République Tunisienne Ministère de l’Enseignement Supérieur , de  Recherche Scientifique et de ...
Download
1 / 44

ESTIMATION DYNAMIQUE DES PARAMETRES CLIMATIQUES SOLAIRES - PowerPoint PPT Presentation


  • 78 Views
  • Uploaded on

République Tunisienne Ministère de l’Enseignement Supérieur , de Recherche Scientifique et de la Technologie. Université de Sfax École Nationale d’Ingénieurs de SFAX Département Génie Électrique. Conférence Mastère CEER. ESTIMATION DYNAMIQUE DES PARAMETRES CLIMATIQUES SOLAIRES.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' ESTIMATION DYNAMIQUE DES PARAMETRES CLIMATIQUES SOLAIRES' - verda


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

République Tunisienne Ministère de l’Enseignement Supérieur , de Recherche Scientifique et de la Technologie

Université de Sfax

École Nationale d’Ingénieurs de SFAX

Département Génie Électrique

Conférence

Mastère CEER

ESTIMATION DYNAMIQUE DES PARAMETRES CLIMATIQUES SOLAIRES

Maher CHAABENE (ISET Sfax)


SOMMAIRE Supérieur , de Recherche Scientifique et de la Technologie

  • Introduction

  • Modélisation des paramètres climatiques

  • Estimation du comportement des paramètres climatiques

    • Prédiction à long terme

    • Prédiction à moyen terme

    • Prédiction à court terme

  • Exemple de simulation

  • Conclusion


Introduction Supérieur , de Recherche Scientifique et de la Technologie

I:Ensoleillement

T:Température ambiante

Système de conversion de l’énergie solaire

(SCES)

  • Thermique

Énergie

  • Électrique

  • Autres

Trois problèmes se posent :

Comment dimensionner le système?

Comment planifier l’énergie produite?

Comment extraire le maximum d’énergie?


Introduction Supérieur , de Recherche Scientifique et de la Technologie

Premier problème

Étude du comportement

à long terme de I et T

La nécessité de la prédiction à long terme de I et T

Détermination

des performances du site

Dimensionnement

du système

Installation du système


Introduction Supérieur , de Recherche Scientifique et de la Technologie

Deuxième problème

Étude du comportement

de I(j+1)et T(j+1)

La nécessité de la prédiction à moyen terme de I et T

Planification de l’énergie produite pour le jour (j+1)

d’un système déjà installé


Introduction Supérieur , de Recherche Scientifique et de la Technologie

Troisième problème

Étude du comportement

de I(j,t+1) et T(j,t+1)

La nécessité de la prédiction à court terme de I et T

Commande

Système déjà installé


Solution

Introduction Supérieur , de Recherche Scientifique et de la Technologie

Solution

  • Établir des modèles pour caractériser les paramètres climatiques.

  • Estimer les comportements des paramètres climatiques.

  • Exploiter les estimations pour conduire:

    • Le dimensionnement des SCES,

    • La planification de l’énergie produite par les SCES,

    • La commande des actionneurs des SCES.


Mod lisation des param tres climatiques

Perturbations (État du ciel) Supérieur , de Recherche Scientifique et de la Technologie

Équations physiques

Latitude

Modèle de connaissance

Modèle empirique

Longitude

Date / heure

Modélisation des paramètres climatiques

Plusieurs méthodes de modélisation peuvent être engagées.

  • Modèles de connaissance : on se base sur les équations physiques des signaux pour former un modèle empirique.


Modélisation des paramètres climatiques Supérieur , de Recherche Scientifique et de la Technologie

  • Modèle physique : on se base sur des mesures effectuées sur le système pour définir un modèle de représentation du système. Plusieurs approches peuvent être adoptées :

    • Les méthodes MCR et MCNR: Moindres carrées récursives et non récursives (minimisation d’un critère quadratique).

    • Les modèles ARMA :Auto Regressive MovingAverage (calcul des polynômes caractéristiques),

    • L’approchefloue : calcul de règles floues (connaissance de l’expert),

    • Les réseaux de neurones : principe d’apprentissage.

