447151, version 1 - 14 Jan 2010

sous la forme soit d’une fonction de répartition, soit d’une fonction densité de probabilité, soit
par une distribution de probabilité.
3.1.2.2 Fonction de répartition
Soit X une variable aléatoire numérique. La fonction de répartition est complètement
décrite par la valeur de la probabilité pour qu’une réalisation de cette variable soit
inférieure à x pout tout x. il s’agit donc d’une application F de R dans [0, 1] définie par :

L ' 
M N ' 3.2

La fonction de répartition F(x) de la variable aléatoire X représente la proportion de la

population considérée dont la valeur est inférieure à x. Elle est clairement « non
décroissante » avec des valeurs allant de 0 à 1.
Les évènements X < x et X ≥ x sont mutuellement exclusifs et complémentaires d’où :

M N '  1 #
M O ' 3.3

Plus généralement, pour toute paire de nombres a et b tels que a ≤ b,

PC N ' N ?Q  L ? # L C 3.4

3.1.2.3 Fonction densité de probabilité
Pour toute valeur x0 de la variable aléatoire numérique X, la probabilité pour qu’une
nouvelle observation de X tombe entre x0 et x0 + dx est proportionnelle à dx et est de
la forme :

@=?C?GDGBé 'R N ' N 'R + A'  S 'R A' 3.5

Où f(x) est par définition la fonction densité de probabilité.

La fonction densité de probabilité est :
• positive ou nulle quelque soit x ;

39
 C H A P I T R E 3

• la valeur de son intégrale de - ∞ à + ∞ (aire sous la courbe de la Figure 3.1) est

égale à 1.
f(x)

0 x
tel-00447151, version 1 - 14 Jan 2010

Figure 3.1 Fonction densité de probabilité

La fonction densité de probabilité est intimement liée à la fonction de répartition :

• La valeur de la fonction de répartition en x0 est égale à l’intégrale de la fonction
densité de probabilité de - ∞ à x0 ;
UV
L 'R 
M N 'R  T S ' A' 3.6
WX

f(x)

Aire hachurée = F(x0)

f(x0)

0 x0 x

Figure 3.2 Illustration de la détermination de F en fonction f

Plus généralement pour toute paire de nombre a et b tels que a ≤ b, on écrit :

Z

PC N M N ?Q  T S ' A' 3.7
[

40
 C H A P I T R E 3

• Réciproquement la fonction densité de probabilité est la dérivé (pente) de la

fonction de répartition quand cette pente est définie.

AL '
S '  3.8
A'
F(x)
Pente = f(x0)
tel-00447151, version 1 - 14 Jan 2010

F(x0)

x0 x

Figure 3.3 Illustration de la détermination de f en fonction F

3.1.2.4 Distribution de probabilité

Il s’agit de l’équivalent pour les variables aléatoires discrètes de la fonction densité de
probabilité. A chaque valeur Xi que prend la variable discrète X est attachée la quantité
Pi(X = Xi). De façon similaire à ce que l’on a pour les variables continues, on a :

P] N M N ^Q  _
` M  M` 3.9

La sommation portant sur tous les indices i tels que A < Xi < B.
Contrairement à une fonction densité de probabilité, une distribution de probabilité ne
peut prendre que des valeurs inférieures ou égales à 1 puisque ces valeurs sont de vraies
probabilités.
Cette notion de distribution de probabilité est importante car nous aurons dans la
majorité des cas recours aux variables aléatoires discrètes pour modéliser le
comportement du système électrique. En plus de la distribution de probabilité, il est
souvent utile de compléter la description d’une variable aléatoire par ses paramètres
caractéristiques tels l’espérance, l’écart type, etc. Ils donnent des informations
supplémentaires sur le comportement de la variable. Ces paramètres seront définis dans
le paragraphe suivant en priorité pour le cas discret.

Soit X une variable aléatoire discrète. L’espérance mathématique de X, notée  M , est

3.1.2.5 Espérance mathématique

définition, aux probabilités des valeurs correspondantes. Ainsi, si on note P'` Q cet
la somme pondérée des valeurs du domaine de X. Les poids étant égaux, par

ensemble de valeurs, on a, par définition :

41
 C H A P I T R E 3

 M  _ '`
M  '` 3.10

`

Si la variable X est continue et admet une densité de probabilité f, alors son espérance
se définit comme suit :
cX
 M  T 'S ' A' 3.11
WX

La définition de l’espérance mathématique d’une variable aléatoire est identique à celle

de la moyenne µ de la distribution dont elle est issue. On parlera donc d’espérance
pour une variable aléatoire et de moyenne pour une distribution.

Note :
tel-00447151, version 1 - 14 Jan 2010

Soient X1,…,Xn n variables aléatoires, et X = X1+…+Xn, la variable

aléatoire somme. La moyenne de la distribution de X est égale à la
somme des moyennes des distribution des variables aléatoires (Xi)i=1…n.

L’espérance de X renseigne sur la tendance centrale de la distribution de X mais ne

donne aucune indication sur la dispersion des valeurs de X autour de leur valeur
moyenne.
3.1.2.6 Variance et écart-type
La variance est outil mathématique permettant d’avoir une idée de la dispersion d’une
distribution autour de sa moyenne. Elle est définie comme l’espérance du carré de la
distance de X à sa moyenne µ.

*C@ M  7 M # d e ; 3.12

Un inconvénient de la variance est qu’elle s’exprime en des unités qui sont les unités de
la variable au carré. Ainsi, si X représente la puissance en sortie d’une unité de
production en MW, la variance de X sera exprimée en MW2.
Pour avoir une mesure de la dispersion qui s’exprime dans la même unité que la
variable, on considère la racine carrée de la variance encore appelée écart-type.

f M  g*C@ M 3.13

3.1.2.7 Covariance et coefficient de corrélation

La covariance est une mesure de la force du lien entre deux variables aléatoires. Soient

se défini comme l’espérance mathématique du produit Mh # dh Me # de .

X1 et X2 deux variables aléatoires de moyenne µ1 et µ2 respectivement, leur covariance

= Mh , Me   7 Mh # dh Me # de ; 3.14

42
 C H A P I T R E 3

Une autre mesure plus couramment utilisée du lien entre deux variables aléatoires est le
coefficient de corrélation qui s’exprime comme suit :

= Mh , Me
 3.15
g*C@ Mh *C@ Me

Le principal avantage du coefficient de corrélation est qu’il ne dépend pas des unités
des variables aléatoires. Lorsque sa valeur tend vers 0, les variables sont dites
décorrelées ; lorsqu’elle tend vers 1 les variables sont dites fortement corrélées.
3.1.3 Conclusion
Dans cette partie ont été présentées les notions de base de probabilité et statistique
utiles dans la résolution des problèmes d’ingénierie en général. Compte tenu de
l’objectif visé, à savoir la modélisation probabiliste d’un système électrique, les notions
de variables aléatoires et de lois de probabilité associées sont les plus importantes et
tel-00447151, version 1 - 14 Jan 2010

seront largement utilisées dans la suite.

3.2 Modèle probabiliste d’un système électrique

3.2.1 Modèle général
En conditions normales de fonctionnement, les paramètres du système (production –
transport - consommation) varient. Cependant sur de petites périodes (inférieures à
quelques secondes), ces variations sont si faibles que le système peut être considéré
comme étant dans un état quasi stable voire stable. Le fonctionnement du système sur
de plus longues périodes peut alors être considéré comme une succession de ces états
stables, chaque état correspondant à un jeu de paramètres d’entrée (production,
consommation, topologie du réseau). Deux approches peuvent dès lors être envisagées
pour l’analyse du système électrique :
• En résolvant une équation algébrique (indépendante du temps) d’équilibre
production consommation sous contraintes réseau : c’est l’approche
déterministe.
• En résolvant la même équation pour plusieurs jeux de paramètres. Ces
multiples jeux de paramètres permettent de rendre compte de l’évolution de
l’état du système sur une période donnée : c’est l’approche probabiliste.
La première approche ne nécessite la connaissance des paramètres du système que
pour un état stable (modèle déterministe) tandis que la deuxième exige une
connaissance du comportement variable de chaque paramètre ainsi que les corrélations
éventuelles entre ces différentes variations ; c’est ce que nous désignerons par modèle
probabiliste du système.
3.2.1.1 Modèle déterministe
La répartition de puissance active et réactive (« load flow ») est le problème
fondamental posé dans l’analyse des réseaux électriques. Les données d’entrée de ce
problème sont principalement les injections de puissance active et réactive au niveau
des nœuds PQ, les injections de puissance active et les tensions aux nœuds PV et la

43
 C H A P I T R E 3

topologie du réseau (ensemble de nœuds connectés entre eux par des lignes). La
formulation la plus courante du problème de « load flow » le décrit en deux étapes (cf.
l’annexe A pour la formulation détaillée) :
• détermination du vecteur d’état du système : il s’agit ici de calculer toutes les
tensions aux nœuds (modules et phase),
• détermination de la puissance active et réactive dans toutes les lignes : ces
transits sont déduits du vecteur d’état du système.
La résolution du problème de répartition de puissance nous donne un état complet du
système. Les données d’entrée du problème (topologies et injections) constituent ce
que nous désignerons par modèle déterministe du système électrique. Il s’agit en fait
d’une « photographie » représentant un instant donné du fonctionnement du système
ou une situation connue.
3.2.1.2 Modèle probabiliste
tel-00447151, version 1 - 14 Jan 2010

Le modèle probabiliste d’un système électrique doit permettre de décrire le

comportement des variables incertaines du système et les corrélations entre ces
incertitudes. Il ne s’agit plus simplement de modéliser le système par un jeu de
paramètres d’entrée fixes mais de caractériser, de quantifier l’incertitude liée à ces
paramètres. Ainsi dans le modèle probabiliste du système électrique tel que nous le
définissons, le jeu de paramètres d’entrée laisse place à un jeu de lois de probabilités,
chacune caractérisant la variation d’un paramètre.

Consommation

Energies
renouvelables

Topologie
Modèle (lignes, nœuds,
probabiliste emplacement
production)
Production
conventionnelle

Disponibilité des
ouvrages

Figure 3.4 Modèle probabiliste pour l’analyse des systèmes électriques

Comme le montre la Figure 3.4, le modèle probabiliste est alimenté par les lois de
probabilité de paramètres dont le comportement présente une certaine incertitude. Il
s’agit ici de la consommation, de la production renouvelable du fait de son énergie
primaire, de la production conventionnelle au travers de la fiabilité de ses unités et de la
disponibilité des ouvrages de réseau surtout affectée par les évènements
météorologiques. Il est évident que, la variabilité de certains paramètres pouvant être

44
 C H A P I T R E 3

affectée par le même phénomène, il existe des corrélations entre les différentes lois de
probabilité.
En langage purement mathématique, le modèle probabiliste d’un système électrique est
un vecteur aléatoire X, de dimension n, décrivant les paramètres incertains du système.
La fonction densité de probabilité fX de X n’est en général pas connue. X est donc
caractérisé par les fonctions densité de probabilité marginales (fXi )i = 1…n liées à ses
composantes Xi et par les corrélations qui lient ces fonctions. La suite de cette section
sera consacrée au calcul des fonctions densité de probabilité (ou de répartition le cas
échéant) marginales caractérisant l’incertitude (le terme aléa sera plus souvent utilisé)
des paramètres du système. La question des corrélations sera traitée dans la section 3.3.
3.2.2 Caractérisation des aléas
3.2.2.1 Aléa lié à la production conventionnelle
La production conventionnelle désigne l’ensemble des centrales de production
classiques (thermique, hydraulique, nucléaire…). Il s’agit donc de systèmes constitués
tel-00447151, version 1 - 14 Jan 2010

de plusieurs unités de production (alternateurs) pouvant indépendamment les unes des

autres être hors ou en service. Le principal facteur auquel est dû l’aléa est le taux
d’indisponibilité des unités de production.
3.2.2.1.1 Indisponibilité et arbre de probabilités

Indisponibilité
Le taux d’indisponibilité est le pourcentage de temps pendant lequel une unité est hors
service. L’unité peut être hors service pour avarie ou pour maintenance préventive. Il
convient donc de distinguer les deux composantes du taux d’indisponibilité à savoir
l’indisponibilité fortuite et la maintenance programmée.

i  ij + ik 3.16
Où :
• τf est le taux d’indisponibilité fortuit ou taux de pannes,
• τm est le taux d’indisponibilité lié à la maintenance.
La vie d’une unité de production est rythmée par des périodes de fonctionnement
normal, des périodes de maintenance programmée - réalisée à intervalles réguliers - et
des périodes de non fonctionnement dues à des pannes qui peuvent arriver à tout
moment. Par conséquent, si on étudie la variation de la production d’un système sur un
intervalle de temps inférieur à la durée qui sépare deux opérations de maintenance
programmée consécutives, le taux d’indisponibilité peut raisonnablement être considéré
uniquement au travers de sa composante fortuite. Dans le cas contraire, il faut inclure
le temps de maintenance programmée dans la définition de l’indisponibilité.

de disponibilité A  1 # i .
Pour la modélisation probabiliste des systèmes de production, nous utiliserons le taux

45
 C H A P I T R E 3

Arbre de probabilités
La méthode la plus adaptée pour déterminer la distribution de probabilité de la
puissance produite par des systèmes de production conventionnelle est l’arbre de
probabilités. Cette méthode n’est applicable que pour des systèmes dont chaque unité
est indépendante du point de vue de l’indisponibilité. L’exemple illustré par la Figure
3.5 est celui d’un système de 3 unités (deux de 5 MW et une de 10 MW) avec des taux
de disponibilité de 0.95 pour les deux unités de 5 MW et 0.98 pour l’unité de 10 MW.

0.88445
10 20
0.98

5 0.01805
0 10
0.95 0.02

0.04655
tel-00447151, version 1 - 14 Jan 2010

5 0.98 10 15

0.95 0.05 0
0.00095
0.02 0 5

0.04655
0.98 10 15
0.05
0.95 5
0.00095
0 0.02 0 5

0.05 0.00245
0.98 10 10

0
0.00005
0.02 0 0

Figure 3.5 Arbre de probabilités pour un cas simple

A partir de cet arbre on peut calculer les probabilités d’occurrence des 5 niveaux de
puissance de ce système ; ce qui correspond à la distribution de probabilité de la
puissance en sortie du système. De cette dernière on déduit les probabilités cumulées
(Tableau 3.1).
Tableau 3.1 Probabilité des différents états et probabilités cumulées

Puissance (MW) Probabilités d’occurrence Probabilité cumulées

0 0.00005 0.00005

5 0.0019 0.00195

10 0.0205 0.02245

15 0.0931 0.11555

20 0.88445 1

46
 C H A P I T R E 3

On remarquera tout de suite que pour un système ayant un nombre d’unités de plus en
plus élevé, la construction de l’arbre des probabilités devient prohibitive en temps
d’exécution. D’où la nécessité d’automatiser cette tâche par le biais d’un algorithme que
nous décrirons dans les paragraphes suivants, dans un premier temps pour un système
constitué d’unités à deux états puis en généralisant pour des systèmes constitués
d’unités multi-états.
3.2.2.1.2 Modèle basé sur l’indiponibilité

Systèmes avec unités à deux états

La colonne des probabilités cumulées dans le Tableau 3.1 représente en fait la fonction
de répartition de probabilité de la puissance produite par le système. Nous désignerons
par F la fonction de répartition et par f la fonction qui à chaque état associe sa
probabilité d’occurrence (distribution de probabilité). Inversement au processus décrit
au paragraphe 3.2.2.1.1 qui permettait à l’aide d’un arbre de probabilités de calculer la
distribution de probabilité f et ensuite la fonction de répartition F, la fonction f est
déductible de F par la formule :
tel-00447151, version 1 - 14 Jan 2010

S 0  L 0
l 3.17 6
S Mm  L Mm # L MmWh

Xt et Xt-1 sont deux états successifs du système.

Rappel :

Pour un niveau de puissance x, F(x) est la probabilité pour que le système

produise une puissance inférieure ou égale à x.

La fonction de répartition F est calculée à l’aide d’un algorithme récursif basé sur la
formule décrite par l’équation 3.18 qui donne la probabilité pour que la puissance
fournie par le système soit inférieure ou égale à X après qu’on lui ait rajouté une unité
de capacité C MW. Cette formule s’inspire des travaux de Billinton et Allan dans
(Billinton, et al., 2004). Elle caractérise les systèmes ayant des unités à deux états
(disponible, indisponible).

L M  1 # A n L [ M + A n L [ M #  3.18

Où :
• C représente la capacité en MW d’une nouvelle unité ajoutée au système,
• d est le taux de disponibilité de cette nouvelle unité,
• Fa(X) et F(X) représentent les probabilités de produire une puissance inférieure
à X avant et après l’ajout de l’unité de capacité C (MW).

47
 C H A P I T R E 3

Le principe de l’algorithme est de calculer F pour une unité (par exemple l’unité de 5
MW avec d = 0.95 ; on a alors F(0) = 0.05 et F(5) = 1), de rajouter une nouvelle unité
et de calculer F pour le nouveau système jusqu’à atteindre la capacité totale du système
que l’on veut modéliser.
L’expression 3.18 s’initialise de la façon suivante :

L [ '  0 8G ' N 0 6
l 3.19
L [ '  1 8G ' O  [

Ca est la capacité totale du système avant l’ajout de la nouvelle unité.

L’algorithme est illustré en utilisant les données de l’exemple simple décrit
précédemment comme suit :
Etape 1 : première unité de 5 MW

L 0  0.05 n L [ 0 + 0.95 n L [ #5  0.05 n 1 + 0.95 n 0  0.05

tel-00447151, version 1 - 14 Jan 2010

L 5  0.05 n L [ 5 + 0.95 n L [ 0  0.05 n 1 + 0.95 n 1  1

L 0  0.05 n L [ 0 + 0.95 n L [ #5  0.05 n 0.05 + 0.95 n 0  0.0025

Etape 2 : Ajout de la deuxième unité de 5 MW

L 5  0.05 n L [ 5 + 0.95 n L [ 0  0.05 n 1 + 0.95 n 0.05  0.0975

L 10  0.05 n L [ 10 + 0.95 n L [ 5  0.05 n 1 + 0.95 n 1  1

Etape 3 : Ajout de l’unité de 10 MW

L 0  0.02 n L [ 0 + 0.98 n L [ #10  0.02 n 0.0025 + 0.98 n 0  0.00005

L 5  0.02 n L [ 5 + 0.98 n L [ #5  0.02 n 0.0975 + 0.98 n 0  0.00195
L 10  0.02 n L [ 10 + 0.98 n L [ 0  0.02 n 1 + 0.98 n 0.0025  0.02245
L 15  0.02 n L [ 15 + 0.98 n L [ 5  0.02 n 1 + 0.98 n 0.0975  0.11555
L 20  0.02 n L [ 20 + 0.98 n L [ 10  0.02 n 1 + 0.98 n 1  1

L'algorithme nous permet de déterminer la fonction de répartition de la puissance

produite. La distribution de probabilité en est déduite en utilisant l’équation 3.17.
Systèmes à unités multi-états
L’expression 3.18 peut être généralisée pour tenir compte des systèmes comportant des
unités ayant plusieurs états c'est-à-dire ayant plusieurs niveaux de production chacun
caractérisé par une probabilité. Ainsi pour l’adjonction d’une unité multi états (C1, C2,
… , Cn) de capacité C MW au système, l’ équation devient :

L M  _ (` L [ M # ` 3.20
`oh

48
 C H A P I T R E 3

où :
• n est le nombre d’état de l’unité rajoutée,
• Ci est la capacité disponible à l’état i,
• pi est la probabilité que l’unité soit à l’état i.

Note :

Cet algorithme nous permet de calculer la fonction de répartition de la

puissance produite par un parc de production comportant par exemple
des fermes éoliennes (qui sont des unités de production multi-états) à
condition de représenter toute la production éolienne comme une unité
de production à plusieurs états.

Illustration :
tel-00447151, version 1 - 14 Jan 2010

Considérons l’unité de 10 MW de l’exemple précédent avec trois états comme indiqué

dans le Tableau 3.2.
Tableau 3.2 Unité ayant plus de deux états

Etat Probabilité

0 0.02

2 0.08

10 0.9

L’étape 3 de l’algorithme devient :

L 0  0.02 n L [ 0 + 0.08 n L [ #2 + 0.9 n L [ #10  0.9 n 0.0025 + 0.08 n 0 + 0.9 n 0  0.00005
L 2  0.02 n L [ 2 + 0.08 n L [ 0 + 0.9 n L [ #8  0.9 n 0.0025 + 0.08 n 0.0025 + 0.9 n 0  0.00025
L 5  0.02 n L [ 5 + 0.08 n L [ 3 + 0.9 n L [ #8  0.02 n 0.0975 + 0.98 n 0.0025 + 0.9 n 0  0.00215
L 7  0.02 n L [ 7 + 0.08 n L [ 5 + 0.9 n L [ #3  0.9 n 0.0975 + 0.08 n 0.0975 + 0.9 n 0  0.00975
L 10  0.02 n L [ 10 + 0.08 n L [ 8 + 0.9 n L [ 0  0.02 n 1 + 0.08 n 0.0975 + 0.9 n 0.0025  0.03005
L 12  0.02 n L [ 12 + 0.08 n L [ 10 + 0.9 n L [ 2  0.02 n 1 + 0.08 n 1 + 0.9 n 0.0025  0.10025
L 15  0.02 n L [ 15 + 0.08 n L [ 13 + 0.9 n L [ 5  0.02 n 1 + 0.08 n 1 + 0.9 n 0.0975  0.108775
L 20  0.02 n L [ 20 + 0.08 n L [ 18 + 0.9 n L [ 10  0.02 n 1 + 0.08 n 1 + 0.9 n 1  1

La distribution de probabilité est déduite pareillement au cas précédent en utilisant

l’équation 3.17. Le Tableau 3.3 et la Figure 3.6 résument les résultats de ce dernier cas.
Tableau 3.3 Probabilité des différents états et probabilités cumulées

Puissance (MW) Probabilités d’occurrence Probabilité cumulées

0 0,00005 0,00005

2 0,0002 0,00025

5 0,0019 0,00215

7 0,0076 0,00975

49
 C H A P I T R E 3

Tableau 3.3 Probabilité des différents états et probabilités cumulées (suite)

Puissance (MW) Probabilités d’occurrence Probabilité cumulées

10 0.0203 0,03005

12 0,0702 0,10025

15 0.008525 0,108775

20 0.88445 1
tel-00447151, version 1 - 14 Jan 2010

Figure 3.6 distribution de probabilité pour une centrale à 3 unités dont une est multi états

Le processus précédemment présenté est exécuté à l’aide de l’algorithme décrit en

encadré et dont la version MATLAB est donnée en annexe C. Les données d’entré de
cet algorithme sont :
qr
,$  p qs u vecteur des puissances maximales de chaque machine de la centrale ;
t
1r
v$  p 1s u
t

hh x h1
vecteur des nombre d’états de chaque machine ;

$  w s y s { matrice des niveaux de puissance de chaque machine ;

zh x z1
(hh x (h1

$  w s y s { matrice des probabilités d’occurrence des niveaux de puissance
(zh x (z1
de chaque machine ;
Inc : pas de discrétisation de la distribution de probabilité.
l : nombre de machines ;
n : nombre d’échantillons.

50
 C H A P I T R E 3

[X, F(X), f(X)] = PDF_centrale (Cs, Ps, Ns, Rs, Inc, l)

‘Première unité’
R= r1
m1 = division euclidienne de R par Inc

Pour i = 1 à m1+1
X[i] = (i-1)Inc ;
Fin

Pour j = 1 à n1
Pour i = 1 à m1+1
Si X[i] – c1j < 0 alors Fa[i] = Fa(X[i] – c1j) = 0 ;
Sinon Fa(X[i] – c1j ) = 1 ;
Fin
P1[j] = p1j ;
Fin

Ajout_machine (P1, Fa, m1, n1) ;

Pour k = 2 à l
R = R + rk
mk = division euclidienne de R par Inc ;
tel-00447151, version 1 - 14 Jan 2010

Pour i = 1 à mk+1
X[i] = (i-1)Inc ;
Fin

Pour j = 1 à nk
Pour i = 1 à mk+1
Si X[i] - ckj < 0 alors Fa[i] = Fa(X[i] - ckj) = 0 ;
Sinon si X[i] - ckj > mk-1Inc alors Fa(X[i] - ckj) = 1 ;
Fin
Pk[j] = pkj ;
Fin
Ajout_machine (Pk, Fa, mk, nk) ;
Fin

f(X[1]) = F(X[1]) ;

Pour i = 2 à ml + 1
f(X[i]) = F(X[i]) - F(X[i-1]) ;
Fin
Fin

Ajout_machine (Pk, Fa, mk, nk)

F X7i;  ∑‚oh p‚ F ƒ „X7i; # c‚ †

‡ˆ
Pour i = 1 à mk + 1

Fin
Fin

En résumé, l’aléa lié à la production conventionnelle est, ici, essentiellement défini par
la disponibilité des unités élémentaires de production. Cette disponibilité est quantifiée
par un taux de disponibilité qui tient compte des indisponibilités fortuites et/ou
programmées des unités. Pour des études sur des horizons de temps longs (> 1 an) le
taux d’indisponibilité doit tenir compte de l’indisponibilité programmée. L’algorithme
développé permet de calculer le modèle probabiliste de la production d’un système à
l’échelle d’une centrale voire d’un parc de production.
3.2.2.1.3 Modèles de fréquence et de durée
Une autre méthode de caractérisation probabiliste de la production conventionnelle est
l’utilisation des modèles dits de fréquence et de durée introduits par Halperin et Adler

51
 C H A P I T R E 3

en 1958. A la différence des modèles précédents, ils permettent d’avoir des

informations sur la fréquence d’occurrence ou sur la durée probables d’une défaillance.
Ils nécessitent la connaissance pour chaque unité du système, des données suivantes :
• le taux de panne λ ;
• le taux de maintenance µ.
Connaissant ces deux paramètres, on calcule pour un système donné, la probabilité
pour que « X MW soient hors service » après l’ajout d’une unité de capacité C MW et
de taux d’indisponibilité d. Ces calculs se font à l’aide d’un algorithme récursif basé sur

( M  ([ M 1 # A + ([ M #  A 3.21
les formules (Billinton, et al., 2004):

([ M 1 # A [c M + ([ M #  A [c M #  + d
c M  3.22
( M
([ M 1 # A [W M +  + ([ M #  A„[W M #  †
W M  3.23
tel-00447151, version 1 - 14 Jan 2010

( M
• pa(X) et p(X) sont les probabilités avant et après l’ajout de la nouvelle unité
pour que «X MW soient hors service ».
• λ+(X) et λ-(X) les taux de transition vers une capacité plus grande et vers une
capacité plus petite.
Cet algorithme est généralisable pour les systèmes composés d’unité multi-états ; les
formules deviennent alors (Billinton, et al., 2004) :
1

( M  _ ([ M # ` (` 3.24
`oh

∑1̀oh ([ M # ` (` „[c M # ` + c ` †
c M  3.25
( M
∑1̀oh ([ M # ` (` „[W M # ` + W ` †
W M  3.26
( M
Ces algorithmes permettent de calculer pour chaque niveau de puissance du système, la
probabilité pour que cette puissance ne soit pas disponible. On peut en déduire la
distribution de probabilité du système en se rappelant que la probabilité pour que « X
MW soient hors service » est égale à la probabilité pour que « (Pt – X) MW soient en
service » ; Pt étant la puissance totale du système.
3.2.2.1.4 Choix du modèle
Les modèles de fréquence et de durée et les modèles basés sur les taux de disponibilité
aboutissent à des résultats équivalents en termes de scénario d’évolution d’un parc de
production pour respecter une contrainte de fiabilité (Billinton, et al., 2004). Il est
impossible d’affirmer qu’une des deux approches est meilleure que l’autre en toutes
circonstances (Billinton, et al., 2004). Les modèles de fréquence donnent des

52
 C H A P I T R E 3

informations sur les durées et fréquences de défaillance et de maintenance des

composants du système et pour cela nécessitent des données sur les taux de panne et
de maintenance. Dans ce travail, les modèles basés sur les taux de défaillance ont été
préférés pour leur simplicité de mise en œuvre. De plus ces modèles donnent toute
l’information nécessaire aux études de planification qui seront effectuées.
3.2.2.2 Aléa lié au réseau
L’aléa lié au réseau provient principalement de l’indisponibilité des lignes. Par exemple,
le taux d’indisponibilité fortuite d’une liaison aérienne 90 kV (i.e. la probabilité P de se
trouver hors service à un instant donné) se calcule avec la formule 3.27 (EDF R&D,
2007).

 1.8< + 0.1‰ 10WŠ 3.27

où :
• L est la longueur de la liaison en km,
tel-00447151, version 1 - 14 Jan 2010

• et n est le nombre de cellules de la liaison (deux en général).

Une représentation probabiliste rigoureuse du réseau devrait tenir compte de cette
probabilité pour chaque ligne. Les réseaux électriques étant en général dimensionnés
pour des situations « N-1 »2, l’aléa lié à la disponibilité des lignes sera pris en compte
dans les études en simulant systématiquement le fonctionnement du système en « N »
et en « N-1 ».
3.2.2.3 Aléa lié à la consommation
La modélisation probabiliste du système serait incomplète sans un modèle probabiliste
de la consommation dont la variabilité au cours du temps est importante. Il existe trois
grands types de représentation de la consommation (Billinton, et al., 2004): la plus
simple est la représentation sous forme d’un point de fonctionnement (cas de charge),
les deux autres tiennent compte de sa variabilité, il s’agit des séries chronologiques et
des modèles dits d’intervalles.
3.2.2.3.1 Modélisation par point de fonctionnement
Cette représentation peut se résumer à un simple chiffre donnant la consommation
instantanée globale d’un système (consommation maximale par exemple). Un tel
modèle est classiquement utilisé pour le calcul de critère de fiabilité tel que le « LOLP »
(loss of load probability) qui est la probabilité de ne pas satisfaire la demande sur une
période donnée.
Des variantes plus complexes de ce type de modélisation prennent en compte la
répartition géographique de la consommation. Elles sont nécessaires dès lors qu’on
tient compte des contraintes de réseau.
3.2.2.3.2 Modélisation par séries chronologiques
Pour plusieurs raisons il peut être nécessaire voire primordial d’utiliser la représentation
en séries chronologiques. Dans un problème de « unit commitment » (gestion
prévisionnelle du parc de production à un horizon allant de l’heure à quelque jours), il

2 Situations de fonctionnement du système correspondant à la perte d’un ouvrage (ligne par exemple).

53
 C H A P I T R E 3

est essentiel de savoir, par exemple, s’il est préférable de satisfaire la demande maximale
avec une centrale à vapeur ayant des coûts de démarrage élevés mais des coûts de
fonctionnement raisonnablement bas ou avec une turbine à gaz qui coûte moins cher
au démarrage qu’en fonctionnement. Cette décision dépendra, entre autre, de l’état du
système (réserve disponible sur les groupes en fonctionnement, nombre et type
d’unités disponibles pour un démarrage rapide ect…) à l’instant où la demande
atteindra son maximum. Cette information ne peut être obtenue qu’au travers de séries
chronologiques car l’état du système à un instant donné dépend de l’état à l’instant
précédent.
3.2.2.3.3 Modèles d’intervalles
La série chronologique présente l’inconvénient d’être difficilement simulable par une
fonction mathématique (surtout à long terme). De plus, bien souvent on n’a pas besoin
de toutes les informations que nous apporte la série chronologique. Plusieurs
problèmes de planification et même d’exploitation des systèmes électriques nécessitent
moins la connaissance de la séquence chronologique exacte que celle de la probabilité
tel-00447151, version 1 - 14 Jan 2010

d’avoir la consommation comprise dans un certain intervalle. Cette information est

entièrement déductible d’une distribution de probabilité (histogrammes) ou d’une
fonction de répartition.
Les histogrammes de consommation annuelle (Figure 3.7) d’un système électrique
insulaire français montrent que son comportement sur l’année peut être modélisée par
une gaussienne dont les paramètres principaux (moyenne, écart-type, minimum et
maximum) varient d’une année à l’autre.

Figure 3.7 Exemple de distribution de probabilité de la consommation

On constate que les paramètres classiques d’un système électrique présentent un

comportement qui peut être considéré comme aléatoire et par conséquent peuvent être
modélisés par des lois de probabilité. Le nouveau paradigme du système électrique se
caractérise par l’apparition de nouveaux moyens de production à tous les niveaux de
tension. Il s’agit en particulier de la production renouvelable d’origine éolienne et
solaire photovoltaïque. Ces moyens de production, en plus de l’aléa conventionnel lié
aux indisponibilités, ont un comportement aléatoire du fait même de leurs énergies
primaires.

54
 C H A P I T R E 3

3.2.3 Modélisation probabiliste de la production d’énergie renouvelable

Le problème posé ici est de trouver la distribution de probabilité de la puissance en
sortie d’une installation de production d’énergie renouvelable connaissant la
distribution de probabilités de son énergie primaire (vent ou ensoleillement).
3.2.3.1 Production éolienne
3.2.3.1.1 A l’échelle d’une turbine éolienne
Principe de conversion de l’énergie
La turbine éolienne transforme l’énergie cinétique du vent en énergie électrique. La
puissance récupérée varie en fonction de la vitesse du vent de la façon décrite dans
l’équation 3.28.

1

m     3.28
2
tel-00447151, version 1 - 14 Jan 2010

 est la densité volumique de l’air,

Où :
•
• S est la surface balayée par les pales,
• v est la vitesse du vent à hauteur de la nacelle,
• Cp est le coefficient de puissance ou constante de Betz.
Toutes les turbines sont caractérisées par une vitesse de démarrage vD, une vitesse
nominale vN et une vitesse maximale vM. Ces vitesses définissent quatre zones sur le
diagramme de la puissance récupérée en fonction de la vitesse du vent.
• La zone 1 où l’éolienne ne fournit pas d’énergie car la vitesse du vent est
inférieure à sa vitesse de démarrage.
• La zone 2 où l’éolienne développe une puissance qui varie comme le cube de la
vitesse du vent. Celle-ci étant comprise entre vD et vM.
• La zone 3 où la turbine atteint sa puissance nominale. Celle-ci reste constante
pour les éoliennes équipées d’une régulation par angle de calage (« pitch
regulation ») et décroît sensiblement pour les autres.
• La zone 4 où l’éolienne ne fournit à nouveau plus d’énergie pour des raisons de
sécurité car la vitesse du vent est supérieure à sa vitesse maximale.

