Des modèles informatiques plus précis ouvrent la voie à plus d'énergie éolienne

Le service public avec la plus grande capacité d'énergie éolienne aux États-Unis, Xcel Énergie , s'appuie davantage sur cette source d'énergie et économise des millions de dollars grâce à de nouveaux modèles de prévision similaires à ceux utilisés pour prédire le changement climatique.

Vent divin : Les informations des systèmes radar Dopplar, comme celle montrée ici, pourraient aider à prédire les changements rapides de l'énergie éolienne.

Les prévisions, élaborées par le Centre national de recherche atmosphérique (NCAR) à Boulder, Colorado, pourrait aider à résoudre un problème croissant avec l'énergie éolienne : comment intégrer cette ressource intermittente dans le réseau électrique. Le NCAR développe également des modèles améliorés qui pourraient aider à prévoir l'énergie solaire.

Avoir une prévision précise nous permet d'apporter plus d'énergie renouvelable, explique Drake Bartlett, responsable de l'intégration des énergies renouvelables dans le réseau de Xcel. Les services publics décident un jour à l'avance quelles centrales électriques fonctionneront un jour donné. Des prévisions d'énergie éolienne inexactes causent des problèmes avec cette programmation de deux manières principales. Premièrement, ils obligent les services publics à programmer des centrales électriques de secours. Ceux-ci fonctionnent de manière inefficace à faible puissance, attendant d'augmenter leur production si moins d'énergie éolienne est disponible que prévu. Ils gaspillent du carburant et sont coûteux à exploiter.

Deuxièmement, les mauvaises prévisions rendent difficile pour les services publics de justifier la fermeture des centrales électriques de base, même s'il pourrait y avoir plus qu'assez de vent pour les rendre inutiles. Ces centrales, souvent au charbon ou à cycle combiné au gaz naturel, sont coûteuses et longues à fermer et à redémarrer. S'ils sont fermés et que l'énergie éolienne est plus faible que prévu, le service public doit utiliser une énergie plus chère provenant de centrales à réponse plus rapide ou se tourner vers le marché au comptant à prix élevé. Si, d'un autre côté, le service public laisse les centrales de base allumées, il devra peut-être réduire l'énergie éolienne, peut-être en disant aux parcs éoliens d'éteindre certaines éoliennes. Dans ce cas, le service public perd de l'argent de deux manières. Il doit payer le carburant pour faire fonctionner les centrales de base, même s'il n'a pas vraiment besoin d'électricité de leur part. Et en vertu de son contrat avec les exploitants de parcs éoliens, il doit toujours payer pour l'énergie éolienne qu'il n'utilise pas.

Les anciennes prévisions permettaient à ces scénarios de se produire souvent. En moyenne, les prévisions différaient de 20 % de la puissance réelle, et parfois elles étaient jusqu'à 50 % inférieures. Les nouvelles prévisions réduisent les erreurs de 30 à 40 %, donnant à Xcel la confiance nécessaire pour réduire le nombre d'usines de sauvegarde en ligne, explique Bartlett. Cela a permis au service public d'économiser 22 millions de dollars en carburant. Il n'a pas calculé les économies de coûts supplémentaires résultant de la possibilité d'éviter le marché au comptant.

Les nouvelles prévisions sont également suffisamment précises pour prendre en charge l'arrêt de l'alimentation de base. Il y a quelques années, nous n'avions pas la confiance nécessaire pour fermer les usines de charge de base, dit Bartlett. Maintenant, si c'est un long week-end avec du beau temps et beaucoup de vent, nous fermerons une centrale au charbon. Cela nous permet d'intégrer davantage d'énergies renouvelables.

Le NCAR a pris plusieurs mesures pour faire de meilleures prévisions. Il a amélioré les modèles de prévision météorologique précédents en les exécutant à des incréments de temps et d'espace plus fins, ce qui nécessite une puissance de calcul supplémentaire. Il a combiné ses modèles avec ceux d'autres organisations et avec des mesures des conditions réelles dans les parcs éoliens pour prédire la vitesse du vent. Surtout, il convertit ensuite ces prévisions de vitesse du vent en estimations de la quantité d'énergie que les parcs éoliens produiront, ce qui peut différer considérablement de ce que prétendent les fabricants (voir De meilleurs modèles informatiques nécessaires pour les méga parcs éoliens).

De plus, au lieu d'exécuter un modèle une seule fois, NCAR l'exécute plusieurs fois. Le résultat moyen est généralement plus précis, dit Sue Ellen Haupt , directeur du programme d'évaluation des systèmes météorologiques du centre.

Même si les modèles sont exécutés à haute résolution, ils ne capturent pas tout. La prochaine étape consiste à se concentrer sur de meilleures façons de prévoir deux types d'événements : les changements de vitesse du vent et les conditions météorologiques qui provoquent la formation de glace sur les pales d'éoliennes.

Les changements rapides de vitesse du vent peuvent être particulièrement difficiles à gérer sur le réseau (voir Éoliennes, batteries incluses, peuvent maintenir les alimentations stables ). Les prédictions de givrage seront également importantes; il est difficile de savoir à quel moment une tempête créera les bonnes conditions pour déposer de la glace sur les éoliennes, mais lorsque la glace se forme, elle peut réduire considérablement la quantité d'énergie qu'une éolienne peut générer. Dans le passé, les prévisions ont conduit Xcel à prévoir de grandes quantités de vent, seulement pour voir la production d'électricité chuter de manière inattendue lorsque de la glace s'est formée.

Prédire l'énergie solaire peut être un défi plus important (voir Une solution à l'intermittence de l'énergie solaire ). La puissance de sortie des panneaux solaires peut changer en quelques secondes, et les nuages ​​sont parmi les éléments les plus difficiles à prendre en compte dans les modèles climatiques. NCAR utilise des données provenant de satellites et de capteurs terrestres pour améliorer ses prévisions de nuages, et il s'efforce de prédire comment différentes quantités de lumière solaire (et d'autres facteurs comme la température) se traduisent en puissance de sortie réelle des panneaux solaires.

cacher