    • L’approche Neuro-Floue : en utilisant ANFIS (Adaptive Network Fuzzy Inference System)

    • Etc.…


Base de mesures

Modèle physique

  • Base de - critères

  • règles

Modélisation des paramètres climatiques

Élaboration d’un modèle physique


Modélisation des paramètres climatiques Supérieur , de Recherche Scientifique et de la Technologie

Critiques

Modèles de connaissance

Modèles physiques

  • Font appel à un très grand nombre de paramètres et d’équations.

  • Exigent une information sur les perturbations (état du ciel).

  •  Modèle complexe et temps de calcul énorme.

  • Traduisent le comportement réel du système.

  • Tiennent compte des perturbations agissant sur le système.

  • Nécessite une base de données et les connaissances d’un expert.

  •  Modèle intelligent et simplifié.


Estimation du comportement Supérieur , de Recherche Scientifique et de la Technologie

des paramètres climatiques

  • Trois types d’estimation de I et T sont à développer selon l’application.

    • Prédiction à long terme : pour dimensionner un SCES

    • Prédiction à moyen terme : pour planifier l’énergie produite par un SCES

    • Prédiction à court terme : pour commander un SCES


Pr diction long terme

Prédiction à long terme Supérieur , de Recherche Scientifique et de la Technologie

Prédiction à long terme

La méthode d’estimation du comportement de Iet T à long terme sebase sur :

  • Le calcul des heures de lever (GMTL) et de coucher (GMTC) du soleil.

  • L’exploitation des moyennes journalières mensuelles de :

  • l’ensoleillement global cumulé I .

  • La température minimale Tminet maximale Tmax


j Supérieur , de Recherche Scientifique et de la Technologie

jour

Calcul des heures de lever et de coucher du soleil

m

mois

GMTL

GMTC

m

G(m)

Tmin(m)

Tmax(m)

Moyennes journalières mensuelles sur 20 ans

Prédiction à long terme

Principe de la prédiction à long terme

Modèle de distribution des paramètres climatiques

Le vecteur d’estimation des paramètres climatiques à long terme


est la longueur du jour, calculée par : Supérieur , de Recherche Scientifique et de la Technologie

Prédiction à long terme de l’ensoleillement

Modèle de distribution de l’ensoleillement

Le rayonnement solaire est estimé en utilisant une distribution gaussienne telle que :

Avec

OùG(m) estla moyenne journalière mensuelle de la quantité d'énergie solaire cumulée.


Avec et sont respectivement les heures de coucher et de lever du soleil du jour j, calculées par l’équation :

pour le coucher du soleil et pour le lever

:L’équation du calcul du temps exprimé par :

Prédiction à long terme de l’ensoleillement


est le temps compté depuis le lever du soleil pour le les heures de coucher et de lever du soleil du jour jour j.

Prédiction à long terme de la température ambiante

Modèle de distribution de la température ambiante

L’évolution de la température ambiante estimée est calculée selon la distribution sinusoïdale :

Tmin(m) et Tmax(m) sont les moyennes journalières mensuellesdela température minimale et maximale.


Prédiction à moyen terme les heures de coucher et de lever du soleil du jour

  • La méthode d’estimation à moyen terme du comportement de I(j,t) et T(j,t) , se base respectivement sur l’exploitation de:

  • la quantité d’énergie reçue G(j-1),

  • la température minimale Tmin(j-1),

  • la température maximale Tmax(j-1),


m les heures de coucher et de lever du soleil du jour

Calcul des heures de lever et de coucher du soleil

mois

j

jour

GMTL

GMTC

j

G(j-1)

Tmin(j-1)

Tmax(j-1)

Station météorologique

Prédiction à moyen terme

Principe de la prédiction à moyen terme

Modèles de distribution des paramètres climatiques

Le vecteur d’ estimation des paramètres climatiques à moyen terme est :


est donc donné par l’équation : les heures de coucher et de lever du soleil du jour

Prédiction à moyen terme de l’ ensoleillement

Modèle de distribution à moyen terme de l’ensoleillement

L’ensoleillement maximal reçu durant le jour j est calculé par utilisation de l’équation :


Les longueurs des jours et sont calculées par l’équation

Prédiction à moyen terme de l’ensoleillement

La distribution estimée de l’ensoleillement se calcule en utilisant la même distribution gaussienne :


La température ambiante estimée pour le jour j est calculée selon la distribution sinusoïdale :

Prédiction à moyen terme de la température ambiante

Modèle de distribution à moyen terme de la température ambiante

Tmin(j-1) et Tmax(j-1) sont les températures minimales et maximales du jour (j-1)

t est le temps écoulé depuis le lever du soleil pour le jour j


Prédiction à court terme

L’estimation à court terme du comportement de I et T en fonction du temps exige le passage par les étapes suivantes :

  • Le calcul des paramètres des vecteurs des polynômes du modèle ARMA.