55
 C H A P I T R E 3

PN

Zone 1 Zone 2 Zone 3 Zone 4

VD VN VM
Figure 3.8 Caractéristique vent-puissance

Il est possible d’avoir une expression mathématique de la caractéristique vent-puissance

tel-00447151, version 1 - 14 Jan 2010

de la Figure 3.8 (équation 3.34). De fait, pour les turbines à vitesse variable avec
régulation par angle de calage, il est possible de calculer une expression mathématique
de la densité de probabilité à partir de celle de la vitesse du vent.
Modèle probabiliste du vent
La vitesse du vent est un phénomène physique stochastique qui peut être modélisé
approximativement par un processus à variable aléatoire discrète. Plusieurs lois de
probabilité ont été testées pour caractériser la vitesse du vent (Weibull, Rayleigh, χ2, loi
normale…). Il en ressort que la loi de distribution de Weibull et son cas particulier - loi
de Rayleigh - représentent de façon adéquate la distribution de la vitesse du vent
(Castro Sayas, et al., 1996), (Carlin, et al., 1982), (Bossanyi, et al., 1979). Dans la majorité
des études d’insertion de l’éolien rencontrées dans la littérature, la vitesse du vent est
donc caractérisée par la distribution de Weibull dont la fonction de répartition est :

 Ž
L   1 # &'( ‹# Œ   3.29

et la fonction densité de probabilité est :

AL  -  ŽWh  Ž
S    p uŒ  &'( ‹# Œ   3.28
A   
Avec :
• k paramètre de forme qui caractérise la répartition du vent,
• c paramètre d’échelle qui caractérise la vitesse du vent (plus c est élevé plus
l’énergie se trouve dans les hautes vitesses),
• v vitesse du vent « instantanée ».

la variable aléatoire « vitesse du vent » est souvent représentée par la distribution de

Rayleigh (Weibull avec k = 2) dont la fonction de répartition est la suivante :

56
 C H A P I T R E 3

 e
L   1 # &'( ‹# Œ   3.31


et la fonction densité de probabilité est :

2  e
S   p e u &'( ‹# Œ   3.32
 

f(v)
tel-00447151, version 1 - 14 Jan 2010

v (m/s)

Figure 3.9 Exemples de lois de Weibull

Une autre modélisation probabiliste de la vitesse du vent est proposée par Castro Sayas
et al (Castro Sayas, et al., 1996)et par Leite et al (Leite, et al., 2006). Elle consiste à
modéliser la vitesse du vent par le biais d’une chaîne de Markov avec un nombre fini
d’états. Les états étant en fait les niveaux de vitesse classés par ordre croissant. Cette
modélisation nécessite pour qu’elle soit adéquate que le processus modélisé soit
stationnaire ; c'est-à-dire qu’il ait le même comportement sur une période quelque soit
l’origine choisie. Ceci veut aussi dire que ce processus a une moyenne et un écart type
constants quelque soit la séquence de données choisies. Du fait des variations
saisonnières du vent, la vitesse moyenne et l’écart type ne sont pas constants. Outre sa
complexité (nécessité de définir les probabilités de passage d’un état quelconque à un
autre), cette méthode présente l’inconvénient de ne pas être valable dès lors que l’on
essaye de modéliser la variation de la vitesse du vent sur une période de temps
inférieure à l’année. La modélisation probabiliste du vent par la loi de Weibull sera
donc préférée à cette dernière méthode.

57
 C H A P I T R E 3

Modèle probabiliste de la puissance produite par la turbine

A partir de la caractérisation probabiliste du vent et de la fonction vent-puissance de
l’éolienne (Figure 3.8), une distribution de la puissance de l’éolienne est déduite
(Bayem, et al., 2007).
D’une manière générale, la distribution de probabilité de la puissance en sortie d’une
chaîne de conversion d’énergie peut s’obtenir de la manière suivante :

sa fonction de distribution L ' 
M ‘ ' et g la fonction représentant la chaîne

soit X une variable aléatoire représentant la source primaire d’énergie, caractérisée par

de conversion. Si Y est la variable aléatoire de la puissance produite, alors ’   M et

la distribution de probabilité L“ ' 
’ ‘ ' peut être calculée à partir de FX et
g. Dans le cas où g est une fonction croissante, on a :

L“ ' 
’ ‘ ' 
 M ‘ M 
„M ‘ Wh M †  L Wh M 3.33

tel-00447151, version 1 - 14 Jan 2010

Ce concept est communément appliqué à une éolienne à vitesse variable équipée de la

régulation par angle de calage pour laquelle la puissance produite peut s’exprimer en
fonction de la vitesse selon la formule suivante :

0 0 ‘  N •
C + ? k • ‘  N – 6

   ” 3.34

– – ‘  N —
0  O —

Où :
• vD est la vitesse de démarrage (« cut-in ») à partir de laquelle l'éolienne
commence à fournir de l'énergie,
• vN est la vitesse nominale (« rated ») à partir de laquelle l’éolienne fourni sa
puissance nominale PN,
• vM est la vitesse maximale (« cut-out ») du vent pour laquelle la turbine ne
convertit plus l'énergie éolienne, pour des raisons de sûreté de fonctionnement,
• m est généralement pris égal à 3,
• Les constantes a et b sont déterminées par les formules :

C ? 3.35
˜™

˜ Wš
™ ™ š
™ W ™
˜
et

La distribution de puissance se calcule alors de la manière suivante :

58
 C H A P I T R E 3

71 # L — + L • ; (  0 0 ‘  N • &B  O —
L (  ›œL „ ( † # L •  0 N ( N
– • ‘  N – 6 3.36
7L — # L – ; ( 
– – ‘  N —

 (  7 ( # C ⁄? ;h⁄k .
Avec :

Pour une distribution de Weibull de la vitesse du vent on obtient la distribution de la

puissance suivante :

— Ž • Ž
¡ 1 + &'( ‹# Œ  # &'( ‹# Œ   (  0
I  
I ( # C ⁄? Ž⁄k
• Ž
L (  &'( ‹# Œ   # &'( ¢# % /£ 0 N ( N
– 6 3.37
   Ž
I
I – Ž — Ž
&'( ‹# Œ   # &'( ‹# Œ   ( 
–
Ÿ  
tel-00447151, version 1 - 14 Jan 2010

Note :

Ces calculs sont effectués en considérant que la puissance produite est

constante dans l’intervalle [vN, vM] ; cette considération n’est pas valable
pour les éoliennes à vitesse constante qui voient leur puissance décroître
dans cet intervalle. La distribution de puissance peut tout de même être
obtenue pour ce type d’éolienne à partir de la courbe puissance-vent
fournie par les constructeurs.

FT(pT)

0,96

0,22

PN
Figure 3.10 Fonction de répartition de la puissance produite par une turbine

La Figure 3.10 représente la fonction de répartition d’une turbine éolienne à vitesse

variable de caractéristiques : vD = 3,5 m/s, vN = 12,5 m/s, vM = 20 m/s et PN = 1,5
MW. Cette turbine est supposée être installée sur un site dont les caractéristiques
éoliennes sont : k =2 et c = 7. Sur la Figure 3.10 on peut lire que la probabilité pour

59
 C H A P I T R E 3

que la turbine ne produise pas est de 0,22 soit 22 % et que la probabilité pour qu’elle
produise sa puissance nominale est de 1 – 0,96 = 0,04 soit 4%. Ces deux valeurs très
significatives pour le cas d’une turbine seront comme nous le verrons plus tard
atténuées par l’effet du foisonnement au niveau d’une ferme et encore plus au niveau
d’une région.
3.2.3.1.2 A l’échelle d’une ferme

Revue bibliographique
Outre l’aléa lié à la production d’une éolienne, la modélisation probabiliste de la ferme
éolienne entière ne saurait être complète sans l’introduction de l’aléa lié à la disponibilité
de chacune des turbines de la ferme. La caractérisation de cet aléa la plus rencontrée
dans la littérature est basée sur le modèle de Markov (Leite, et al., 2006), (Karaki, et al.,
2002). Chaque turbine est modélisée comme un composant d’une chaîne de Markov
avec deux états (up, down). Karaki et al propose une modélisation de la production
d’une ferme en partant du fait que pour chaque valeur v(i) de vitesse du vent, les
turbines de la ferme peuvent chacune produire une puissance pi (qui est la même pour
tel-00447151, version 1 - 14 Jan 2010

toutes puisqu’elles sont identiques) ; de plus elles peuvent être hors ou en service –
modèle de Markov. En considérant d’abord ce dernier aspect, les auteurs obtiennent,
pour un ensemble {v(i), i = 1,…,Nv} de valeurs de la vitesse, une familles de
fonctions densité de probabilité de la forme :

¤4⁄`  P
4 - , S4 - ¥ -  0 … v4 Q G  0 … v 3.38

4 - représente le niveau de puissance à l’état k,

Où :

S4 - est la probabilité d’avoir le niveau de puissance Po(k).

•
•
Chaque distribution Oc/i est conditionnelle à la vitesse v(i) dont on connaît la probabilité
d’occurrence fv(i). L’état du système (de quoi découle le niveau de puissance) étant
indépendant de la vitesse, la probabilité pour que le niveau de puissance du système
soit Pc(k), avec une vitesse de vent v(i) est égale à fc(k)fv(i). Le niveau de puissance Pc(k)
pouvant être atteint pour différentes vitesses de vent, la probabilité d’avoir ce niveau de
puissance quelque soit la vitesse est égal à la somme des probabilités d’avoir cet état
pour chaque valeur de la vitesse. La distribution de probabilité de la ferme fF est alors
symbolisée par :
–©

S§  _ ¤4/` 3.39
`oR

Où le signe de somme représente la sommation des probabilités d’occurrence d’un

niveau de puissance pour différentes vitesses de vent.
Les auteurs de (Karaki, et al., 2002) vont plus loin en considérant tout de même le fait
que les turbines de la ferme peuvent être balayées par des vents différents. Ils
simplifient le problème en considérant une ferme sur deux sites avec des vents

60
 C H A P I T R E 3

différents. La fonction densité de probabilité du vent (définie ici de façon discrète par
intervalle) d’un site est alors définie conditionnellement à celle de l’autre site par
application du théorème de Bayes.

S ] « ^
S ^|]  3.40
S ]
Où :
• A est l’évènement : « le vent sur le site 1 est dans un intervalle donné »,
•
La détermination de S ] « ^ pour chaque intervalle de discrétisation s’avère
B est l’évènement : « le vent sur le site 2 est dans un intervalle donné ».

complexe déjà pour deux sites. Si de plus on considère que toutes les turbines d’une
ferme « voient » chacune un vent différent, il nous paraît inenvisageable de faire ce
calcul.
Méthode proposée
tel-00447151, version 1 - 14 Jan 2010

La méthode présentée dans le paragraphe précédent vise à modéliser de façon

probabiliste la production d’une ferme éolienne par une méthode analytique (sans
tirage Monte Carlo) mais est limitée pour ce qui est de la considération du
foisonnement au sein de la ferme.
Comme nous le verrons plus tard, pour nos études, nous partirons toujours de séries
temporelles de vent récoltées sur les sites où seront implantées les fermes éoliennes.
Nous proposerons donc une méthode de détermination de la distribution de
probabilité de la production éolienne d’une ferme à partir des séries temporelles de
vent, tenant compte du foisonnement et du fait que les turbines d’une même ferme
peuvent être de différents types.
L’algorithme présenté au paragraphe 3.2.2.1.2 permet de modéliser de façon
probabiliste des systèmes constitués d’unités de production indépendantes. Il n’est
donc pas adapté pour calculer la fonction de répartition de la puissance produite par
une ferme éolienne mais aura son utilité dès qu’on se ramènera aux conditions de son
applicabilité.
Une ferme éolienne est par essence un système constitué d’unités dont les productions
sont fortement corrélées car toutes les turbines reçoivent pratiquement la même vitesse
de vent, la différence étant liée essentiellement à l’étendue de la ferme et à la disposition
des turbines. La modélisation probabiliste de la ferme se fait en plusieurs étapes :
• Traitement des données de vent du site considéré. A partir des mesures de vitesse de
vent aux stations Météo France, une estimation de la vitesse du vent à hauteur

  ¬
de moyeu des turbines est obtenue à partir de la formule suivante (Gipe, 1995):

p u 3.41
R R
Où v est la vitesse du vent à hauteur de moyeu h, v0 est la vitesse de vent
mesurée à la hauteur de l’anémomètre h0 et α est le coefficient de cisaillement

61
 C H A P I T R E 3

du vent caractéristique du site. Il varie entre 0,1 et 0,4 (0,1 correspond à la mer,
0,16 à une plaine, 0,28 à une forêt et 0,4 à une zone urbaine).
• Modélisation de la différence de vitesse de vent balayé par les différentes turbines de la ferme.
On choisit une turbine de référence T0 qui reçoit le vent à la vitesse v0 mesurée

`  R + ­` . L’enjeu ici est de trouver une loi de probabilité qui représente au

à la station météo. Les autres turbines reçoivent le vent à la vitesse

mieux εi. Cela va dépendre de l’étendue de la ferme, de la disposition des

turbines, de l’angle d’attaque du vent ect… Dans un premier temps nous avons
choisi de modéliser εi par un bruit blanc normal d’écart type σi. Cette
modélisation a été choisie car elle traduit le fait que sur un site donné, même si
les vitesses instantanées à différents points diffèrent, les lois de probabilités
traduisant les variations de chacune de ces vitesses sur une période donnée
restent les mêmes. εi est un bruit blanc normal d’écart type σi ; il s’agit donc
d’une variable aléatoire gaussienne de moyenne nulle. La moyenne nulle traduit
l’invariabilité de la fonction densité de probabilité du vent quelque soit le point
tel-00447151, version 1 - 14 Jan 2010

du site (et donc quelque soit la turbine). L’écart-type traduit l’ampleur des
écarts entre les vitesses instantanées de chaque point du site. Il dépend de la
distance entre les turbines et de leur disposition spatiale ; il convient donc pour
bien l’évaluer d’effectuer des mesures de vent sur des périodes suffisamment
longues à différents points du site.
A l’issue de cette étape on a donc les séries temporelles de vitesse de vent pour

Calcul de séries temporelles de puissance produite par chaque turbine :
 S  . fvp
chaque turbine.
•
étant la caractéristique vent-puissance de chaque turbine.
• Pour chaque point (échantillon) de la série temporelle (point horaire par exemple) on calcule Ft
et ft comme décrit au paragraphe 3.2.2.1.2. Chaque échantillon correspond en fait à
une centrale de production composée d’unités indépendantes à deux états. A
l’issue de cette étape, on obtient pour chaque échantillon, tous les niveaux de
puissance atteints et leur probabilité.
• Calcul de la distribution de probabilité sur toute la période de l’étude. Il faut parcourir
tous les échantillons et, la probabilité de chaque évènement « niveau de
puissance = X MW », est égale à la somme des probabilités de cet événement
dans chacune des distributions horaires ft où il apparaît divisé par le nombre

∑1`oh Sm,` M
d’échantillons.
®
S M  3.42
v
nX est le nombre de fois où l’évènement « niveau de puissance = X MW»
apparaît.
N est le nombre de points (horaires) simulés.
Le processus décrit ci-dessus a été automatisé par un algorithme (encadrés)
implémenté sous MATLAB (cf. annexe C pour les codes de calcul) qui prend en entrée
les séries temporelles de vent vi, les séries temporelles εi le nombre de turbines de la
ferme et leurs caractéristiques.

62
 C H A P I T R E 3

Ce qui suit est une présentation des différents algorithmes développés avec dans un
premier temps un algorithme dont le but est de créer des séries de vent et puissance

hh x h1
dans chaque ferme. Ses données d’entrée sont :

*¢ s y s £ matrice des vitesses de vent, ne contenant que la série de

0 x 0
vitesses de vent sur la turbine de référence ;
l : nombre de turbines ;
n : nombre d’échantillons ;
¯r
f  p ¯s u vecteur des écart-types des bruits blancs caractérisant la variation de vitesse
t
sur chaque turbines ;
˜r šr °r
*•  p  s u ,*–  p  s u, *—  p  s u vecteurs des vitesses de démarrage, nominales
˜t št °t
tel-00447151, version 1 - 14 Jan 2010

et maximales de chaque turbines.;

±šr

–  p s u
±št
vecteur des puissance nominales de chaque turbines ;
[r Zr
]  p [s u , ^  p s u vecteurs des coefficients de la caractéristique vent-puissance de
t Zt
chaque turbine ;

hh x h1
Cet algorithme donne les résultats suivants :

*w s y s { matrice complète des vitesses de vent sur chaque turbine ;

zh x z1

@=Ahh x
@=Ah1

@=A  w s y s { matrice des puissances produites par chaque

@=Azh x
@=Az1
turbine.

Matrice_vent&puissance (V, l, σ, VD, VN, VM, PN , A, B)

%Calcul de séries temporelles de puissance produite par chaque turbine%
n = nombre d’échantillons par séries de vent ;
Pour i = 2 à l
Pour j = 1 à n
V[i,j] = V[1,j] + εi ;
Si V[i,j] < VD[i] alors Prod[i,j] = 0
Sinon si V[i,j] < VN[i] alors Prod[i,j] = A[i] + B[i](V[i,j])3
Sinon si V[i,j] < VM[i] alors Prod[i,j] = PN[i]
Sinon Prod[i,j] = 0 ;
Fin
Fin
Fin

Après le calcul des séries de puissance, la distribution de probabilité globale de la ferme

est déterminée à l’aide de l’algorithme suivant don les données d’entrée sont :

63
 C H A P I T R E 3

@=Ahh x
@=Ah1

@=A  w s y s { matrice des puissances produites par chaque

@=Azh x
@=Az1

1 # Ah Ah
turbine ;

²G8(=  w s s { matrice des probabilités des état « arrêt » et « marche » de

1 # Az Az
chaque turbine ;
Inc : pas de discrétisation de la distribution de probabilité recherchée.
PDF_ferme (Prod, Dispo, Inc)
n= nombre d’échantillons ;
l = nombre de turbines ;
[X, F(X), f(X)] = PDF_par_echantillon(Prod, Dispo, Inc, l, 1) ;
Pour i = 2 à n
[Y, F(Y), f(Y)] = PDF_par_echantillon(Prod, Dispo, Inc, l, i) ;
[X, f(X)] = occurrence_des_niveaux_de_puissance(X, Y, f(X), f(Y)) ;
tel-00447151, version 1 - 14 Jan 2010

Fin
Niv-puiss = X ;
Probab = f(X)/n ;
Fin

[X, F(X), f(X)] = PDF_par_echantillon(Prod, Dispo, Inc, l, i)

%Calcul de Ft et ft pour chaque point (échantillon) de la série temporelle (point horaire par exemple) %
Pour j = 1 à l
Cs[j, 1] =0 ;
Cs[j, 2] = Prod[i,j] ;
Rs[j] = Prod[i,j]
Ns[j] = 2 ;
Fin
[X, F(X), f(X)] = PDF_centrale (Cs, Dispo, Ns, Rs, Inc, l) ;
Fin

[Z, f(Z)] = occurrence_des_niveaux_de_puissance(X, Y, f(X), f(Y))

%Calcul progressif de la distribution de probabilité sur toute la période de l’étude.%
Z = union de X et Y ;
nz =taille de Z ;
nx =taille de X ;
ny =taille de Y ;
f[Z] = vecteur nul
Pour i =1 à nz
Pour j = 1 à nx
Si Z[i] = X[j] alors f(Z[i]) = f(Z[i]) + f(X[j]);
Fin
Pour j = 1 à ny
Si Z[i] = Y[j] alors f(Z[i]) = f(Z[i]) + f(Y[j]);
Fin
Fin
Fin

Résultats et discussion
Les calculs on été effectués pour une ferme éolienne constituée de 4 turbines
identiques à celle du paragraphe 3.2.3.1.1, et supposées installées sur un site corse dont
les données de vitesse de vent ont été obtenues auprès de Météo France.
Dans un premier temps, considérons le modèle le plus simple : les 4 turbines sont
toujours disponibles et sont balayées par le même vent ; la distribution de probabilité a

64
 C H A P I T R E 3

alors la forme de la Figure 3.11 avec comme valeurs extrêmes P(X = 0) = 0,29746 et
P(X = 6) =0,11830.

d = 1; pas de foisonnement
0,4

0,35

0,3

0,25
Probabilité

0,2

0,15

0,1

0,05

0
0 3 6
Puissance en MW
tel-00447151, version 1 - 14 Jan 2010

Figure 3.11 Distribution de probabilité pour le cas d=1 et pas de foisonnement du vent

Lorsque l’on tient compte à la fois du taux de disponibilité des turbines et de la

variation du vent d’une turbine à l’autre, la caractéristique de la Figure 3.11 est modifiée
surtout aux valeurs extrêmes.
Les distributions présentées à la Figure 3.12 sont obtenues en considérant :
• Une turbine de référence balayée par le vent mesuré à la station v0.
• Les trois autres turbines sont balayées par un vent de vitesse vi = v0 + εi où εi est
un bruit blanc d’écart-type 0,3 m/s.
Globalement on constate que l’impact de la variation de la vitesse du vent sur le
foisonnement (atténuation des valeurs extrêmes) est léger puisque pour un taux de
disponibilité d = 1 la distribution est quasiment la même que celle du cas simple
présenté précédemment.
Les principales différences entre ces distributions sont dues essentiellement à l’effet du
taux de disponibilité : quand il diminue, la probabilité pour que la ferme produise sa
puissance maximale varie dans le même sens tandis que la probabilité d’avoir une
production nulle augmente.

Tableau 3.4 Valeurs extrêmes des distributions (εi = N(0; 0,3))

d P(X=0) P(X=6)

0,8 0,28236217 0,04474999

0,9 0,27903461 0,07168084

0,98 0,27739868 0,10077141

1 0,27703907 0,10925291

65
 C H A P I T R E 3

d = 0,8 d = 0,9
0,5 0,5
0,45 0,45
0,4 0,4
0,35 0,35
Probabilité

Probabilité
0,3 0,3
0,25 0,25
0,2 0,2
0,15 0,15
0,1 0,1
0,05 0,05
0 0
0 3 6 0 3 6
Puissance en MW Puissance en MW

d = 0,98 d=1
0,45 0,45
0,4 0,4
0,35 0,35
0,3 0,3
Probabilité

Probabilité
tel-00447151, version 1 - 14 Jan 2010

0,25 0,25
0,2 0,2
0,15 0,15
0,1 0,1
0,05 0,05
0 0
0 3 6 0 3 6
Puissance en MW Puissance en MW

Figure 3.12 Distributions de probabilité pour le cas εi = N(0; 0,3)

Les distributions de la Figure 3.13 sont obtenues de la même manière que celles de la
Figure 3.12 à la seule différence que cette fois εi est un bruit blanc d’écart type égal à
1 m/s.
En plus de l’impact de la disponibilité des turbines, on constate aussi une véritable
influence de la variation du vent d’une turbine à l’autre car pour le cas d = 1, les
différences avec le cas simple sont plus marquées.

Tableau 3.5 Valeurs extrêmes des distributions (εi = N(0; 1))

d P(X=0) P(X=6)
0,8 0,24030377 0,03498023
0,9 0,23250665 0,05603157
0,98 0,22779755 0,07877113
1 0,22673064 0,08540096

66
 C H A P I T R E 3

d = 0,8 d = 0,9
0,6 0,6

0,5 0,5

0,4 0,4

Probabilité
Probabilité

0,3 0,3

0,2 0,2

0,1 0,1

0 0 MW
0 3 6 0 3 6

Puissane en MW Puissance en MW

d = 0,98 d=1
0,5 0,5
0,45 0,45
0,4 0,4
0,35 0,35
Probabilité

Probabilité
0,3 0,3
0,25 0,25
tel-00447151, version 1 - 14 Jan 2010

0,2 0,2
0,15 0,15
0,1 0,1
0,05 0,05
0 0
0 3 6 0 3 6
Puissance en MW Puissance en MW

Figure 3.13 Distributions de probabilité pour le cas εi = N(0; 1)

En conclusion, la distribution de probabilité de la production d’une ferme éolienne

dépend de plusieurs facteurs : la vitesse du vent, le type de turbines, leurs taux de
disponibilité, la variation de la vitesse du vent à travers les turbines. L’influence de ces
deux derniers facteurs a été mise en évidence dans les exemples traités dans ce
paragraphe. Le taux de disponibilité des turbines étant généralement très élevé, entre
0,95 et 0,98 (Papathanassiou, et al., 2006), pour des fermes de petite étendue - où on
peut raisonnablement considérer que la vitesse du vent ne varie que très peu d’une
turbine à l’autre -, l’utilisation du modèle simple pour le calcul de la distribution de
probabilité est donc une bonne approximation.
Le solaire photovoltaïque est l’autre moyen de production en pleine expansion des les
réseaux actuellement et dont le comportement aléatoire est étroitement lié à sa source
d’énergie primaire.
3.2.3.2 Production photovoltaïque
3.2.3.2.1 Principe de conversion de l’énergie
L’énergie électrique produite par une installation photovoltaïque est
proportionnelle à l’irradiation qui est l’énergie rayonnante émise par le soleil dans
toutes les longueurs d’onde arrivant chaque seconde au sol sur une surface de un
mètre carré. L’irradiation est exprimée en kWh/m2.
Les systèmes photovoltaïques ont relativement peu de composants mais ces
derniers ont un comportement non linéaire et les interactions entre eux sont
complexes.

67
 C H A P I T R E 3

Le logiciel PVSYST, développé par l’Université de Genève, permet, à partir des

relevés météorologiques d’irradiation au sol et des caractéristiques de la centrale
solaire étudiée, de construire une chronique horaire de puissance produite par la
centrale. Le processus de calcul est schématisé par la Figure 3.14 et les différentes
étapes sont décrites par la suite.

Données météo Calcul de Calcul de Calcul de la

et inclinaison i l’irradiation l’irradiation puissance
des panneaux directe et sur le plan produite (P) P
diffuse (Gb, Gd) incliné (Gt) Gt,
Gb, Gd modèle
du
panneau

Figure 3.14 Processus de calcul du productible photovoltaïque

Calcul des irradiations directe et diffuse

Les données d’entrée utilisées pour ce calcul sont l’irradiation globale G, l’inclinaison i
tel-00447151, version 1 - 14 Jan 2010

du panneau et la température t. La méthodologie utilisée est développée dans (Duffie,

et al., 1980).
Calcul de l’irradiation sur le plan incliné
L’irradiation sur le plan incliné du panneau Gt en utilisant un modèle basé sur l’équation

³m  ³Z sin ¶ + ³· 70,5 1 # cos G 1 # Sh + C⁄ Sh + Se sin G ; 3.43

3.43 et décrit plus en détail dans (Perez, et al., 1987) et (Ineichen, et al., 1987).

où :
• he est la hauteur solaire par rapport à l’horizon local (angle d’altitude solaire),
• Gb est l’irradiation directe,
• Gd est l’irradiation diffuse,
• f1 est le coefficient de luminosité autour du soleil,
• f2 est le coefficient de luminosité à l’horizon,
• a/c est un facteur traduisant l’incidence géométrique du rayonnement solaire,
• i est l’inclinaison du panneau.
Calcul de la puissance produite
L’irradiation Gt calculée à l’étape précédente est combinée à un modèle électrique du
panneau photovoltaïque pour obtenir la puissance électrique fournie. Le modèle utilisé
est celui dit de Shockley représenté par la Figure 3.15 et décrit plus en détail dans
(Rosell, et al., 2006).

68
 C H A P I T R E 3

Figure 3.15 Modèle électrique simplifié d’une cellule photovoltaïque

3.2.3.2.2 Méthode utilisée

Le principe est le même que celui de la modélisation probabiliste de la production
éolienne à savoir :

• Collecte et traitement des données météorologiques du site considéré : il s‘agit

ici des séries chronologiques d’irradiation et de température.
tel-00447151, version 1 - 14 Jan 2010

• Conversion des séries chronologiques des données météorologiques en séries

chronologiques de puissance produite : cette étape est réalisée à l’aide du
logiciel PVSYST dont le processus de calcul a été précédemment décrit.

• Transformation des séries chronologiques de puissance en distribution de

probabilité.

0,3

0,25

0,2
Probabilité

0,15

0,1

0,05

0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Puissance en p.u.

Figure 3.16 Exemple de distribution de probabilité de la production photovoltaïque

3.2.4 Conclusion
L’aléa liée l’énergie primaire induit un aléa sur la puissance en sortie des unités de
production d’énergie renouvelable telles que les éoliennes et les panneaux
photovoltaïques. En tenant compte du système de conversion énergie primaire-énergie
électrique de ces unités, les distributions de probabilité de la puissance produite par une
ferme éolienne et par une centrale photovoltaïque ont été déterminées. Ces
modélisations complètent le modèle probabiliste du système électrique. Reste à

69
 C H A P I T R E 3

caractériser les corrélations et les dépendances entre les différentes variables du

système.

3.3 Corrélation et dépendance des aléas

Cette section a pour but de passer en revue les principales méthodes d’analyse de
corrélation et dépendance des variables aléatoires. Les outils d’analyse de corrélation et
dépendance vont de la simple analyse de régression linéaire à des outils plus complexes
tels que les copules. Même si tous ces outils seront présentés ici, dans les cas
d’application nous nous en tiendrons autant que possible aux méthodes les plus
simples ; le but recherché étant surtout de démontrer l’utilité voire la nécessite de
prendre en compte les incertitudes liés aux paramètres - particulièrement la production
d’énergie renouvelable et la demande - d’un système électrique dans les études de
réseau.
3.3.1 Types de dépendances entre variables du système électrique
tel-00447151, version 1 - 14 Jan 2010

Avant de décrire les techniques de caractérisation des corrélations entre variables

d’entrée du modèle probabiliste d’un système électrique, il convient de donner un
aperçu des dépendances qui peuvent exister et qui devront être prises en compte dans
nos études.
Dépendance type charge/charge. Dans les études destinées à la planification du
fonctionnement à moyen et long-terme d’un système électrique, la variation des
charges nodales (au niveau des postes source) présentera des augmentations ou des
diminutions synchrones, ce qui dénote d'un degré de dépendance important (pour ce
cas de figure, une corrélation linéaire avec un coefficient de corrélation égal à 1 est une
approximation satisfaisante). Par contre, à l’échelle d’un départ (réseau de distribution),
la dépendance entre les charges connectées à ce départ est moins évidente et
généralement moins importante. A ce niveau, le profil de demande est très lié à
l’utilisation ; une industrie n’aura pas le même profil de consommation que des
habitations.
Dépendance type génération/génération. En pratique, chaque unité de production
conventionnelle (nucléaire, thermique, hydraulique…) produit de façon indépendante
des autres. Il existe néanmoins un lien dicté par la demande du système (au pic de
demande, on a un maximum d’unités qui débitent). Il existe également un lien au
niveau de l’indisponibilité programmée en ce sens que l’exploitant programme la
maintenance des unités à des périodes différentes et lorsque la demande est faible. Ces
liens sont pris en compte directement dans les règles d’exploitation du système.
La dépendance entre productions d’énergie renouvelable est, elle, bien réelle et doit être
étudiée et prise en compte. Elle est surtout liée à la dépendance des sources d’énergies
primaires et dépend de l’étendue géographique du système étudié. L’étude de cette
dépendance passe par l’analyse des données météorologiques (vent et/ou
ensoleillement) des sites.
Dépendance type génération/charge. La production d'un groupe de générateurs
conventionnels est contrôlée pour que la demande de puissance du système soit

70
 C H A P I T R E 3

satisfaite. Dans ce cas, il y a un lien, immanent au fonctionnement du système, entre la

puissance produite et la demande.
La dépendance entre la production d’énergie renouvelable et la consommation est le
reflet du lien entre les phénomènes météorologique liés à ces grandeurs. En effet, des
tendances générales ont été identifiées par exemple dans le sud de la France ou les
épisodes de grand froids hivernaux correspondent souvent à des périodes de grands
vents. De même, la production photovoltaïque est liée à la température pour deux
raison : il fait plus chaud quand il y a du soleil que quand il n’y en pas et, du fait de leurs
caractéristiques, les panneaux solaires voient leur rendement se dégrader à températures
élevées.
3.3.2 Notions d’indépendance de variables aléatoires
La dépendance et la corrélation entre variables aléatoires sont deux notions différentes.

(coefficient de corrélation linéaire  M, ’  0) mais la réciproque est fausse sauf dans

En effet, deux variables X et Y indépendantes sont forcement non corrélées
tel-00447151, version 1 - 14 Jan 2010

le cas où les variables sont gaussiennes car la dépendance est alors entièrement
caractérisée par le coefficient de corrélation.
Définition 3.1 : Les variables aléatoires X1,…,Xn sont dites indépendantes si quelque
soit un n-uplet d’intervalles I1,…,In,
1

PMh ¹ !h , &B … M1 ¹ !1 Q  º
M` ¹ !` 3.44

`oh
De plus la variance et l’écart-type de la somme de ces n variables X1,…,Xn s’expriment
comme suit :

1 1 1 1

*C@ »_ M` ¼  _7*C@ M` ; ½ f »_ M` ¼  ¾_7f e M` ; 3.45

`oh `oh `oh `oh

3.3.2.1 Cas de consommations indépendantes

On suppose que les consommations C1,…,Cn en n points donnés d’un système
électrique sont indépendantes et suivent des lois normales f1,…, fn. La distribution
somme des ces consommations suit une loi normale dont la moyenne est la somme
des moyennes et l’écart-type est donné par la formule 3.45. La Figure 3.17 illustre ce
cas pour deux charges indépendantes. f1 et f2 sont des distributions normales de
moyennes respectives µ1 = 15 MW, µ2 = 20 MW et d’écart-types respectifs σ1 = 2
MW, σ2 = 3 MW. La forme elliptique et étalée du nuage de points montre bien qu’il
s’agit de deux séries indépendantes.

71
 C H A P I T R E 3

40

C2 (MW)
0,12
35
0,1
30
0,08
25
0,06
20
0,04
15
0,02 10
0 5
5 10 15 20 25 30 35 40 45 MW
5 10 15 20 25

f1 f2 f1+f2 C1 (MW)

Figure 3.17 Distributions de probabilité de deux charges indépendantes

3.3.2.2 Cas d’unités de production renouvelable indépendantes

Il s’agit ici de l’indépendance des sources d’énergies primaires (vent, ensoleillement…).
En ce qui concerne les fermes éoliennes, la notion d’indépendance renvoie au fait que
tel-00447151, version 1 - 14 Jan 2010

les distributions de vent sur les différents sites soient décorrelées. Cette situation
correspond surtout aux régions géographiquement étendues avec des sites éoliens
éloignés les uns des autres.
3.3.3 Corrélation linéaire simple
La corrélation linéaire consiste à examiner la tendance qu’ont les points d’un nuage de
points à s’aligner selon une droite. Le but est de déterminer s’il y a un lien statistique
entre les variables. Supposons que l’on observe pour n individus deux variables X et Y,
on a donc deux vecteurs x et y :
'h Åh
Á 'e Ä ÁÅe Ä
À . Ã À.Ã
'À . Ã ÅÀ . Ã
À Ã À Ã
À . Ã À.Ã
¿'1 Â ¿Å1 Â

L’ensemble des points de coordonnées (xi, yi) constitue un nuage (Figure 3.18 par
exemple) dont la forme donne une idée du lien linéaire qui peut exister entre X et Y.

Bien souvent le coefficient de corrélation sera suffisant pour caractériser le lien entre
variables pour peu que la dispersion autour de la droite de régression (résidus) soit à
peu près uniforme. Il suffira alors d’étudier le comportement aléatoire des résidus r et
de définir une loi de probabilité qui traduit ce comportement.

Exemple d’illustration :

Considérons les productions photovoltaïques de deux sites PV1 et PV2. La Figure 3.18

fortement corrélées (
*1,
*2  0,955 ).

représente le nuage de points correspondant à ces deux variables aléatoires. Elles sont

72
 C H A P I T R E 3

0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 0,2 0,4 0,6 0,8 1

Figure 3.18 Nuage de points de deux productions photovoltaïques

L’équation de la droite de régression est Å  1,12' .

tel-00447151, version 1 - 14 Jan 2010

L’étude des résidus montre qu’ils varient suivant une loi normale de moyenne 0 et
d’écart-type 0,07. La relation entre PV1 et PV2 s’écrit donc :

*2  1,12
*1 + @

Avec @  v 0; 0,07 .

