Par Reda Tahiri, consultant énergie et mobilité chez Wavestone

Le vent souffle fort sur les éoliennes françaises. En voulant « accélérer la transition écologique » et avancer dans le « développement massif des énergies renouvelables », le gouvernement français met l’accent sur l’importance de l’énergie éolienne. Le 28 août 2021, le premier ministre Jean Castex a fait une déclaration depuis le chantier de Saint-Nazaire (Loire-Atlantique), au large duquel le tout premier parc éolien français en mer (non-pilote) sera mis en service fin 2022. Tout un symbole. (1)

L’éolien un développement français

Le gouvernement lancera sept nouveaux appels d’offres pour amplifier le développement des parcs éoliens offshore (maritime) en France. Le premier ministre annonce qu’au cours des cinq prochaines années, plus de 25 milliards d’euros d’investissements seront réalisés dans les énergies renouvelables, permettant de soutenir la création de plus de 25 gigawatts de capacités de production solaire, éolienne terrestre et maritime, et hydroélectrique.

En 2020, plus de 19 % de l’électricité produite en France était d’origine renouvelable. L’hydraulique arrivait en tête (13.5% de la consommation électrique en 2020), suivi des parcs éoliens français (8.8%) et le solaire (2.8%). Malgré une place prépondérante de l’hydraulique dans la production d’électricité, la croissance était portée par le développement de l’éolien et du solaire (94% de la puissance ajoutée en énergie renouvelable en 2020). (2)

L’éolien reste sujet à controverses et dans un contexte d’élections les décideurs politiques ont dû se positionner sur l’installation de nouvelles capacités. Pour atteindre l’objectif de 40% d’électricité produite d’origine renouvelable (ou 32% de l’énergie) à horizon 2030 fixée par le ministère de l’écologie, l’installation de nouvelles capacités solaires, éoliennes terrestres et maritimes est urgente.

« Plus que l’éolien terrestre, c’est le développement des parcs éoliens en mer qui doit constituer, après le solaire, le deuxième axe prioritaire » de la stratégie française dans le renouvelable affirme le Premier ministre.

Il confirme le souhait du gouvernement de lancer un nouveau parc éolien en Normandie, à côté du projet existant situé au large de Barfleur. Cette stratégie d’expansion des parcs existants ou en construction s’inspire des stratégies payantes aux Pays-Bas et en Belgique.

Cela permet, de réduire les coûts d’installation et d’opération, tout en mettant à la concurrence des lots. (3)

Les projets éoliens marins français, selon le gouvernement français (4)

Plusieurs facteurs (et non des moindres) jouent en effet en faveur des parcs éoliens en mer. D’une part, leur coût devrait diminuer plus rapidement que celui des parcs terrestres (Wiser et al., 2016 (5)). D’autre part, grâce aux améliorations technologiques, ils deviennent plus efficaces : les facteurs de capacité des éoliennes offshore atteignent déjà 40 à 50% (Agence internationale de l’énergie 2019 (6)).

La source d’énergie la plus compétitive pour un kWh généré par comté aux Etats-Unis en 2019 (7)

Des défis multiples liés à l’intégration de l’énergie renouvelable dans le réseau existant

Cependant, il faut garder à l’esprit les nombreux défis auxquels sont confrontés les exploitants de parcs renouvelables.

Tout d’abord l’essence même des sources éoliennes et solaires est d’être fluctuantes. Car dépendantes directement des conditions météorologiques qui sont incontrôlables. Or la fiabilité d’un réseau énergétique est étroitement liée à sa stabilité (8 Pourquoi la flexibilité des réseaux électriques est-elle en train de devenir un enjeu majeur ?).

Soutenu par des prix compétitifs, le développement de l’éolien reste ainsi confronté à ces défis de prévisibilité et de pilotage. Les principaux enjeux sont liés à l’intégration de grands parcs éolien au réseau électrique.

Cette problématique se pose davantage dans des pays, comme aux États-Unis, où les distances entre zones de production et de consommation sont importantes. L’intégration entre réseaux électriques est essentielle pour permettre, lorsque le vent ne souffle plus au large des côtes danoises, par exemple, de fournir l’Allemagne en électricité issue du nucléaire français (9).

L’intelligence artificielle dans l’éolien

Pour améliorer ses performances, les producteurs d’électricité renouvelable encouragent une coopération entre énergéticiens et compagnies technologiques.

