Valeur de capacité de l'énergie solaire et de la production variable : Méthodes, métriques et implications pour les marchés

Table des matières

1. Introduction

Ce document constitue le rapport final du groupe de travail IEEE PES sur la valeur de capacité de l'énergie solaire. Il propose un examen critique des méthodologies utilisées pour évaluer la contribution de l'énergie solaire et d'autres ressources de production variable (VG) à la fiabilité du système électrique. Le défi central abordé est la quantification de la capacité « ferme » qu'une ressource variable comme le solaire peut fournir de manière fiable pendant les périodes de pointe de la demande, une métrique connue sous le nom de valeur de capacité ou crédit de capacité.

Ce travail s'appuie sur un rapport précédent du groupe de travail sur l'énergie éolienne, mais met spécifiquement l'accent sur les caractéristiques uniques du photovoltaïque (PV), telles que ses cycles diurnes/saisonniers marqués et ses corrélations spatiales distinctes. Il examine de manière critique les approches de modélisation, les fondements statistiques et l'intégration de la production variable aux mécanismes des marchés de capacité.

2. Évaluation de la ressource photovoltaïque

La production photovoltaïque (PV) est déterminée par l'irradiance solaire en surface, qui présente des cycles prévisibles mais est compliquée par la variabilité météorologique comme la couverture nuageuse. Un problème clé est la rareté des données de production à long terme et de haute qualité, ce qui oblige à s'appuyer sur des données modélisées. Cette section discute de l'importance de saisir avec précision :

Cycles diurnes et saisonniers : Les cycles quotidiens et annuels inhérents à la disponibilité solaire.
Corrélation spatiale et temporelle : La manière dont la production solaire est corrélée entre différents lieux et moments, affectant la valeur agrégée du portefeuille.
Facteurs technologiques et de conception : L'impact de l'orientation des panneaux, des systèmes de suivi solaire, et la différence fondamentale entre le PV et l'énergie solaire à concentration (CSP) avec stockage thermique.

3. Méthodes statistiques pour l'adéquation et la valeur de capacité

Cette section constitue le cœur méthodologique du document, détaillant les outils probabilistes et statistiques utilisés pour l'évaluation de l'adéquation.

3.1. Fondements probabilistes

Le fondement repose sur l'évaluation probabiliste de l'adéquation des ressources, qui évalue le risque d'une production insuffisante pour répondre à la demande (perte de charge). Les concepts clés incluent l'Espérance de Perte de Charge (LOLE) et l'Énergie Non Servie Attendue (EUE).

3.2. Approches d'estimation statistique

Étant donné la limitation des données, des méthodes statistiques robustes sont cruciales. Le document passe en revue les approches pour modéliser la distribution conjointe de la production variable et de la demande du système, en soulignant les conséquences de la rareté des données et la nécessité de capturer les dépendances de queue (événements extrêmes de faible production/forte demande).

3.3. Métriques de la valeur de capacité

Deux métriques principales sont discutées :

Capacité Effective de Transport de Charge (ELCC) : La quantité de charge constante supplémentaire qu'un système peut servir tout en maintenant le même indice de risque (par exemple, LOLE) après l'ajout de la ressource variable. Cette méthode est considérée comme la plus précise.
Capacité Ferme Équivalente (EFC) / Crédit de Capacité : Souvent exprimé en pourcentage de la puissance nominale de la ressource variable. Plus simple mais moins précis que l'ELCC.

Le calcul implique souvent un « test de fiabilité » comme celui utilisé par la North American Electric Reliability Corporation (NERC).

3.4. Intégration de la production variable aux marchés de capacité

Le document aborde le défi pratique d'intégrer la production variable aux marchés de capacité, conçus pour acquérir de la capacité ferme. Les problèmes clés incluent :

La détermination d'un facteur de déclassement pour les ressources variables.
La gestion de l'impact de la production variable sur les prix du marché et la suffisance des revenus pour les autres ressources.
La conception de règles de marché qui reflètent avec précision la valeur temporellement variable et dépendante des conditions météorologiques de la production variable.

