1. Introduction
La transition vers les énergies renouvelables est impérative pour atteindre les objectifs climatiques, mais la variabilité inhérente de l'éolien et du solaire pose un défi fondamental pour la stabilité du réseau. Cet article confronte la critique fondatrice de H.-W. Sinn, qui soutenait que l'atténuation de cette variabilité nécessiterait une capacité de stockage par pompage-turbinage « plusieurs ordres de grandeur supérieure » à celle actuellement disponible en Allemagne, reléguant ainsi les renouvelables à un rôle secondaire soutenu par des centrales conventionnelles. Les auteurs présentent un contre-argument, proposant une stratégie tripartite — surcapacité, compteurs intelligents et technologie optimisée — pour réduire drastiquement les besoins en stockage et permettre un système électrique 100 % éolien-solaire, potentiellement extensible pour répondre à des demandes énergétiques plus larges.
2. Le problème de variabilité et le défi de Sinn
Le principal inconvénient de l'énergie éolienne et solaire est leur dépendance à des conditions météorologiques variables, entraînant une production fluctuante. Cela crée un déséquilibre entre la production ($P_v$) et la demande ($P_d$). L'analyse de Sinn a mis en lumière l'ampleur immense du stockage nécessaire pour tamponner ces fluctuations, concluant à son infaisabilité économique et pratique, nécessitant ainsi des centrales de secours fossiles. La thèse centrale de cet article est de remettre en cause cette conclusion en redéfinissant les paramètres du problème.
2.1. Quantification de la variabilité et des besoins en stockage
La variabilité est définie comme la fluctuation autour de la moyenne annuelle. La capacité de stockage requise $E_{sf}^{max}$ est définie comme la différence entre le maximum et le minimum de l'intégrale de la puissance nette fluctuante $E_{sf}(t) = E_{vf}(t) - E_{df}(t)$, où $E_{vf}$ et $E_{df}$ sont respectivement les parties fluctuantes de la production variable et de la demande.
3. Le cadre de solution proposé
Les auteurs proposent une approche synergique à trois volets pour réduire la variabilité effective et donc le besoin de stockage calculé par Sinn.
3.1. Surcapacité (Surdimensionnement)
Déployer plus de capacité éolienne et solaire que nécessaire pour la demande moyenne ($P_{va} > P_{da}$) garantit que même dans des conditions sous-optimales, une puissance suffisante est produite. Cela réduit l'ampleur et la fréquence des déficits de production, lissant la courbe $E_{vf}(t)$.
3.2. Compteurs intelligents et gestion de la demande
La réponse intelligente de la demande via les compteurs intelligents permet de décaler la consommation ($P_{df}$) pour l'aligner sur les périodes de forte production. Ce « façonnage de la charge » réduit activement la fluctuation nette $P_{sf} = P_{vf} - P_{df}$, utilisant efficacement la demande comme une ressource de stockage virtuelle.
3.3. Optimisation technologique : éoliennes pour vents faibles et solaire pour faible luminosité
Aller au-delà du matériel standard optimisé pour l'efficacité. L'utilisation d'éoliennes conçues pour des vitesses de vent plus faibles et de panneaux solaires efficaces sous une lumière diffuse (par exemple, cellules pérovskite ou bifaciales) élargit le profil de production, réduit les périodes de production nulle et rend la production plus prévisible et moins « en pics ».
4. Cadre mathématique et résultats
L'analyse s'appuie sur un modèle mathématique clair appliqué aux données réelles du réseau allemand de 2019.
4.1. Équations de bilan de puissance
Les équations fondamentales régissant le système sont : $$P_{va} = P_{da}$$ $$P_{sf} = P_{vf} - P_{df}$$ L'énergie stockée est l'intégrale : $E_{sf}(t) = \int_0^t P_{sf} \, dt = E_{vf}(t) - E_{df}(t)$. La métrique critique est la capacité de stockage requise : $E_{sf}^{max} = \max_t\{E_{sf}(t)\} - \min_t\{E_{sf}(t)\}$.