Effectivement, en septembre 2021, Google et ENGIE ont signé un accord pour approvisionner en énergie renouvelable toutes les activités de Google en Allemagne, en Belgique et aux Pays-Bas (10 Les GAFAM et les énergies renouvelables)

Le développement du Big Data et plus particulièrement de l’internet des objets permettent aux énergéticiens de réguler leur production ou de planifier leurs activités de maintenance. A titre d’exemple, nous pouvons citer l’accord entre Microsoft et ENGIE pour l’utilisation des serveurs Azure dédiés à l’internet des objets et le traitement de leurs données (11).

Une utilisation massive des données par les énergéticiens alimente une autre technologie transverse : l’intelligence artificielle. En effet, les impacts de l’IA pour l’industrie éolienne sont multiples :

• Le développement de la maintenance préventive et ciblée d’un parc éolien est accéléré par ces algorithmes d’apprentissage. Notamment par le traitement d’images.

La maintenance d’une pâle d’éolienne provoque l’arrêt d’une éolienne et peut durer plusieurs jours, et semaines pour un parc éolien. Elle coûte donc chère aux opérateurs du parc éolien.

Une inspection par drone de l’extérieur, mais aussi de l’intérieur, des pâles d’une éolienne permet de visualiser et de détecter, grâce à la reconnaissance d’image, tout défaut. Le traitement de ces données en les alliant à la performance de la pâle permet de cibler les actions d’une maintenance préventive.

Cette évolution permet à l’opérateur du parc éolien un arrêt de production plus court et davantage sécurisé pour ses équipes (i.e., travail dans un espace confiné et en hauteur dans la pâle). Il augmente aussi la durée de vie des pâles.

Dashboard, proposé par Nanonets, des défauts d’une éolienne à la suite d’une inspection (12)

Inspection par drone et reconnaissance d’image, proposée par Funke-Gruppe (13) (14)

• Dans une éolienne, la boite à transmission convertit les rotations à faible vitesse reçues des pales en vitesses plus élevées nécessaires à la production d’électricité. Lors des 10 premières années, le taux de dysfonctionnement moyen de la boite est estimé à 1.6 % et son remplacement entraine un arrêt de l’éolienne pendant plusieurs semaines. L’opération coûte 300 000 euros, alors qu’en cas de maintenance préventive sa réparation est estimée à seulement 25 000 euros.

Un modèle d’IA, développé par EPRI (16), a notamment permis d’atteindre 80% de précision dans la prédiction des casses, et ainsi de réduire de 20% les coûts induits de maintenances.

Multiplicateur ou boite à vitesse d’une éolienne

 IA et pilotage de la production d’électricité

Le marché électrique incite les parcs éoliens à fournir des prévisions précises afin de garantir la stabilité du réseau. Les prévisions inférieures -supérieures- à la production provoquent des tensions sur le réseau. Par conséquent, les gestionnaires de réseaux infligent des amendes aux parcs éoliens lorsque leurs prévisions sont inexactes.

En effet, une enquête menée auprès de plusieurs opérateurs de réseau dans le monde a révélé que 94 % des spécialistes interrogées considèrent que « l’intégration d’une quantité importante d’énergie éolienne dépendra en fin de compte de la précision des prévisions de vent  » (Jones et al., 2011 (17)). Alors que les erreurs typiques de prévision pour la livraison d’énergie se situent entre 1% et 3%, les erreurs de prévision d’énergie d’origine éolienne se situent entre 15% et 20%.

Certaines solutions compensatoires ont pu être développées grâce à la coopération Européenne. Notamment à travers le marché intra-journalier (intra-day) qui permet d’échanger de l’électricité à très court terme (jusqu’à 30 minutes) des énergies renouvelables entre plusieurs pays de l’Union européenne (18). En somme, un distributeur d’électricité italien peut facilement acheter de l’énergie éolienne néerlandaise. Par conséquent, plus l’engagement de livraison sur le marché spot est précis, plus le modèle économique des parcs éoliens est performant. (19-20 BREXIT : QUELS IMPACTS SUR LE MARCHÉ DE L’ÉLECTRICITE EUROPÉEN ?).