  • L’estimation des paramètres climatiques en utilisant un filtre de Kalman.


m

m

Calcul des heures de lever et de coucher du soleil

Calcul des heures de lever et de coucher du soleil

mois

mois

j

j

jour

jour

Modèle de distribution des paramètres climatiques

Modèle de distribution des paramètres climatiques

GMTL

GMTC

GMTL

GMTC

A(q-1)

C(q-1)

Station météorologique

Station météorologique

j

j

G(j-1)

Tmin(j-1)

Tmax(j-1)

G(j-1)

Tmin(j-1)

Tmax(j-1)

Prédiction à moyen terme

Prédiction à court terme

Principe de prédiction à court terme

Modèle ARMA

Filtre de Kalman

La valeurestimée pour le pas (k+1) à partir des k dernières valeurs mesurées précédemment


  • au vecteur   qui représente les dernières mesures fournies par la station météorologique pendant le jour j :

Prédiction à court terme

La prédiction à court terme est conduite grâce à un filtre de Kalman qui fait appel :


est la sortie du système à l’instant k.

et

sont des polynômes, données par :

est un bruit blanc.

Prédiction à court terme

Modèle ARMA

Le modèle ARMA(Auto-Regressive Moving Average) qui décrit les systèmes sans entrée, est représenté par l’équation suivante :


et sont des bruits.

et sont les matrices formées par les coefficients des polynômes et .

Prédiction à court terme

Filtre de Kalman

Le comportement dynamique d'un système est décrit par deux vecteurs :

  • Le vecteur simplifié d'état:

  • Le vecteur de sortie :


: On estime en utilisant des mesures jusqu'à .

: On estime sur la base des mesures jusqu'à .

Cette étape consiste à évaluer la valeur estimée par l’équation :

Prédiction à court terme

Le principe de filtrage repose sur deux étapes de calcul :

  • Équation de mise à jour de la mesure :

  • Équation mise à jour du temps : 


Exemple de Simulation

Les données des mesures, qui ont servi à la simulation et à la validation de l’approche, ont été prises du Centre de Recherche en Technologie de l’Énergie (CRTEn).

Les relevées représentent l’ensoleillement capté au sol et la température ambiante chaque 5mn.

Deux interfaces Homme/Machine (IHM) ont été élaborées en utilisant le logiciel Matlab :

  • Interface de simulation

  • Interface de validation


Simulation et validation

Organigramme général

Trois résultats sont offerts par l’organigramme général  :

  • l’estimationde l’évolution à long terme des paramètres climatiques .

  • le comportement à moyen terme des paramètres climatiques .

  • Prédiction à court terme des paramètres climatiques .


Simulation et validation

Jour : j

Mois : m

Latitude : L

Longitude : a

m

Moyennes journalières mensuelles sur 20 ans

J, m, L, a

Station météorologique

Calcul des heures de lever et de coucher du soleil

Modèle de distribution des paramètres climatiques à moyen terme

A(q-1)

C(q-1)

Modèle ARMA

Modèle de distribution des paramètres climatiques à long terme

Filtre de Kalman


Jour : j

Mois : m

Latitude : L

Longitude : a

m

Moyennes journalières mensuelles sur 20 ans

J, m, L, a

Station météorologique

Calcul des heures de lever et de coucher du soleil

Modèle de distribution des paramètres climatiques à moyen terme

A(q-1)

C(q-1)

Modèle ARMA

Modèle de distribution des paramètres climatiques à long terme

Filtre de Kalman

Prédiction à moyen terme

Prédiction à court terme

Prédiction à long terme


Simulation et validation

Interface de simulation

Suite au lancement de chaque type de prédiction, l’interface offre :

  • L’affichage des paramètres d’entrée : G , Tmin , Tmax .

  • Le traçage des courbes des mesures effectuées sur site et celles relatives au modèle de distribution des paramètres climatiques. on distingue deux graphes :

  • Courbe de prédiction de l’ensoleillement.