3.5. Interaction avec le stockage d'énergie

Une brève discussion note que le stockage colocalisé (comme dans les systèmes CSP ou PV+batterie) peut fondamentalement modifier la valeur de capacité en décalant la production pour mieux coïncider avec les périodes de pointe de la demande.

4. Revue des études appliquées et des pratiques

Le document passe en revue les études industrielles et académiques récentes sur la valeur de capacité du solaire. Les résultats montrent une variation significative des valeurs calculées (souvent entre 10 et 50 % de la puissance nominale) en fonction de :

Localisation géographique : La qualité de la ressource solaire et sa corrélation avec les profils de demande locaux.
Niveau de pénétration : La valeur de capacité diminue généralement à mesure que la pénétration du solaire augmente en raison des effets de saturation.
Méthodologie utilisée : Les études utilisant l'ELCC rapportent généralement des valeurs inférieures à celles utilisant des métriques plus simples.
Flexibilité du système : La présence de ressources à rampe rapide ou de réponse de la demande peut améliorer la valeur de capacité du solaire.

5. Conclusions et besoins de recherche

Le document conclut qu'une évaluation précise de la valeur de capacité du solaire nécessite une modélisation statistique sophistiquée qui capture les relations complexes et dépendantes du temps entre la production variable et la demande. Les principales lacunes de recherche identifiées incluent :

Une meilleure modélisation des dépendances à long terme entre les ressources et la demande avec des données limitées.
Le développement de méthodologies standardisées et transparentes pour une utilisation dans les marchés de capacité.
Une meilleure compréhension de la valeur des portefeuilles solaires géographiquement diversifiés.
L'intégration des effets du changement climatique sur les schémas à long terme de la ressource solaire.

6. Analyse originale et commentaires d'experts

Perspective de l'analyste : Déconstruire la valeur de l'intermittence

Idée centrale : Ce rapport IEEE n'est pas seulement un manuel technique ; c'est un aveu franc que notre paradigme traditionnel et déterministe de planification du réseau est fondamentalement inadapté face aux énergies renouvelables. La véritable histoire ici est la transition douloureuse mais nécessaire de l'industrie, passant de la valorisation de la « capacité » en tant qu'actif physique à la valorisation de la « contribution probabiliste à la fiabilité ». L'accent intense du rapport sur des méthodes statistiques comme l'ELCC révèle une vérité critique : un mégawatt d'énergie solaire n'est pas créé égal. Sa valeur dépend entièrement du moment et du lieu où il est produit, exigeant une analyse hyper-contextuelle que la plupart des structures de marché existantes sont mal équipées pour gérer.

Enchaînement logique et lacune critique : Le rapport progresse logiquement de l'évaluation des ressources à la modélisation statistique, puis aux implications pour les marchés. Cependant, il expose une lacune opérationnelle flagrante. Bien qu'il détaille excellemment comment calculer la valeur de capacité, il sous-estime le « et maintenant ? » pour les opérateurs de système. Savoir que l'ELCC du solaire est de 25 % un après-midi d'été chaud est une chose ; disposer des systèmes de contrôle en temps réel, des signaux de marché et des ressources flexibles pour exploiter ces 25 % spécifiques en est une autre. Cela fait écho aux défis observés dans d'autres domaines appliquant des modèles complexes à des systèmes réels, comme les difficultés à traduire des modèles d'IA générative haute fidélité (comme ceux discutés dans l'article CycleGAN de Zhu et al. sur la traduction d'image à image non appariée) en applications robustes et prêtes pour la production sans garde-fous techniques significatifs.