Notons qu’une dispersion plus large - mais toujours uniforme - que celle observée sur
l’exemple précédent aurait pour unique effet (hors mis évidemment la diminution du
coefficient de corrélation), l’augmentation de l’écart-type de la variable résidus r.

3.3.4 Corrélation linéaire multiple

Il s’agit ici d’étudier la corrélation linaire entre plus de deux variables. Tous les
coefficients de corrélation mutuels entre variables sont groupés dans une matrice
appelée matrice de corrélation. Cette notion sera illustrée par un exemple qui permettra
par le même coup de monter les limites du coefficient de corrélation linéaire.
Soit X une variable aléatoire numérique, les puissances de X (X2, X3, X4, X5,…) sont
également des variables aléatoires numériques. La Figure 3.19 représente les nuages de
points des couples (X, X2), (X, X3), (X, X4) et (X, X5). Comme on peut le remarquer, la
« linéarité » de la relation entre X et ses puissances diminue au fur et mesure que la
puissance augmente alors que X reste, de fait, fortement corrélée à ses puissances.

73
 C H A P I T R E 3

1000 30000

800 25000

20000
600
15000
400
10000
200 5000

0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

X –XX- 2X^2 3
X x–-Xx^3

30000000
800000
25000000

600000 20000000

15000000
400000
tel-00447151, version 1 - 14 Jan 2010

10000000
200000
5000000

0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

Xx–- X 4 5
X x–-Xx^5
x^4

Figure 3.19 Corrélation entre la variable aléatoire X et ses puissances

coefficient de corrélation largement plus petites que 1 (  M, M Ç  0,82 par

Dans la matrice de corrélation donnée par le Tableau 3.6, on note des valeurs de

exemple) alors que les variables aléatoire X et X5 sont de façon évidente fortement liées
par une relation non linéaire.
Tableau 3.6 Matrice de corrélation

X X2 X3 X4 X5

X 1 0,96804519 0,91617888 0,86562498 0,82022232

X2 0,96804519 1 0,98599112 0,9582671 0,9749835

X3 0,91617888 0,98599112 1 0,9921515 0,9749835

X4 0,86562498 0,9582671 0,9921515 1 0,99498584

X5 0,82022232 0,92695967 0,9749835 0,99498584 1

En conclusion, dès lors que la relation entre deux variables aléatoires n’est pas linéaire,
et que les variables aléatoires ne sont pas gaussiennes, le coefficient de corrélation peut
au mieux donner une tendance autour d’une droite de régression moyenne - ce qui est
souvent suffisant - et au pire ne pas être adéquat. D’où la nécessité d’introduire d’autres
outils d’analyse de dépendance entre variables aléatoires.

74
 C H A P I T R E 3

3.3.5 Corrélation de rang (tau de Kendall) et copules

3.3.5.1 Corrélation de rang : tau de Kendall
L’idée sous-jacente à la notion de corrélation de rang est la suivante : au lieu de mesurer
la corrélation entre variables aléatoires, on mesure la concordance entre leurs variations.
Cela permet de capturer la comonotonie3 des variables. Le tau de Kendall est une
mesure de la dépendance entre deux variables aléatoires, mais à la différence du
coefficient de corrélation linéaire, il ne dépend pas des lois de probabilité des variables
utilisées mais de leur ordre (c'est-à-dire des rangs des échantillons).
Le tau de Kendall permet de découpler la structure de dépendance entre variables
aléatoires des variables elles même puisque la dépendance est caractérisée en observant
la concordance des échantillons.
3.3.5.2 Copules et structure de dépendance
Une copule permet d’exprimer une fonction de répartition multivariée selon ses
fonctions marginales4 et, résume toute la structure de dépendance entre les marginales.
tel-00447151, version 1 - 14 Jan 2010

Autrement dit, une copule permet de lier une variable aléatoire multiple (par exemple la
production éolienne globale d’une région) avec ses variables marginales (les
productions éoliennes de chaque site de la région) par le biais d’une relation entre les
fonctions de répartition.
Théorème de Sklar : soit (x1,…,xn) un vecteur de variables aléatoires continues
admettant F1,…,Fn comme fonctions de répartition marginales et F comme fonction

L 'h , … , '1  „Lh 'h , … , L1 '1 † 3.46

de répartition jointe, alors il existe une copule C qui vérifie la relation

déterminée par !> Lh n … n !> L1 . (Im(X) représentant l’ensemble des valeurs

Si les marginales F1,…,Fn sont continues, alors C est unique, autrement C est

prises par X)
On démontre que la corrélation de rang peut ne pas être suffisante à la définition
complète (exacte) de la structure de dépendance (Nielsen, 1999). En toute rigueur,
pour modéliser plusieurs variables aléatoires corrélées, trois éléments sont nécessaires :
les fonctions de répartition marginales F1,…,Fn, la matrice des coefficients de
corrélation de rang (tau de Kendall) et la copule C. Le processus de simulation de
variables aléatoires corrélées à l’aide de copules est détaillé dans (Papaefthymiou, 2006).

3.4 Quels modèles pour quelles études ?

Comme nous l’avons vu tout au long de ce chapitre, le système électrique est modélisé
de façon probabiliste par des lois de probabilité décrivant les variations de puissance en
sortie des ses unités de production, des lois de probabilité décrivant la consommation

3 Plusieurs variables aléatoires sont dites comonotones si elles varient toujours dans le même sens, en d’autres

termes, si l’une d’elle croît, toutes les autres croissent également avec une probabilité de 1.

4Si X est une variable aléatoire, combinaison (linéaire ou non) de n variables aléatoires X1,…Xn alors, X est
appelée variable aléatoire multi-variée et les variables aléatoires X1,…Xn sont dites variables marginales de X.

75
 C H A P I T R E 3

et des lois de probabilités décrivant la disponibilité de ses ouvrages. Pour l’étude d’un
système, ces lois peuvent être représentées par des distributions ou des séries
temporelles qui sont en fait des réalisations chronologiques des différentes variables
aléatoires. La question ici est de savoir quand et pour quelles études utiliser l’une ou
l’autre de ces représentations.
3.4.1 Les séries temporelles
Une série temporelle est une succession d’observations au cours du temps représentant
un phénomène (vent, puissance produite…) ; par hypothèse, le pas de temps des
observations est considéré constant : la seconde, l’heure, le jour…
Les séries temporelles sont utilisées pour réaliser les prévisions d’un phénomène à
partir de son comportement sur une période passée (historique).
Dans le cadre des études d’impact des énergies renouvelables sur les systèmes
électriques, l’utilisation des séries temporelles pour représenter les phénomènes
aléatoires du système présente l’avantage de restituer la dynamique du système dans sa
tel-00447151, version 1 - 14 Jan 2010

réalité et par conséquent de tenir compte des contraintes y affairant. La représentation

en séries chronologiques est donc adaptée pour les études dynamiques de réseau. La
seule mais importante difficulté vient de la précision de la prévision surtout pour la
production éolienne dont les séries temporelles sont obtenues à partir des séries
temporelles de vent.
3.4.1.1 Génération de séries temporelles de vent
La génération artificielle des séries temporelles de vent est un exercice complexe qui a
fait l’objet de multiples publications dans la littérature. Les modèles les plus récurrents
sont les processus autorégressifs (Karki, et al., 2006), (Billinton, et al., 1996), les réseaux
de neurones artificiels (Sfetsos, 2002), et dans une moindre mesure les ondelettes
(Kitagawa, et al., 2003), (Askoy, et al., 2004).
3.4.1.1.1 Processus autorégressifs
L’approche de Box-Jenkins est la plus utilisée pour modéliser les processus
autorégressifs. Elle propose pour une série temporelle stationnaire yt un modèle qui
tient compte des p valeurs passées de la série, de l’erreur de précision lors des q
dernières prédictions et d’un terme aléatoire ε. Il s’agit d’un modèle dit ARIMA (p,q,d)
où d est le nombre de différenciations nécessaire pour rendre la série stationnaire si elle
ne l’est pas.
 Ë

Åm  _ È` ÅmW` + _ ÉÊ &mWÊ + ­m 3.47

`oh Êoh

φi est le paramètre autorégressif et θj est la moyenne mobile de la série temporelle.

3.4.1.1.2 Réseaux de neurones artificiels
Les réseaux de neurones artificiels sont constitués d’un grand nombre d’éléments
disposés dans des couches successives. Le réseau a une couche d’entrée des données et
une couche de sortie. Les résultats en sortie d’un réseau de neurones artificiel se
décrivent en fonction des données d’entrée par l’équation.

76
 C H A P I T R E 3

z k

Å`  Se Ì_ Í`Ë Sh Ì_ ËÊ 'Ê + ?Ê Î + ?Ë Î 3.48

`oh Êoh

f1 et f2 sont les fonctions d’activation.

On peut ainsi donner la prévision yi d’une série temporelle en fonction de son
historique xi.
3.4.1.1.3 Ondelettes
Le principe de la génération de séries temporelles de vent par ondelettes est de
décomposer le signal (série passée) et de le reconstituer à l’aide d’une ondelette. Cette
dernière étant une fonction continue à valeurs complexes ou réelles, de moyenne nulle
et de variance finie (Askoy, et al., 2004).
3.4.1.2 Génération de séries temporelles d’irradiation solaire
La génération des séries temporelles de d’irradiation fait également l’objet d’une grande
tel-00447151, version 1 - 14 Jan 2010

quantité de travaux. Les modèles dits physiques, (Perez, et al., 1990), (Perez, et al.,
2007), (Gueymard, 2003a), (Gueymard, 2003b), basés sur les formules de calcul de
l’irradiation théorique au sol et les données météorologique comme la couverture
nuageuse, sont les plus utilisés du fait de leur meilleure fiabilité. On rencontre aussi les
modèles mathématiques précédemment présentés : ARIMA (Zeroual, 1995), réseaux
de neurones (Sfetsos, et al., 1999). Ces modèles tirent avantage de la nature cyclique
(jour, nuit) fortement marquée de l’irradiation solaire.
3.4.1.3 Conclusion
Le but commun des différentes méthodes de génération de séries temporelles est de
simuler une série chronologique future qui aurait à peu près le même comportement
statistique (notamment en termes de corrélations et d’auto-corrélation) et la même
dépendance temporelle qu’une série chronologique passée. Il s’agit donc de prévision.
Les techniques de prévisions éprouvées en ce qui concerne la consommation
d’électricité, ne donnent pas encore de résultats satisfaisants en ce qui concerne le vent
par exemple. Les meilleures méthodes de prévision accusent une erreur de 15 % à un
horizon de 36 heures (Focken, et al., 2002), (Giebel, et al., 2003). Tandis que, par
exemple, RTE (le gestionnaire du réseau de transport français) enregistre un écart type
de l’erreur de prévision de consommation de 900 MW pour une consommation variant
de 35000 à 90000 MW (RTE, 2008) soit un pourcentage allant de 1 à 2,5.
La modélisation des aléas du système électrique par des séries temporelles a pour
principale motivation la prise en compte de la dépendance temporelle des variables
aléatoires – et par le même coup des dépendances entre variables – et des auto-
corrélations. Elle permet notamment de tenir compte des cycles de maintenance des
unités de production, de l’hydraulicité, (Matos, et al., 2009), du stockage par pompage
d’eau, de la saisonnalité de la consommation ect… Pour qu’une telle modélisation du
système soit fiable, il faudrait que toutes les grandeurs du système soient prévisibles
avec un niveau de précision comparable ; ce qui n’est pas les cas à l’heure actuelle pour
des horizons temps aussi lointains que ceux liés aux études de planification. De plus il
faut se rappeler que la génération d’une série temporelle se base sur un historique. La
réalisation de cette série temporelle pourrait être complètement différente de la

77
 C H A P I T R E 3

prévision tout en gardant les mêmes caractéristiques probabilistes. L’utilisation d’une

modélisation par séries temporelles nécessite pour être généralisable de disposer de
dizaines d’années d’historiques sur toutes les variables du système électrique.
Cette limitation réduit la pertinence de l’utilisation des séries temporelles pour les
études d’impact à long terme des EnR sur le réseau électrique. Par contre pour tous les
phénomènes dynamiques à très court terme (infra horaire) et les problèmes de « unit
committment » du jour au lendemain par exemple, l’utilisation des séries chronologiques
est adéquate et indispensable.
3.4.2 Les distributions de probabilités
A la différence des séries chronologiques, la notion de temporalité (séquence) est
perdue lorsqu’on fait le choix de modéliser un phénomène par sa distribution de
probabilité. Cette dernière restitue juste le spectre de variation de la variable observée.
En revanche, pour le vent ou pour l’ensoleillement, on constate que sur un site donné,
la distribution de probabilité se conserve d’une année à l’autre. A titre illustratif, sur la
tel-00447151, version 1 - 14 Jan 2010

Figure 3.20, on remarque que la densité de probabilité de la vitesse de vent, mesurée

dans une station Météo France en Corse pour les années 2005, 2006 et 2007, reste
quasiment identique pour les trois années.

Figure 3.20 Densité de probabilité de la vitesse du vent pour 3 années consécutives

Pour toutes les études de planification, où la notion de séquence est moins importante
que le respect de critères probabilistes globaux, la modélisation des variables du
système par des distributions de probabilité sera la plus adaptée. Pour que les tirages
aléatoire soient représentatifs le plus possible de la réalité, il faut tenir compte des
dépendances entre variables d’entrée et d’autres éléments particuliers tels que les cycles
de maintenance, la production hydraulique…
3.4.2.1 Prise en compte des dépendances
D’une manière générale, les liens entre les charges à différents nœuds et entre
productions renouvelables de même type à différents nœuds vont être pris en compte
en étudiant les corrélations entre les séries passées (historiques) de ces variables. Ces

78
 C H A P I T R E 3

corrélations seront caractérisées par des relations linéaires comme décrit au paragraphe
3.3.3. La caractérisation des autres types de dépendance est expliquée dans la suite.
3.4.2.1.1 Dépendance génération/génération
Elle est de plusieurs ordres :
• La production renouvelable est indépendante de la production
conventionnelle. Par contre cette dernière s’adapte à la combinaison de la
première et de la demande. Il y a donc là un lien indirect pris en compte au
moment du dispatching.
• La maintenance programmée peut être prise en compte en faisant des tirages
de Monte Carlo conditionnels. L’analyse du fonctionnement du système
(notamment le dispatching) permet de détecter les situations mutuellement
exclusives et ainsi de définir des lois conditionnelles. Le processus de tirages
conditionnels est le suivant : soit (X, Y) un couple de variables aléatoires de
densité f(x,y), représentant la disponibilité de deux groupes ; on peut écrire
tel-00447151, version 1 - 14 Jan 2010

f(x,y) = fXf(y/x) où fX est la densité de probabilité de X et f(./x) est la densité

conditionnelle de Y sachant {X = x}. Pour générer (X, Y), on simule X selon
la loi de densité fX ; si X = x, on simule Y selon la loi de densité f(y/x) et
indépendamment de X. Ce procédé peut être itéré pour générer des vecteurs à
n dimensions.
La problématique de la maintenance peut aussi être prise en compte en
identifiant les périodes de maintenance, le nombre et le type de machines
concernées ; cette identification permet de diviser la période d’étude en sous
périodes différentes par le nombre de machines en service.
Pour les études réalisées dans ce travail, le choix a été fait de considérer un taux
d’indisponibilité global incluant le programmé et le fortuit. Et donc de faire des
tirages aléatoires sur l’indisponibilité des groupes. On pourrait alors penser que
des situations ne reflétant pas la réalité sont simulées ; ces situations sont
essentiellement celles conduisant à une production insuffisante du fait de
l’indisponibilité simultanée d’un trop grand nombre de groupes. L’utilisation
comme outil de simulation d’un OPF5 qui vérifie d’abord l’adéquation
production-consommation – et rejette les situations d’inadéquation – permet
de ne simuler que les points de fonctionnement réalistes.
• La saisonnalité de la production hydraulique est prise en compte en divisant la
période d’étude en saisons de forte, faible et moyenne hydraulicité. Cette
division découle de l’analyse des historiques de production hydraulique du
système étudié. La capacité hydraulique est ajustée en fonction de la saison.
3.4.2.1.2 Dépendance génération/charge
La problématique de la dépendance génération/charge se pose surtout en ce qui
concerne la production renouvelable.
Le lien immédiat est celui lié à la production photovoltaïque du fait du cycle jour/nuit.

5 Optimised Power Flow : calcul de répartition de puissance optimisé sous contraintes techniques et économiques.

79
 C H A P I T R E 3

3.4.2.1.3 Exemple illustratif

Dans cette partie seront illustrés quelques traitement présentés précédemment
(maintenance programmée, hydraulicité) sur la base du dispatching annuel 2006 de la
production en Corse (EDF SEI, 2007).
Sur la Figure 3.21 représentant l’empilement hebdomadaire des moyens de production,
on distingue nettement la saisonnalité de la production hydraulique et aussi de la
demande. Ces deux facteurs nous permettent d’ores et déjà de diviser l’année en trois
périodes :
• La période 1 (mi Octobre – mi Avril) dite « période hiver » qui
correspond à l’hiver et dont les caractéristiques sont les suivantes :
- Forte demande.
- Production hydraulique importante.
- Production thermique importante.
tel-00447151, version 1 - 14 Jan 2010

• La période 2 dite « période intersaison » (mi Avril – mi Juin) dont les

caractéristiques sont les suivantes :
- Niveau de demande au plus bas.
- Production hydraulique importante.
- Production thermique basse (beaucoup d’unités en maintenance
programmée).
• La période 3 dite « période été » (mi Juin – mi Octobre) dont les
caractéristiques sont les suivantes :
- Niveau de demande moyen à la pointe.
- Production hydraulique quasi nulle.
- Production thermique importante.

1 2 3 1

Figure 3.21 Empilement des moyens de production sur une année de consommation

80
 C H A P I T R E 3

La prise en compte du cycle jour/nuit de la production photovoltaïque conduit à

la division de chaque période en deux : l’une dite « jour » de 6 h à 18 h et l’autre
dite « nuit ». Dans chacune des 6 périodes, les dépendances sont modélisées par de
corrélations linéaires.

3.5 Conclusion
Le fonctionnement normal d’un système électrique met en évidence des phénomènes
variables dont le comportement est modélisé de façon adéquate par des modèles
probabilistes (demande, disponibilité des ouvrages ect…). L’insertion au système des
énergies renouvelables, dont l’aspect stochastique est incontestable, vient accroitre le
nombre de paramètres variables influençant son fonctionnement. L’étude de l’impact
de ces dernières nécessite une modélisation probabiliste du système ; c'est-à-dire le
calcul de toutes les distributions de probabilité des variables d’entrée (consommation,
production conventionnelle, production éolienne…) et la détermination d’éventuelles
tel-00447151, version 1 - 14 Jan 2010

dépendances entre ces distributions. Des méthodes ont été proposées pour déterminer
les modèles probabilistes des productions conventionnelles et renouvelables. Les
corrélations peuvent être étudiées à l’aide d’une palette de méthodes allant de la
régression simple aux copules. Une régression simple « aménagée » sera privilégiée en
raison de sa simplicité de mise en œuvre. De plus son niveau de précision est suffisant
pour nos applications (par exemple l’insertion des énergies renouvelables en réseaux de
type insulaires). Les modèles probabilistes seront constitués de distributions de
probabilités car nous nous intéresserons surtout aux études d’impact à l’échelle
temporelle de la planification. Le chapitre suivant sera consacré à la description des
méthodologies de ces études.

81
 tel-00447151, version 1 - 14 Jan 2010

C H A P I T R E 3

82
 C H A P I T R E 4
Chapitre

4
4 Etudes d’impact des
EnR sur les systèmes
électriques :
tel-00447151, version 1 - 14 Jan 2010

méthodologies
L’arrivée massive des énergies renouvelables dans les réseaux
électriques impose de repenser la philosophie des études de réseaux.

L
’intégration de la production d’énergie renouvelable dans les systèmes
électriques pose une problématique nouvelle aux gestionnaires de réseaux du
fait notamment de l’aspect variable – voire aléatoire – des sources primaires
mises en jeu. Comme tout moyen de production, les unités de production
d’énergie renouvelable doivent pour être connectées au réseau, respecter un certain
nombre de contraintes techniques liées au fonctionnement des systèmes électriques
Contraintes qui pour certaines vont être redéfinies en tenant compte des spécificités
liées à la production renouvelable (les capacités de réglage de la fréquence par exemple
ne sont pas encore exigées aux unités de production d’EnR). Pour vérifier que ces
contraintes seront bien respectées par l’unité à raccorder, des études de fiabilité, de
sécurité du réseau sont réalisées au préalable ; ce sont des études de raccordement. La
variabilité des sources d’énergies primaires d’origines renouvelables - notamment
l’éolien et le photovoltaïque qui nous intéressent principalement dans ce travail - a
rendu très rapidement nécessaire la réalisation d’études dans le but d’analyser l’impact
global de ces énergies sur un système électrique et estimer jusqu’à quel point elles
pouvaient être intégrées au système. Il s’agit là des études d’intégration. Cette variabilité,
combinée au fait qu’un système électrique en fonctionnement « classique » doit déjà
faire face à des phénomènes de nature aléatoire (disponibilité des ouvrages, variation de
la consommation), laisse penser que les méthodes probabilistes seraient
particulièrement bien adaptées pour réaliser les études sus citées.

83
 C H A P I T R E 4

4.1 Etat de l’art des études de réseaux

Le raccordement d’une unité de production à un réseau électrique passe par une
analyse préalable de fiabilité, sécurité et stabilité du nouveau système. Dans cette partie
seront présentés les différents types d’études effectuées et les méthodologies. Avant
cela, précisons les notions de fiabilité, sécurité et stabilité des systèmes électriques.

4.1.1 Fiabilité, sécurité et stabilité des systèmes électriques

4.1.1.1 Définitions
On rencontre dans littérature spécialisée (Kundur, et al., 2004), (Billinton, et al., 2004),
(Billinton, et al., 1997), plusieurs définitions assez équivalentes de ces concepts. Nous
avons retenus celles qui sont le plus en adéquation – parce que faisant ressortir la
notion de probabilité – avec le type d’études que nous allons aborder.
Fiabilité : elle désigne pour un système électrique, la probabilité pour que celui-ci soit en
fonctionnement normal sur une période donnée. La fiabilité traduit la capacité du
tel-00447151, version 1 - 14 Jan 2010

système à fournir l’énergie de façon continue, avec le minimum d’interruptions sur une
période relativement longue.
Sécurité : elle mesure en termes de risque la capacité du système à répondre aux
perturbations soudaines sans interruption de fourniture. Elle traduit la robustesse du
système face aux perturbations soudaines et par conséquent, dépend des conditions de
fonctionnement précédant les incidents et de la probabilité pour ces incidents d’être
perturbants. La sécurité est associée à la dynamique du système.
Stabilité : c’est la capacité du système, dans un état initial donné, à retrouver un état
d’équilibre stable après une perturbation physique. Elle dépend des conditions initiales
de fonctionnement et de la nature de la perturbation. On remarquera que la notion de
probabilité n’apparaît pas dans cette définition.
4.1.1.2 Rapport entre fiabilité, sécurité et stabilité
Les concepts de fiabilité, sécurité et stabilité s’imbriquent les uns dans les autres de la
façon suivante : un système doit être fiable aussi bien dans son fonctionnement
quotidien (exploitation) que sur la durée (planification). Pour être fiable, un système
doit avoir un bon critère de sécurité à tout instant. Pour avoir un bon critère de
sécurité, il doit pouvoir revenir à un état d’équilibre après perturbation – donc être
stable – mais aussi pouvoir résister aux perturbations soudaines et exceptionnelles.
La différence entre stabilité et sécurité s’illustre en observant les conséquences d’une
perturbation sur deux systèmes ayant le même degré de stabilité. Le système le plus
sécurisé subira, suite à cette perturbation, les conséquences les moins sévères.
La sécurité et la stabilité sont des critères qui varient dans le temps et dont la valeur est
fonction des conditions de fonctionnement du système. La fiabilité quand à elle traduit
la performance moyenne du système au cours d’une période de fonctionnement
relativement longue. Elle est donc évaluée en considérant le comportement du système
sur une longue période.
La fiabilité est liée à un aspect fondamental du fonctionnement des systèmes
électriques : l’adéquation, qui est l’aptitude du système à satisfaire la demande globale à

84
 C H A P I T R E 4

tout instant en tenant compte des contraintes d’exploitation et de l’indisponibilité

(fortuite ou programmée) des unités de production et des ouvrages de réseau.
L’adéquation est associée aux conditions statiques du système. Les études d’adéquation
se font dans le cadre de la planification du système électrique.
4.1.1.3 Indices de fiabilité
Les indices de fiabilité les plus utilisés sont des critères probabilistes de
l’adéquation production-consommation (sans prise en compte du réseau). Trois
typologies principales d’indice de fiabilité (Billinton, et al., 2004), (Allan, et al.,
2000) sont relevées :
• probabilité de défaillance en puissance ;
• index d’interruption de charge : périodes moyennes de perte de charge ;
• fréquence et durée des pertes.
Les plus utilisés sont :
tel-00447151, version 1 - 14 Jan 2010

• LOLP (loss of load probability) : c’est le plus ancien et le plus basique des
critères. Il définit la probabilité de ne pas satisfaire la demande sur une
période donnée. Il caractérise donc le risque de délestage mais ne donne
aucune indication sur l’ampleur de celui-ci.
• LOLE (loss of load expectation) : il est défini comme l’espérance
mathématique du nombre d’heures (resp. de jours) de l’année durant
lesquels la demande de pointe horaire (resp. journalière) n’est pas satisfaite
faute de capacité de production.
• LOEE (loss of energy expectation): c’est l’espérance mathématique de l’énergie
non fournie du fait de l’insuffisance des capacités de production par
rapport à la demande. Il donne une idée de la sévérité du délestage.
• LOLF (loss of load frequency) : nombre moyen de fois où il y a insuffisance de
capacité de production par rapport à la demande.
Les indices précédemment cités permettent d’évaluer le fonctionnement global du
système. Pour rendre compte du comportement local on utilise les indices de
fiabilité relatifs aux nœuds du réseau (Allan, et al., 2000) dont quelques uns sont
cités ici :
• La probabilité de défaillance,
• Les espérances mathématiques de la fréquence de défaillance, du nombre
de violations de tensions, de la consommation délestée, de l’énergie non
fournie ect…
Plusieurs autres indices de fiabilités sont donnés dans la littérature spécialisée
(Allan, et al., 2000), (Billinton, et al., 2004). Il est à noter qu’ils ne peuvent être
tous évalués et que le choix se fait en fonction du type d’étude et des défauts
analysés.
Ces différents critères sont des valeurs moyennes de distribution de probabilité sur
une période. Ils représentent donc des mesures relatives permettant de comparer
de façon objective plusieurs scénarii d’évolution du système.

85
 C H A P I T R E 4

4.1.2 Analyse des systèmes

4.1.2.1 Phases successives de l’exploitation d’un réseau
Le problème majeur de l’ensemble des acteurs du système électrique et plus
particulièrement de l’exploitant est de maintenir l’équilibre entre l’offre disponible et la
demande. Pour satisfaire cet objectif, trois types d’actions sont réalisés à différents
horizons : planification (5 à 30 ans), gestion prévisionnelle (1 jour à 5 ans) et conduite
(temps réel).
4.1.2.1.1 La planification
Prévision à long terme (5 à 30 ans) des investissements à effectuer en termes de
moyens de production et de transport qu’il sera nécessaire de construire et d’installer
pour satisfaire la demande en volume.
La planification permet de concevoir le réseau électrique optimal du point de vue
adéquation : c’est l’art de décider judicieusement, et suivant un plan préétabli, des
investissements nécessaires pour faire face à la demande. L’objectif premier des
tel-00447151, version 1 - 14 Jan 2010

planificateurs est de mettre en évidence les besoins en investissement du système

électrique production-transport qui sont les plus rentables économiquement.
4.1.2.1.2 La gestion prévisionnelle
A un horizon proche, de la veille du jour donné à 5 ans, il s’agit de prévoir tout d’abord
les dates de mise en service des ouvrages, puis les besoins en combustibles, les
consignations des ouvrages pour maintenance et le plan de charge pour les groupes.
Toutes ces opérations reposent sur des prévisions de consommation et éventuellement
de la production renouvelable, affinées au fur et à mesure qu’on se rapproche du jour
donné.
La gestion prévisionnelle comprend plusieurs cycles (pluriannuel, annuel,
hebdomadaire, journalier), étroitement imbriqués et cohérents, mais différents du point
de vue du type d’analyse à mettre en œuvre. Nous ferons donc la distinction entre
gestion prévisionnelle à moyen terme (de quelques jours à 5 ans) et à court terme (du
jour pour le lendemain) ou « unit commitment ». La première est plus liée - comme la
planification - aux analyses de type « adéquation » et la seconde aux analyses du type
« sécurité ».
• L’analyse de type adéquation est traitée comme en planification. La différence
vient du fait que les moyens de production sont ici figés et l’exploitant doit
trouver le meilleur moyen de gérer les consignations dans son système.
L’analyse devra donc tenir compte des règles d’exploitation du système.
• La prise en compte de la sécurité porte sur les phénomènes rares qui
conduisent à de fortes conséquences sur les consommateurs et vis-à-vis du
fonctionnement du réseau.
4.1.2.1.3 La conduite
Elle est assurée par les dispatcheurs. Leur intervention est nécessaire car elle permet de
faire face aux aléas qui échappent aux études prévisionnelles. La conduite concerne
l’exploitation en temps réel du système, elle est directement liée à la gestion
prévisionnelle.

86
 C H A P I T R E 4

4.1.2.2 Analyse statique de sécurité

La conduite et la gestion prévisionnelle à court terme du réseau sont tributaires des
analyses de sécurité statique et dynamique du système. Cette partie sera consacrée à la
description des analyses de sécurité statique.
4.1.2.2.1 Calcul de la répartition de puissance « Load flow »
Le calcul de la répartition de puissance dans un réseau électrique a pour but de
déterminer les conditions de fonctionnement d’un réseau en régime triphasé
permanent équilibré. Cette étude sert de base en exploitation (conduite et gestion
prévisionnelle) aussi bien qu’en planification. Les résultats obtenus sont en effet utilisés
pour les calculs d’analyse de sécurité, d’optimisation ou calculs de stabilité et ils
constitueront l’outil d’aide aux planificateurs.
Connaissant les puissances actives et réactives produites aux nœuds d’un réseau, le
« load flow » permet de déterminer l’ensemble des tensions (modules et angles) puis
l’ensemble des transits des puissances actives et réactives dans les liaisons.
tel-00447151, version 1 - 14 Jan 2010

Le « load flow » a pour objectifs entre autres :

• d’évaluer les conséquences d’une manœuvre (analyse de sécurité) : charge des
lignes, chute de tension…
• de déterminer à l’avance un programme de production pour les centrales de
sorte à optimiser certains critères (pertes, marges d’exploitation) ;
• d’évaluer différentes variantes d’extension du réseau (nouvelle ligne, nouveau
poste de transformation) ;
• de calculer les conditions initiales pour toute étude de phénomène dynamique
ou électromagnétique ;
Formulation du problème
Le problème du calcul de la répartition de puissance est formulé de la façon suivante :
étant donnés,
• la topologie nodale du réseau,
• les paramètres électriques des liaisons représentées par leurs modèles
(impédances, admittances, schéma en П…),
• les injections de puissances actives et réactives aux nœuds PQ et les injections
de puissances actives et les tensions aux nœuds PV,
• un nœud de référence avec tension fixée en module et en phase,
déterminer toutes les tensions aux nœuds (modules et phases) puis en déduire les
transits de puissance actives et réactives dans les liaisons ainsi que les pertes actives et
réactives totales.
Mise en équation
Pour un réseau à n nœuds, on exprime en chaque nœud le bilan des puissances sachant
que les injections de puissances actives et réactives sont données :

87
 C H A P I T R E 4

Pij, Qij
Nœud i

Pik, Qik
Pi, Qi

`  _ „
`Ê †  S` 3h , … , 31 ; Éh , … , É1
z`[`$Ï1$
`14`·¶1m¶$ ¶1 `
4.1
`  _ „`Ê †  ` 3h , … , 31 ; Éh , … , É1
z`[`$Ï1$
`14`·¶1m¶$ ¶1 `
tel-00447151, version 1 - 14 Jan 2010

Où, Pij et Qij sont les transits actifs et réactifs dans les lignes ‘nœud i – nœud j’. Ils
s’expriment également par des relations non linéaires avec les variables d’état du

`Ê  S`Ê „3` , 3Ê , É` , ÉÊ , Ð`Ê †

système (Ui, θi) :

4.2
`Ê  `Ê „3` , 3Ê , É` , ÉÊ , Ð`Ê †

Les équations (4.1) exprimées en chaque nœud permettent d’établir le système

d’équation (4.3) à résoudre pour le « load flow ».

` S` 3h , … , 31 ; Éh , … , É1
1
Ó Ö Ó Ös
Ò ÕÒ Õ< 4.3
Ò Õ Ò Õ1
s
Ñ` Ô Ñ` 3h , … , 31 ; Éh , … , É1 Ô <

On peut remarquer que l’état électrique du nœud i est caractérisé par quatre variables, à
savoir les puissances actives et réactives (Pi, Qi), la tension en module et phase (Ui, θi).
Deux des variables seront indépendantes et données, le calcul s’effectuant sur les deux
autres. Pour résoudre le problème, on distingue trois types de nœuds pour lesquels
deux des quatre grandeurs sont données.
• Le nœud bilan indicé par 1 tel que θ1 (= 0) et U1 sont donnés. Ce nœud permet
de couvrir les pertes actives et réactives et également la différence (si elle existe)
entre production totale et consommation totale de puissance active et réactive.