4.2. Analyse dimensionnelle et application des données de 2019
En utilisant les données de 2019 : $P_{da} = 56.4$ GW, $\hat{P}_{va}$ mesuré = 18.9 GW. Pour répondre à la demande uniquement avec de l'éolien-solaire, la production est mise à l'échelle par un facteur $s = P_{da} / \hat{P}_{va} \approx 3$. L'hypothèse clé est que le motif de fluctuation s'adapte linéairement. L'application des trois stratégies proposées dans ce modèle mis à l'échelle montre une réduction spectaculaire du $E_{sf}^{max}$ calculé par rapport au scénario de référence de Sinn, suggérant la faisabilité.
Donnée clé (2019, Allemagne)
Demande électrique moyenne ($P_{da}$) : 56.4 GW
Production variable moyenne ($\hat{P}_{va}$) : 18.9 GW
Facteur d'échelle requis ($s$) : ~3.0
5. Analyse critique et perspective industrielle
Idée centrale
L'article de Lustfeld n'est pas seulement une réfutation technique ; c'est un pivot stratégique d'une vision centrée sur le stockage vers une vision d'ingénierie des systèmes pour la décarbonation du réseau. La véritable avancée est de reconnaître que le problème n'est pas seulement de lisser l'offre variable, mais de gérer dynamiquement la relation entre l'offre et la demande. Cela s'aligne sur les principes d'architecture des réseaux modernes d'institutions comme le National Renewable Energy Laboratory (NREL) américain, qui mettent l'accent sur les « systèmes hybrides » et la flexibilité.
Logique et points forts
La logique est convaincante : 1) Reconnaître le calcul décourageant du stockage de Sinn. 2) Introduire trois leviers non-stockage (surdimensionnement, demande intelligente, meilleure technologie). 3) Montrer mathématiquement comment ces leviers réduisent directement l'écart de stockage. Sa force réside dans l'utilisation de données allemandes réelles et granulaires (15 minutes) — un cas de forte pénétration des renouvelables — ce qui rend l'analyse crédible. L'accent mis sur le choix technologique (éoliennes pour vents faibles) est particulièrement astucieux, allant au-delà des modèles financiers vers l'innovation matérielle.
Faiblesses et lacunes
Cependant, l'article présente des angles morts significatifs. Premièrement, l'hypothèse d'échelle linéaire est une simplification majeure. Déployer 3 fois la capacité ne triplera pas simplement les profils de production ; la diversification géographique et la congestion du réseau créeront des effets non linéaires. Deuxièmement, il sous-estime les coûts d'intégration. Le surdimensionnement conduit à des mises à l'arrêt massives pendant les pics de production, détruisant l'économie des actifs à moins d'être couplé à un stockage ultra-économique ou à la production d'hydrogène — un point souligné dans les études récentes du MIT et de Princeton Net-Zero America. Troisièmement, la faisabilité sociale et réglementaire d'une gestion généralisée de la demande est survolée.
Perspectives actionnables
Pour les décideurs politiques et les investisseurs, la conclusion est claire : Arrêter de se focaliser uniquement sur le stockage. L'approche par portefeuille est clé :
- Réglementer pour la flexibilité : Imposer le déploiement des compteurs intelligents et créer des marchés pour la réponse à la demande, à l'instar des modèles britannique ou californien.
- Investir dans les technologies de niche : Financer la R&D pour le solaire en faible luminosité et les éoliennes pour vents faibles, pas seulement les gains d'efficacité incrémentaux des modèles standards.
- Planifier le surdimensionnement et les mises à l'arrêt : Intégrer des installations de production d'« hydrogène vert » comme puits stratégique pour l'excédent de production renouvelable, transformant un coût en un flux de revenus potentiel.
