Je tiens à remercier tout particulièrement Philippe Blanc pour les nombreux échanges que j'ai eu avec lui. Enfin, je tiens à remercier Alexis Bocquet pour son travail de mise en œuvre sur la plateforme de prévision opérationnelle du Centre Energie et Procédés, qui m'a permis d'étudier les performances de l'approche développée dans cette thèse à partir d'un large ensemble de données complémentaires. .
Contexte général
Ils peuvent également s’appuyer sur des prévisions de production de ressources variables, notamment les prévisions de production éolienne. Dans le contexte de la libéralisation des marchés de l'électricité, la prévision de la production éolienne s'est également avérée utile dans le développement de stratégies d'enchères [16, 17].
Prédire la production éolienne et ses extrêmes : le cas des variations brusques
En effet, cette dernière provient souvent d’une mauvaise estimation des conditions initiales (et/ou limites) fournies par les modèles de circulation générale (Global Circulation Models (GCM)) et utilisées comme entrée pour des modèles à plus haute résolution [28]. Ainsi, si l'existence d'erreurs dans la prédiction du moment d'apparition de variations brusques et significatives de la production est déjà rapportée depuis quelques temps [29, 30], des modèles spécifiquement dédiés à l'estimation de ces erreurs doivent être développés.
Objectifs et démarche de la thèse
L'estimation de l'incertitude en question est alors présentée sous forme d'estimations de la probabilité qu'une variation se produise dans ces intervalles. Nous évaluons l'exactitude des prédictions du timing des variations soudaines et importantes de la production fournies par notre approche.
Structure du manuscrit
Nous nous intéressons principalement aux variations de production sur des échelles de temps allant de quelques minutes à quelques heures. Ainsi, ils semblent particulièrement adaptés pour caractériser des changements brusques et importants dans la production éolienne.
Les différents aspects de la variabilité de la production éolienne
Variabilité, écart-type, distribution et non-stationnarité du processus
À cet égard, l’écart type de la production est souvent étudié pour évaluer cet effet distributif. Selon sa définition, l'écart type constitue une mesure appropriée de la variabilité d'un processus tel que celui de la production éolienne.
Variabilité et analyse spectrale de la production
Dans un premier temps, l'écart type de la production globale des exploitations situées dans un rayon de 0 à 300 km (par incréments de 10 km) d'une exploitation de référence a été estimé. A droite : fraction du spectre de Kolmogorov représentant la diminution de l'intensité du signal de sortie du granulat par rapport à celui d'une ferme de référence (pour des périodes comprises entre 24 h et 30 min représentées par la zone grise sur la figure de gauche).
Variabilité et différences finies de la production
L'amplitude maximale des variations de puissance peut atteindre une valeur élevée même pour des échelles de temps relativement courtes (soit près de 70 % de la capacité installée en 15 minutes). De plus, il manque à ce travail les raisons justifiant le choix d’échelles de temps appropriées dans la caractérisation et la détection de variations inattendues et significatives de la production.
Caractérisation et détection des ruptures d’un signal numérique
Quelques notions de base dans la détection des ruptures d’un signal nu-
En général, la mesure d'une modification d'un signal révèle un maximum local dans la réponse en valeur absolue du filtre. FIGURE 2.4 – Caractérisation d'une variation, seuillage et détection d'une discontinuité – Schéma représentant la réponse d'un filtre déviateur à une variation.
Caractérisation multi-échelle et détection des ruptures d’un signal
En rouge : réponse en valeur absolue de la dérivée première d'une gaussienne, avec une valeur de paramètre d'échelle = 10mn. Pour caractériser et détecter les désintégrations d'un signal, nous favorisons souvent l'utilisation d'une ondelette réelle [54, 55].
Conclusions
Définition d’un modèle de rupture
La figure 3.1 (graphique de gauche) montre les estimations de la distribution de la dérivée d'un signal de production obtenues par le filtre Prewitt (équation (2.3)) et les mesures de production d'un parc éolien. Sur cette figure, nous pouvons voir que la distribution de la dérivée du signal de production d'une entreprise semble plus ou moins symétrique (voir aussi [11]). La figure 3.2 montre des estimations de l'écart type de la production d'une entreprise en fonction de son niveau de production.