88
 C H A P I T R E 4

• Les nœuds PV pour lesquels la production Pi et la tension Ui sont données. Ils

sont indicés de 2 à m+1. Ces nœuds sont aussi appelés « nœuds générateurs »
car ils simulent le fonctionnement d’un générateur sous réglage de tension.
• Les nœuds PQ ou nœuds charges pour lesquels les puissances actives et
réactives sont données. On calculera donc la tension en module et phase (Ui,
θi). Ils sont indicés de m+2 à n. Les nœuds PQ, s’ils sont en général des nœuds
charge, peuvent aussi être des nœuds générateurs en butée de réactif qui
passent donc de PV à PQ.
Le système d’équations devient alors :

` S` 3kce , … , 31 ; Ée , … , É1
2
Ó Ö Ó Ö s
Ò ÕÒ Õ < 4.4
Ò Õ Ò Õ> + 2
s
tel-00447151, version 1 - 14 Jan 2010

Ñ` Ô Ñ` 3kce , … , 31 ; Ée , … , É1 Ô <

Sous cette forme on obtient un système de (2n – m – 2) équations non linéaires à (2n –
m – 2) inconnues. Il est résolu par des méthodes itératives telles que Gauus-Seidel ou
encore Newton-Raphson (Eremia, et al., 2000).
4.1.2.2.2 Répartition optimale des puissances « Optimised load flow » (OPF)
Connaissant les charges d’un réseau, l’OPF permet d’établir un plan de production des
puissances actives et réactives qui soit économiquement optimal tout en respectant les
limites des générateurs, les limites de transit sur les liaisons et les contraintes de tension
aux nœuds. La solution obtenue doit en outre minimiser les pertes ohmiques. Il s’agit
en fait d’un problème de « load flow » classique auquel on a ajouté des contraintes
économiques (minimisation du coût de production) et techniques (respect des limites
admissibles de transit, de tension et de capacités de production des unités). Le
problème de répartition optimale des puissances est résolu en deux étapes :
• Adéquation production-consommation : pour satisfaire la demande, les unités de
production sont sélectionnées sur un critère économique. Les unités les moins
coûteuses sont prioritaires.
• Sécurité statique : l’adéquation étant réalisée, le réseau est rajouté et le système
ainsi constitué est simulé (« load flow ») et le respect des contraintes est vérifié. Si
des violations de contraintes sont enregistrées, plusieurs mesures peuvent être
prises parmi lesquelles, par ordre de priorité, la modification du dispatching
initial, la compensation de réactif et les délestages.
4.1.2.3 Analyse dynamique de sécurité
Cette analyse à pour but de vérifier la stabilité du système suite à une perturbation
connue. Elle vient à la suite d’une analyse statique et a comme principale donnée

89
 C H A P I T R E 4

d’entrée, les points de fonctionnement du système jugés « sûrs » du point de vue

statique.
L’analyse dynamique de sécurité qui est en fait une étude de stabilité transitoire consiste
à analyser le comportement des machines tournantes (alternateurs) du réseau suite à
une perturbation définie et de grande ampleur. Il s’agit de voir si les machines gardent
leur synchronisme, si elles restent connectées suite au défaut. Les principaux défauts
simulés sont :
• la perte du plus gros groupe,
• la perte d’une ligne,
• un court-circuit en un point du réseau.
Lors du raccordement d’une nouvelle unité de production, le plan de protection est
testé pour différents défauts.
tel-00447151, version 1 - 14 Jan 2010

4.1.3 Du « déterministe » au « probabiliste »

Pendant des décennies, les études de réseaux précédemment présentées ont toujours
été réalisées dans une logique déterministe. Les paramètres d’entrée nécessaires à la
résolution des problèmes formulés ont été considérés avec une valeur fixée. Que ce
soit en planification ou en exploitation, l’idée était de simuler le système pour des
points de fonctionnements dits « pires cas ». L’hypothèse implicite derrière cette
logique est que tous les autres points de fonctionnement du système sont moins
contraignants que ceux étudiés. L’utilisation des méthodes déterministes permet de
mettre en sécurité le système mais elle peut aussi conduire à un surdimensionnement
de ce dernier, c'est-à-dire à le rendre robuste pour des situations qui se produisent
rarement voire jamais. La logique probabiliste qui consiste à considérer tous les cas
possibles avec leurs probabilités d’occurrence, a été introduite progressivement,
d’abord en planification.
4.1.3.1 Planification probabiliste
La logique probabiliste a été introduite dans les études de planification du système
production-transport d’EDF vers 1968 au travers du premier modèle MEXICO. Cette
approche permet d’estimer la défaillance structurelle du système production-transport.
Pour ce faire, le programme résout un problème de dispatching économique (OPF)
dans l’approximation linéaire dite du courant continu. Ce problème est résolu pour un
grand nombre de situations de disponibilité des moyens de production tirées au sort. A
noter ici que la topologie du réseau et consommation restent des données fixées (la
référence étant la situation correspondant à l’hiver avec une pointe de consommation).
Nous qualifierons cette approche de « partiellement probabiliste ».
4.1.3.2 Logique probabiliste
Les études présentées au paragraphe 4.1.2 ont été abordées d’une manière purement
déterministe. Lorsque l’on doit évaluer l’évolution des paramètres du réseau au cours
du temps, les limites dans l’applicabilité des méthodes déterministes apparaissent. Ces
limites peuvent être comblées suivant deux logiques :
• En restant dans la logique – déterministe – de l’étude d’un système sur
quelques points de fonctionnement « dimensionnants», l’incertitude dans un

90
 C H A P I T R E 4

problème de planification peut être située au niveau de la prévision de l’état du

système pour le point de fonctionnement considéré. Dans ce cas, l’apport
d’une logique probabiliste serait de définir les variables du système par des
intervalles de confiance (Eremia, et al., 2000). Par exemple dans un problème
de planification d’un réseau à une année t, dans une logique déterministe, on
étudierait typiquement deux points de fonctionnement (charge min et max).
Dans une logique probabiliste, au lieu d’avoir des valeurs fixes de demande et
de génération pour ces points de fonctionnement, on aurait des prévisions
fournies avec des intervalles de confiance. Il est dans ce cas plus adéquat de
considérer les données d’entrée du problème comme des variables aléatoires.
• On peut aussi se dire que les situations dites « pire cas » ne sont pas forcément
les plus contraignantes. Dans ce cas l’exercice de planification ou de gestion
prévisionnelle avec une logique probabiliste reviendrait à simuler le
fonctionnement du système en tenant compte des variations de ses paramètres
sur toute la période d’étude. En fonctionnement normal, la majorité des
tel-00447151, version 1 - 14 Jan 2010

paramètres (charge, production, disponibilité des ouvrages…) du système

électrique varient. En toute rigueur, une étude probabiliste du système doit
tenir compte de toutes ces variations.
L’analyse des systèmes électriques par les méthodes probabilistes consiste à réaliser les
différentes études y affairant en ayant comme paramètres d’entrée des distributions de
probabilité en lieu et place de valeurs fixes. Le nombre de paramètres décrits de façon
probabiliste dépend des capacités de calcul, de la connaissance du système, du degré de
précision recherché. La mise en œuvre de ces méthodes peut se faire de façon
analytique ou par simulations de Monte Carlo.
4.1.3.3 « Load flow » probabiliste : méthode analytique
La résolution analytique d’un problème de « load flow » probabiliste utilise une
approximation linéaire (linéarisation) des équations de « load flow » classique (4.1) et
(4.2). Les résultats du calcul du régime permanent conduisent à la description des
variables d’état et des variables inconnues – circulations de puissance, tensions –
comme des variables aléatoires.
4.1.3.3.1 Formulation du problème
Les systèmes d’équations non linéaires (4.1) et (4.2) formulant le problème de « load
flow » classique peuvent s’écrire sous forme réduite de la façon suivante :

’  S M
4.5
×   M
Où :
• Y est le vecteur d’entrée qui comprend les injections nodales de puissance,
• X est le vecteur d’état composé des tensions en grandeur et module de tous les
noeuds,
• Z est le vecteur de résultats qui contient les transits de puissance dans les lignes.

91
 C H A P I T R E 4

La modélisation probabiliste du système tient compte des variations de la production

conventionnelle par le biais des taux de disponibilité des groupes de production. Les
variabilités de la production renouvelable et de la demande sont modélisées en
s’appuyant sur l’analyse de leurs séries temporelles respectives.
Le « load flow » probabiliste a pour but de fournir un spectre de valeurs possibles pour
toutes les variables d’état (tensions en chaque nœud) et résultats (transits de puissance
dans les lignes) du système.
La majorité des techniques développées pour le « load flow » probabiliste sont basées sur
la linéarisation de (4.5) autour d’un point de fonctionnement X0 (Hatziargyriou, et al.,
2004), (Allan, et al., 1976), (Allan, et al., 1981).

M  MR + ØWh ’ 4.6

Où Ø 
Ùj 
tel-00447151, version 1 - 14 Jan 2010

ِ
est la matrice jacobienne du système.
Après linéarisation, le vecteur résultat Z s’exprime comme une fonction linéaire du
vecteur d’entrée (injections nodales de puissance) Y. Ces entrées étant définies sous
forme de distributions de probabilité.

×  ×R + ] ’ 4.7

Ùj  Wh
Avec ]  Œ Œ  Œ  ØWh .
ÙÚ  ÙÚ 
ِ ِ ِ

Les équations (4.6) et (4.7) permettent d’obtenir les fonctions densité de probabilité de
variables inconnues en utilisant les techniques de convolution et la théorie des
fonctions de variables aléatoires (Usaola, 2009) (expansion de Cornish-Fischer par
exemple). Ces techniques sont valables sous les conditions supplémentaires suivantes :
• indépendance statistique des variables aléatoires d’entrée (Borkowska, 1973) ;
• normalité des variables aléatoires d’entrée (Eremia, et al., 2000).
Certaines méthodes analytiques permettent de considérer des corrélations linéaires
simples entre les variables d’entrées (Usaola, 2009), (Leite Da Silva, et al., 1984) mais
restent limitées du fait de la non linéarité des équations de « load flow ».
Le modèle analytique est structuré pour fournir une description probabiliste des
variables aléatoires inconnues. Pour cela il doit être mis sous forme d’un système
d’équations linéaires matérialisant la liaison entre les variables inconnues et les variables
d’état du système.

92
 C H A P I T R E 4

Les principales difficultés dans la résolution analytique du problème de « load flow »

probabiliste sont :
• l’absence de relation explicite de liaison entre les variables d’état (U, θ) et les
variables d’entrée (P, Q),
• l’existence de corrélations complexes entre les variables d’entrée,
• la non linéarité des équations (4.1) et (4.2). Cette difficulté est surmontable par
linéarisation autour d’un point de fonctionnement quand il s’agit simplement
du calcul de la répartition de puissance pour un point de fonctionnement
donné. Dès lors qu’il s’agit d’un calcul optimisé de répartition de puissance,
avec possibles arrêts ou démarrages d’unités pour lever des contraintes, les non
linéarités qui en résultent ne sont pas (ou pas encore) modélisables de façon
analytique. De plus si le calcul de répartition optimisé (OPF) concerne une
période de fonctionnement relativement longue (en d’autre termes : plusieurs
points de fonctionnement très différents), la linéarisation autour d’un point de
tel-00447151, version 1 - 14 Jan 2010

fonctionnement n’est plus applicable.

Compte tenu des difficultés liées au calcul analytique de lois de probabilité définies
comme des fonctions non linéaires d’autres lois, l’autre alternative est de passer par des
simulations numériques. La méthode numérique la plus connue est celle de Monte
Carlo.
4.1.3.4 « Load flow » probabiliste : simulations de Monte Carlo
Le principe général des simulations de Monte Carlo consiste à générer une suite de
nombres qui soit la réalisation d’une variable aléatoire donnée. La méthode par
simulations de Monte Carlo consiste à calculer répétitivement la répartition de
puissance du système pour différentes valeurs des paramètres d’entrée (Conti, et al.,
2007). Les valeurs de chacun de ces paramètres sont générées aléatoirement sur la base
de leurs distributions de probabilité. Pour un système à plusieurs variables, la
simulation de Monte Carlo est assimilable à une génération aléatoire de points dans un
espace à n dimensions, n étant le nombre de variables d’entrée du système. A l’issue du
calcul de répartition de puissance pour tous les jeux de variables d’entrée générés, il
résulte un ensemble de valeurs pour chaque variable de sortie (vecteur résultat) du
système. Ces ensembles peuvent être analysés statistiquement comme s’il s’agissait
d’observations expérimentales ou empiriques. Il existe deux techniques de simulations
de Monte Carlo : les tirages non séquentiels et les tirages séquentiels.
4.1.3.4.1 Tirages séquentiels
Il s’agit ici de générer artificiellement les séries temporelles de tous les paramètres du
réseau par tirages de Monte Carlo. La génération de ces séries temporelles et les
limitations qui y sont liées, notamment en ce qui concerne les études de planification à
long terme, ont été traitées au paragraphe 3.4.1.
4.1.3.4.2 Tirages non-séquentiels
Les tirages non-séquentiels donnent des photographies instantanées (états) du système
électrique. Ces différents états sont indépendants les uns des autres. La notion de
temporalité est ici absente d’où le souci de prendre en compte dans la modélisation des

93
 C H A P I T R E 4

variables, des dépendances pouvant exister entre elles. Cette question a été traitée au
paragraphe 3.4.2.
4.1.3.4.3 Validité des résultats obtenus par simulations de Monte Carlo
Le principal inconvénient des méthodes qui ont recours aux simulations de Monte
Carlo est le besoin d’un grand nombre de simulations pour couvrir tous les cas
possibles et donc assurer la validité des résultats.
En toute rigueur, pour simuler, par exemple, une année de points de fonctionnement
horaires en ne tenant compte que des variations de la demande et de la puissance
éolienne, il faudrait effectuer 87602 = 76737600 tirages ! Dans la pratique il est
rédhibitoire en termes de temps de calcul d’envisager un tel nombre de simulations.
L’approche probabiliste basée sur les tirages de Monte Carlo pose donc le problème du
nombre d’échantillons représentatif de toute la « population » de points de
fonctionnement à simuler. De plus ces points de fonctionnement ne sont entièrement
caractérisés (flux, tensions, défaillances, productions…) qu’après simulations. La
population analysée statistiquement est en fait constituée de l’ensemble des résultats des
tel-00447151, version 1 - 14 Jan 2010

simulations TROPIC.

défaillance
Û ²  ∑1̀oh ² '` où D(xi) est la fonction test de l’état xi. D(xi) = 1 si
h
Lorsqu’on effectue n simulations du système, on peut estimer une probabilité de
1
l’état xi est défaillant et D(xi) = 0 dans le cas contraire.

* Œ
Û ²   * ² ⁄<
L’incertitude sur cette estimation est donnée par sa variance (Billinton, et al., 1994) :
4.8
En fonction de la précision désirée, il est possible de déterminer le nombre
d’échantillons nécessaires. L’indicateur le plus utilisé pour évaluer cette précision est le
coefficient de variation défini par :

Ü* Œ
Û ²  g* ² ⁄<
  4.9

Û ²
Û ²
Le nombre d’échantillons nécessaires s’écrit alors :

<  * ² ݌
Û ² 
e
4.10
On constate qu’une réduction de la variance V(D), avec un coefficient de variation
constant, conduit à la diminution du nombre de tirages n ; d’où le développement des
techniques de réduction de variance rencontrées dans la littérature.
Une autre alternative pour déterminer le nombre de simulations nécessaire est de
calculer la différence relative (intervalle de variations) entre les estimations pour

Û ² 1 #
Û ² k
plusieurs valeurs consécutives de n, et de définir une valeur limite ε de cette différence.

∆
Û  ß ß N ­ 4.11

Û ² 1

94
 C H A P I T R E 4

•
Û ² 1 et
Û ² k sont les estimations de la probabilité de défaillance pour n

et m simulations. m > n.
La valeur de n à partir de laquelle la relation 4.11 est toujours vérifiée indique le nombre
minimum de simulations nécessaires.
4.1.3.4.4 Application
Le processus d’application de la méthode par simulation de Monte Carlo est illustré sur
la Figure 4.1. Chaque paramètre d’entrée du modèle est représenté par une distribution
de probabilité. Des tirages sont effectués pour chacune de ces distributions afin
d’obtenir un ensemble de points de fonctionnement du système. Un Calcul de
répartition de puissance déterministe est alors effectué successivement sur chacun de
ces points de fonctionnement avec un programme de « load flow » classique. L’utilisation
des méthodes de Monte Carlo permet de représenter l’incertitude des variables de
sortie du système en effectuant des tirages sur les variables d’entrée et en simulant de
façon répétitive les points de fonctionnement obtenus. Le résultat obtenu est un
ensemble de valeurs pour chaque variable de sortie au lieu d’une seule valeur comme
tel-00447151, version 1 - 14 Jan 2010

c’est le cas pour une simulation déterministe. Les variables de sortie peuvent alors être
représentées par des distributions de probabilité.

Tirage aléatoire de N valeurs pour chaque

distribution d’entrée

Sélection d’un point de fonctionnement

(ensemble de valeurs de paramètres d’entrée)

« Load flow » déterministe

Stockage des résultats

Nombre total de NON

tirages atteint ?

OUI

Analyse statistique des résultats

Figure 4.1 « load flow » par simulation de Monte Carlo

La méthode de Monte Carlo est gourmande en temps et moyens de calcul mais elle
présente l’avantage de permettre la modélisation des données d’entrée avec tout type de
distribution de probabilité (y compris les distributions non paramétrées). De plus,

95
 C H A P I T R E 4

associée à des méthodes de caractérisation de corrélations, elle permet d’effectuer des

tirages en tenant compte de corrélations éventuelles entre différentes variables d’entrée.
4.1.4 Conclusion
La gestion des systèmes électriques est basée sur trois actions fondamentales et
complémentaires : la planification, la gestion prévisionnelle et la conduite. Pour mener
à bien ces actions, les acteurs du système électrique effectuent différentes analyses de
son fonctionnement. Il s’agit d’analyses d’adéquation, de sécurité statique et
dynamique. La base de toutes ces analyses est le calcul de la répartition de puissance
(« load flow »). Ces analyses ont d’abord été réalisées avec des méthodes déterministes
avant l’introduction progressive des méthodes probabilistes. Les simulations
numériques sont pour l’instant les méthodes les plus adaptées pour résoudre un calcul
de répartition optimisé (OPF) probabiliste. L’arrivée des moyens de production d’EnR
dans les systèmes va accentuer la nécessité d’utiliser les méthodes probabilistes pour
étudier leurs impacts.
tel-00447151, version 1 - 14 Jan 2010

4.2 Etat de l’art des études d’impact d’EnR dans

les systèmes électriques Français
Le contenu de ce paragraphe est largement tiré des référentiels techniques des
gestionnaires de réseau de transport et de distributions français. Il présente les études
de raccordement telles qu’elles sont réalisées à l’heure actuelle par ces acteurs du
système électrique. Une référence à des études d’intégration est également donnée.

4.2.1 Etudes de raccordement en réseau de transport (RTE, 2009)

Pour déterminer les possibilités d’accueil d’une installation sur le réseau et identifier les
conséquences de son insertion dans le système électrique, le gestionnaire du réseau de
transport (RTE) étudie l’impact de l’installation à travers l’évaluation des conditions de
respect d’un certain nombre de critères techniques. Ces études permettent de
déterminer si l’accueil de la nouvelle installation, en fonction de son point de
raccordement, est subordonné à d’éventuelles limitations d’utilisation ou à des
renforcements de réseau. RTE étudie également la faisabilité et les conditions
techniques de réalisation du raccordement.
4.2.1.1 Principes généraux des études
Pour mesurer l’impact du raccordement de la nouvelle installation, RTE réalise des
études de réseau afin de s’assurer du respect des règles d’exploitations. La démarche
adoptée procède généralement en deux étapes :
• Détection des situations les plus contraignantes : vérification du respect des règles ou,
en cas de non respect, évaluation du niveau de contrainte atteint. Cette
détection est réalisée sur des situations déterministes suffisamment
représentatives. Elles sont spécifiques au domaine technique étudié (les
situations analysées sont définies pour chaque type d’études).
• Caractérisation des contraintes : si des contraintes sont détectées, elles sont alors
caractérisées en terme de profondeur, d’occurrence et lorsque cela est

96
 C H A P I T R E 4

pertinent, de durée de risque. Ces caractéristiques sont déterminées à partir de

la connaissance des paramètres influençant les grandeurs observées, comme
l’aléa climatique, le comportement des consommations ou des productions, le
comportement des ouvrages du réseau.
4.2.1.2 Types d’études
Il en existe plusieurs, amplement détaillées dans le référentiel technique de RTE (RTE,
2009). Dans cette partie seront présentées les situations contraignantes analysées pour
les études de transit et de variations de tension.
4.2.1.2.1 Etude de transit
Elle permet de mesurer l’impact du raccordement d’une nouvelle installation sur les
flux de puissance dans les différents ouvrages du réseau.
La détection des situations les plus contraignantes est conduite sur quelques points
horaires représentatifs des conditions d’exploitation pouvant être rencontrées tout au
long de l’année :
tel-00447151, version 1 - 14 Jan 2010

• A réseau complet (N) ;

• En situation de perte d’un ouvrage de réseau (N – 1) ;
• Lors de la maintenance programmée d’un ouvrage de réseau.
Pour ces différentes situations, RTE étudie plusieurs scénarii de production et
d’échanges, qui permettent in fine de déterminer les situations les plus contraignantes.
4.2.1.2.2 Etude des variations de tension
Le raccordement d’une nouvelle installation sur le réseau provoque des variations de
tension dans les postes environnants. Cet effet est d’autant plus sensible s’il s’agit d’une
zone électrique peu dense.
Les calculs sont réalisés en considérant pour la production, les seules unités démarrées.
Les simulations sont menées sur une structure de réseau, probable, qui conduit a priori
de faibles valeurs de courants de court-circuit. Ainsi, on recherche les situations
d’indisponibilités fortuites d’ouvrages qui conduisent à la situation la plus pénalisante.
4.2.2 Etudes de raccordement en réseau de distribution (ERDF, 2009)
4.2.2.1 Types d’études
Les différentes étapes de l’étude de raccordement ont pour objet de concourir à la
détermination des ouvrages à établir ou à modifier pour assurer une desserte dans
des conditions techniques et économiques optimales. Chacun des domaines
d’interaction de l’unité de production avec le réseau ou les autres utilisateurs est
exploré et le dimensionnement du raccordement projeté doit assurer le maintien
du réseau existant et futur dans un domaine de fonctionnement acceptable.
Les vérifications à mener pour évaluer l’impact du raccordement et déterminer les
solutions de raccordement de tous les utilisateurs, producteur ou consommateur,
sont les suivantes :
• tenue thermique des éléments du réseau : vérification des capacités de
transit,

97
 C H A P I T R E 4

• vérification des conséquences sur les plans de tension des réseaux HTA et
BT.
• vérification de la tenue de la tension au poste source : risque de butée
régleur,
• modification des comptages au poste source,
• vérification de la tenue des matériels aux courants de court-circuit
supplémentaires apportés par l’installation de production,
• vérification du fonctionnement du plan de protection contre les défauts
entre phases du réseau HTA et du poste de livraison,
• choix de la protection de découplage,
• évaluation de la nécessité d’installation d'un dispositif d'échange
d'informations d'exploitation.
Pour les installations de production d’énergie éolienne et photovoltaïque, des
vérifications complémentaires sont à effectuer :
tel-00447151, version 1 - 14 Jan 2010

• évaluation du niveau de variations rapides de tension,

• évaluation des niveaux de courants harmoniques injectés,
• évaluation du déséquilibre des charges,
• évaluation de l’affaiblissement du signal de transmission tarifaire.
4.2.2.2 Méthodes
Dans ce paragraphe est présentée la méthodologie employée actuellement pour les
deux premières étapes de l’étude – vérification des capacités de transit et du plan de
tension. Les autres études sont réalisées sur un principe comparable qui est consultable
dans le référentiel technique du gestionnaire du réseau de distribution Français (ERDF,
2009).
4.2.2.2.1 Hypothèses
• Tous les producteurs (existant ou en projet de raccordement) sont modélisés
par la puissance active maximale qu’ils sont capables de produire durant la
période de l’étude.
• la valeur de fourniture de réactif figurant dans les clauses d'accès au réseau
pour la période de faible charge pendant la période étudiée.
• Les consommations sont prises en compte à leurs valeurs minimales pour
la période d’étude.
4.2.2.2.2 Etude
Le système est simulé pour la situation exposée en hypothèses et les contraintes de
transit et de tension sont vérifiées.

4.2.3 Etudes d’intégration

Il s’agit d’études d’impact global d’un parc d’énergies renouvelables sur un système
électrique. La lecture de plusieurs rapports d’études pratiques (Belhomme, 2005),
(DENA, 2005) montre que le principe général des méthodes utilisées est basé sur la
simulation de quelques situations déterministes dites contraignantes.

98
 C H A P I T R E 4

4.2.4 Conclusion
Les études de raccordement et d’intégration telles que pratiquées à l’heure actuelle par
les acteurs du système électrique (en particulier français) reposent sur des méthodes
essentiellement déterministes avec comme avantages, la simplicité de mise en œuvre,
les temps de calcul réduits, mais comme principal inconvénient, la non considération
de plusieurs aléas intrinsèquement liés au fonctionnement du système électrique. Les
lois de probabilités caractérisant ces aléas forment le modèle probabiliste du système
électrique qui est la base des études probabilistes dont les méthodes vont être décrites
dans le paragraphe suivant.

4.3 Etudes probabilistes d’impact des EnR sur les

réseaux
Les études d’impact de la production d’EnR sur les réseaux sont classées en deux
tel-00447151, version 1 - 14 Jan 2010

grandes catégories : les études d’insertion qui concernent l’impact global d’un parc
de production d’EnR sur le système électrique et les études de raccordement qui
permettent d’évaluer l’impact local d’une nouvelle unité de production avant sa
connexion au réseau. Chacune des deux catégories comporte plusieurs types
d’études qui, à part la détermination du crédit de capacité, sont basées sur des
analyses de sécurité statique ou dynamique du réseau. Pour chaque type d’étude,
sera d’abord succinctement présentée la logique déterministe classique, ensuite une
description détaillée de la méthode probabiliste proposée sera donnée.
4.3.1 Etudes d’insertion
Les études d’insertion sont des outils de gestion prévisionnelle et de planification du
système électrique. Elles permettent au gestionnaire de réseau d’avoir une vision à
moyen ou long terme de l’impact d’un parc d’EnR sur son système.
4.3.1.1 Crédit de capacité
Le crédit de capacité est défini comme étant la puissance des moyens de
production conventionnels qui peut être remplacée par une source intermittente,
comme l’éolien ou le PV, sans diminuer la fiabilité en terme d’adéquation (LOLP)
du système. Sa détermination nécessite donc une étude que nous avons classée
parmi les études d’insertion.
La détermination du crédit de capacité d’une installation de production d’EnR est une
étude probabiliste par excellence car elle est basée sur la comparaison de l’indice de
fiabilité (critère probabiliste) du système sans et avec EnR.
Le calcul de cet indice se fait en combinant les modèles probabilistes de la
production et de la demande (Figure 4.2).

99
 C H A P I T R E 4

Modèle Modèle
probabiliste de la probabiliste de la
production demande

Probabilité d’avoir :
Production < demande

Indices de fiabilité
(LOLP)

Figure 4.2 Modèle probabiliste production – demande

tel-00447151, version 1 - 14 Jan 2010

Le principe général est de calculer la probabilité de défaillance (LOLP) du système

de production sans EnR (LOLPG, situation n°1 sur la Figure 4.3) puis avec EnR
(LOLPG+EnR, situation n°2 sur la Figure 4.3). Le LOLPG+EnR est supérieur au
LOLPG car on ajoute de la production. Le crédit de capacité est obtenu en
diminuant progressivement la production conventionnelle dans le système avec
EnR jusqu’à atteindre la valeur LOLPG (situation n°3 sur la Figure 4.3).
Fiabilité

1 - LOLPG+EnR
EnR
1 - LOLPG
EnR

G0 G0
G0,EnR

1) 2) 3)

Figure 4.3 Calcul du crédit de capacité

Le crédit de capacité se calcule en pourcent par la formule (4.12).

³R # ³R,à1
  100 4.12
<,

où :

100
 C H A P I T R E 4

• G0 est la capacité installée au taux de défaillance initial

• G0,EnR est la capacité installée nécessaire en présence d’EnR pour que le
système ait une probabilité de défaillance égale à la valeur initiale.
4.3.1.1.1 Méthode pseudo-déterministe
Une méthode que nous qualifierons de pseudo-déterministe consiste à modéliser la
demande de façon déterministe en ne considérant que sa valeur de pointe sur la
période d’étude et non son spectre de variations au travers d’une distribution de
probabilité. Le LOLP est alors défini comme étant la probabilité pour que la capacité
de production du système soit inférieure à la demande de pointe.
4.3.1.1.2 Méthodologie probabiliste
Cette méthodologie qui se base sur une modélisation probabiliste à la fois de la
production et de la demande se décline comme suit :
a. Modélisation probabiliste du système de production conventionnelle
suivant la méthodologie décrite au chapitre 3, paragraphe 3.2.2.1 et tirage
tel-00447151, version 1 - 14 Jan 2010

aléatoire d’une série G suivant la répartition de probabilité obtenue.

b. Modélisation probabiliste de la production renouvelable selon la méthode
décrite au chapitre 3, paragraphe 3.2.3 et modélisation probabiliste du
système avec production EnR. La répartition de probabilité obtenue
permet d’effectuer un tirage aléatoire d’une série G+EnR.
c. Les séries des marges du système sans puis avec production renouvelable
sont calculées, G - D et G + EnR - D respectivement (D représente la
demande totale du système). LOLPG et LOLPG+EnR sont les probabilités
d’avoir G - D < 0 et G + EnR - D < 0 ; ce qui correspond par exemple sur
la Figure 4.4 aux surfaces sous les courbes en traits interrompus et continu
dans la partie négative.
d. Pour estimer le crédit de capacité, on diminue la capacité de production
conventionnelle puis on recommence les étapes a, b et c jusqu’à avoir
LOLPG+EnR égal au LOLPG du système initial. Le crédit de capacité se
calcule avec l’équation 4.8.
Le traitement de la saisonnalité de l’hydraulique, des cycles de photovoltaïque, de
la maintenance programmée se base sur les méthodes présentées au chapitre 3,
paragraphe 3.4.2. Il s’agit donc de diviser l’année en périodes caractéristiques pour
lesquelles les unités en maintenance sont exclues et la capacité hydraulique est
adaptée. Le modèle probabiliste ne tient alors compte que des indisponibilités
fortuites.
4.3.1.1.3 Exemple d’étude
Une étude a été faite sur un système de production insulaire en considérant une
chronique horaire de consommation de janvier et février. Nous avons simulé
l’insertion de 81 MW d’éolien répartis sur trois sites. La puissance conventionnelle
disponible sur la période étudiée est G0 = 381 MW.
L’exécution des étapes a, b et c nous a donné les résultats suivants :

101
 C H A P I T R E 4

• LOLPG = 1.8% (surface sous la courbe en traits interrompus dans la partie

négative).
• LOLPG+EnR = 0.9% (surface hachurée sous la courbe en trait continu dans
la partie négative).
• L’exécution de l’étape d. nous donne G0 - G0,EnR = 12 MW soit un crédit de
capacité de 14,8%
tel-00447151, version 1 - 14 Jan 2010

MW

Figure 4.4 distribution de probabilité de la marge du système sans et avec production éolienne : cas d’un système de production
insulaire français

4.3.1.2 Adéquation en réserves

Une des principales règles d’exploitation des systèmes électriques est d’assurer un
niveau minimum de flexibilité. Cette dernière désigne la capacité du système à faire face
du point de vue adéquation à un déséquilibre production consommation qui
correspond soit à une variation imprévue de la demande, soit à la perte d’un moyen de
production. Pour assurer leur flexibilité, les systèmes électriques sont exploités avec
comme contrainte d’avoir à tout instant un niveau minimal de réserve tournante
globale. En général ce niveau minimal correspond à la capacité de la plus grande unité
de production. Le niveau minimal de réserve est réparti sur tous les groupes de
production du système. Ceci équivaut à exploiter ces groupes en dessous de leur
puissance nominale pour donner une marge de manœuvre (à la hausse comme à la
baisse) à l’exploitant. La somme des marges sur tous les groupes doit être au moins
égale à la puissance de la plus grosse unité de production.
La production d’EnR est considérée comme fatale puisqu’elle dépend principalement
de la disponibilité de sa source primaire (vent ou ensoleillement). Elle ne peut donc pas
de façon significative contribuer à la constitution de la réserve (même si en Irlande, une
contribution à la réserve est demandée aux EnR). Ceci est d’autant plus vrai pour les
grosses centrales de production d’EnR pour lesquelles des unités de stockages dédiées
– qui techniquement permettent de constituer de la réserve pour les unités de
production d’EnR – ne sont pour l’instant pas envisageables à cause de leur coût très
élevé.

102
 C H A P I T R E 4

L’analyse d’adéquation en réserve traduit le niveau de flexibilité du système et est

surtout utile pour les systèmes insulaires. Les grands réseaux interconnectés ont assez
de réserves pour que cette limitation ne soit pas encore perceptible. L’analyse
d’adéquation en réserve n’est dons pas nécessaire lors de l’étude d’impact des EnR
dans les grands systèmes interconnectés.
En partant de l’hypothèse que la production d’EnR est fatale et ne contribue pas à la
réserve, l’intégration de celle-ci au système électrique a pour effet de diminuer sa
flexibilité car elle remplace des moyens de production flexibles. Cet impact est
beaucoup plus marqué sur les réseaux isolés car ceux-ci sont amenés en cas d’incident à
fournir de la réserve sans apport extérieur (pas d’interconnexion). Dans les systèmes
isolés (réseaux insulaires), la réserve est surtout assurée par des groupes thermiques
dont le domaine de fonctionnement optimal est compris entre une puissance minimale
Pmin (minimum technique dû aux caractéristiques des machines tournantes) et une
puissance maximale Pmax.
tel-00447151, version 1 - 14 Jan 2010

Soit un système ayant comme contrainte d’exploitation un niveau minimal de réserve R

réparti sur n groupes thermiques. Chaque groupe i a une puissance minimale Pmin,i. Pour
respecter la contrainte de réserve, les n groupes dédiés doivent être en fonctionnement ;
cela induit, pour tout le système, une puissance minimale produite

k`1,m  _
k`1,` 4.13

`oh

Toute la production à un instant donné devant être absorbée, cela se traduit par
l’équation 4.14 qui exprime le fait que la demande, défalquée de la production d’EnR,
doit toujours être au moins égale à la puissance thermique minimale du système.

² B #
à1 B O
k`1,m 4.14

où :
• D(t) est la demande à l’instant t,
• PEnR(t) est la production d’EnR à l’instant t.
4.3.1.2.1 Méthode déterministe
Elle consistera à vérifier l’équation 4.14 pour les conditions les plus contraignantes
c'est-à-dire : demande minimale et production d’EnR maximale. L’équation 4.14

²k`1 #
à1,k[U O
k`1,m 4.15

devient alors :

103
 C H A P I T R E 4

4.3.1.2.2 Méthode probabiliste

Elle consiste à vérifier l’équation 4.11 pour un grand nombre de combinaisons
demande/production EnR obtenues à partir des lois de probabilités de ces deux
grandeurs et à calculer une probabilité de « non vérification de l’équation 4.10 ».
Le respect de la condition exprimée par l’équation 4.14 est une limitation à l’intégration
d’un parc d’EnR donné. L’étude probabiliste de cette contrainte s’articule autour des
étapes suivantes :
a. Définition d’un critère probabiliste : le critère le plus approprié à l’étude est la valeur
plafond δ de la probabilité d’avoir la condition 4.14 non respectée. Il
correspond en fait sur une année à un nombre maximal d’heures d’effacement
qu’il sera demandé à la production d’EnR pour respecter l’adéquation en

œ² B #
à1 B N
k`1,m  N á 4.16

réserves.

b. Modélisation probabiliste des variables d’entrée : les paramètres d’entrée sont les lois
tel-00447151, version 1 - 14 Jan 2010

de probabilité de la production renouvelable et de la demande.

c. Calcul de la performance du système : cette étape revient à effectuer des tirages
simultanés de demande et de production EnR suivant les lois, à comparer les
valeurs de la série D – PEnR à la puissance minimale Pmin,t et enfin à calculer la
probabilité P[D(t) – PEnR(t) < Pmin,t].
4.3.1.3 Analyses de sécurité
Ce sont des analyses de respect des contraintes d’exploitation des réseaux électriques.
Elles ont en commun d’être basées sur le calcul de répartition de puissance.
4.3.1.3.1 Méthode déterministe
La méthode déterministe se résume à analyser la sécurité du système pour un nombre
limité de situations contraignantes dites « pire cas ». Si PEnR est la puissance EnR
installée, et D la demande totale du système, les situations contraignantes les plus
étudiées sont les suivante :
• « PEnR,max / Dmin » : Le parc de production d’EnR produit sa puissance maximale
simultanément avec la demande minimale,
• « PEnR,max / Dmax » : Le parc de production d’EnR produit sa puissance maximale
simultanément avec la demande maximale,
• « PEnR,min / Dmin » : Le parc de production d’EnR produit sa puissance minimale
simultanément avec la demande minimale,
• et « PEnR,min / Dmax » : Le parc de production d’EnR produit sa puissance
minimale simultanément avec la demande maximale.
A partir des hypothèses de placement géographique de la production EnR, pour une
puissance EnR installée PEnR, toutes les situations contraignantes sont analysées.
L’impact du parc de production est jugé néfaste si une des situations conduit à une
défaillance. Il s’agit d’une analyse du type « défaillance / pas défaillance ».