6. Détails techniques et aperçus expérimentaux
L'analyse repose sur la décomposition des données de puissance en composantes moyenne et fluctuante. La figure 1 de l'article (référencée mais non affichée ici) représenterait typiquement l'énergie de fluctuation intégrée $E_{df}(t)$ pour la demande au fil du temps, montrant l'écart cumulé par rapport à la moyenne. Le « stockage requis » $E_{sf}^{max}$ est visuellement la distance verticale entre le pic et le creux de la courbe d'énergie de fluctuation nette $E_{sf}(t)$ après application de la mise à l'échelle et des ajustements stratégiques. Le résultat démontre qu'avec les mesures proposées, cette distance pic-creux — et donc la capacité de stockage nécessaire — est bien plus petite que dans un scénario naïf d'adaptation à la variabilité.
7. Cadre d'analyse : une étude de cas simplifiée
Scénario : Un réseau régional avec une demande moyenne de 1 GW. La production variable historique moyenne est de 0.4 GW avec de fortes fluctuations. Approche traditionnelle (Sinn) : Mettre la production à l'échelle de 1 GW. La fluctuation nette résultante $E_{sf}(t)$ est importante, nécessitant un stockage massif. Approche intégrée (Lustfeld) : 1. Surdimensionnement : Installer 2.5 GW de capacité. La production moyenne devient >1 GW, aplatissant la courbe $E_{vf}$. 2. Demande intelligente : Décaler 0.2 GW de charge industrielle (par exemple, recharge de VE, chauffage de l'eau) vers les heures de pointe de production, réduisant $P_{df}$ pendant les creux. 3. Meilleure technologie : Utiliser des éoliennes qui produisent avec un facteur de charge de 15% par vent faible contre 5% pour les standards, éliminant certains creux de production. Résultat : La courbe modifiée $E_{sf}(t)$ a une amplitude significativement réduite. Le $E_{sf}^{max}$ calculé pourrait être inférieur de 60 à 70 % à celui de l'approche traditionnelle, démontrant le principe sans simulation complexe.
8. Applications futures et axes de recherche
Le cadre ouvre plusieurs voies critiques :
- Systèmes multi-énergies : Appliquer cette logique au couplage sectoriel — utiliser l'excédent d'électricité pour la chaleur (power-to-heat), le transport (VE) et la production d'hydrogène (power-to-gas). Cela crée des puits de demande flexibles capables d'absorber la production excédentaire.
- Répartition optimisée par IA : Intégrer l'apprentissage automatique (similaire aux techniques utilisées pour optimiser d'autres systèmes complexes comme en physique computationnelle) pour prédire la production et tarifer dynamiquement la réponse à la demande en temps réel.
- Optimisation du portefeuille géographique et technologique : Étendre le modèle pour optimiser le mix éolien terrestre/offshore, solaire PV, CSP, et l'implantation d'éoliennes pour vents faibles à travers l'Europe afin de minimiser la variabilité à l'échelle continentale.
- Intégration du stockage longue durée : Combiner cette approche avec les technologies de stockage longue durée émergentes (par exemple, batteries à flux, air comprimé) pour gérer les événements de variabilité résiduels sur plusieurs jours.
9. Références
- Sinn, H.-W. (2017). Buffering volatility: A study on the limits of Germany's energy revolution. European Economic Review, 99, 130-156.
- German Federal Ministry for Economic Affairs and Energy. (2020). Energy Storage Monitoring Report.
- Fraunhofer Institute for Solar Energy Systems (ISE). (2020). Energy Charts [Data set]. Retrieved from https://www.energy-charts.de
- International Energy Agency (IEA). (2020). World Energy Outlook 2020. Paris: IEA Publications.
- National Renewable Energy Laboratory (NREL). (2021). Hybrid Renewable Energy Systems. Retrieved from https://www.nrel.gov/research/hybrid-systems.html
- Jenkins, J. D., Luke, M., & Thermstrom, S. (2018). Getting to Zero Carbon Emissions in the Electric Power Sector. Joule, 2(12), 2498-2510.
- MIT Energy Initiative. (2019). The Future of Energy Storage.