Points forts et faiblesses : La force du rapport est sa rigueur technique implacable et sa démarcation claire entre les méthodes précises (ELCC) et les raccourcis pratiques mais imparfaits (pourcentages simples de crédit de capacité). Sa faiblesse, commune à de nombreuses revues académiques, est un léger détachement par rapport à la réalité économique brutale de la mise en œuvre. Il mentionne les marchés de capacité mais ne s'attaque pas pleinement à l'inertie politique et réglementaire qui empêche l'adoption de ces méthodes sophistiquées. Comme le note l'Agence Internationale de l'Énergie (AIE) dans son rapport « Power Systems in Transition », la réforme de la conception des marchés est souvent le principal goulot d'étranglement, et non la compréhension technique.

Perspectives actionnables : Pour les services publics et les régulateurs, la conclusion est urgente : arrêtez d'utiliser des facteurs de déclassement génériques. Testez immédiatement des évaluations basées sur l'ELCC pour les portefeuilles solaires. Pour les fournisseurs de technologie, l'opportunité réside dans le développement de logiciels et de plateformes d'analyse capables d'effectuer ces calculs de fiabilité complexes et spécifiques au lieu à grande échelle, en exploitant peut-être des techniques de statistiques spatiales et d'apprentissage automatique pour une meilleure modélisation à long terme des ressources. Le réseau électrique du futur sera géré par des algorithmes qui comprennent les distributions de probabilité, pas seulement les totaux de mégawatts, et ce rapport fournit le guide statistique essentiel pour cette transition.

7. Détails techniques et cadre mathématique

Le cœur de l'évaluation de la capacité réside dans les métriques probabilistes de fiabilité. L'Espérance de Perte de Charge (LOLE) est définie comme le nombre attendu de jours (ou d'heures) par période où la demande dépasse la capacité disponible :

$\text{LOLE} = E\left[ \sum_{t} I\left( D_t > C_t^{total} \right) \right]$

où $D_t$ est la demande au temps $t$, $C_t^{total}$ est la capacité totale disponible, et $I(\cdot)$ est la fonction indicatrice.

La Capacité Effective de Transport de Charge (ELCC) d'une centrale solaire est trouvée en résolvant l'équation pour la charge constante supplémentaire $L_{add}$ qui égalise le LOLE avant et après son ajout :

$\text{LOLE}_{\text{système original}}(L) = \text{LOLE}_{\text{système + solaire}}(L + L_{add})$

L'ELCC est alors $L_{add}$. Cela nécessite de modéliser la série temporelle de la production solaire $G_t^{solaire}$ comme un processus stochastique, en considérant souvent sa corrélation avec $D_t$.

Défi statistique clé : Modéliser la distribution conjointe $P(D_t, G_t^{solaire})$, en particulier sa queue (c'est-à-dire la probabilité d'une demande extrêmement élevée coïncidant avec une production solaire extrêmement faible). Des fonctions copules ou des modèles de séries temporelles avancés (par exemple, VAR, GARCH) peuvent être employés, comme référencé dans la littérature sur le risque financier et climatique.

8. Cadre d'analyse : Exemple d'étude de cas

Scénario : Évaluation de la valeur de capacité d'une centrale PV de 100 MW dans un système de service public du sud-ouest des États-Unis.

Collecte de données : Obtenir 5 ans ou plus de données historiques horaires de charge du système et de données d'irradiance solaire coïncidentes pour l'emplacement de la centrale (ou des données de substitution provenant de bases de données NASA/PVGIS).
Modélisation de la production PV : Convertir l'irradiance en production AC à l'aide d'un modèle de performance PV, en tenant compte de la température, de l'efficacité de l'onduleur et des pertes du système.
Établir le risque de base : À l'aide d'un modèle probabiliste d'adéquation des ressources (par exemple, une simulation de Monte Carlo séquentielle), calculer le LOLE du système en utilisant les générateurs conventionnels existants, en considérant les taux de défaillance forcée.
Calculer l'ELCC :
- Ajouter la série temporelle de production PV de 100 MW à la pile de capacité.
- Exécuter à nouveau le modèle d'adéquation pour trouver le nouveau LOLE, plus faible.
- Ajouter itérativement un bloc de charge constante au système original (sans PV) jusqu'à ce que son LOLE corresponde au LOLE du système avec PV.
- La quantité de charge constante ajoutée est l'ELCC. Par exemple, si l'ajout de 28 MW de charge rétablit le LOLE original, l'ELCC est de 28 MW, ce qui donne une valeur de capacité de 28 %.
Analyse de sensibilité : Répéter l'analyse pour différents scénarios de pénétration solaire, différentes années météorologiques, et avec l'ajout de 50 MW de stockage par batterie de 4 heures colocalisé avec le PV.