104
 C H A P I T R E 4

4.3.1.3.2 Méthodologie probabiliste

Alors qu’avec la méthode déterministe l’impact du parc d’EnR sur le réseau est
quantifié en termes de « défaillance / pas défaillance » pour quelques situations
spécifiques, avec la méthode probabiliste, cet impact sera quantifié en terme de
« risque de défaillance » défini sur une période de fonctionnement du système. Il
s’agit donc d’une étude du type analyse de risque. Le principe général illustré sur la
Figure 4.5 est de simuler le fonctionnement du système pour un certain nombre de
situations. Le nombre de situations de réseau simulées doit être aussi important
que nécessaire pour couvrir le spectre de variation de ses paramètres d’entrée sur
la période d’étude. Cela correspond pour le cas de la Figure 4.5 à un « load flow »
ou à un OPF (pour nos études) probabiliste avec comme données d’entrée les lois
de probabilités des productions éoliennes E1 et E2 et de la charge.
La notion de risque est très importante car il s’agit de la base de toute étude
probabiliste. Elle est déjà présente dans certains critères techniques tels que les
limites d’excursion de tension dans un réseau. La contrainte liée aux variations de
tel-00447151, version 1 - 14 Jan 2010

tension en réseau de distribution est spécifiée dans la norme NF EN 50160 : «

Dans des conditions normales d’exploitation, en dehors d’interruptions, pour chaque période
d’une semaine, 95% des valeurs efficaces moyennées sur 10 minutes doivent se situer dans la
plage U±10% ». Ce type de critère sera défini et généralisé, à des périodes plus
longues, pour d’autres contraintes importantes en analyse de sécurité telles que les
congestions.
Ainsi, pour les analyses de sécurité statique, outre la probabilité d’avoir une
surtension, nous définirons une probabilité de congestion. Ces deux grandeurs
qu’on pourrait appeler probabilité de défaillance sont définies comme suit :
v=>?@& A& 8GB9CBG=<8 CÅC<B =<A9GB à 9<& AéSCGDDC<&
(@=?C?GDGBé A& AéSCGDDC<& 
v=>?@& A& 8GB9CBG=<8 8G>9Dé&8

E2
E1 Fp2
Fp1

Réseau
Electrique

Fpc
Charge

Figure 4.5 Principe de la méthodologie probabiliste

105
 C H A P I T R E 4

Pour détailler les différentes étapes de la méthodologie nous parlerons plus

particulièrement d’une étude de sécurité statique (réalisée à l’aide d’un OPF)
sachant que la méthode est identique pour une étude de sécurité dynamique.
a. La première étape est la définition de critères pour caractériser l’impact du
parc de production d’EnR. Par exemple : la probabilité d’avoir une ligne en
surcharge doit être inférieure à 0,5% sur toute la période de l’étude. Ce
critère important dépend du type de réseau étudié, de ses performances en
fonctionnement normal et du risque que le gestionnaire de réseau accepte
de prendre pour permettre le raccordement d’énergie renouvelable à son
système. La détermination des critères probabilistes quantifiant l’impact
des EnR doit donc se faire après études du système sans EnR
supplémentaires et concertations avec le gestionnaire du réseau. De plus
ces critères doivent rester en concordance avec ceux existants déjà dans les
différents référentiels techniques.
tel-00447151, version 1 - 14 Jan 2010

b. La seconde étape est la détermination des paramètres d’entrée ; à savoir les

lois de probabilité. A partir des hypothèses de placement géographique des
moyens de production d’EnR, des données météorologiques (vitesses de
vent et ensoleillement) sont récoltées et les lois de probabilité de la
production EnR sont calculées suivant les procédures présentées au
chapitre 3. Pour ce qui est de la production conventionnelle, les données
de disponibilité permettant de déterminer les lois de probabilités doivent
être récoltées auprès des exploitants du réseau. Les historiques de
consommation, transformées en histogrammes, permettrons moyennant
un taux d’accroissement d’obtenir des histogrammes pour les périodes
d’études.
c. La génération des situations de réseau, suivant les lois de probabilité et les
corrélations précédemment définies, puis la simulation de ces situations
constituent la troisième étape de la méthodologie. Dans les cas pratiques
étudiés, nous avons utilisé pour cette étape l’outil ASSESS qui sera
présenté au chapitre 5.
d. Les résultats des simulations, qui se présentent sous formes de jeux de
valeurs pour chaque paramètre du réseau (tensions aux nœuds, transits
dans les lignes…) sont analysés avec des méthodes statistiques. Les
situations de réseau ayant engendré des défauts sont répertoriées et
classées. La probabilité d’avoir une défaillance est calculée.
Cette méthodologie sera à quelques modifications près la même pour l’analyse de
toutes les contraintes liées à la sécurité statique (capacités thermiques de lignes et
plan de tension) et à la stabilité du système.
4.3.1.3.3 Analyse de sécurité statique
Le principe des études statiques, que ce soit une analyse de transit (comme exposé
au paragraphe précédent) ou une analyse de plan de tension, est le même ; le plus
important étant de bien identifier ou de bien définir les critères probabilistes
caractérisant l’impact du parc d’EnR dont on simule l’insertion. Les critères qui
seront pris en compte au cours de nos études sont :

106
 C H A P I T R E 4

• pour l’analyse du transit : la probabilité d’avoir une ligne en surcharge

durant la période de l’étude.
• pour l’analyse du plan de tension : la probabilité d’avoir une surtension ou
une sous-tension due à la production renouvelable.
Pour le reste les étapes sont identiques à celle présentées au paragraphe précédent.
4.3.1.3.4 Analyse de sécurité dynamique
Les études dynamiques consistent à simuler le comportement du réseau après une
perturbation (perte d’un groupe, d’une ligne, court-circuit…). Outre le modèle
probabiliste du système électrique, ce type d’étude nécessite de connaître avec
précision les caractéristiques électriques de chaque unité de production d’EnR
ainsi que de tous les autres moyens de production afin de modéliser au mieux leur
comportement dynamique face aux défauts simulés.
Le principe de l’analyse probabiliste de sécurité dynamique d’un système électrique
consiste à simuler un défaut sur un nombre important de points de
tel-00447151, version 1 - 14 Jan 2010

fonctionnement du réseau (point horaires sur une année par exemple). Ces
derniers ayant été au préalable testés par le biais d’une analyse de sécurité statique.
L’analyse de sécurité dynamique en vue de déterminer un taux de pénétration
maximal est donc la suite logique d’une analyse statique qui aura permis de trouver
une première valeur limite du taux de pénétration. Elle nécessite en entrée
l’ensemble des points de fonctionnement « sûrs » selon les critères statiques
(transits et plan de tension).
Plus précisément, la détermination de l’impact d’un parc d’EnR sur la dynamique
d’un réseau consistera en la détermination du risque de défaillance du réseau suite
à un défaut. En d’autres termes, le défaut n’est pas simulé uniquement pour
quelques plans de production donnés mais pour tous les plans de production
possibles du système sur la période d’étude.
La méthodologie s’articule autour de trois grands axes :
• Caractérisation du (des) défaut(s) à simuler : s’il s’agit d’un court-circuit, il
faudra déterminer le point d’application, son intensité, sa durée… La perte
du plus gros groupe est un incident dimensionnant souvent simulé.
• Par rapport à chaque défaut, les contraintes fixées par le gestionnaire de
réseaux sont identifiées. Les critères probabilistes sont ensuite définis. Si
l’objectif est par exemple de déterminer la probabilité de défaillance du
réseau après la perte du plus gros groupe. La contrainte est alors le niveau
de délestage qui doit rester inférieur à x pourcent de la demande. La
probabilité de défaillance correspond alors à la probabilité d’avoir un
délestage supérieur à la valeur plafond.
• Après ces deux premières étapes, la démarche est la même que celle décrite
au paragraphe 4.3.1.3.3 à la différence que l’impact d’un parc de
production est jugé sur plusieurs critères liés à chaque défaut simulé. Le
critère le plus contraignant conduira à la limitation de l’insertion des EnR
dans le système étudié.

107
 C H A P I T R E 4

4.3.1.4 Calcul du taux de pénétration maximal

La détermination du taux de pénétration maximal est une application très
importante des études impact d’EnR sur les systèmes. Il est dans l’intérêt de tous
les gestionnaires de réseaux de savoir par avance jusqu’à quel point ils pourront
accepter le raccordement des EnR à leurs réseaux compte tenu des caractéristiques
de ces derniers. Il existe plusieurs définitions du taux de pénétration dans la
littérature. Les deux définitions les plus rencontrées sont celles du taux de
pénétration en puissance et en énergie.
En termes d’énergie, le taux de pénétration est le rapport entre l’énergie
renouvelable totale produite annuellement et la consommation électrique totale.
En termes de puissance, c’est le ratio entre la puissance EnR installée et la
demande maximale. Il s’exprime en pourcentage de la charge maximale (%
demande de pointe).
On rencontre aussi le concept de taux instantané de pénétration qui sert à
tel-00447151, version 1 - 14 Jan 2010

quantifier la participation effective du parc d’EnR à l’instant t de la consommation.

Il est calculé comme le rapport à l’instant t entre la puissance EnR fournie à cet
instant et la charge. Sur une période donnée, il est possible d’identifier un taux
maximum qui n’est pas forcément trouvé à la pointe ni à la demande minimale.
La définition adoptée est celle relative au taux de pénétration en puissance. L’étude
du taux de pénétration a pour but de déterminer la limite quantitative admissible
d’EnR dans le système électrique ; en d’autres termes, le taux de pénétration
maximal. Elle consiste à effectuer des analyses de sécurité du système avec EnR et
à comparer les performances de celui-ci aux contraintes techniques d’exploitation
des réseaux (grid codes) ou aux critères probabilistes prédéfinis.
Qu’elle soit déterministe ou probabiliste, l’étude du taux de pénétration sera basée
sur l’algorithme de la Figure 4.6.
• La première étape consiste à définir des hypothèses de développement de
la production EnR surtout en termes de position géographique. La
modélisation probabiliste de la production EnR dépend en grande partie
de ces hypothèses.
• La deuxième étape est l’étude d’adéquation en réserve qui donne une première
limite de la puissance maximale installée d’EnR sans avoir encore pris en
compte le réseau. Les autres contraintes analysées (sécurité statique et
dynamique) nécessitent la prise en compte du réseau.
• Cette valeur limite est ensuite utilisée pour l’analyse de sécurité statique qui
consiste à simuler le système en déterministe ou en probabiliste, à analyser les
résultats par rapport aux critères de défaillance. Si les critères ne sont pas
respectés, la puissance EnR installée est réduite et les analyses de sécurité sont
reprises jusqu’à ce qu’à ce que ces critères soient tous respectés.
• La puissance installée obtenue à l’étape précédente est utilisée pour les analyses
de sécurité dynamique. Ces analyses sont effectuées sur le même principe que
les analyses statiques ; seuls les critères changent.

108
 C H A P I T R E 4

• Le taux de pénétration est alors égal au ratio de la puissance EnR obtenue à la

fin de l’algorithme par la demande de pointe.
Hypothèse de placement de la
production renouvelable

Initialisation de la puissance installée

d’EnR (PEnR)

Analyse d’adéquation en réserves Incrémentation de PEnR

OUI
tel-00447151, version 1 - 14 Jan 2010

Critère respecté ?

NON

Initialisation de PEnR : plus grande

valeur pour laquelle le critère est
respecté

Analyse de sécurité statique Réduction de PEnR

NON
Critères
respectés ?

OUI

Initialisation de PEnR : plus grande

valeur pour laquelle les critères sont
respectés

Analyse de sécurité dynamique Réduction de PEnR

NON
Critères
respectés ?
OUI

Valeur du taux de
pénétration = PEnR/Dmax

Figure 4.6 Processus de calcul du taux de pénétration des EnR

109
 C H A P I T R E 4

4.3.1.5 Conclusion
Par le biais de l’étude du taux de pénétration d’un parc d’EnR dans un réseau, on
analyse tous les impacts globaux des EnR sur ce réseau. L’adéquation en production et
en transport est analysée par l’étude statique, l’analyse de sécurité dynamique permet de
caractériser l’impact sur la stabilité du réseau, le niveau de réserve est aussi analysé. De
plus l’influence du parc sur le dispatching peut être mesurée vu que la modélisation
probabiliste permet de simuler un grand nombre de plans de production. Comparée à
la méthode déterministe dont le résultat se résume à une valeur de taux de pénétration
ou à un jugement booléen de l’impact d’un parc d’EnR, la méthode probabiliste
apporte une réponse plus étoffée à la question. L’impact des EnR est jugé par une
probabilité de défaillance, Toutes les situations sont simulées, y compris les défaillantes
qui peuvent donc être caractérisées. Cette caractérisation permet d’établir des règles
d’exploitation pour faire face ou mieux, éviter les situations défaillantes.
4.3.2 Etudes de raccordement
Ces études permettent d’évaluer l’impact d’une unité de production d’EnR sur son
tel-00447151, version 1 - 14 Jan 2010

environnement immédiat : tension au point de connexion, transit dans les lignes

proches. On peut réaliser des études statiques ou dynamiques. Les études de
raccordement nécessitent une modélisation probabiliste de la production EnR
avec un degré de précision plus élevé en tenant compte de tous les états de
fonctionnement des différents éléments (turbines ou panneaux) et de leur
disponibilité.
Il convient de faire la différence entre une étude de raccordement en réseau de
distribution et une étude de raccordement en réseau de transport. Une unité de
production raccordée en transport aura plus d’impacts globaux que locaux. Ceci
est dû au maillage du réseau de transport qui favorise la propagation des effets.
Une étude de raccordement en transport s’apparente donc à l’étude
d’insertion d’un parc d’EnR constitué d’une seule centrale.
La suite de cette partie consistera en la présentation des méthodes probabilistes
dédiées aux études de raccordement d’unités de production d’EnR en réseau de
distribution. Notons que grosso modo le principe reste le même que celui décrit pour
les études d’insertion. La présentation de méthodes probabilistes sera précédée
d’une description brève de la méthode déterministe actuellement utilisée par les
gestionnaires de réseau.
4.3.2.1 Méthode déterministe
C’est la méthode la plus utilisée à l’heure actuelle pour déterminer l’impact du
raccordement d’une nouvelle femme éolienne ou d’une centrale PV sur un réseau de
distribution. Le fonctionnement du système contenant la nouvelle unité est simulé pour
les quatre situations contraignantes classiques :
• « PEnR,max / Dmin » : La nouvelle unité produit sa puissance maximale
simultanément avec la demande minimale.
• « PEnR,max / Dmax » : La nouvelle unité produit sa puissance maximale
simultanément avec la demande maximale.

110
 C H A P I T R E 4

• « PEnR,min / Dmin » : La nouvelle unité produit sa puissance minimale

(généralement égale à zéro) simultanément avec la demande minimale.
• et « PEnR,min / Dmax » : La nouvelle unité produit sa puissance minimale
(généralement égale à zéro) simultanément avec la demande maximale.
Si une des situations conduit au non respect d’une des contraintes spécifiées dans le
référentiel technique, l’unité de production se voit refuser l’autorisation de
raccordement par le gestionnaire de réseau.
4.3.2.2 Méthodologie probabiliste pour une étude statique
Les études statiques permettent de déterminer l’impact de la ferme sur le système à
l’état stable. Une fois la caractérisation probabiliste du système (production,
charge…) obtenue, il faut identifier les ouvrages (lignes, nœuds…), les paramètres
à observer (transit, tensions…) et les contraintes qui y sont liées en consultant les
référentiels techniques des gestionnaires de réseau.
tel-00447151, version 1 - 14 Jan 2010

Du fait de la structure radiale des réseaux de distribution, le raccordement d’une

unité de production d’EnR aura un impact géographiquement limité au poste
source sur lequel elle est raccordée. Les critères probabilistes de défaillance seront
plus liés aux aspects de sécurité statique (tension au point de raccordement,
transits dans les départs…).
La méthodologie d’une étude de raccordement est équivalente à celle présentée au
paragraphe précédemment avec quatre grandes étapes :
a. définition des critères probabiliste ;
b. caractérisation de lois ;
c. génération des situations de réseau ;
d. simulation et analyse statistique des résultats.
4.3.2.3 Méthodologie probabiliste pour une étude dynamique
Comme pour le cas d’une étude dynamique d’insertion, le comportement du
réseau après une perturbation est simulé sur plusieurs points de fonctionnement
avec un zoom sur ce qui se passe dans l’environnement immédiat de la centrale à
connecter. Les principaux aspects analysés lors de ces études sont :
• l’apport de courant de court-circuit de la nouvelle unité,
• l’influence sur le plan de protection,
• le flicker,
• les harmoniques
En l’état actuel, les réseaux de distribution français ne comportent pas ou très peu
de machines tournantes produisant l’électricité. La production provient en grande
majorité des niveaux de tension plus élevés. Les études de stabilité dynamique
(comportement après perte du plus gros groupe ou d’une ligne par exemple) sont
donc assez limitées et ne seront pas traitées.
4.3.2.4 Conclusions
A l’issue de cette étude l’impact (en statique et en dynamique), la nouvelle unité de
production est caractérisée par des critères du type probabilité de défaillance. En

111
 C H A P I T R E 4

fonction du risque que le gestionnaire accepte de prendre, une unité de production

qui aurait été refusée à l’issue d’une étude déterministe pourrait être acceptée après
une analyse probabiliste. De plus l’analyse de tous les points de fonctionnement
permet au gestionnaire de réseau de prédéfinir des règles d’exploitation afin
d’éviter les situations à risque.

4.4 Comparaison méthodes déterministes et

probabilistes
Rappelons ici le but principal du travail qui est de donner une contribution à
l’évaluation de l’apport des méthodes probabilistes aux études d’insertion ou de
raccordement des énergies renouvelables dans les systèmes électriques. Les paragraphes
4.2 et 4.3 ont présenté les méthodes actuellement pratiquées pour ces études et les
méthodes probabilistes.
tel-00447151, version 1 - 14 Jan 2010

L’évaluation de l’apport de l’approche probabiliste passe par la comparaison des deux

approches méthodologiques. Cette comparaison est basée sur plusieurs critères :
• Les données d’entrée : les études déterministes ne nécessitent que de quelques
points de fonctionnement du système à étudier et ne demandent pas de
traitement particulier des ces données. Les études probabilistes quant à elles
nécessitent une caractérisation probabiliste du système. Pour cela il y a besoin
d’une multitude de données relatives aux variations des paramètres du système
(historiques de consommation, de production EnR, indisponibilité des groupes
des lignes …) aux dépendances entre variables.
• Mise en œuvre : pour une étude déterministe, elle consiste à simuler quelques
points de fonctionnement ; alors que pour une étude probabiliste, il s’agit de
simuler une multitude de points de fonctionnement reflétant tous les états du
système. Les temps de calcul sont donc beaucoup plus longs pour les études
probabilistes.
• Types de résultats obtenus : les études déterministes permettent en général de tirer
un résultat de type booléen (défaut ou pas de défaut) tandis que les études
probabilistes apportent des résultats en termes de risque de défaillance.
• Pertinence des résultats : A l’issue d’une étude déterministe on ne peut tirer des
informations sur le comportement du système que pour quelques points de
fonctionnement alors que l’approche probabiliste permet d’analyser le
comportement du système sur la majorité des états par lesquels il passe et
éventuellement de desceller des contraintes lors des situations de
fonctionnement autres que ceux identifiés pour les études déterministes.

4.5 Conclusion
L’état de l’art de l’analyse des systèmes électriques montre que, très tôt est apparu le
souci de prendre en compte les aléas du système. A EDF, une approche que nous
avons qualifiée de « partiellement probabiliste » à été mise en ouvre au travers de l’outil

112
 C H A P I T R E 4

MEXICO, pour les études de planification et de gestion prévisionnelle du parc de

production. L’arrivée des énergies renouvelables et leur aspect fortement variable va
accentuer la nécessité de développer des approches résolument probabilistes dans les
études de réseau. Ces approches vont d’abord se développer en utilisant des méthodes
mathématiques (load flow probabiliste) puis numériques (simulations de Monte Carlo).
Dans la pratique des études de raccordement des énergies renouvelables aux systèmes
électriques français, l’aspect probabiliste n’est pas encore intégré. Dans la continuité du
développement des méthodes probabilistes, nous avons proposé une méthodologie,
pour les études d’insertion d’un parc d’EnR dans un système électrique et pour les
études de raccordement d’une unité de production à un réseau de distribution.
L’approche proposée, basée sur on OPF probabiliste, s’est voulue simple en vue d’une
application directe aux cas pratiques.
tel-00447151, version 1 - 14 Jan 2010

113
 tel-00447151, version 1 - 14 Jan 2010

C H A P I T R E 4

114
 C H A P I T R E 5
Chapitre

5
5 Méthodes
probabilistes :
applications et apports
tel-00447151, version 1 - 14 Jan 2010

D’une analyse du type « défaillance/pas défaillance » à une analyse

du type « probabilité de défaillance »

C
e chapitre est dédié à l’application des méthodes probabilistes présentées
au chapitre précédent. Ces méthodes seront appliquées à deux cas
d’études couramment rencontrés :
• l’étude de raccordement d’une ferme éolienne à un départ d’un réseau de
distribution de type rural,
• l’étude de l’impact d’un parc d’éolien et de fermes photovoltaïques sur un
système électrique comparable à un système insulaire. Elle consistera au
calcul du taux de pénétration d’un parc d’énergies renouvelables dans le
système et à analyser l’impact de ce parc sur notamment le dispatching de
la production conventionnelle et sur l’allocation de la réserve.
L’approche probabiliste pour l’étude du taux de pénétration maximal d’un parc
d’éolien et de photovoltaïque a été appliquée, dans le cadre de la collaboration
avec EDF, au cas pratique d’un réseau insulaire français. Quelques résultats de
cette étude sont publiés dans (Bayem, et al., 2009).
Pour les deux cas d’études précédemment cités, l’application des méthodes se
limitera aux études statiques. Comme nous l’avons vu au chapitre 4, le principe
général de la méthode est le même pour les études dynamiques qui sont une suite
de ce travail.

5.1 Présentation des outils

5.1.1 ASSESS
ASSESS est une plateforme de calculs probabilistes développée conjointement par les
gestionnaires de réseaux Français et Britanniques (RTE et NG). Elle permet d’effectuer

115
 C H A P I T R E 5

des traitements statistiques sur des données concernant le fonctionnement et la sécurité

des systèmes électriques.
Cette plateforme permet de représenter complètement le modèle probabiliste d’un
système électrique, c'est-à-dire : de décrire chaque paramètre d’entrée du système par
une loi de probabilité caractérisant ses variations. Ces lois peuvent être renseignées sous
forme paramétrée (gaussiennes, exponentielles, weibull…) quand c’est possible ou sous
forme discrétisée (histogrammes).
La plate forme ASSESS est combinée à plusieurs outils de simulation du
fonctionnement des systèmes électriques tels que :
• TROPIC et METRIX pour le calcul optimisé de la répartition de puissance
(OPF),
• EUROSTAG pour la simulation du fonctionnement dynamique du système,
• ASTRE pour les analyses de sécurité des systèmes.
tel-00447151, version 1 - 14 Jan 2010

L’objectif de l’outil ASSESS est illustré par la Figure 5.1. A partir des lois de probabilité,
plusieurs situations de réseaux sont construites par tirages de Monte Carlo. Ces
situations sont simulées (à l’aide de l’un ou de plusieurs logiciels précédemment cités) et
classées suivant si une défaillance a été enregistrée ou pas. Le critère probabiliste du
taux de défaillance peut ainsi être calculé. Les situations calculées peuvent être analysées
pour déterminer les causes explicatives des situations défaillantes.

Situations défaillantes

Situations non défaillantes

Figure 5.1 : Principe des études ASSESS

5.1.2 TROPIC
Pour les études du comportement statique du système électrique, le code de calcul
utilisé est l’OPF (Optimized Power Flow) TROPIC qui permet d’optimiser le
placement de la production sous contraintes de réseau (transit, plan de tension, N-
1) ; les calculs réseau sont effectués en actif et en réactif.
Pour converger, le code TROPIC peut être amené à résoudre des contraintes
(transit ou plan de tension) par du délestage d’actif et/ou par de la compensation

116
 C H A P I T R E 5

de réactif (ajouts de MVar). Ainsi dans les fichiers résultats, une violation de limite
de tension en un nœud sera caractérisée par un ajout de MVar en ce nœud. Le
délestage d’actif indiquera la présence de congestions.
5.1.3 EUROSTAG
EUROSTAG est un outil, développé conjointement par TRACTEBEL et EDF, qui
permet, quelque soit la taille du système, de simuler son comportement en statique et
en dynamique. En statique il permet de calculer la répartition de puissance et le plan de
tension. En dynamique, quelque soit la nature des perturbations (à l’exeption des
transitoires électromagnétiques), il permet de visualiser le comportement du réseau.

5.2 Etude de raccordement

5.2.1 Objectif de l’étude
Le cas d’étude choisi ici est le raccordement d’une ferme éolienne sur un départ d’un
tel-00447151, version 1 - 14 Jan 2010

réseau de distribution de type rural. L’objectif est de déterminer la puissance maximale

de la ferme pouvant être raccordée sans dégrader le fonctionnement du système.
L’impact de cette ferme sur les transits et sur le plan de tension de ce réseau sera
analysé et évalué avec la méthode déterministe puis avec la méthode probabiliste et les
résultats seront comparés. Le réseau étudié est supposé ne comporter aucune autre
unité de production.
5.2.2 Le système
Le système étudié est une portion d’un réseau réel de distribution de type rural
constituée d’un poste source de 6 départs (Figure 5.2). Ce réseau est composé de 72
nœuds. Le niveau de tension est 20 kV. Les consommations maximale et minimale
sont respectivement de 12,3 MW et 3 MW.
Le système simulé est composé de la portion de réseau précédemment décrite à
laquelle est raccordée une ferme éolienne. Cette dernière est raccordée au nœud F14.
Le transit sur la ligne D14 – F14 sera donc particulièrement observé car elle est
susceptible d’être le siège de flux inversés de puissance. La tension au nœud de
raccordement (F14) sera aussi observée.
Chaque départ est constitué de lignes ayant la même capacité de transit. Ces capacités
sont résumées dans le Tableau 5.1.
Tableau 5.1 Capacités d’accueil des départs

Nom du départ Capacité de transit des lignes (MW)

Départ 02 1
Départ 14 2,6
Départ 12 4,3
Départ 08 13
Départ 15 13
Départ 10 13

117
 C H A P I T R E 5
tel-00447151, version 1 - 14 Jan 2010

Figure 5.2 : Réseau de distribution

118
 C H A P I T R E 5

5.2.3 Approche déterministe

La méthode déterministe va consister à tester la sécurité statique du système dans les
deux situations spécifiques (charge minimale/puissance éolienne maximale et charge
maximale/puissance éolienne maximale).
La puissance éolienne minimale de la ferme étant supposée nulle, les situations
correspondant à ce cas ne seront pas calculées car il s’agit des situations pour lesquelles
le système est dimensionné. Les deux situations spécifiques citées précédemment
(puissance éolienne maximale) ont été testées en incrémentant la puissance de la ferme
éolienne raccordée. Pour ces calculs de répartition de puissance (load flow) ; les
phénomènes observés sont le transit de puissance et le plan de tension en statique. La
ferme est dite non raccordable dès que la simulation de l’une des deux situations
spécifiques conduit à une défaillance, c'est-à-dire à une violation des limites de transit
(transit maximal de chaque ligne) ou de tension (±5 % de 20 kV sur chaque nœud) – la
violation de la limite de tension est indiquée (sous TROPIC) par la compensation de
réactif au nœud concerné.
tel-00447151, version 1 - 14 Jan 2010

Le comportement du système hors puissance éolienne est le suivant :

• A charge maximale, la tension au nœud F14 est de 20,47 kV, la tension
maximale sur le système est de 20,96 kV, le transit sur la ligne D14 – F14 est
0,02 pu.
• A charge minimale, la tension au nœud F14 est de 20,87 kV, la tension
maximale sur le système est de 20,99 kV, le transit sur la ligne D14 – F14 est
0,12 pu, la tension est globalement plus élevée que dans le cas de la charge
maximale.
Le comportement du système avec ferme éolienne a été étudié pour différentes valeurs
de puissance éolienne installée, à charge maximale et minimale. Les résultats sont
résumés dans le Tableau 5.2.
Tableau 5.2 Résultats généraux de l’étude déterministe

Pferme (MW) Cas de charge état transit plan de tension transit D14-F14 (pu) tension F14 (kV)

min pas de défaillance pas de défaillance - 0,86 20,94

2,5
max pas de défaillance pas de défaillance - 0,55 20,94

min pas de défaillance pas de défaillance - 0,97 20,93

2,8
max pas de défaillance pas de défaillance - 0,66 20,93

min défaillance défaillance - 1,06 21,95

3
max pas de défaillance pas de défaillance - 0,85 20,93

119
 C H A P I T R E 5

Tableau 5.2 Résultats généraux de l’étude déterministe (suite)

Pferme (MW) Cas de charge état transit plan de tension transit D14-F14 (pu) tension F14 (kV)
min défaillance défaillance - 1,1 21,97
3,3
max pas de défaillance pas de défaillance - 0,85 20,92

min défaillance défaillance - 1,18 21,97

3,5
max pas de défaillance pas de défaillance - 0,92 20,91

min défaillance défaillance - 1,36 21,96

4
max défaillance défaillance - 1,05 21,96

L’analyse de ce tableau de résultats permet de conclure que la puissance nominale de la

ferme éolienne raccordée au nœud F14 ne doit pas excéder 2,8 MW pour que le
système continue de fonctionner sans violation de limites. La situation la plus
tel-00447151, version 1 - 14 Jan 2010

contraignante (dans le sens qui entraine la première des contraintes) est celle
correspondant à ‘charge minimale/puissance éolienne maximale’. Plus le différentiel entre la
production éolienne (2,8 ; 3 ; 3,3 MW…) et la consommation minimale ( 0,28 MW) en
aval du point de raccordement est important, plus le flux de puissance induit en amont
du point raccordement vers le poste source (sens contraire du sens traditionnel)
s’accroit au point de dépasser (à partir de 3 MW d’éolien) la capacité de la ligne amont
et donc causer des problèmes de transit. De plus, la tension étant tenue au poste
source, ce flux en sens inverse du sens traditionnel entraine une augmentation de
tension au point de raccordement.
5.2.4 Approche probabiliste
Conformément à ce qui a déjà été écrit, l’approche probabiliste consistera à simuler le
système sur une période donnée (un an pour le cas présent) et à évaluer le risque de
défaillance. La défaillance étant définie pour cette étude comme la violation d’une limite
de transit dans les lignes ou d’une limite de tension aux nœuds.
5.2.4.1 Modèle probabiliste du système
Les deux paramètres du système dont la variation est prise en compte sont la demande
et la production éolienne.
5.2.4.1.1 La demande
La demande globale au niveau du poste source a été modélisée par une gaussienne de
moyenne 7,65 MW, d’écart-type 1,5 MW, de valeur minimale 3 MW et de valeur
maximale 12,3 MW.

120
 C H A P I T R E 5

Figure 5.3 : Histogramme de la consommation totale du réseau

Cette demande globale doit être répartie entre les divers nœuds du réseau. Au niveau
tel-00447151, version 1 - 14 Jan 2010

distribution, chaque nœud a des particularités propres aux usages (résidentiel, usines…)
qui y sont raccordés ; une répartition au prorata d’une situation de référence n’est donc
pas adéquate.

²`Ï
Dans notre cas d’étude la puissance totale a été répartie de la manière suivante :

²`Ê  -` ² 5.1
²Ï Ê
où :
• Dij est le jème tirage de la demande au nœud i,
• Dj est le jème tirage de la demande totale du poste source (tirage effectué selon la
gaussienne de la demande totale),
• Do est la demande totale de référence (cas de base),
• Dio est la demande de référence au nœud i,
• ki est un coefficient qui varie suivant une gaussienne de moyenne 1 et d’écart-
type 0,25.
Cette répartition traduit en fait une corrélation partielle (coefficients de corrélation
compris entre 0,5 et 0,8) entre les consommations des différents nœuds.
5.2.4.1.2 La production éolienne
Le modèle probabiliste de la production éolienne est obtenu suivant la méthode décrite
au chapitre 3. Vu les ordres de grandeur en jeu (3 à 5 MW), la production éolienne a été
considérée comme provenant d’une petite ferme de quelques turbines. Les effets de
foisonnement sont donc inexistants et la ferme a le même comportement probabiliste
qu’une turbine éolienne (Figure 5.4).

121
 C H A P I T R E 5

Figure 5.4 : histogramme de la production éolienne

tel-00447151, version 1 - 14 Jan 2010

5.2.4.2 Etude probabiliste de la capacité maximale de la ferme

A l’aide de l’outil ASSESS, un grand nombre de situations réseau – correspondant aux
valeurs de consommation et de production éolienne, les autres paramètres du système
étant invariants par ailleurs – sont tirées suivant les distributions de probabilité calculées
précédemment. Ces situations sont ensuite simulées grâce au code de calcul TROPIC.
Les taux de défaillance sont ensuite observés.
5.2.4.2.1 Nombre de tirages
Afin de déterminer le nombre de tiges nécessaires, le système a été simulé pour des
d’échantillons de taille de plus en plus grande (500, 1000, 2000, 5000) les critères
statistique globaux (en particulier le taux de défaillance) ont été observés. La taille à
partir de laquelle l’échantillon est considéré comme représentatif de l’ensemble des

statistiques globaux deviennent quasiment constants (variation relative∆
Û N ­ 

points de fonctionnement du système est celle à partir de laquelle les critères

0,05).
Pour le cas d’étude de raccordement présentée dans cette partie, la taille optimale de
l’échantillon est de 2000.
5.2.4.2.2 Critères probabiliste
La défaillance est définie comme étant la violation des contraintes analysées. Il s’agit
des contraintes de transit (transit maximal dans les lignes), et de tension (±5% de 20kV
sur chaque nœud).
A titre d’exemple, la norme NF EN 50160 peut être une référence pour fixer un critère
probabiliste. En effet il y est spécifié que « Dans les conditions normales de
fonctionnement, en dehors des situations faisant suite à des défauts, ou à des
interruptions, pour chaque période d’une semaine, 95% des valeurs efficace de tension
fournie moyennées sur 10 minutes doivent se situer dans la plage Un±10%.
Pour cette étude nous ne choisirons pas une valeur fixe du critère probabiliste quelque
soit la contrainte (transit ou tension). Le but recherché est de mettre en évidence
l’impact du choix de cette limite sur le résultat de l’étude.