On voit bien ici comment, à mesure que l’on s’éloigne des valeurs de production nulles, la répartition de la production devient plus étalée.
Conditions expérimentales et simulations
4 interruptions et épisodes de production continue, ainsi que la répartition du bruit liée au niveau de production. Dans ces conditions, il semble très peu probable qu’un épisode de production nulle dépasse une durée de 20 jours. Nous supposerons que la durée maximale θ3M d'un épisode de production de valeur A est liée à θM1 de la même manière que les durées moyennes correspondantes, c'est-à-dire θM1 = c θ3M.
La durée d'un épisode à production nulle est en moyenne plus longue (λT1 = 48 heures, contre 12 heures à la fin), mais avec un ratio caractérisant la durée moyenne des épisodes à forte production qui est plus grand (c= 5, contre c= 2 à la fin). . ici, il montre la valeur nominale de la production),a2 = 10 %Pnetp1 = 25 %Pnin Équation (3.5).
Critères d’évaluation
Nous considérons une caractérisation des variations réduite à seulement deux paramètres : le moment d'apparition I et l'intensité I d'une variation. La définition de l'intensité d'une variation établit (avec les caractéristiques d'un signal) la répartition statistique des mesures d'intensité des variations d'un signal. Ce compromis peut être représenté graphiquement à l’aide d’une courbe dite ROC (Receiver Operating Characteristics Curve) [17].
Dans notre problème, µ : = µ(X).
Etude paramétrique du comportement de différents filtres de détection
- Choix de filtres
- Evaluation des performances de détection à partir des critères de Canny 68
- Approches multi-échelles
- Evaluation des performances de détection et de localisation
La largeur du filtre contrôle, comme pour la détection, un compromis sur l'erreur de localisation d'une cassure. La sensibilité du filtre MaxMin au bruit entraîne une augmentation rapide de l'erreur de localisation de rupture avec la largeur du filtre. Les performances de détection d’une approche sont d’autant meilleures que le rapport signal sur bruit augmente.
En plus des performances de détection, nous avons également étudié les performances de recherche d'une discontinuité en utilisant différentes approches multi-échelles.
Conclusions
Approches pour les prévisions de densité en plusieurs étapes avec application à l'énergie éolienne agrégée.The Annals of Applied Statistics. Dans l’article ci-dessous, l’approche que nous présentons vise à estimer l’incertitude associée à la prédiction du moment d’apparition d’une cassure d’un signal de production. Nous nous sommes limités aux résultats liés à l'estimation de l'incertitude liée à la prédiction du moment d'apparition d'une fracture.
First, we propose a methodology to characterize wind power generation ramps with a derivative filtering approach derived from the edge detection literature.
Introduction
Most existing wind power forecasting models are designed to provide point forecasts of expected future wind farm production. In [10, 11], two comprehensive reviews of the state-of-the-art in wind power forecasting are given. Forecasts of wind power variations made by high-resolution ensembles have been evaluated to some extent under offshore conditions [ 25 ].
In Section 4.3, we begin by discussing how to identify a predictive ramp event among a set of wind energy forecast time series.
Definition and characterization of a ramp event
Measuring time variations of wind power
Measuring variations and detecting edges in a signal has been widely considered in signal processing (for a literature review we refer to [28]). The most common approach consists of estimating the first order derivative of the signal through filtering. The filtered powerpft is simply the difference between the levels of average power from both sides of the instant.
The choice of the value of ofnis is described in more detail in the case study presented in section 4.4.1.
Ramp detection and characterization
They are here defined by the times when the absolute value of the filtered signal pft crosses the thresholdτ upwards and downwards. It is clear that the length of the support depends on the value of the threshold. In fact, ramp support should be considered a necessary feature to develop our forecasting approach, but is not essential for the definition of the event.