  • Courbe de prédiction de la température ambiante.

  • L’affichage des erreurs pour chaque graphe. 


Simulation et validation

L’interface de simulation est composé de :

Affichage des erreurs

Choix de la date

Graphe pour L’ensoleillement

L’ensoleillement cumulé

la température minimale

la températuremaximale

Graphe pour La température ambiante

Choix du type de prédiction


Simulation et validation

L’interface de simulation donne alors, selon le choix de l’opérateur, trois types de prédiction des paramètres climatiques :

Prédiction à court terme

Prédiction à moyen terme

Prédiction à long terme


Simulation et validation

L’interface offre aussi deux types d’erreur :

  • Erreur quadratique NRMSE :(Normalized Root Mean Square Error) permet d’évaluer la précision des prédictions Moyen terme et Court terme. Cette erreur est calculée par :

N :est le nombre des mesures.

  • Erreur moyenne NMBE (Normalized Mean Bias Error) donne une idée sur la précision de la prédiction long terme. Cette erreur est calculée par l’équation :


Simulation et validation

Interface de validation

Cette interface est composée de trois graphes munis de fenêtres pour afficher les erreurs NRMSE et NMBE.

Chaque graphe contient quatre courbes tracées à chaque lancement d’une prédiction pour une date qui sont :

  • La courbe des valeurs mesurées (en bleu)

  • La courbe des valeurs prédites à long terme (en magenta)

  • La courbe des valeurs prédites à moyen terme (en vert)

  • La courbe des valeurs prédites à court terme (en rouge)


Simulation et validation

  • Les deux premiers graphes assurent la validation:

  • Le premier est réservé aux courbes de l’ensoleillement.

  • Le deuxième offre l’évolution de la température ambiante

  • Le troisième graphe donne un exemple d’exploitation des prédictions effectuées. On a choisit de tracer les courbes des puissances délivrées pour un panneau photovoltaïque (PV).

Pour mener les expériences de validation nous avons choisie une association de 20 panneaux photovoltaïque (PV) fournissant chacun 50Wp. La puissance totale de l’ensemble est 1kWp.


  : La tension aux bornes du panneau PV qui est fixée à   ; grâce à une batterie.

 : L’ensoleillement global

: La température ambiante

Simulation et validation

Le modèle de la puissance délivrée par le panneau PV, en fonction de l’ensoleillement et de la température ambiante, est exprimée par l’équation:

Les figures suivantes donnent les interfaces de validation et d’exploitation pour 4 jours choisis pour des dates différentes de l’année 2005.


Validation des prédictions des paramètres climatiques pour le 1 Août 2005

Validation des prédictions des paramètres climatiques pour le 1 juillet 2005

Validation des prédictions des paramètres climatiques pour le 28 Septembre 2005

Validation des prédictions des paramètres climatiques pour le 15 Octobre 2005


A travers ces validations, on remarque que : les courbes prédites et celles mesurées présentent une grande concordance.


Conclusion prédites et celles mesurées présentent une grande concordance.

Cette conférence s’est intéressée à l’estimation dynamique des paramètres climatiques solaires. Après avoir présenter les méthodes de modélisation des paramètres climatiques, des approches d’estimation à long, moyen et court terme ont été données. Pour ce fait,

  • une base de données des moyennes journalières mensuelles a été exploitée en vue de délivrer une estimation à long terme grâce à une distribution temporelle.

  • La prédiction moyen terme s’est basée sur les valeurs, enregistrées par une chaîne d’acquisition, du jour précédent pour déterminer l’évolution des paramètres climatiques au cours d’une journée.


Conclusion prédites et celles mesurées présentent une grande concordance.

  • En fin, la prédiction à court terme (pas de temps de 5mn) est établie en se basant sur le modèle ARMA de la prédiction moyen terme et un filtre de Kalman faisant appel aux mesures prises durant la même journée.

La validation des simulations a été assurée grâce à des relevées prises au Centre de Recherche en Technologie de l’Energie (CRTEn).

Comme application des prédictions établies, un modèle d’un panneau photovoltaïque a été utilisé pour prédire la puissance de sortie à long, moyen et court terme.


Merci pour votre attention prédites et celles mesurées présentent une grande concordance.

[email protected]

[email protected]

[email protected]


ad