Perspective attendue : L'ELCC sera le plus élevé lorsque la production solaire est parfaitement corrélée avec les heures de pointe du système (souvent en fin d'après-midi en été). L'ajout de stockage augmentera probablement l'ELCC de manière significative, car il permet de décaler une partie de la production vers la pointe du soir.

9. Applications futures et orientations

Les méthodologies décrites sont prêtes à évoluer et à s'appliquer plus largement :

Valorisation des ressources hybrides : Le cadre sera crucial pour valoriser les centrales hybrides (PV+éolien+stockage), où la valeur de capacité est non linéaire et supérieure à la somme de ses parties.
Adéquation au niveau de la distribution : À mesure que le solaire distribué prolifère, des méthodes probabilistes similaires seront nécessaires pour évaluer l'adéquation du réseau local et la capacité d'accueil, dépassant les simples règles empiriques du type « 15 % de la pointe ».
Planification ajustée au climat : Intégrer les projections des modèles climatiques pour évaluer comment l'évolution des schémas de nuages, des vagues de chaleur et des profils de demande affectera la valeur de capacité à long terme du solaire sur une durée de vie d'actif de 30 ans.
Amélioration par l'apprentissage automatique : Utiliser des réseaux antagonistes génératifs (GAN) ou des modèles de type transformateur pour créer des séries temporelles synthétiques à long terme de demande et de production variable corrélées à partir de données historiques limitées, améliorant ainsi la confiance statistique. Cette approche s'inspire des avancées dans la création de données synthétiques réalistes dans d'autres domaines.
Marchés de capacité dynamiques : Les marchés futurs pourraient évoluer vers des crédits de capacité variant dans le temps ou spécifiques au lieu, calculés en quasi-temps réel sur la base des prévisions météorologiques et des conditions du système, nécessitant l'utilisation intégrée des modèles décrits dans ce rapport.

10. Références

Groupe de travail IEEE PES sur la valeur de capacité de l'énergie éolienne, « Capacity Value of Wind Power », IEEE Transactions on Power Systems, vol. 29, n° 3, pp. 1363-1372, mai 2014.
North American Electric Reliability Corporation (NERC), « Methods to Model and Calculate Capacity Contributions of Variable Generation for Resource Adequacy Planning », Rapport NERC, mars 2011.
Agence Internationale de l'Énergie (AIE), « Power Systems in Transition », 2020. [En ligne]. Disponible : https://www.iea.org/reports/power-systems-in-transition
J. Zhu, T. Park, P. Isola, A. A. Efros, « Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks », dans Proc. IEEE ICCV, 2017. (Cité comme exemple de modélisation générative avancée pertinente pour la création de données synthétiques pour la production variable).
P. Denholm et al., « The Role of Energy Storage with Renewable Electricity Generation », National Renewable Energy Laboratory (NREL) Rapport Technique NREL/TP-6A2-47187, 2010.
R. Sioshansi, P. Denholm, T. Jenkin, J. Weiss, « Estimating the Value of Electricity Storage in PJM: Arbitrage and Some Welfare Effects », Energy Economics, vol. 31, n° 2, pp. 269-277, 2009.