122
 C H A P I T R E 5

5.2.4.2.3 Résultats
Pour chaque valeur de puissance éolienne installée, une analyse de sécurité statique du
système est effectuée sur 2000 points de fonctionnement. Les taux de défaillance sont
calculés pour chaque niveau de puissance de la ferme et une analyse de sensibilité du
système au niveau de puissance éolienne installée est réalisée.
Le Tableau 5.3 montre qu’à partir de 3 MW, les situations de défaillance apparaissent et
que le pourcentage de défaillances augmente par la suite très rapidement. Les violations
de limites de tension sont uniquement des surtensions et surviennent surtout à
puissance éolienne maximale et à charge minimale voire moyenne. Les limites de transit
sont atteintes en amont du nœud de raccordement de la ferme (F14). Les violations de
limites de transit sont enregistrées lorsque la différence entre la puissance éolienne et la
charge aval est supérieure à la capacité de transit de la ligne directement en amont du
nœud de raccordement (D14 – F14) ; ce qui entraine des problèmes de tension au
nœud F14.
Tableau 5.3 Résultats de l’analyse de sensibilité du système à la puissance de la ferme éolienne
tel-00447151, version 1 - 14 Jan 2010

P_eol_inst (MW) % Pb de transit et tension % Pb de tension uniquement % de défaillances

2,5 0 0 0

2,8 0 0 0

3 0 0 0,1

3,3 0,3 5,4 5,7

3,5 5 9,5 14,5

4 19,7 1,3 21
P_eol - Charge-aval >
Rq charge moyenne et peol_max
capacité de transit amont

5.2.4.2.4 Analyse comparative des deux méthodologies pour le cas P_eol = 3,3 MW
Du point de vu déterministe, en analysant les situations les « plus contraignantes », la
conclusion immédiate est qu’une ferme de 3,3 MW altère la sécurité du système et par
conséquent ne peut être raccordée. Cependant, une analyse du risque de défaillance du
système en présence de cette ferme montre que sur une période de fonctionnement
d’un an, le pourcentage de congestion est de 0,3%, le pourcentage de surtension est de
5,7%. Le raccordement de cette ferme au réseau peut donc être réalisé à la condition
que le gestionnaire de réseau et le producteur mettent en place les dispositions
adéquates (effacement, stockage, pilotage de charge…) pour gérer les situations à
risque.
L’approche probabiliste permet non seulement de déterminer une probabilité de
défaillance mais aussi d’analyser les situations défaillantes et ainsi de les anticiper en
prenant les mesures adéquates. Cette tache est plus aisée pour un réseau de distribution
simple comme celui de notre étude car il n’y a que deux paramètres qui varient. Nous
verrons par la suite pour les études d’intégration qu’une analyse approfondie peut
s’avérer nécessaire.

123
 C H A P I T R E 5

Puissance éolienne en MW

Demande en MW
a)
tel-00447151, version 1 - 14 Jan 2010

Puissance éolienne en MW

Demande en MW
b)

Figure 5.5 : Points de fonctionnement simulés

La Figure 5.5 représente pour les 2000 points de fonctionnement simulés, en a), les
simulations ayant conduit à un problème de tension (points rouges), en b) les
simulations ayant conduit à un problème de transit (points jaunes). Ces résultats
confirment ceux obtenus avec l’approche déterministe, à savoir que : lorsque la
production éolienne est au maximum et la charge au minimum, les surtensions et les
congestions surviennent. On constate sur la figure que ces violations de contraintes
peuvent aussi survenir pour des situations différentes mais proches de la situation
déterministe de référence ‘charge minimale/puissance éolienne maximale’. Par exemple pour
les contraintes de tension les situations ayant conduit à des défaillances sont caractérisés
par une puissance éolienne entre 3,12 et 3,3 MW et une demande entre 3 et 8 MW.
L’information supplémentaire qui peut être tirée de la figure est que sur une période de
fonctionnement relativement longue, les situations « à risque de défaillances » sont
suffisamment rares pour aboutir à un nombre de situations défaillantes pouvant être
géré de façon acceptable par le gestionnaire et le producteur.

124
 C H A P I T R E 5

Figure 5.6 : histogramme du niveau de charge de la ligne D14 – F14

La Figure 5.6 représente l’histogramme du niveau de charge de la ligne D14 – F14

tel-00447151, version 1 - 14 Jan 2010

directement en amont du point de raccordement. Les barres de l’histogramme

correspondant aux valeurs supérieures à 1 p.u. représentent le pourcentage de
surcharge de la ligne. Il est de 0,3% et correspond à la probabilité de défaillance en
termes de transit.

Figure 5.7 : histogramme du transit dans la ligne D14 – F14

La Figure 5.7 met en évidence l’inversion de flux due à l’injection de puissance éolienne
au nœud F14. Rappelons que la capacité de transit maximal de cette ligne est de 2,5
MW ; on constate que la ligne est plus chargée quand le flux circule vers le poste source
(sens inverse du sens traditionnel) et que toutes les situations de surcharges (0,3%)
n’interviennent que dans ce cas de figure.
5.2.4.2.5 Comparaison des productibles annuels pour les cas Peol = 2,8 MW et Peol = 3,3 MW
L’énergie produite sur une année par une turbine ou une ferme éolienne peut se
calculer,
• soit à partir de la densité de probabilité de la vitesse du vent sur le site et la
caractéristique vent – puissance (Papathanassiou, et al., 2006). Elle s’exprime
alors :

125
 C H A P I T R E 5

¶Ïz  8760 T
  S  A 5.2

où Pvp est l’expression analytique de la caractéristique vent-puissance et fv est la

fonction densité de probabilité de la vitesse du vent.
• soit à partir de la densité de probabilité de la puissance éolienne. Elle s’exprime
alors comme suit :

¶Ïz  8760 T (S ( A( 5.3

où fp est la fonction densité de probabilité de la puissance éolienne.

Ayant déjà obtenu par calcul les distributions de probabilité de de la production
éolienne, nous utiliserons la forme discrétisée de la formule 5.3 qui est la suivante :
–ã

¶Ïz  8760 _ (` S (` 5.4

tel-00447151, version 1 - 14 Jan 2010

`oh
où fp(pi) est la probabilité pour la valeur de la puissance éolienne soit comprise dans
l’intervalle de discrétisation [pi – ε/2 ; pi + ε/2 ].
Les études déterministe et probabilistes ont montré qu’une ferme de 2,8 MW pouyait
être raccordé sans écrêtement de puissance alors qu’une ferme de 3,3 MW pouvait être
raccordé avec la possibilité de voir sa production limitée à 2,8 MW 5,7 % du temps
pour éviter les contraintes.
Le productible annuel de la ferme de 2,8 MW est calculable directement par la formule
5.4 et est de : 8,3 GWh.
Le productible de la ferme de 3,3 MW si elle n’était pas écrêtée est de : 9,8 GWh. Si sa
production est limité à 2,8 MW 5,7 % du temps, cela équivaut à une perte de
production de 0,5 MW pendant 500 heures soit une énergie non produite de 0,25
GWh. Le productible annuel de la ferme de 3,3 MW dans les conditions de
fonctionnement résultant de l’étude probabiliste est alors de 9,55 GWh.
On constate que malgré la limitation de puissance le raccordement de la ferme de 3,3
MW permet de produire d’environ 1,25 GWh de plus que la ferme de 2,8 MW sur une
année.
5.2.5 Conclusion
En appliquant la méthode déterministe pour évaluer la puissance maximale d’une
ferme éolienne à raccorder au nœud F14 du réseau de distribution étudié, on abouti à
un résultat de 2,8 MW. La méthode probabiliste moyennant des hypothèses conduit à
un résultat plus nuancé. En effet en modélisant les variations de la ferme et de la
demande sur une longue période on constate que les situations entrainant des défauts
de fonctionnement du système sont relativement rares (0,1% pour une ferme de
3MW ; 5,7 % pour 3,3 MW). Ces défauts de fonctionnement peuvent être évités en
écrêtant la production de la ferme.

126
 C H A P I T R E 5

Les résultats de l’étude probabiliste sont très dépendants de la modélisation probabiliste

du système. Pour ce cas de figure il s’agit du modèle probabiliste de la production
éolienne, du modèle probabiliste de la demande en chaque nœud et des corrélations
entre les demandes en ces nœuds. En effet les situations de défaillance en tension sont
caractérisées par une puissance éolienne entre 3,12 et 3,3 MW et une demande entre 3
et 8 MW ; or une modélisation probabiliste différente pourrait aboutir à plus ou moins
de situations ayant cette caractéristique et donc à une augmentation ou une réduction
de la probabilité de défaillance.

5.3 Etude d’intégration

5.3.1 Objectif de l’étude
Le but principal de ce type d’étude est de déterminer l’impact de l’intégration d’un parc
d’éolien et de fermes photovoltaïques sur un système électrique. En fonction de cet
impact, il sera déterminé un taux de pénétration maximum du mix éolien-
tel-00447151, version 1 - 14 Jan 2010

photovoltaïque dans le système. L’impact sera d’abord quantifié avec une logique
déterministe, c'est-à-dire en faisant une analyse du type « défaillance/pas défaillance »
de quelques points de fonctionnement, il sera ensuite quantifié avec une logique
probabiliste, c'est-à-dire en faisant une analyse du risque de défaillance. Les contraintes
techniques qui définiront l’impact des EnR seront d’une part liées aux exigences en
termes de réserve globale du système et d’autre part liées à la sécurité statique du
système ; c'est-à-dire les limites de transit et de tension. L’étude de l’impact d’un mix
éolien-photovoltaïque sera donc subdivisée en deux sous études : une étude
d’adéquation en réserves et une analyse de sécurité statique.
5.3.2 Le système et hypothèses d’étude
Le système étudié est celui du tutorial de l’outil ASSESS. Il s’agit d’un système de type
insulaire constitué d’un réseau de transport 90 kV et de moyens de production
thermiques. Le système étant purement théorique, sans moyens de production
hydrauliques, tous les traitements liés à l’hydraulicité (cf. paragraphe 3.4.2.1.3) ne seront
pas présents dans ce cas d’étude.
Le réseau de transport maillé est constitué de 35 lignes et de 78 nœuds dont 28 nœuds
au niveau de tension 90 kV. Ces nœuds peuvent être de production ou de
consommation. Les caractéristiques détaillées de ces éléments sont données en annexe.
Le système est séparé en deux zones A et B (Figure 5.8). La puissance installée hors
EnR est de 355 MW pour une consommation maximale de 332 MW. La
consommation minimale est de 76 MW
Le fonctionnement de ce système est régi par les mêmes règles d’exploitation que celles
employées pour les réseaux insulaires français. Les règles d’exploitation qui seront
observées sont celles ayant trait aux exigences de réserves et à la sécurité statique du
système :
• La réserve globale du système est au minimum de 20 MW.
• Tous les groupes ont une puissance minimale de fonctionnement Pmin. La
réserve maximale d’un groupe est égale à Pmax – Pmin, où Pmax est la puissance

127
 C H A P I T R E 5

maximale du groupe. A tout instant, la puissance disponible du système doit

être égale à la demande plus 20 MW.
• Les contraintes de transit en N – 1 sont les mêmes qu’en N, c'est-à-dire qu’il
n’y a pas de surcharge admissible.
• La tension en chaque nœud doit rester entre les limites réglementaires. Tous les
groupes thermiques contribuent au réglage de tension (production et
consommation de réactif).
Le système simulé est composé du réseau précédemment présenté et illustré à la Figure
5.8 auquel sont rajoutées des fermes éoliennes et des centrales photovoltaïques. Les
éoliennes sont raccordées aux nœuds N2S41, N5S41 et N3S41. Les centrales
photovoltaïques sont raccordées aux nœuds INTERS41 et N19S41. La puissance
installée du parc d’EnR et les points de raccordement forment le scénario d’intégration.
Il a également été pris pour hypothèse qu’il y aurait dans le système deux fois plus
d’éolien que de PV.
tel-00447151, version 1 - 14 Jan 2010

Tableau 5.4 Scénario général d’intégration des EnR

Nœud de raccordement Puissance installée (% de la

Type d’énergie
Partie BT Partie HT puissance EnR totale)

WINBSC1 N2S41 Eolien 26 ,67

WINBSC2 N5S41 Eolien 26,67

WINASC1 N3S41 Eolien 13,33

PHVBSC1 INTERS41 Photovoltaïque 16,67

PHVASC1 N19S41 Photovoltaïque 16,67

Les EnR raccordées à ce système sont supposées ne pas contribuer pas à la réserve.
Elles n’ont, par hypothèse, pas de capacité ni de production ni d’absorption de réactif.
Le dispatching de la production est organisé de la façon suivante :
• Les EnR représentent de l’énergie fatale et sont par conséquent prioritaires
dans l’empilement.
• Les autres moyens de production sont sélectionnés selon des critères
économiques (coûts de démarrage et de fonctionnement).

128
 C H A P I T R E 5

ZONE B
tel-00447151, version 1 - 14 Jan 2010

ZONE A

Figure 5.8 Système d’étude

129
 C H A P I T R E 5

5.3.3 Approche déterministe

5.3.3.1 Adéquation en réserve
Elle consiste à analyser la situation la plus contraignante en termes d’exigence d’un
niveau minimal de réserve globale du système (cf. Chapitre 4). Cette situation
correspond à la conjonction d’une production ENR maximale et d’une
consommation minimale.
Pour le système étudié, sous les hypothèses suivantes :
• Consomin= 76 MW ;
• Reserve = 20 MW, répartie sur 5 des plus gros groupes de 19,4 MW ayant

La puissance thermique minimale du système est
k`1,m  5 n 7,2 

un minimum technique de 7,2 MW ;

36 äå ;
•

• Pour vérifier ²k`1 #
à1,k[U O
k`1,m il faut que PEnR_max ≤ 40MW.

tel-00447151, version 1 - 14 Jan 2010

L’approche déterministe conduit à limiter à 40 MW la puissance maximale des

ENR pouvant être raccordées au système.
5.3.3.2 Analyse de sécurité statique
Pour chaque scénario d’intégration d’EnR, l’approche déterministe va consister à tester
la sécurité statique du système dans les quatre situations spécifiques : charge
minimale/puissance Enr maximale, charge minimale/puissance EnR minimale, charge
maximale/puissance EnR maximale, charge maximale/puissance EnR minimale.
Dans un premier temps, le système a été testé hors EnR, ce qui équivaut à un
fonctionnement à puissance EnR nulle. Aucune violation de contrainte n’a été
enregistrée que ce soit à charge maximale ou minimale. Les tensions aux nœuds de
raccordement des unités de production renouvelables sont données au Tableau 5.5.
Tableau 5.5 Tensions aux noeuds de raccordement hors EnR

Charge N2S41 N5S41 N3S41 INTERS41 N19S41

Min 86,29 85,50 86,41 90,86 91,24

Max 91,65 92,20 91,32 92,42 93,75

Dans un deuxième temps, une analyse de sécurité de la situation charge

maximale/puissance EnR maximale a été réalisée pour différents scénarios d’intégration
des EnR.
Les résultats principaux sont les suivants :
• Le plan de tension reste correct jusqu’à une puissance EnR installée de 60
MW.
• Le transit en N reste correct jusqu’à une puissance EnR installée de 112,5 MW.
La violation d’une limite tension est matérialisée dans l’outil TROPIC par de la
compensation de réactif au nœud concerné. En d’autres termes la compensation de

130
 C H A P I T R E 5

réactif est faite automatiquement, au cours de la simulation, pour ramener la tension à

un nœud donné aux limites acceptables. Le Tableau 5.6 donne la liste des nœuds
compensés et la quantité de Mvar rajoutés.
La situation charge minimale/puissance EnR maximale n’a pas été car au délà de 40 MW
d’EnR, l’adéquation en réserve n’est par respectée. L’outil de simulation TROPIC ne
converge pas car il n’existe pas de dispatching assurant une réserve totale de 20 MW au
système.
Tableau 5.6 Résultats généraux de l’analyse statique
Puissance EnR (MW) Charge Nœuds compensés-Mvar ajoutés
40 max aucun
50 max aucun
60 max WINBSC1-0,73
70 max WINBSC1-2,1 ; WINBSC2-4,27
75 max N5S11-1,19 ; WINBSC1-2,94 ; WINBSC2-1,74
tel-00447151, version 1 - 14 Jan 2010

81 max N5S11-1,81 ; WINBSC1-3,96 ; WINBSC2-2,37

90 max N5S11-3,73 ; WINBSC1-6,18 ; WINBSC2-3,40
N2S11-3,44 ; N23S11-0,6 ; N3S11-0,69 ; N5S11-9,98 ;
112,5 max PHVASC1-1,35; PHVBSC1-3,59; WINASC1-2,80 ;
WINBSC1-11,67 ; WINBSC2-6,64
N1S11-1,09 ; N12S11-1,20 ; N13S11-2,42 ; N16S11-4,28 ;
N18S11-0,29 ; N2S11-7,88 ; N23S11-0,35; N3S11-2,24 ;
150 max
N3S41-3,06 ; N5S11-15,75 ; N5S41-4 ; PHVASC1-5,96;
WINASC1-4,93 ; WINBSC1-16,16 ; WINBSC2-11,37

Dans le Tableau 5.6, en gras sont données les compensations effectuées aux points de
raccordement des EnR. Pour une puissance EnR installée de 60 MW, on a une
compensation de 0,73 Mvars sur un site éolien ; ce qui veut dire que tout le reste du
système n’est pas affecté ; cela peut être considéré comme de la production de réactif
de la ferme. A partir de 60 MW d’EnR, le nœud WINBSC1 est toujours compensé :
c’est le nœud le plus contraint en tension ; la Figure 5.9 montre l’évolution de la
compensation à ce nœud en fonction de la puissance EnR installée.
MVar ajoutés

Puissance installée d’EnR (MW)

Figure 5.9 Compensation de réactif au nœud WINBSC1 en fonction de la taille du parc d’EnR

131
 C H A P I T R E 5

L’analyse de sécurité statique du système par l’approche déterministe conduit, dans le

cas de charge maximale, à une puissance EnR raccordable, sans contrainte ni de
tension ni de transit, de 50 MW.
5.3.3.3 Conclusion de l’étude déterministe
Le critère le plus contraignant à l’issue de l’étude déterministe est celui portant sur le
minimum de réserve requis. Il a conduit à une puissance EnR maximale de 40 MW
alors les contraintes de sécurité statique à charge maximale ont conduit à une puissance
EnR maximale de 50 MW. L’étude déterministe aboutit donc à un taux de pénétration
de 12,12%. Cette étude présente l’avantage d’être simple et de ne nécessiter qu’un
nombre réduit d’hypothèses. Son principal inconvénient est qu’elle ne tient compte ni
de la variation de la production EnR au cours du temps, ni de la variation des autres
paramètres du système tels que la charge, la production conventionnelle ; d’autre part
elle apporte très peu de renseignements sur le fonctionnement du système. L’approche
probabiliste apporte des réponses à ces inconvénients.
tel-00447151, version 1 - 14 Jan 2010

5.3.4 Approche probabiliste

5.3.4.1 Modèle probabiliste du système
5.3.4.1.1 Production conventionnelle
Les groupes thermiques sont réunis en centrales électriques composée de une à six
unités. Chaque centrale est désignée par le nom du nœud auquel elle est raccordée.
Tous les groupes d’une même centrale ont le même taux de disponibilité.
Tableau 5.7 Taux de disponibilité des groups du système

Détail des groupes Taux de disponibilité des

Centrale Nombre de groupes
groupes(%)
N22 1 1 grp de 13 MW 0,9
N8 1 1 grp de 12,6 MW 0,9
N6 2 2 grp de 13,6 MW 0,85
N14 6 6 grp de 10,7 MW 0,85
N20 3 3 grp de 19,4 MW 0,9
N26 1 1 grp de 8,3 MW 0,9
2 grp de 5,6 MW et
N24 3 0,85
1 grp de 8,7 MW
2 grp de 4,4 MW et
N15 3 0,9
1 grp de 7,3 MW
N27 2 2 grp de 19,4 MW 0,85
N25 5 5 grp de 19,4 MW 0,85

A partir de ces taux de disponibilité, les distributions de probabilité des différentes

centrales ont été déterminées. La Figure 5.10 représente les distributions de probabilité
de la production des centrales constituées d’au moins deux groupes. Ces distributions
ont été calculées en appliquant la méthodologie décrite au chapitre 3.

132
 C H A P I T R E 5

0,45
0,45
0,4
0,4
0,35
0,35
0,3
0,3
é 0,25 té 0,25
itil ili
b
a 0,2
ab 0,2 b
b
o ro 0,15
r 0,15 P
P 0,1
0,1
0,05
0,05
0
0
0 19,4 38,8 58,2 77,6 97
0 10,7 21,4 32,1 42,8 53,5 64,2
Production en N25 (MW)
Production en N14 (MW)

0,8
0,7
0,6
0,5
té
ili 0,4
b
a
b 0,3
ro
P
0,2
0,1
0
0 19,4 38,8 58,2
tel-00447151, version 1 - 14 Jan 2010

Production en N20 (MW)

Figure 5.10 Distributions de probabilité des productions des centrales thermiques

5.3.4.1.2 Production d’énergie renouvelable

La production renouvelable est répartie sur cinq sites ; deux pour le photovoltaïque
(nœuds de raccordement INTERS41 et N19S41) et trois pour l’éolien (N2S41, N5S41,
N3S41). La production photovoltaïque n’est disponible que le jour du fait de sa
dépendance au rayonnement solaire. Du fait de cette spécificité, les distributions de
probabilité des productions du PV ne seront définies que pour des situations dites ‘jour’
(production non nulle). Les distributions de probabilité de la production éolienne pour
les situations ‘jour’ et ‘nuit’ sont très peu différentes. Conformément à la méthodologie
présentée au chapitre 3, les distributions de probabilité des différents sites de
production EnR sont obtenues à partir des données météorologiques de vent et
d’ensoleillement. Il convient de noter que les distributions de probabilités présentées

133
 C H A P I T R E 5

dans ce paragraphe ont été obtenues à partir des données météorologiques réelles à
notre disposition sur quelques sites français.
Des trois sites de production éolienne, deux sont dans la zone B du réseau (N2S41,
N5S41) et le troisième est dans la zone A (N3S41). Les deux sites de la zone B étant
rapprochés, ils ont des productions corrélées. Cette corrélation a été modélisée dans
l’outil ASSESS en utilisant l’équation 5.1 avec ki = N(1 ; 0,25). Par contre les
productions éoliennes des zones A et B ont été supposées indépendantes. Le Tableau
5.8 et le Tableau 5.9 représentent la structure des corrélations entre les productions des
trois sites.
Tableau 5.8 Matrice de corrélation des données ‘jour’

WGENA1_Pprod WGENB1_Pprod WGENB2_Pprod

WGENA1_Pprod 1
WGENB1_Pprod -0,000276611 1
WGENB2_Pprod 0,000137139 0,978373987 1
tel-00447151, version 1 - 14 Jan 2010

Tableau 5.9 Matrice de corrélation des données ‘nuit’

WGENA1_Pprod WGENB1_Pprod WGENB2_Pprod

WGENA1_Pprod 1
WGENB1_Pprod 0,004303548 1
WGENB2_Pprod 0,007215782 0,977025819 1

Figure 5.11 Distributions de probabilité de la puissance éolienne sur chaque site et totale

La production photovoltaïque est répartie sur deux sites dont un dans la zone B
(INTERS41) et un autre dans la zone A (N19S41). Les productions photovoltaïques

134
 C H A P I T R E 5

sur tout le système ont été modélisées avec une forte corrélation comme le montre le
Tableau 5.10 Cette corrélation a été modélisée dans l’outil ASSESS en utilisant
l’équation 5.1 avec ki = N(1 ; 0,25). La Figure 5.12 représente les distributions de
probabilité de la production photovoltaïque sur chaque site et globale pour les points
de fonctionnement ‘jour’ ; la production est nulle pour les points de fonctionnement
‘nuit’.
Tableau 5.10 Corrélation entre les productions des deux sites PV

PGENA1_Pprod PGENB1_Pprod
PGENA1_Pprod 1
PGENB1_Pprod 0,9825802 1
tel-00447151, version 1 - 14 Jan 2010

Figure 5.12 Distributions de probabilité de la puissance photovoltaïque sur chaque site et totale

5.3.4.1.3 Consommation
La variation de la consommation globale su système (Figure 5.13) a été modélisée par
une gaussienne tronquée de moyenne 162 MW, d’écart-type 49 MW, de valeur
minimale 76 MW et de valeur maximale 330 MW.

135
 C H A P I T R E 5

Figure 5.13 Distribution de probabilité de demande globale du système

tel-00447151, version 1 - 14 Jan 2010

5.3.4.2 Etude d’adéquation en réserves

Conformément à la méthodologie décrite au chapitre 4, il s’agira ici de vérifier
l’équation 5.2 sur 20000 points de fonctionnement. Dans cette étude, il ne s’agit pas de
simulations de réseau mais simplement de calcul de probabilité. Les temps de calcul en

² B #
à1 B O
k`1,m 5.2

jeu nous permettaient donc d’effectuer 20000 tirages.

où :
• D(t) est la demande à l’instant t,
• PEnR(t) est la production d’EnR à l’instant t.
Le seuil de 0,1% de situations d’inadéquation en réserves a été choisi comme critère
probabiliste. En d’autre termes la probabilité P[D – PEnR< Pmin,t] doit être inférieure
à 0,1%.
A partir des distributions de probabilité de la demande et de la production EnR, 20000
tirages indépendants de production EnR et de demande on été effectués. La différence
D – PEnR est comparée à la puissance minimale thermique démarrée Pmin,t. Des situations
d’inadéquation en réserves commencent à être enregistrées à partir de 54 MW d’EnR
raccordées. Le seuil de 0,1% est atteint à 87 MW d’EnR (Figure 5.14).
En toute rigueur on pourrait s’attendre à ce des situations d’inadéquation en réserves
surviennent pour des puissances EnR inférieures 54 MW. Pour cela il faudrait que
simultanément la charge soit minimale ; or la conjonction de ces deux évènement (PEnR
< 54 MW et D = Dmin) est si rare que même en faisant 20000 tirages il n’est pas sûr de
la retrouver. Cela ne change tout de même rien aux résultats globaux (probabilité de
défaillance).

136
 C H A P I T R E 5

Poucentage de situation inadéquates

Puissance installée d’EnR (MW)

Figure 5.14 Evolution du pourcentage d’inadéquations en réserve en fonction de la puissance EnR

tel-00447151, version 1 - 14 Jan 2010

Le système étudié peut donc accueillir un parc d’EnR, composé de deux fois plus
d’éolien que de photovoltaïque, de capacité 87 MW moyennant une probabilité de non
respect de la contrainte de réserve de 0,1 %. Ce risque de violation de contrainte peut
être pallié en écrêtant la production EnR pendant les périodes contraintes ; cela
correspond pour une période d’une année à environ 9 heures d’écrêtage.
5.3.4.2.1 Analyse des résultats : Allocation d’une partie de la réserve aux EnR
Il est fréquemment énoncé que pour accroître le taux de pénétration des ENR, il
sera nécessaire qu’elles participent à la réserve. Nous proposons de regarder si, du
point de vue de l’adéquation en réserve dans le cas du système étudié, cela se
vérifie.
Pour que le transfert d’une partie de la réserve aux EnR ait un intérêt il faut que la
réserve fournie par ces dernières permette d’éviter le démarrage d’un des 5
groupes thermiques dédiés. Il faut donc que les EnR puissent assurer une réserve
égale à 4MW. Or, avec 58 MW d’éolien et 29 MW de PV raccordés, la production
EnR est inférieure à 4 MW pendant 15 % du temps ce qui signifie que 15 % du
temps, la production ENR ne peut pas assurer ce niveau de réserve.
D’autre part, pour 87 MW de production EnR ayant un facteur de charge annuel
de 19.2 %, la perte en productible annuel due à la constitution de la réserve serait
de 20,3 % ce qui est économiquement difficile à supporter sans des mécanismes
de compensation forts.
Si la puissance EnR installée passe à 150 MW, la part de productible annuel perdue
par la constitution de la réserve passerait sous la barre des 13 %. Il reste encore
plus de 8 % du temps où la production ENR est inférieure à 4 MW.
Du point de vue du critère d’adéquation en réserve et en l’absence de moyen de
stockage, le transfert d’une partie de la réserve sur les ENR ne permet pas
d’augmenter le taux d’insertion à niveau d’effacement des ENR constant.
L’étude d’adéquation et les résultats et analyses qui en découlent ne tiennent compte
que de la contrainte liée à la réserve et pas des contraintes liées à la sécurité statique du
système.

137
 C H A P I T R E 5

5.3.4.3 Etude de sécurité statique

5.3.4.3.1 Performances du système hors EnR
La simulation de 2000 points de fonctionnement du système initial sans EnR donne les
résultats suivants :
• Pas de violation de transit N.
• 0,1% des points de fonctionnement simulés ont conduit à une violation du
transit en N – 1.
• 0,8% des points de fonctionnement simulés ont conduit à une violation des
limites de tension.
Au vu des performances du système initial, les critères probabilistes choisis pour
l’évaluation de l’impact d’un parc d’EnR donné sur la sécurité statique du système
sont :
• probabilité de défaillance en terme de transit N nulle,
tel-00447151, version 1 - 14 Jan 2010

• probabilité de défaillance en terme de transit N – 1 inférieure à 0,1%,

• probabilité de défaillance du plan de tension inférieure à 1%.
5.3.4.3.2 Nombre de tirages
De la même façon que pour l’étude de raccordement, le scénario jour d’un système a
été simulé pour des d’échantillons de taille de plus en plus grande (500, 1000, 1500,

2000 simulations il a été enregistré une variation relative∆
Û N ­  0,05.

2000, 3000, 6000…), le taux de défaillance du plan de tension a été observé. A partir de

5.3.4.3.3 Résultats généraux

Compte tenu de la spécificité du photovoltaïque, l’étude a été séparée en deux : une
étude concernant les points de fonctionnement ‘jour’ (avec photovoltaïque) et une autre
concernant les situations ‘nuit’ (sans photovoltaïque). Pour chaque étude, 2000 points
de fonctionnement ont été tirés et simulés. Ce processus a été effectué pour différents
scénarii d’intégration d’EnR dans le système. Le Tableau 5.11 donne le bilan des
analyses statistiques des résultats des simulations.
Tableau 5.11 Résultats généraux des analyses probabilistes

Scénario % de défaillances transit N % de défaillances transit N - 1 % de défaillances plan de tension

PEnR (MW) par scénario global par scénario global par scénario global
jour 0% 0% 0,9%
60 0% 0% 0,6%
nuit 0% 0% 0,3%
jour 0% 0% 1,3%
70 0% 0% 0,9%
nuit 0% 0% 0,5%
jour 0% 0% 2,6%
75 0% 0% 1,9%
nuit 0% 0% 1,3%
jour 0% 0% 4,2%
81 0% 0% 3,2%
nuit 0% 0% 2,2%
jour 0% 0% 7%
90 0% 0% 5,8%
nuit 0% 0% 4,7%

138
 C H A P I T R E 5

Tableau 5.11 Résultats généraux des analyses probabilistes (suite)

Scénario % de défaillances transit N % de défaillances transit N - 1 % de défaillances plan de tension

PEnR (MW) par scénario global par scénario global par scénario global
jour 0,5% 0,05% 13,9%
112,5 0,3% 0,02% 12,2%
nuit 0,1% 0% 10,5%
jour 6,3% 0% 31,9%
150 6,2% 0% 25,8%
nuit 6,1% 0% 19,7%

En comparaison au système hors EnR, le scénario d’intégration de 60 MW d’EnR

présente des performances équivalentes voire meilleures car on n’enregistre pas de
problèmes de transit en N – 1 du fait d’une meilleure répartition des injections de
puissance dans le réseau en présence d’EnR.
Jusqu’à 90 MW d’EnR installées, le comportement du système en termes de transit N
et N – 1 est amélioré. Par contre à partir de 112,5 MW, on retrouve des contraintes de
tel-00447151, version 1 - 14 Jan 2010

transit due principalement à une injection de puissance fatale trop élevée aux points de
raccordement des EnR et, par conséquent, une dégradation de la répartition de la
production.
Si on se réfère à un critère de 1% de défaillance, le système étudié est capable
d’accueillir 70 MW d’EnR (contre 40 MW à l’issue de l’étude déterministe). Une analyse
détaillée de l’impact d’un parc EnR de 70 MW sera faite pour illustrer les apports de la
méthode probabiliste.
5.3.4.3.4 Analyse des résultats pour le cas PEnR = 70 MW
L’approche probabiliste permet de simuler une multitude de points de fonctionnement
couvrant le spectre des variations de l’état du système sur une période relativement
longue. Elle donne par conséquent une large palette de résultats. L’analyse de ces
résultats permet d’obtenir des informations importantes telles que le dispatching à
chaque point de fonctionnement, le taux de pénétration instantané, la variation du
niveau de réserves du système. En outre les défaillances peuvent êtres caractérisées par
des paramètres communs en vue de définir des règles d’exploitation applicables au
système étudié.
Taux de pénétration instantané
Lorsqu’il est fait mention de taux de pénétration, il est indispensable de préciser le
taux dont il est question.
Un taux couramment utilisé est le ratio entre la puissance EnR installée et la
charge maximale. Dans notre étude, avec une limite à 70 MW d’EnR pour une
charge maximale de 330 MW, ce taux s’élève à 21,2%.
Ce premier taux ne permet pas de refléter la variété des situations de réseau
pouvant être rencontrées et relève plutôt d’une approche déterministe.
Dans le cas de notre étude probabiliste, il est possible de représenter pour chaque
point de fonctionnement le taux de pénétration des EnR qui pourrait être
apparenté à un taux instantané.

139
 C H A P I T R E 5

Sur la Figure 5.15, la répartition de ce taux est représentée pour les points de
fonctionnement ‘jour’ et ‘nuit’. Le taux de pénétration des EnR instantané ressort
ainsi à moins de 50 % dans quasiment tous les cas. Il ne dépasse 21,2 % (taux de
pénétration en puissance) que dans 6 % des situations simulées. La valeur de 30%
n’est dépassée que dans moins de 2% des situations simulées.
Probabilité
tel-00447151, version 1 - 14 Jan 2010

Taux de pénétration instantané

Figure 5.15 Répartition du taux de pénétration instantané

Il est prévu dans la législation actuelle (article 22 de l’arrêté du 23 avril 2008 relatif
au raccordement des installations de production) la possibilité pour le gestionnaire
de réseau insulaire de demander des effacements de production ENR dans le cas
où la puissance active injectée par les ENR dépasse 30 % de la puissance active
transitant sur le réseau.
Les résultats précédents mettent en évidence que le recours à une telle éventualité
serait relativement exceptionnel dans ce système pour une puissance ENR
raccordée au réseau de 70 MW.
Niveau de réserve
Pour nos simulations nous avons imposé une réserve minimale de 20 MW. Si cette
limite est toujours respectée, la réserve disponible peut être plus ou moins
importante suivant le dispatching de la production. L’écart entre la production
d’un groupe diesel démarré et sa puissance maximum est considéré comme de la
réserve. Sur la Figure 5.16, un histogramme du niveau de réserve est présenté pour
le cas hors EnR, et pour les points de fonctionnement ‘nuit’ et ‘jour’.