We choose to associate a ramp event timetr(ts≤tr≤te), called the timing of the ramp, for which the absolute value of the filtered signal pft reaches its maximum magnitude.
Forecasting ramp events using ensemble wind power forecasts
Forecasting an ensemble of ramp characteristics
As a result, deviations in power predictions are expected to be lower on average than deviations in measurements. An alternative approach is to choose the value of this threshold according to some other desired properties of the ramp prediction methodology under consideration. In Section 4.4, we investigate the performance of the proposed ramp prediction approach for different values of this threshold.
Once we have chosen an appropriate value for the thresholdˆτ parameter, the filtering/threshold approach can be applied to each member of the ensemble of wind power forecast time series.
Clustering an ensemble of ramp characteristics
Once predicted events have been identified using one of the proposed clustering approaches, we count the number of forecasting members for each of them, taking care not to count each member more than once (e.g., a member can count the event twice or more times predicted due to the streak phenomenon). We also predict an average timing of the event by averaging the timings predicted by the ensemble members. Considering the average intensity, we finally get a complete characterization of the predicted event from the ensemble of predicted time series.
Ramps were detected using a time scale parameter of = 5 hours and a threshold parameterτˆ= 30% of the wind farm's nominal capacity.
Making probabilistic forecasts of ramp occurrence using ensembles
The distribution of the random variable Nmemused as an explanatory variable is strongly skewed to the right. First, a Nadarya-Watson estimator is used with varying bandwidth to introduce flexibility into our estimates and to adapt to the specific sample of the explanatory variable Nmem. The value Kλ(mi, m) gives the weighting of points mi near the target point m.
Logistic regression The logistic regression model allows us to derive the probability of a slope occurring from a linear function of the number of ensemble members predicting a slope.
Evaluation framework and results
The Case-Study
Further work could include multi-scale wind energy signal analysis using multi-scale edge detection techniques [28]. Note that our methodology is independent of the value of τ and that end users could make a more specific choice. To deal with the ensembles, we used the Random Forest procedure for each member of the NWP ensemble to obtain the corresponding ensemble of power forecasts.
With such a value we expect to describe most of the phase error distribution based on the considered set of prediction intervals.
Evaluating the capture of ramp events from ensemble-based forecasts . 100
However, such clustering approaches turn out to be much more computationally demanding when the number of ramp forecasts per cluster is increased (e.g. at decreasing τˆ). We can see that the probability of a ramp occurring in prediction intervals increases with. To illustrate the forecast product of the proposed method, the forecast scenario for 3 days ahead in Figure 4.2 is represented in Figure 4.5 with prediction intervals and associated probability forecasts of ramp occurrence.
The results apply to predictions derived from the cluster approachA2, withτˆ = 30%ofPn and the logistic regression model.
Conclusions and Perspectives
Nous nous intéressons maintenant à la précision des prédictions ponctuelles du moment d'apparition d'une variation soudaine et significative de la production. Pour prédire le moment d'apparition d'une rupture d'un signal de production, nous avons développé une approche basée sur l'utilisation de scénarios de production. Nous présentons ici les résultats de la prédiction du moment d'apparition d'une interruption des signaux de production obtenus pour deux autres exploitations.
FIGURE.2 – La racine carrée de l'erreur quadratique moyenne (graphique supérieur), l'erreur moyenne (graphique inférieur gauche) et l'écart type (graphique inférieur droit) des erreurs associées aux prédictions ponctuelles du moment d'apparition d'une cassure dans le signal de production. FIGURE A.5 – Racine carrée de l'erreur quadratique moyenne (graphique supérieur), de l'erreur médiane (graphique inférieur gauche) et de l'écart type (graphique inférieur droit) des erreurs associées aux prédictions ponctuelles du moment d'apparition d'une cassure dans le signal de production. TABLEAU.2 - Score Brier de la compétence BSSclim (pourcentage) par rapport à la climatologie, prédictions probabilistes de l'apparition du moment de rupture par ensembles à intervalles Iδ (δ en heures).