140
 C H A P I T R E 5

Probabilité
tel-00447151, version 1 - 14 Jan 2010

Niveau de réserve (MW)

Figure 5.16 Densité de probabilité du niveau de reserve du système avec et sans EnR

On observe des distributions de réserves quasi identiques avec ou sans EnR. On

peut tout de même remarquer que la densité de probabilité, hors EnR, présente
des valeurs légèrement plus élevées autour des plus petites valeurs de niveau de
réserves (< 30 MW), et légèrement plus basses autour des grandes valeurs, que la
densité de probabilité avec EnR. En d’autres termes, avec EnR, le système à un
niveau de réserves globalement un peu plus élevé. Cela peut paraître paradoxal,
étant donné que les EnR sont supposées ne pas participer à la réserve, mais cette
situation s’explique par le fait que la présence des EnR entraine la diminution de la
production de certains groupes thermiques démarrés qui, par conséquent, ont une
plus grande réserve disponible.
Analyse des situations de défaillance
En déterministe, la situation charge maximale/puissance EnR maximale (Dmax = 330
MW / PEnR = 70 MW) a conduit à des défaillances. Avec l’approche probabiliste
on remarque que cette situation n’arrive presque jamais (dans notre cas, aucun
tirage n’a abouti à cette configuration), de plus les situations approchantes n’ont
pas forcement conduit à des défaillances. La Figure 5.17 montre que les situations
correspondant à une demande minimale n’ont pas conduit à des défaillances alors
que quelques situations correspondant à une demande proche de la demande
maximale ont conduit à des défaillances. On remarque aussi que d’autres situations
éloignées des situations déterministes classiques ont aussi conduit à des
défaillances.
Une analyse des situations défaillantes montre qu’il s’agit toujours d’ajouts de
condensateurs (injections de réactif), donc de problèmes de sous-tensions. Ces
problèmes arrivent surtout au voisinage de deux points de raccordement, N2S41
et N3S41, de la production renouvelable, lorsqu’une ou plusieurs unités de
production conventionnelle voisines sont hors service. Ces points sont caractérisés
par une forte proportion de la demande ; la tension a donc tendance à baisser dès

141
 C H A P I T R E 5

qu’il y a déficit de production en local. En effet, lorsqu’une unité de production

conventionnelle est hors service, le système perd également la capacité de réglage
de la tension correspondante qui n’est pas remplacée par les EnR car, celles-ci ont
été modélisées, dans notre étude, comme n’ayant pas de capacités de réglage. Cette
analyse est valable pour tous les points de fonctionnement (‘jour’ et ‘nuit’).
Production EnR (MW)
tel-00447151, version 1 - 14 Jan 2010

Demande globale (MW)

a)
Production EnR (MW)

Demande globale (MW)

b)
Figure 5.17 Points de fonctionnement simulés (bleu) et points de fonctionnement défaillant (rouge) :
a) situations ‘jour’ ; b) situations ‘nuit’

Contrairement aux résultats obtenus à l’issue de l’étude de raccordement en réseau

de distribution, les points de fonctionnement défaillants, dans le cas de l’étude
d’intégration ne correspondent pas aux situations dites contraignantes simulées en
déterministe. Cela est du à plusieurs raisons dont les principales sont la multitude
de paramètres variables, le foisonnement de la production renouvelable, et le
maillage du réseau de transport.
La multitude des paramètres variables dans le système fait que les niveaux de
production EnR et de consommation ne sont plus les seuls facteurs influençant la
sécurité du système. Deux situations à niveaux de production EnR et
consommation équivalents peuvent conduire l’une à une défaillance et l’autre pas
du fait par exemple de l’indisponibilité d’une ligne ou d’une unité de production
dans l’une des situations.

142
 C H A P I T R E 5

L’approche probabiliste (par le biais de la modélisation probabiliste de la

production EnR) permet de mettre en évidence le fait que statistiquement les
situations déterministes classiques sont très rares – surtout celle correspondant à
une production EnR maximale. Le phénomène de foisonnement est la cause de
cette rareté.
Le maillage du réseau entraine une variété de solutions d’acheminement de
l’énergie produite par les EnR. D’où une limitation des contraintes réseau même
lors des périodes de grande production EnR.
Tensions aux points de raccordement
La Figure 5.18 représente les distributions de probabilité de la tension aux points de
raccordement pour le système de référence (sans EnR) et pour le système avec 70 MW
d’EnR raccordées.
tel-00447151, version 1 - 14 Jan 2010

Figure 5.18 variations des tensions aux points de raccordement des EnR

143
 C H A P I T R E 5

Les courbes bleues (avec EnR) sont décalées vers la gauche (tension élevées); cela
signifie qu’avec EnR, les tensions élevées ont une plus grande probabilité
d’occurrence. En d’autres termes, les tensions aux points de raccordement
augmentent globalement lorsqu’on raccorde des EnR.
Transits de puissance
La Figure 5.19 représente les distributions de probabilité du transit de puissance dans
certaines lignes pour le système de référence (sans EnR) et pour le système avec 70
MW d’EnR raccordées.
tel-00447151, version 1 - 14 Jan 2010

Figure 5.19 Variations de transit dans quelques lignes voisines des points de raccordement d’EnR

L’intégration d’un parc EnR de 70 MW influence de façon importante le transit dans

les lignes. On constate globalement une inversion plus ou moins marquée du transit
dans les lignes voisines des sites d’intégration. Des quatre exemples illustratifs (Figure
5.19), certains représentent des lignes moins chargées avec EnR (N10S41 – N14S41,
N6S41 – N12S41) et d’autres des lignes plus chargées avec EnR (N7S41 – N14S41,
N19S41 – N22S41). Rappelons que les résultats généraux nous ont montré que le
raccordement des EnR améliorait le transit (Tableau 5.11).

5.4 Conclusion
Deux cas d’études ont été présentés dans ce chapitre : l’étude de raccordement d’une
ferme éolienne à un réseau de distribution et l’étude d’impact d’un parc de fermes
éoliennes et photovoltaïques sur un réseau de type insulaire. Les analyses de sécurité
dans les deux cas on été effectuées avec les méthodes déterministe et probabiliste.

144
 C H A P I T R E 5

Le raccordement d’une ferme éolienne sur un réseau de distribution le transforme en

un réseau actif avec circulation bidirectionnelle de la puissance. L’étude déterministe de
raccordement aboutit à une puissance maximale raccordable plus petite que celle
obtenue à l’issue de l’analyse probabiliste. Cette dernière est en fait une analyse de la
probabilité de défaillance qui permet d’accroître la puissance raccordable moyennant
un risque de défaillance plus grand qui peut être couvert par l’effacement de la
production éolienne.
L’étude d’intégration a montré pareillement que l’analyse déterministe était plus
contraignante en termes de capacité totale raccordable au système que l’analyse
probabiliste. L’incorporation des EnR dans le système modifie le sens des flux dans les
lignes, augmente globalement la tensions aux nœuds et influence légèrement le niveau
de réserves. L’analyse des situations de défaillance permet de les caractériser et ainsi de
définir des règles d’exploitations permettant de les éviter.
tel-00447151, version 1 - 14 Jan 2010

145
 tel-00447151, version 1 - 14 Jan 2010

C H A P I T R E 5

146
 C H A P I T R E 6
Chapitre

6
6 Conclusion générale et
perspectives
tel-00447151, version 1 - 14 Jan 2010

C
e travail de recherche décrit une méthodologie probabiliste pour les
études d’impact de l’intégration des unités de production d’énergie
renouvelable dans les systèmes électriques et évalue son apport par
rapport à la méthodologie déterministe traditionnelle.

6.1 Conclusions
L’importance croissante des questions environnementales a conduit à une accélération
de l’arrivée des énergies renouvelables dans les systèmes électriques. Ces dernières se
distinguent des moyens de production conventionnels par leur taille relativement petite
(d’où leur intégration importante dans les réseaux de distribution), la variabilité
(comportement stochastique) de leurs énergies primaires et les technologies utilisées
(machines asynchrone avec électronique de puissance pour les éoliennes et panneaux
photovoltaïques avec électronique de puissance pour le PV). Outre la mutation des
systèmes électriques de leur structure verticale traditionnelle vers une structure
horizontale, les énergies renouvelables (en particulier l’éolien et le photovoltaïque) ont
des impacts sur le système qui peuvent être classés en deux catégories :
• les impacts locaux qui concernent la qualité de tension, le plan de protection et
la capacité d’accueil du réseau,
• les impacts globaux qui concernent la gestion de la production à tous les
horizons de temps et le comportement dynamique du système.
Les études d’impact des EnR ont pour principal objectif de vérifier que toutes les
contraintes liées au fonctionnement normal des systèmes sont respectées. Du fait de
leurs particularités, certaines des contraintes ont été aménagées pour les unités de
production renouvelable. Elles sont par exemple exemptées de réglage primaire et
secondaire de fréquence dans les réseaux français.
Si le comportement stochastique de la puissance éolienne ou photovoltaïque est
naturellement mis en évidence, elle n’est pas le seul paramètre du réseau à avoir un

147
 C H A P I T R E 6

comportement aléatoire. Ainsi les paramètres suivant ont été modélisés comme des
variables aléatoires et leurs distributions de probabilité ont été calculées :
• la puissance en sortie d’une centrale constituée de plusieurs unités de
production conventionnelle. Le principal facteur induisant l’aléa est la
disponibilité des unités,
• la disponibilité des lignes,
• la consommation dont la variation sur une année est modélisée par une
gaussienne,
• les productions éolienne et photovoltaïque qui sont modélisées par des
distributions de probabilité non paramétrées issues de la transformation des
distributions de probabilité des sources primaires.
Ces différentes distributions de probabilité et la structure de corrélation qui les lie
forment le modèle probabiliste du système électrique.
tel-00447151, version 1 - 14 Jan 2010

La gestion et l’exploitation d’un système électrique passe par la réalisation d’analyses

d’adéquation, de sécurité statique et dynamique. Toutes ces analyses sont basées sur le
calcul de la répartition de puissance. Ce calcul peut être résolu pour un point de
fonctionnement par la méthode dite déterministe. Vu les différents aléas qui
caractérisent le fonctionnement réel d’un système, il est très vite devenu nécessaire
d’introduire les notions de probabilité dans les calculs de répartition et par conséquent
dans les analyses des systèmes électriques. Il a été proposé une méthode probabiliste
pour étudier l’impact des EnR dans un système électrique. La principale caractéristique
de cette méthode est qu’elle tient compte des aléas liés aux variations des différents
paramètres du réseau sur la période d’étude. Ces aléas sont pris en compte par le biais
des distributions de probabilité préalablement calculées. Cette méthode est applicable
aux trois types d’analyse (adéquation, sécurité statique, sécurité dynamique).
L’application de la méthode probabiliste aux études d’impact des EnR sur la sécurité
statique montre qu’elle permet de mieux simuler le fonctionnement du système sur une
longue période. L’étude probabiliste permet de relativiser l’impact des EnR sur un
système électrique donné. En effet l’impact est défini en termes de probabilité de
défaillance sur une longue période et non en termes de défaillance sur des points de
fonctionnement dits « pire cas » comme c’est le cas pour les études déterministes. De
plus l’étude d’une multitude de points de fonctionnement permet d’effectuer une
analyse plus détaillée de l’impact des EnR. Les points de fonctionnement défaillants
ont ainsi pu être analysés et caractérisés, les distributions de probabilité des tensions
aux nœuds, des transits, de la réserve du système ont été déterminées et analysées pour
deux cas pratiques.
La méthode probabiliste a été appliquée à l’étude de raccordement d’une ferme
éolienne à un réseau de distribution. L’analyse du transit dans la ligne en amont du
point de raccordement montre que celui-ci est inversé et que les congestions sont rares.
Comparée à celle obtenue par la méthode déterministe, la capacité de la ferme
raccordable obtenue par la méthode probabiliste est plus grande moyennant un risque
d’écrêtement de la production. Pour un risque d’écrêtement raisonnable, cette possible

148
 C H A P I T R E 6

augmentation de la capacité raccordable de la ferme – comparée à la capacité

raccordable obtenue en déterministe –, permet d’accroitre le productible annuel.
Pour le cas d’étude d’un système insulaire, l’intégration de 70 MW d’EnR (soit un taux
de pénétration de 22,2%) ne modifie presque pas la réserve et augmente globalement
les tensions aux nœuds de raccordement. Les transits sont inversés dans les lignes
voisines des nœuds de raccordement. De même le taux de pénétration en puissance
obtenu par la méthode probabiliste est plus élevé que celui obtenu par la méthode
déterministe.

6.2 Perspectives
La méthode probabiliste proposée à l’issue de ce travail est applicable pour toutes les
analyses de sécurité de réseau en statique comme en dynamique. Les cas d’application
ont été effectués uniquement pour les analyses statiques. Une suite immédiate de ce
travail est d’appliquer la méthodologie à une étude dynamique. Pour cela il faudrait
tel-00447151, version 1 - 14 Jan 2010

prendre en compte le modèle dynamique complet des productions éolienne et

photovoltaïque.
Dans les cas d’applications présentés au chapitre 5, l’éolien et le photovoltaïque sont
supposés ne pas contribuer aux services systèmes. On peut penser qu’en les modélisant
avec des capacités à fournir des services systèmes (ce qui est techniquement faisable),
les études probabilistes aboutiraient à la possibilité d’intégrer encore plus d’EnR.
L’application de la méthodologie probabiliste telle que décrite dans ce mémoire permet
de déterminer le meilleur plan de production à chaque point de fonctionnement donné
et de caractériser les point de fonctionnement défaillants. Cette caractérisation a été
réalisée par l’analyse des fichiers de résultats à l’aide de simples requêtes. Il peut être
envisagé d’utiliser des techniques de classification (ACP, ACM) et de data mining plus
élaborées pour la caractérisation de tous les points de fonctionnement du système.
Les tirages de Monte Carlo effectués lors des études probabilistes sont indépendants les
uns des autres. L’état du système pour une variante donnée ne dépend pas de la
variante précédente. L’utilisation de tirages chronologiques pourrait permettre de
mieux simuler des systèmes ayant de grosses capacités de stockage. Dans ce type de
système, la séquence chronologique compte car le dispatching de la production à un
instant t dépend de l’état du stockage à l’instant précédent.
Les résultats obtenus par la méthode probabiliste dépendent grandement du modèle
probabiliste du système et par conséquent de données d’entrée telles que les données
météorologiques des différents sites. Une analyse de sensibilité des résultats aux
données d’entrée peut être réalisée. La sensibilité du résultat à la structure de corrélation
est intéressante à observer notamment pour les études d’intégration des EnR dans les
réseaux de distribution où l’effet du foisonnement est négligeable.

149
 tel-00447151, version 1 - 14 Jan 2010

C H A P I T R E 6

150
 P U B L I C A T I O N

7 Bibliographie
Ackermann, T., Andersson, G. et Soeder, L. 2001. Distributed Generation : a
definition. Electric Power Systems Research. 2001, Vol. 57.
Allan, R. N. et AL. Shakarchi, M.R.G. 1976. Probabilistic A.C. Load Flow. IEE
Pro. Pt. C,. 1976, Vol. 123, 6.
Allan, R. N. et Leite Da Silva, A.M. 1981. Probabilistic load flow using
multilinearisations. IEE Proc., Pt. C. 1981, Vol. 128, 5.
Allan, Ron et Billinton, Roy. 2000. Probabilistic Assessment of Power
Systems. Proceedings of the IEEE. 2000, Vol. 88, 2.
Arrêté du 23 Avril. 2008. Prescriptions technique de conception et de
tel-00447151, version 1 - 14 Jan 2010

fonctionnement pour le raccordement au réseau de transport d'électricité

d'une installation de production d'énergie électrique. 2008.
—. 2008. Prescriptions techniques de conception et de fonctionnement pour
le raccordement au réseau public de distribution d'électricité en basse
tension ou en moyenne tension d'une installation de production d'énergie
électrique. 2008.
Askoy, H., Fuat Toprak, Z. et Aytek, A. Erdem Unal, M. 2004. Stchastic
generation of hourly mean wind speed data. Renewable Energy. 2004, Vol.
29.
Bayem, Herman, et al. 2007. Probabilistic Characterization of Wind Farms for
Grid Connection Studies. European Wind Energy Conference and
Exhibition. 2007.
Bayem, Herman, et al. 2009. Probabilistic study of the maximum penetration
rate of renewable energy in an island network. IEEE Conference
PowerTech. 2009.
Belhomme, Regine. 2005. Deliverable D7.3 : Distributed generation on
european islands and weak grids. Paris : DISPOWER Project, 2005.
Billinton, R., et al. 1997. Reliability Issues in Today's Electric Power Utility
Enviroment. IEEE Transactions in Power Systems. 1997, Vol. 12, 4.
Billinton, R., Hua, Cheng et Ghajar, R. 1996. Time-series models for reliability
evaluation of power system including wind energy. Microelectronics and
Reliability. 1996, Vol. 36, 9.
Billinton, Roy et Allan, Ronald A. 2004. Relliability Evaluation of Engineering
Systems Concepts and Tachniques. New York and London : Plenum Press,
2004. ISBN 0 306 44063 6.

151
 B I B L I O G R A P H I E

Billinton, Roy et Allan, Ronald. 2004. Reliability Evaluation of Power systems

Second Edition. New York : Plenum Press, 2004. ISBN 0 306 45259 6.
Billinton, Roy et Li, Wenyuan. 1994. Reliability assessment of electric power
systems using Monte Carlo methods. New York : Plenum Press, 1994.
Borkowska, Barbara. 1973. Probabilistic Load Flow. IEEE PES Summer
Meeting & EHV/UHV Conference. 1973.
Bornard, Pierre. 2000. Conduite d'une système production-transport.
Techniques de l'ingénieur. 2000.
Bossanyi, E.A., et al. 1979. Wind Caracteristics and the Output of Wind
Turbines. First British Wind Energy Association Workshop. 1979.
Bousseau, Pierre, et al. 2003. Grid Impact of Different Technologies of Wind
Turbine Generator. European Wind Energy Conference. 2003.
Bousseau, Pierre, et al. 2004. Solutions for the grid integration of wind farms –
tel-00447151, version 1 - 14 Jan 2010

A survey. European Wind Energy Conference. 2004.

Carlin, John et Haslett, John. 1982. The Probability distribution of Wind
Power from a Dispersed Array of Wind Turbine Generators. Journal of
Applied Meteorologiy. 1982, Vol. 21.
Castro Sayas, F. et Allan, R.N. 1996. Generation availability assessment of
wind farms. IEE proceedings, Generation Transmission Distribution. 1996,
Vol. 143, 5.
Conti, S. et Raiti, S. 2007. Probabilistic Load Flow Using Monte Carlo
Techniques For Distribution Network with Photovoltaic Generators. Solar
Energy. 2007, Vol. 81.
DENA. 2005. Energy management planning for the integration of wind
energy into the grid in Germany, onshore and offshore by 2020. Cologne :
s.n., 2005.
Duffie, John A. et Beckman, William A. 1980. Solar Engineering of Thermal
Processes. New York : John Wiley & Sons, 1980.
EDF R&D. 2007. Etude du taux d’insertion de l’éolien en Corse avec des
méthodes probabilistes. s.l. : Rapport EDF, 2007.
EDF SEI. 2007. Bilan prévisionnel pluriannuel investissements en
production. s.l. :
http://www.edf.fr/fichiers/fckeditor/File/SEI/BPP_Corse_2007.pdf,
2007.
—. 2008. Référentiel technique de raccordement HTB. 2008.
ERDF. 2009. Référentiel technique : Etudes d'impact sur la tenue
thermique et sur le plan de tension des ouvrages en réseau pour le
raccordement d'une production décentralisée en HTA. Paris : s.n., 2009.

152
 B I B L I O G R A P H I E

Eremia, Mircea, Trecat, J. et Germond, Alain. 2000. Réseaux électriques.

Aspects actuels. Bucarest : Editura Tehnica, 2000.
Focken, Ulrich, et al. 2002. Short-Term Prediction of the Aggregated Power
Output of Wind Farms - A Statistical Analysis of the Reduction of the
Prediction Error by Spatial Smoothing Effects. Journal of Wind
Engineering and Industrial Aerodynamics. 2002, Vol. 90, 3.
Giebel, Gregor, Brownsword, Richard et Kariniotakis, George. 2003. The State-
of-the-Art in Short-Term Prediction of Wind Power A Litterature Overview.
Roskilde : Project Anemos, 2003.
Gipe, Paul. 1995. Wind Energy comes of ages . London : John Wiley & Sons,
1995.
Goetzberger, Adolf, Hebling, Chistopher et Schock, Hans-Werner. 2003.
Photovoltaic Materials, History, Status and Outlook. Materials Science and
Engineering. 2003, Vol. 40.
tel-00447151, version 1 - 14 Jan 2010

Gueymard, C.A. 2003b. Direct solar transmittance and irradiance. Solar

energy. 2003b, Vol. 74.
—. 2003a. Direct solar transmittance and irradiance. Solar Energy. 2003a,
Vol. 74.
Hatziargyriou, N.D., Karakatsanis, T.S. et Lorentzou, M.I. 2004. Voltage Control
Settings to Increase Wind Power based on Probabilistic Load Flow. 8th
International Conference on Probabilistic Methods Applied to Power
Systems, Iowa State University, Ames, Iowa, September 12-16,. 2004.
Heier, Siegfried. 2006. Grid Integration of Wind Energy Conversion Systems.
Chichester : John Wiley & Sons, 2006. 0 470 86899 6.
Ineichen, Pierre, Perez, Richard et seals, Robert. 1987. The Importance of
Correct Albeldo Determination for Adequatly Modeling Energy Received
by Titled Surfaces. Solar energy. 1987, Vol. 39, 4.
Jenkins, Nick, et al. 2000. Embedded generagtion. London : The institution
of ElectricalEngineers, 2000. ISBN 0 85296 774 8.
Karaki, S.H., Salim, B.A. et Chedid, R.B. 2002. Probabilistic model of a two-
sites wind energy conversion system. IEEE Transactions on Energy
conversion . 2002, Vol. 17, 4.
Karki, R., Hu, P. et Billinton, R. 2006. A simplified wind power generation
model for reliability evaluation. IEEE Trans. on Energy Conversion. June,
2006, Vol. 21, 2.
Kitagawa, T. et T., Nomura. 2003. A wavelet-based Method to generate
artificial wind fluctuation data. Journal of wind engineering and industrial
aerodynamics. 2003, Vol. 91.
Kundur, Prabha, et al. 2004. Definition an Classification of Power System
Stability. IEEE Transactions on Power Systems. 2004, Vol. 19, 2.

153
 B I B L I O G R A P H I E

Laverdure, Nicolas. 2005. Intégration des générateurs éoliens dans les

réseaux simples ou insulaires. Thèse de doctorat soutenue à l'INPG. 2005.
Leite Da Silva, A.M., Arienti, V.L. et Allan, R.N. 1984. Probabilistic load flow
considering dependence between input nodal powers. IEEE Trans. 1984,
Vol. 103, 6.
Leite, A.P., Borges, C.L et Falcão, D.M. 2006. Probabilistic wind farms
generation model for reliability studies to Brazilian sites. IEEE
Transactions on Power Systems. 2006, Vol. 21, 4.
Lincot, Daniel. 2007. La conversion photovoltaique de l'énergie solaire.
Découverte. 2007, 344-345.
Matos, M., et al. 2009. Probabilistic evaluation of reserve requirements of
generating systemswith renewable power sources: The Portuguese and
Spanish cases. Electrical Power and Energy Systems. 2009.
tel-00447151, version 1 - 14 Jan 2010

NF EN 50160. 2000. Caractéristiques de la tension fournies par les réseaux

publics de distribution. Norme Européenne. 2000.
Nielsen, R.B. 1999. An Introduction to Copulas. New York : Springer, 1999.
Observ'ER. 2005. Laproduction d'électricité d'origine renouvelable dans le
monde. s.l. : 0bservatoire des énergies renouvelable, 2005.
Papaefthymiou, Georgios. 2006. Integration of stochastic generation in power
systems. Ph.D. Thesis of The Technical University of Delft. 2006.
Papathanassiou, Stavros A. et Boulaxis, Nikos G. 2006. Power Limitations and
Energy Yield Evaluation for Wind Farms Operating in Island Systems.
Renewable Energy. 2006, Vol. 31, 4.
Patel, Mukund. 1999. Wind and Solar Power Systems. New York : CRC Press,
1999. ISBN 0 8493 1605 7.
Perez, R., et al. 2007. Forecasting solar radiation: preliminary evaluation of an
approach. Solar Energy. 2007, Vol. 81.
Perez, Richard, et al. 1987. A new simplified version of the Perez diffuse
irradiance model for tilted surfaces. Solar energy. 1987, Vol. 39, 3.
Perez, Richards, et al. 1990. Modelling dayligth availability and irradiance
components from direct and global irradiance. Solar Energy. 1990, Vol. 44.
Polinder, H. et Slootweg, J.G. 2001. Design optimization of synchronous
generator for a direct drive wind turbine. European Wind Energy
Conference. Copenhagen : s.n., 2001.
Rosell, J. I. et Ibanez, M. 2006. Modelling power output in Photovoltaic
modules for outdor operating conditions. Energy Conversion and
Management. 2006, Vol. 47.
RTE. 2008. Consommation française d'électricité Caractéristiques et
méthodologie de prévision. 2008.

154
 B I B L I O G R A P H I E

—. 2009. Documentation technique de référence. 2009.

Sabonnadière, Jean claude. 2006. Nouvelles technologies de l'énergie 1 les
énergies renouvelables. Paris : Lavoisier, 2006. 2 7462 1376 1.
Sfetsos, A. 2002. A novel approach for the forecasting of mean hourly wind
speed time series. Renewable Energy. 2002, Vol. 27.
Sfetsos, A. et Coonick, A. H. 1999. Univariate and multivariate forecasting of
hourly solar radiation with artificial intelligence techniques. Solar Energy.
1999, Vol. 68.
Sheth, Shabana et Shahidepour, Mohammad. 2004. Géothermal energy in power
systems. IEEE Power Engineering Society General meeting. 2004.
Slootweg, J.G. 2005. Wind Power : Modelling and Impact on Power System
Dynamics. Ph.D. thesis from the Technical University of Delft. 2005.
Slootweg, J.G., Polinder, H. et Kling, W.L. 2001. Dynamic modelling of a wind
tel-00447151, version 1 - 14 Jan 2010

turbine with doubly fed induction generator. IEEE Power Energy Society
General meeting . Vancouver : s.n., 2001.
Tan, Yu Tiam. 2004. Impact on the Power System with Large Penetration of
Photovoltaic Generation. Ph.D. Thesis. Manchester : The University of
Manchester Institute of Science and Technology, 2004.
Usaola, Julio. 2009. Probabilistic load flow with wind production uncertainty
using cumulants and Cornish–Fisher expansion . Journal of Electrical
Power and Energy Systems. 2009.
Zeroual, A., Ankrim, M., Wilkinson, A.J. 1995. Stochastic modeling of.
Renewable Energy. 1995, Vol. 6.

155
 tel-00447151, version 1 - 14 Jan 2010

156
 P U B L I C A T I O N S

8 Publications

Bayem, Herman; Petit, Marc; Dessante, Philippe ; Dufourd, Frederic et

Belhomme, Regine. Probabilistic Characterization of Wind Farms for Grid
Connection Studies. European Wind Energy Conference and Exhibition.
2007.
Bayem, Herman; Phulpin, Yannick; Dessante, Philippe et Bect, Julien
Probabilistic computation of wind farm power generation based on wind
turbine dynamic modelling. IEEE Conference PMAPS 2008.
tel-00447151, version 1 - 14 Jan 2010

Bayem, Herman; Capely, Laurent, Dufourd, Frederic et Petit, Marc. Probabilistic

study of the maximum penetration rate of renewable energy in an island
network. IEEE Conference PowerTech. 2009.
Bayem, Herman; Capely, Laurent, Dufourd, Frederic; Petit, Marc et Dessante,
Philippe. Impact study of renewable energy integration in an island network:
a probabilistic approach. Article soumis en revue IEEE Power systems.

157
 tel-00447151, version 1 - 14 Jan 2010

P U B L I C A T I O N S

158
 A N N E X E S

9 Annexes
9.1 Annexe A : théorie du calcul de répartition de
puissance
9.1.1 Modélisation des constituants du réseau
La modélisation des composantes électriques du réseau en fonctionnement triphasé
équilibré normal repose sur plusieurs hypothèses:
• tous les éléments sont triphasés et symétriques;
tel-00447151, version 1 - 14 Jan 2010

• les influences magnétiques entre composantes ne sont pas prises en

compte.
Ainsi le réseau triphasé se réduit à un réseau monophasé. Les lignes électriques sont
représentées par des quadripôles équivalents à constantes concentrées. Les
transformateurs du réseau sont modélisés par leur schéma équivalent monophasé.
L'utilisation de grandeurs réduites permet d'en simplifier encore la représentation.
Des transformateurs déphaseurs (à rapport complexe) peuvent être introduits
facilement.
Un aspect essentiel est cependant lié aux conditions aux accès qui sont
fondamentalement différentes de celles utilisées en théorie des circuits: ce sont les
puissances actives et réactives injectées par les centrales ou soutirées du réseau par les
consommateurs. Le problème sera donc non-linéaire.
Pour la modélisation des lignes électriques on utilise le quadripôle en π, ayant comme
paramètres l’impédance série ou longitudinale (zij) et l’admittance en dérivation ou
transversale ( y ij ), (fig.A.1):
0

z ij = rij + jxij [Ω]

où
1 r x
y ij = = 2 ij 2 − j 2 ij 2 = gij + jbij [S]
z ij rij + xij rij + xij

gij0 + jbij 0
y ij = [S] ; y ji = y ij
0 2 0 0

où: rij est résistance série de la ligne;

xij – réactance inductive de la ligne;

159
 A N N E X E S

gij0 – conductance transversale côté i;

bij0 – susceptance (shunt)capacitive de la ligne côté i.

Fig. A.1. Schéma de la ligne électrique.

Pour la modélisation des transformateurs du réseau on peut utiliser soit le schéma

équivalent avec opérateur réel de transformation (Nij) (fig.A.2,a), soit le schéma
tel-00447151, version 1 - 14 Jan 2010

équivalent galvanique en π (fig.A.2,b). Le paramètre zt est ramené au primaire.

Fig. A.2. Schémas équivalents d’un transformateur:

a – schéma équivalent avec opérateur (Nij); b – schéma équivalent galvanique
du quadripôle en π.

1 usc % U ni2
z t = rt + jxt = [Ω]; zt = ⋅ [Ω];
yt 100 Sn

U ni2 −3
rt = ∆Psc 10 [Ω]; x t = zt2 − rt2 [Ω];
Sn2
y ij 0 = gij 0 + jbij 0 [S];

i0 Sn 1
bij 0 = − ⋅ [S]; gij 0 = ∆PFe 10−3 [S];
100 U ni2 U ni2

où: zt est l’impédance série et yt = 1/zt l’admittance série;

rt – résistance du transformateur;
xt – réactance inductive du transformateur;
usc – tension du court-circuit [%];

160
 A N N E X E S

Sn – puissance nominale apparente du transformateur [MVA];

Uni – tension nominale du transformateur, utilisé comme base dans le calcul des
paramètres [kV] ;
∆Psc – pertes actives de puissance dans les enroulements du transformateur [kW];
yij 0 – l'admittance en dérivation [S];

i0 – courant de magnétisation à vide du transformateur [%];

∆PFe – pertes actives à vide du transformateur [kW];
Ui
N ij = – le rapport nominal de transformation.
Uj
tel-00447151, version 1 - 14 Jan 2010

Dans le cas du transformateur avec rapport complexe de transformation (Nij) on utilise

seulement des schémas avec opérateur de transformation et on doit tenir compte du
type d’incidence de la branche en chaque nœud adjacent (fig. A.3) quand on construit
la matrice des admittances nodales.

Fig. A.3. La construction de la matrice des admittances nodales:

a - incidence par transformateur au nœud j; b - incidence par transformateur au nœud i.

Dans le calcul de régime permanent par la méthode des tensions nodales on utilise la
forme suivante:

œ’11  · œ31   œ!1  ]. 1

où: [In] = [ Sn* / Un* ] est le vecteur des courants entrant dans le réseau;
[Un] – le vecteur des tensions nodales;
[Sn] – le vecteur des puissances apparentes complexes.
[Ynn] est la matrice d'admittances nodales, ayant comme termes:

161
 A N N E X E S

’``  _ ŒÅ`Ê + Å`ÊV   ³`` + ç^``

Êoh
]. 2
’`Ê  #Å`Ê  ’`Ê & Êèéê  ³`Ê + ç^`Ê

avec
jγ ij
y ij = yij e = gij + jbij
y ij = gij0 + jbij0
0

On peut définir les régles générales d'écriture directe de la matrice [Ynn]:

tel-00447151, version 1 - 14 Jan 2010

• Tout terme diagonal Y ii est égal à la somme des admittances longitudinales

et transversales des branches galvaniquement incidentes au nœud i, à laquelle on
ajoute la somme du produit de l'admittance longitudinale par le carré du rapport de
transformation des branches incidentes par transformateur au nœud (ytNij2);
• Tout terme non-diagonal correspondant aux branches sans transformateur
est égal à l'admittance longitudinale de branche changée de signe, c'est-à-dire Yij = Yji
= – yij. Pour les branches avec transformateur si i est le nœud où se trouve ce dernier et
j l'autre nœud, les termes non-diagonaux ont les valeurs suivantes: Yij = – Nij* yt ; Yji =
– Nij yt .
La matrice [Ynn] n'est plus symétrique pour les réseaux ayant des
transformateurs à rapport complexe (Nij).

9.1.2 Formulation du problème de load flow

Transit de puissance sur une liaison

Considérons que les grandeurs complexes des tensions peuvent être exprimées
sous la forme suivante, en utilisant des valeurs réduites (p.u.):

jθ j
U i = U i e jθ i ; U j = U je ou
(A.3)
U i = U i ' + jU i " ; U j = U j ' + jU j"

Le transit de puissance en i sur la liaison i-j est (fig. A.1):

162
 A N N E X E S

ë
`Ê  3` ! ë `Ê  3` ìÅ`ÊV 3` + Å`Ê „3` # 3Ê †í
 3`e œÅ`Ê „cos Ð`Ê # ç sin Ð`Ê † + `ÊV # ç?`ÊV 
# 3` 3Ê Å`Ê œcos„É` # ÉÊ # Ð`Ê † + ç sin„É` # ÉÊ # Ð`Ê †

On prend les parties réelles et imaginaires:

`Ê  3`e „`ÊV + Å`Ê cos Ð`Ê † # 3` 3Ê Å`Ê cos„É` # ÉÊ # Ð`Ê †

]. 4
`Ê  #3`e „?`ÊV + Å`Ê sin Ð`Ê † # 3` 3Ê Å`Ê sin„É` # ÉÊ # Ð`Ê †

Injection de puissance en un sommet

Les lois de la conservation de l’énergie permettent d’écrire:

` # _
`Ê  0
tel-00447151, version 1 - 14 Jan 2010

ʹ¬ `

où α(i) désigne le sous-ensemble des nœuds raccordés au sommet i.

Il résulte:

1 1

`  3`e _„`ÊV + Å`Ê cos Ð`Ê † # 3` _ 3Ê Å`Ê cos„É` # ÉÊ # Ð`Ê †

]. 5
Êoh Êoh
1 1

`  #3`e _„?`ÊV + Å`Ê sin Ð`Ê † # 3` _ 3Ê Å`Ê sin„É` # ÉÊ # Ð`Ê †

Êoh Êoh

Pour exprimer les puissances nodales Pi, Qi en fonction des éléments Yij et Yii, de la
matrice des admittances nodales [Ynn] il faut tenir compte des relations (A.2):

`  3`e ,&î’`` ï # 3` _ 3Ê ’`Ê cos„É` # ÉÊ # Ð`Ê †

]. 5E
Êoh
1

`  #3`e !>î’`` ï # 3` _ 3Ê ’`Ê sin„É` # ÉÊ # Ð`Ê †

Êoh

Si on considère que les tensions sont exprimées par les relations (A.3) et les
admittances sous la forme (A.2), on peut obtenir deux formes pour l'expression
respectivement du courant nodal et de la puissance apparente complexe :

163
 A N N E X E S

(i)
1 1

!`  _ ’`Ê 3Ê  _ 3Ê & Êðê „³`Ê + ç^`Ê †

Êoh Êoh
ë
1 1

`  3` ! ë
`
 3` Ì_ ’`Ê 3Ê Î  3` _ 3Ê & ʄðé Wðê † „³`Ê # ç^`Ê †
Êoh Êoh

On prend les parties réelles et imaginaires:

`  3` _ 3Ê œ³`Ê cos„É` # ÉÊ † + ^`Ê sin„É` # ÉÊ †

]. 6
Êoh
1

`  #3` _ 3Ê œ³`Ê cos„É` # ÉÊ † # ^`Ê sin„É` # ÉÊ †

tel-00447151, version 1 - 14 Jan 2010

Êoh

(ii)

!`  ’`` 3` + _ ’`Ê 3Ê
Êoh,Êñ`
1

 3` „³`Ê + ç^`Ê † + _ „³`Ê 3Ê ò # ^`Ê 3Ê òò †

Êoh,Êñ`
1

+ ç _ „³`Ê 3Ê ò + ^`Ê 3Ê òò †
Êoh,Êñ`

`  ³`Ê 3`e + _ „3`ò C`Ê + 3`òò ?`Ê †

]. 7
Êoh,Êñ`
1

`  #^`Ê 3`e # _ „3`ò ?`Ê + 3`òò C`Ê †

Êoh,Êñ`

C`Ê + ç?`Ê  ’`` 3`  „³`Ê 3Êò #^`Ê 3Êòò † + 焳`Ê 3Êòò #^`Ê 3Êò † ]. 7E
où:

9.1.3 Résolution du problème de load flow

9.1.3.1 Résolution par la méthode de Gauss-Seidel

164
 A N N E X E S

La résolution du système (A.1) mis sous la forme suivante se fera de façon itérative:
œ’11 œ31   ì ë 1 Ý3 ë 1 í ]. 1E
Cas de nœud charge.
En partant à la première itération d'une valeur plausible (par exemple 1.0 en cas
d'utilisation de grandeurs réduites), on calculera successivement la tension en chaque
nœud en corrigeant les valeurs en passant d'un nœud au suivant au sein d'une même
itération.
Formellement, soit pour l'itération d'indice p, la tension au nœud i sera donnée par:
1  Pi − jQi( p ) i −1 n
( p )
Ui
( p +1 )
= 
Y ii  U i
( p )* − ∑
k =1
Y ik U
( p +1 )
k − ∑ Y ik U k  , i ≠ e
k = i +1 
(A.8)

où: e est l’indice du nœud bilan.

tel-00447151, version 1 - 14 Jan 2010

Le calcul étant fait pour tous les nœuds charges, jusqu'à obtention de la convergence,
donc jusqu'à ce que l'écart entre les valeurs des tensions en tout nœud entre deux
itérations p et p+1 soit inférieur à un seuil de précision choisi, sur lequel nous
reviendrons.
Cas de nœud générateur.
Dans ce cas, comme indiqué précédemment, la valeur de Qi n'est pas connue à priori.
On devra donc la calculer avec les meilleures estimations des autres tensions, par la
relation:

 i −1 n
( p )* 
= ImU i2 Y ii + U i ∑ Y ij U j + U i ∑ Y ij U j 
( p) * * ( p + 1 )* *
Qi (A.9)
 j =1 j = i +1 

On peut alors utiliser la formule (A.8) pour calculer uniquement la phase de la

tension en ce nœud i, puisque le module est connu. Le calcul se poursuit comme
pour les nœuds charges.
Il faut encore remarquer que généralement la puissance réactive que peut fournir ou
absorber un générateur est limitée. Dans ces conditions, si au cours du calcul il
s'avère que la puissance calculée au cours d'une itération dépasse ces limites, il faut
alors en quelque sorte transformer le nœud générateur en un nœud charge en
introduisant la limite correspondante et en laissant se modifier la grandeur de la
tension:

Qi < Qimin ⇒ Qi = Qimin

(A.10)
Qi > Qimax ⇒ Qi = Qimax

165
 A N N E X E S

Dans ces conditions on calcule avec la formule (1.8) le module et la phase de la

tension. Si dans une future itération la puissance réactive revient dans ces limites (
Qmin ≤ Q ≤ Qmax ) on retransforme le nœud en nœud générateur.

Cas du nœud bilan.

Ce nœud est exclu du calcul itératif; lorsque la convergence est obtenue aux autres
nœuds, on calculera alors les puissances active et réactive en ce nœud:

n
S e = Pe + jQe = U e2 Y ee + U e
*
∑Y
i =1;i ≠ e
*
ei
*( 0 )
Ui (A.11)

Considérations pratiques.
En réalité ainsi qu'il l'a déjà été signalé, la matrice des admittances nodales est très
tel-00447151, version 1 - 14 Jan 2010

creuse (à 99% pour de grands réseaux). La mise en mémoire de cette matrice devra
faire appel à des structures de pointeurs pour minimiser le temps de calcul. Si elle est
symétrique, on ne gardera que la moitié des éléments hors diagonale et on stockera
généralement les éléments diagonaux séparément. On sait que la convergence de la
méthode de Gauss-Seidel exige des éléments diagonaux dominants, ce qui sera
généralement le cas, sauf en présence d'éléments capacitifs série dans les lignes. La
convergence dépend en outre du choix du nœud bilan: un nœud bilan fortement
interconnecté permet de fixer rapidement le niveau de tension. En outre cette

]. 12
méthode sera avantageusement accélérée, selon la formule suivante:
3` Žch  3` Ž + ó„3` Žch # 3` Ž †

le choix du meilleur coefficient α a fait l'objet de nombreuses études, d'où une valeur
de 1,6 semble résulter; ce coefficient doit évidemment être régulièrement diminué
pour atteindre 1. On considère généralement que le nombre d'itérations est
proportionnel au nombre de nœuds.
Enfin le test de convergence se fait sur le plus grand écart à la fois sur les modules et
les phases entre deux itérations consécutives; on prendra en grandeur réduite un écart
maximum de 10-4 à 10-6: ce test peut être complété par l'évaluation de l'écart entre
puissances actives et réactives calculées et imposées en chaque nœud. Si cet écart
maximum dépasse un seuil par exemple 1%, on peut accroître la précision sur les
tensions nodales.
9.1.3.2 Résolution par la méthode de Newton

Dans le cas d'un système d'équations non linéaires, on peut appliquer la méthode de
Newton-Raphson de la façon suivante. Soit le système à résoudre :

166
 A N N E X E S

Sh 'h , … … , '1  ’h
ô xxxxxxxx ]. 13 6
S1 'h , … … , '1  ’1

A partir d'un ensemble de valeurs initiales x10 ,..., xn0 on recherche des variations
dx1 ,...,dxn qui satisfont les relations. Or l'application de la formule de Taylor donne:

õSh õSh
¡Sh 'h R + A'h , … , '1 R + A'1  Sh 'h R , … , '1 R + A'h + x + A'1  ’h
I õ' õ'
x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x ]. 14 6
h 1

  õS õS
IS1 'h R + A'h , … , '1 R + A'1  S1 'h R , … , '1 R + 1 A'h + x + 1 A'1  ’1
Ÿ õ'h õ'1

7S M R + AM ;  7S M R ; + 7Ø M R ;7AM;  7’; ]. 15
ou sous forme matricielle:
tel-00447151, version 1 - 14 Jan 2010

où : 7Ø;  ì í; G, ç  1, … , < est la matrice jacobienne.

Ùjé
ÙUé

On trouve donc le vecteur des variations 7AM; par

7AM;  7Ø M R ;Wh 7’; # 7S M R ; ]. 16

L'application au cas que nous considérons devient immédiate, à partir des relations
(A.7). A nouveau le nœud bilan sera exclu du processus itératif.
La formulation adoptée ci-dessous sera celle basée sur une représentation polaire des
grandeurs nodales; la représentation cartésienne peut aussi être utilisée, mais on voit
qu'elle conduira à deux équations dans le cas de nœuds générateurs, alors qu'une
seule suffit en représentation polaire.

Cas de noeud charge.

On considère les relations (A.5'), (A.7) et (A.7') :

1 1

`  3` _ 3Ê ’`Ê cos„É` # ÉÊ # Ð`Ê †  ³`Ê 3`e + _ „3`ò C`Ê + 3`òò ?`Ê † ]. 17

Êoh Êoh,Êñ`
1 1

`  3` _ 3Ê ’`Ê sin„É` # ÉÊ # Ð`Ê †  #^`Ê 3`e # _ „3`ò ?`Ê + 3`òò C`Ê † ]. 17E
Êoh Êoh,Êñ`

167
 A N N E X E S

A partir des grandeurs de l'itération précédente, on calculera les écarts ∆ θ i et ∆Ui qui
annuleront les écarts entre les valeurs de Pi et Qi obtenues et celles données, soit :

n  
∂P ∂P
Pi imp − Pi = ∑  i ∆U j + i ∆θ j 
j =1  ∂U j ∂θ j 
(A.18)
 ∂Q
n
∂Q 
Qiimp − Qi = ∑  i ∆U j + i ∆θ j 
j =1  ∂U j ∂θ j 

Il faut signaler qu'une formulation plus efficace en temps calcul est obtenue si on
prend pour inconnues ∆ θ i et ∆Ui/Ui.
Les expressions des dérivées partielles se déduisent immédiatement des relations
tel-00447151, version 1 - 14 Jan 2010

(A.17) et (A.17'), par exemple:

õ
`
1

``   _ ’`Ê 3Ê 3` sin„É` # ÉÊ # Ð`Ê †  #` # 3`e ’`` sin Ð``

õÉ`
Êoh,Êñ`
 #` # ^`` 3`e

õ
`
`Ê   3` 3Ê ’`Ê sin„É` # ÉÊ # Ð`Ê †  #3G ?Gç + 3G CGç
E EE
õÉÊ

õ
`
1

``  3`  23`e ’`` cos Ð`` + _ ’`Ê 3Ê 3` cos„É` # ÉÊ # Ð`Ê †

õ3`
Êoh,Êñ`
 23`e ’`` cos Ð`` +
`  ³`` 3`e +
`

õ
`
`Ê  3  3` 3Ê ’`Ê cos„É` # ÉÊ # Ð`Ê †  3`ò C`Ê + 3`òò ?`Ê ]. 19
õ3Ê Ê

õ`
1

Ø``   _ 3Ê 3` cos„É` # ÉÊ # Ð`Ê † 
` #³`` 3`e

õÉ`
Êoh,Êñ`

õ` õ
`
Ø`Ê   #3` 3Ê ’`Ê cos„É` # ÉÊ # Ð`Ê †  # 3
õÉÊ õ3Ê Ê

168
 A N N E X E S

õ`
1

‰``  3  23`e ’`` sin #Ð`` + _ 3` 3Ê ’`Ê sin„É` # ÉÊ # Ð`Ê †

õ3` `
Êoh,Êñ`
 ` # ^`` 3`e

õ` õ
`
‰`Ê  3Ê  3` 3Ê ’`Ê sin„É` # ÉÊ # Ð`Ê † 
õ3Ê õÉÊ

Cas de nœud générateur.

Il n'y aura qu'une relation (A.17), relative à Pi, à considérer pour ces nœuds.
On arrivera ainsi au système matriciel suivant:
tel-00447151, version 1 - 14 Jan 2010

 ∆P   J1 J2   ∆θ 
∆Q =  J ⋅  ∆U  (A.20)
J4  
   3  U 
où ∆P et ∆Q représentent respectivement les écarts entre les puissances actives
imposées et calculées à l'itération courante aux nœuds générateurs et consommateurs,
et les écarts entre puissances réactives aux nœuds consommateurs. Les composantes
du Jacobien sont:

õ
G õ
G
7Øh ;  ¢ £; 7Øe ;  ¢ 3ç £
õÉç õ3ç
]. 21
õG õG
7Ø ;  ¢ £; 7؊ ;  ¢ 3ç £
õÉç õ3ç
où : i,j = 1,2,...,n.
On voit que la structure de ce jacobien est liée à celle de la matrice d'admittances
nodales, elle sera donc également très creuse. Sa dimension sera de 2 fois le nombre
de nœuds charges plus le nombre de nœuds générateurs.
La méthode de résolution implique la résolution répétée d'un système linéaire
d'équations. Il est évident qu'il faudra tenir compte de la structure particulière de la
matrice signalée ci-dessus. En fait cette méthode n'a été efficacement utilisée qu'après
le développement de ces techniques de traitement de matrices creuses.
Très souvent ces sous-matrices ne seront recalculées que pour les premières
itérations et seront ensuite gardées constantes; on obtient ainsi une résolution répétée
d'un système linéaire avec seul changement du second membre; la factorisation du
jacobien sous la forme de produit de deux matrices triangulaires (L, U) permet cette
approche.

169
 A N N E X E S

Le traitement des nœuds initialement définis comme nœuds type PU (générateur) tenant
compte de l'histoire du nœud:
1. Si au cours de l'itération (p – 1) le nœud i du type PU a été considéré
comme nœud type PQ (consommateur) on essaie le module de la tension Ui(p)
comme suit:
– si Ui(p) ≥ Uiimp et Qiimp = Qimax ou si
Ui(p) ≤ Uiimp et Qiimp = Qimin,
le noeud i redevient au cours de l'itération p noeud de type PU, avec Uiimp,
et on continue avec le pas 6;
– si Ui(p) > Uiimp et Qiimp = Qimin ou si
Ui(p) < Uiimp et Qiimp = Qimax,
le noeud i reste au cours de l'itération p également noeud type PQ et on
tel-00447151, version 1 - 14 Jan 2010

continue avec le pas 6.

2. Si la puissance Qi(p) calculée pour le noeud i (PU) est dans les limites
imposées, Qimin ≤ Qi(p) ≤ Qimax le noeud i continue à être considéré comme
noeud type PU et on passe au pas 6.
3. Si la puissance Qi(p) < Qimin, on impose Qiimp = Qimin et on continue avec le
pas 5.
4. Si la puissance Qi(p) > Qimax, alors on impose Qiimp = Qimax et on passe au pas
5.
5. Au cours de l'itération p le noeud i est considéré comme noeud type PQ.
6. On passe au point 1 pour le noeud générateur suivant.

170
 A N N E X E S

9.2 Annexe B : Données de simulation

9.2.1 Réseau de distribution
Tableau B.1 caractéristiques des lignes du réseau de distribution
Nœud origine Nœud extrémité Resistance totale de la ligne (pu) Réactance totale de la ligne(pu) Demi susceptance latérale(pu)
"MB1 " "NOEUDA02" 0,068225 0,054575 0,0003429
"MB1 " "NOEUDA10" 0,050125 0,0401 0,000252
"MB1 " "NOEUDA14" 0,300875 0,447375 0,0001887
"MB1 " "NOEUDA12" 0,205775 0,163025 0,0010213
"MB1 " "NOEUDA15" 0,20885 0,234925 0,000027
"MB1 " "NOEUDA08" 0,03875 0,031 0,0001948
"NOEUDA02" "NOEUDB02" 0,43115 0,244725 0,0000695
"NOEUDC12" "NOEUDD12" 0,0662 0,05295 0,0003327
"NOEUDD12" "NOEUDF12" 0,100275 0,058275 0,0003074
"NOEUDF12" "NOEUDG12" 0,03445 0,017225 0,0000887
"NOEUDF12" "NOEUDI12" 0,120325 0,05465 0,0003072
tel-00447151, version 1 - 14 Jan 2010

"NOEUDA14" "NOEUDB14" 0,189575 0,10825 0,0000076

"NOEUDG14" "NOEUDH14" 0,244125 0,1394 0,0000098
"NOEUDB15" "NOEUDC15" 0,20795 0,11875 0,0000083
"NOEUDM15" "NOEUDN15" 0,62465 0,35665 0,0000251
"NOEUDO15" "NOEUDP15" 0,206575 0,11795 0,0000083
"NOEUDA08" "NOEUDB08" 0,06225 0,033875 0,0001828
"NOEUDA02" "NOEUDC02" 0,008215 0,012475 0,0000035
"NOEUDJ02" "NOEUDK02" 0,2236 0,127675 0,000009
"NOEUDB12" "NOEUDA12" 0,503875 0,284075 0,0000813
"NOEUDD14" "NOEUDE14" 0,2078 0,11865 0,0000083
"NOEUDA14" "NOEUDC14" 0,2169 0,3395 0,0000271
"NOEUDG14" "NOEUDI14" 0,206275 0,117775 0,0000083
"NOEUDQ14" "NOEUDP14" 0,18805 0,107375 0,0000075
"NOEUDF15" "NOEUDG15" 0,19615 0,112 0,0000079
"NOEUDB08" "NOEUDD08" 0,163875 0,05585 0,0004421
"NOEUDD08" "NOEUDE08" 0,1117 0,05585 0,0002878
"NOEUDG08" "NOEUDI08" 0,241075 0,103375 0,0007847
"NOEUDC02" "NOEUDD02" 0,2097 0,11805 0,0000131
"NOEUDF02" "NOEUDG02" 0,28835 0,1644 0,0000199
"NOEUDJ02" "NOEUDL02" 0,2077 0,123825 0,000088
"NOEUDC14" "NOEUDD14" 0,2855 0,163025 0,0000115
"NOEUDD14" "NOEUDF14" 0,404525 0,229775 0,0000588
"NOEUDF14" "NOEUDG14" 0,21815 0,123675 0,0000405
"NOEUDJ14" "NOEUDL14" 0,165825 0,094675 0,0000067
"NOEUDM14" "NOEUDP14" 0,262525 0,1499 0,0000105
"NOEUDH15" "NOEUDI15" 0,7041 0,31815 0,0000228
"NOEUDI15" "NOEUDJ15" 0,646425 0,19775 0,0000142
"NOEUDK15" "NOEUDL15" 0,872225 0,268375 0,0000193
"NOEUDF08" "NOEUDG08" 0,081375 0,02845 0,0001807
"NOEUDC02" "NOEUDE02" 0,13215 0,20685 0,0000165
"NOEUDH02" "NOEUDJ02" 0,035325 0,0553 0,0000044
"NOEUDE02" "NOEUDH02" 0,0221925 0,0347375 0,0000028
"NOEUDC15" "NOEUDF15" 0,0547 0,03125 0,0000022
"NOEUDK15" "NOEUDM15" 0,630525 0,2429 0,0000173
"NOEUDO15" "NOEUDS15" 0,34865 0,199075 0,000014

171
 A N N E X E S

"NOEUDH08" "NOEUDJ08" 0,1183 0,059625 0,0003086

"NOEUDE02" "NOEUDF02" 0,249675 0,1396 0,0001154
"NOEUDH02" "NOEUDI02" 0,349875 0,199775 0,000014
"NOEUDG12" "NOEUDH12" 0,101175 0,0453 0,0002704
"NOEUDI14" "NOEUDJ14" 0,286725 0,163725 0,0000115
"NOEUDN14" "NOEUDO14" 0,211625 0,139925 0,00001
"NOEUDF15" "NOEUDO15" 0,156475 0,08935 0,0000063
"NOEUDP15" "NOEUDQ15" 0,44495 0,168625 0,0000237
"NOEUDQ15" "NOEUDR15" 0,042925 0,02085 0,0001067
"NOEUDE08" "NOEUDF08" 0,1025 0,05125 0,0002641
"NOEUDA12" "NOEUDC12" 0,05895 0,04715 0,0002963
"NOEUDD12" "NOEUDE12" 0,0619 0,0337 0,0001819
"NOEUDJ12" "NOEUDK12" 0,01725 0,008625 0,0000444
"NOEUDK14" "NOEUDJ14" 0,107375 0,04975 0,0002273
"NOEUDL14" "NOEUDM14" 0,287025 0,1639 0,0000115
"NOEUDP14" "NOEUDR14" 0,3589 0,204925 0,0000144
"NOEUDR14" "NOEUDS14" 0,397675 0,227075 0,000016
tel-00447151, version 1 - 14 Jan 2010

"NOEUDA15" "NOEUDB15" 0,265125 0,28605 0,0000205

"NOEUDG15" "NOEUDH15" 0,2238 0,119875 0,0000085
"NOEUDI12" "NOEUDJ12" 0,291175 0,110425 0,0007509
"NOEUDN14" "NOEUDM14" 0,336375 0,192075 0,0000135
"NOEUDS14" "NOEUDT14" 0,4075 0,232675 0,0000164
"NOEUDT14" "NOEUDU14" 0,4504 0,257175 0,0000181
"NOEUDB15" "NOEUDD15" 0,51985 0,355775 0,0000256
"NOEUDD15" "NOEUDE15" 0,194175 0,1231 0,0000098
"NOEUDJ15" "NOEUDK15" 0,774225 0,2045 0,0000147
"NOEUDP15" "NOEUDT15" 0,27325 0,156025 0,000011
"NOEUDB08" "NOEUDC08" 0,224075 0,1974 0,0000514
"NOEUDF08" "NOEUDH08" 0,059925 0,26625 0,0001606

Tableau B.2 Caractéristiques des charges du réseau

Nœud de raccordement Puissance active consommée (MW) Puissance réactive consommée (MVar)
"NOEUDB02" 0,1532 0,0613
"NOEUDH14" 0,0352 0,014
"NOEUDF02" 0,1383 0,0553
"NOEUDL14" 0,0408 0,0163
"NOEUDD12" 0,1058 0,0423
"NOEUDH15" 0,0733499 0,0293398
"NOEUDJ02" 0,0798 0,319
"NOEUDH12" 0,1727 0,0691
"NOEUDF14" 0,0287 0,0114
"NOEUDB15" 0,1188454 0,0475379
"NOEUDJ14" 0,2767 0,1106
"NOEUDB12" 0,0399 0,016
"NOEUDD02" 0,0418 0,0167
"NOEUDR14" 0,039 0,0156
"NOEUDB14" 0,0714 0,0285
"NOEUDN15" 0 0
"NOEUDA_D" 0 0
"NOEUDN14" 0,0056 0,0022
"NOEUDF12" 0,2934 0,1173

172
 A N N E X E S

"NOEUDJ15" 0,0362107 0,0144842

"NOEUDJ12" 0,3435 0,1374
"NOEUDL02" 0,0483 0,0193
"NOEUDB08" 0,0900626 0,0360248
"NOEUDF08" 0,0835632 0,0334251
"NOEUDJ08" 0,0269259 0,0107703
"NOEUDF15" 0,1726973 0,0690785
"NOEUDR15" 0,0120702 0,0048281
"NOEUDA02" 0,0678 0,0271
"NOEUDE02" 0,1884 0,0754
"NOEUDK14" 0,1652 0,066
"NOEUDC12" 0,0474 0,0189
"NOEUDI02" 0,0492 0,0197
"NOEUDA14" 0,1587 0,0635
"NOEUDM15" 0,0371392 0,0148556
"NOEUDI14" 0,1922 0,0768
"NOEUDA12" 0,0288 0,0115
tel-00447151, version 1 - 14 Jan 2010

"NOEUDC02" 0,1755 0,0702

"NOEUDM14" 0,0547 0,0218
"NOEUDE12" 0,0204 0,0081
"NOEUDI15" 0,001857 0,0007428
"NOEUDG02" 0,026 0,0104
"NOEUDU14" 0,0232 0,0092
"NOEUDQ15" 0,0603512 0,0241404
"NOEUDE14" 0,0557 0,0222
"NOEUDA15" 0,0789208 0,0315682
"NOEUDQ14" 0,0046 0,0018
"MB1 " 0 0
"NOEUDI12" 1,8597 0,7439
"NOEUDA10" 0,0278544 0,0111417
"NOEUDK02" 0,0641 0,0256
"NOEUDA_2" 0 0
"NOEUDA_1" 0 0
"NOEUDA08" 0,4336002 0,1734391
"NOEUDE08" 0,4438134 0,1775244
"NOEUDI08" 0,1986947 0,0794775
"NOEUDE_T" 0 0
"NOEUDE15" 0,0538518 0,0215406
"NOEUDA_T" 0 0
"NOEUDI_T" 0 0
"NOEUDA_I" 0 0
"NOEUDC14" 0,4039 0,1615
"NOEUDO15" 0,0241405 0,0096561
"NOEUDG14" 0,1291 0,0516
"NOEUDC15" 0 0
"NOEUDS14" 0,0409 0,0163
"NOEUDO14" 0,0009 0,0003
"NOEUDG12" 0,9786 0,3914
"NOEUDK15" 0,0817062 0,0326823
"NOEUDK12" 0,0167 0,0067
"NOEUDC08" 0,0519949 0,0207978
"NOEUDG08" 0,9229091 0,3691617
"NOEUDG15" 0,2581174 0,1032464

173
 A N N E X E S

"NOEUDS15" 0,0120702 0,0048281

"NOEUDG_T" 0 0
"NOEUDH02" 0,0288 0,0115
"NOEUDD14" 0,1754 0,0701
"NOEUDP14" 0,026 0,0104
"NOEUDT14" 0,0854 0,0341
"NOEUDP15" 0,0371392 0,0148556
"NOEUDD08" 1,411289 0,5645128
"NOEUDH08" 0,4011034 0,1604405
"NOEUDD_T" 0 0
"NOEUDD15" 0,0176411 0,0070564
"NOEUDL15" 0,0380677 0,015227
"NOEUDT15" 0,0937765 0,0375104

9.2.2 Réseau de type insulaire

Tableau B.3 nœuds de consommation du réseau
tel-00447151, version 1 - 14 Jan 2010

Nœud de raccordement Puissance active consommée (MW) Puissance réactive consommée 5MVar)
"N1 S11" 25,4 9,6
"N2 S11" 26,1 11,3
"N3 S11" 8,3 2,5
"N4 S11" 27,3 8
"N5 S11" 5,5 3,1
"N7 S11" 11,3 3,9
"N9 S11" 18,1 3,7
"N10 S11" 22,2 6,9
"N11 S11" 18,9 6,2
"N12 S11" 17,4 5,1
"N13 S11" 34,7 10,7
"N14 S11" 21,5 6,5
"N15 S11" 8,7 2,6
"N16 S11" 23,9 7,1
"N17 S11" 23,4 1,4
"N18 S11" 13,3 4
"N19 S11" 8 2,3
"N21 S11" 7,3 1,9
"N23 S11" 10,4 1,6
"INTERS41" 0 0

Tableau B.4 Caractéristiques des lignes du réseau de type insulaire

Nœud origine Nœud extrémité Indice de parallèle Resistance totale de la ligne Réactance totale de la ligne Demi susceptance latérale
"N1 S41" "N13 S41" "1" 0,0108 0,0232 0,0009
"N1 S41" "N25 S41" "1" 0,0066 0,0258 0,000745
"N4 S41" "N15 S41" "1" 0,0523 0,0566 0,00221
"N4 S41" "N25 S41" "1" 0,03 0,06888 0,001476
"N9 S41" "N15 S41" "1" 0,1171 0,4065 0,00903
"N2 S41" "N10 S41" "1" 0,0194 0,0449 0,001
"N9 S41" "N20 S41" "1" 0,1227 0,297 0,0064
"N3 S41" "N16 S41" "1" 0,0378 0,112 0,0025
"N5 S41" "N12 S41" "1" 0,155 0,405 0,00894

174
 A N N E X E S

"N6 S41" "N12 S41" "1" 0,16 0,373 0,0083

"N8 S41" "N22 S41" "1" 0,014 0,033 0,0007
"N6 S41" "N8 S41" "1" 0,0461 0,1065 0,00235
"N6 S41" "N9 S41" "1" 0,0386 0,0903 0,00201
"N7 S41" "N11 S41" "1" 0,126 0,344 0,0069
"N7 S41" "N14 S41" "1" 0,129 0,301 0,00658
"N9 S41" "N14 S41" "1" 0,1842 0,347 0,00759
"INTERS41" "N14 S41" "1" 0,000477 0,795 0
"INTERS41" "N14 S41" "2" 0,000477 0,795 0
"N10 S41" "N12 S41" "1" 0,195 0,455 0,01
"N10 S41" "N14 S41" "1" 0,0746 0,174 0,0039
"N11 S41" "N20 S41" "1" 0,0177 0,0511 0,00117
"N10 S41" "N14 S41" "2" 0,0746 0,174 0,0039
"N10 S41" "N21 S41" "1" 0,0616 0,0181 0,00398
"N11 S41" "N23 S41" "1" 0,187 0,417 0,0097
"N13 S41" "N19 S41" "1" 0,128 0,301 0,0067
"N13 S41" "N25 S41" "1" 0,0456 0,107 0,0024
tel-00447151, version 1 - 14 Jan 2010

"N15 S41" "N17 S41" "1" 0,104 0,2692 0,00599

"N15 S41" "N18 S41" "1" 0,229 0,461 0,01009
"N15 S41" "N24 S41" "1" 0,0102 0,0187 0,00041
"N15 S41" "N25 S41" "1" 0,161 0,203 0,0045
"N16 S41" "N23 S41" "1" 0,0617 0,138 0,0032
"N17 S41" "N18 S41" "1" 0,117 0,311 0,00752
"N18 S41" "N27 S41" "1" 0,0429 0,199 0,00422
"N19 S41" "N22 S41" "1" 0,15 0,379 0,0084
"N27 S41" "N16 S41" "1" 0,119 0,279 0,00617

175
 A N N E X E S

9.3 Annexe C : Codes de calcul MATLAB

9.3.1 Modèle production conventionnelle
function [Xf,Pf]=model_parametre(L,No,Ct,Pt,R,Inc)
%Calcule le modèle probabiliste de la production d'une centrale
%L: nombre de groupes
%No matrice du nombre d'états de chaque groupe
%Ct matrice des états de chaque groupe
%Pt matrice des probabilités de chaque état
%R matrices des capacités max de chaque groupe
%Inc pas d'incrementation en general égal à la plus petite
valeur contenue
%dans Ct
k=1;
m=(R(k)-mod(R(k),Inc))/Inc;
if m<1
m=1;
tel-00447151, version 1 - 14 Jan 2010

end
Rtk=R(k);
n=No(1);
for i=1:m+1
X(i)=(i-1)*Inc;
end
for i=1:n
P(i)=Pt(k,i);
C(i)=Ct(k,i);
end
Po=ones(n,m+1);
delta=zeros(n,m+1);
for i=1:n
for j=1:m+1
delta(i,j)=X(j)-C(i);
if (delta(i,j)<0)
Po(i,j)=0;
end
end
end
Pi=P*Po;

for k=2:L
n=No(k);
P=zeros(1,n);
C=zeros(1,n);

P=Pt(k,:);
C=Ct(k,:);

fo=m*Inc;
m=m+(R(k)-mod(R(k),Inc))/Inc;
Rtk=Rtk+R(k);
if m*Inc<Rtk
m=m+1;
end

176
 A N N E X E S

for i=1:m+1
X(i)=(i-1)*Inc;
end
Pi=add_turbine1(X,P,C,m,n,fo,Inc,Pi);
end
m;
Xf=X;
Pf=Pi;
%xlswrite('test_xlsmat.xls',Xf','feuil2');
%plot(Xf,Pf);
end

function Pik=add_turbine1(X,P,C,m,n,fo,Inc,Pi)
n1=size(P',1);
Po=ones(n1,m+1);
delta=zeros(n1,m+1);
for i=1:n
for j=1:m+1
tel-00447151, version 1 - 14 Jan 2010

delta(i,j)=X(j)-C(i);
if (delta(i,j)<0)
Po(i,j)=0;
elseif(delta(i,j)==0)
Po(i,j)=Pi(1);
elseif(delta(i,j)==Inc)
Po(i,j)=Pi(2);
elseif delta(i,j)>fo
Po(i,j)=1;
else
f1=mod(delta(i,j),Inc);
f2=uint16((delta(i,j)-f1)/Inc);
if f1==0
Po(i,j)=Pi(f2+1);
else
Po(i,j)=Pi(f2+2);
end
end
end
end
Ptest=Po;
Ptest2=P;
Pik=P*Po;
end

9.3.2 Modèle de la production éolienne

function [mat_vent]=matrices_vp(vent,nb_turb)
dim=size(vent);
n=dim(1);
v=zeros(nb_turb,n);
v(1,:)=vent;
for i=2:nb_turb
v(i,:)=vent+ normrnd(0,0.3,[1 n]);
end
mat_vent=v;
end

177
 A N N E X E S

function [niv_puiss,probab]=PDF_ferme(prev_puiss,dispo,Inc)
dim=size(prev_puiss);
nb_prev=dim(1);
nb_turb=dim(2);
Ct=zeros(nb_turb,2);
i=1;
[A,pA]=fonction_dispo(prev_puiss,dispo,Inc,nb_turb,i);
for i=2:nb_prev
[B,pB]=fonction_dispo(prev_puiss,dispo,Inc,nb_turb,i);
[A,pA]=functionPDF(A,B,pA,pB);
end
niv_puiss=A;
probab=pA/nb_prev;
%plot(niv_puiss,probab)
end

function
tel-00447151, version 1 - 14 Jan 2010

[n_p,pb]=fonction_dispo(prev_puiss,dispo,Inc,nb_turb,i);
for j=1:nb_turb
Ct(j,2)=prev_puiss(i,j);
No(j)=2;
end
R=prev_puiss(i,:);
[X,pX]=model_parametre(nb_turb,No,Ct,dispo,R,Inc);
proba(1)=pX(1);
for k=2:length(pX)
proba(k)=pX(k)-pX(k-1);
end
n_p=X;
pb=proba;
pX;
end

function [C,pC]=functionPDF(A,B,pA,pB)
C=union(A,B);
Int=intersect(A,B);
n=length(C);
na=length(A);
nb=length(B);
pC=zeros(1,n);
for i=1:n
for j=1:na
if C(i)==A(j)
pC(i)=pC(i)+pA(j);
end
end
for k=1:nb
if C(i)==B(k)
pC(i)=pC(i)+pB(k);
end
end
end
end

178