Ainsi, le rôle des exploitants de parc éoliens est de prévoir au mieux leur production pour faciliter le pilotage de l’équilibre du réseau. A ce jour il existe plusieurs méthodes de prévision du vent qui peuvent être classées en trois grandes catégories selon le type de données qu’elles utilisent.

Les modèles physiques s’appuient sur les résultats générés par les modèles de prévision numérique du temps (PNT). En somme, il est question de réduire l’échelle des prévisions météorologiques nationales au positionnement précis du parc éolien. En fonction de leur résolution, il peut s’agir de modèles globaux ou régionaux.

Un modèle physique, selon l’organisation mondiale de météorologie (21)

Les modèles statistiques utilisent des informations historiques (généralement, la vitesse et la direction du vent, la température et l’humidité de l’air) pour déduire des modèles temporels qui permettent de calibrer d’autres prédictions (Kavasseri et Seetharaman (22)). Ces prédictions reposent sur un compromis entre généralité (diversité) et performance (convergence).

Les stratégies statistiques connaissent également un regain de popularité depuis que les stratégies d’apprentissage machine (machine learning) ont été (re-)mises sous le feu des projecteurs (Karinotakis et al., 2017 (23)).

De plus, il existe des modèles hybrides qui exploitent à la fois les perspectives physiques et statistiques, en utilisant les sorties des modèles physiques comme entrées pour les techniques statistiques afin de générer une réduction d’échelle statistique fiable.

Bénéfices d’une prédiction se basant sur de l’apprentissage machine, selon DeepMind (24)

Différentes techniques spécialement conçues pour traiter de grandes quantités de données ont été développées ces dernières années, et ont été appliquées avec un succès fulgurant dans un large éventail de domaines.

Dans le cas de la prédiction à court terme du vent ou de la puissance éolienne, un nombre sans cesse croissant de contributions utilisent des méthodologies hybrides (Okumus et al., 2016 (25)). De plus, comme l’ont souligné Liu et al. en 2015 dans leur étude (26), les modèles de prévision hybrides offrent de meilleures performances que les modèles purement statistiques ou physiques pour prédire la vitesse du vent.

C’est ainsi que DeepMind, filiale de Google, a réussi à augmenter la valeur économique de parcs éoliens de 20% (24). Ces parcs éoliens, totalisant 700 MW de puissance, partagent donc des prévisions de production 20% plus fiable avec les opérateurs de réseau.

En somme, le développement des énergies renouvelables, dont l’éolien terrestre et maritime, permettra une décarbonation progressive du mix-énergétique mondiale.

Ce développement entrainera aussi des fluctuations importantes dans la production d’énergie. D’autant plus, que la prévisibilité et le pilotage de la production d’énergie est essentielle pour le fonctionnement d’une société électrifiée. Les avancées du machine learning et l’intelligence artificielle permettent de répondre en partie à cette problématique.

Références :

1. Les Echos – L’Etat plaide pour un second projet d’éolien offshore au large de la Normandie – dernière consultation le 25.10.2021
   https://www.lesechos.fr/industrie-services/energie-environnement/letat-plaide-pour-un-second-projet-deolien-offshore-au-large-de-la-normandie-1341605
2. RTE – Le panorama de l’électricité renouvelable – 06.10.2021 https://www.rte-france.com/analyses-tendances-et-prospectives/le-panorama-de-lelectricite-renouvelable
3. La Tribune – Eolien en mer : ce qui pousse le gouvernement à vouloir deux parcs au lieu d’un seul – dernière consultation le 25.10.2021 https://www.latribune.fr/entreprises-finance/transitions-ecologiques/eolien-marin-ce-qui-pousse-le-gouvernement-a-vouloir-deux-parcs-au-lieu-d-un-seul-891681.html
4. Eoliennes en mer – dernière consultation le 25.10.2021 https://www.eoliennesenmer.fr/
5. Wiser et al. 2016 Expert elicitation survey on future wind energy costs | Nature Energy
6. IEA – Global CO2 emissions in 2019 – 11.02.2020 https://www.iea.org/articles/global-co2-emissions-in-2019
7. Wall Street Journal – Building the Wind Turbines Was Easy. The Hard Part Was Plugging Them In – dernière consultation le 25.10.2021
8. EnergyStream – Flexibilité des réseaux électriques – dernière consultation le 25.10.2021 https://www.energystream-wavestone.com/2021/06/flexibilite-des-reseaux-electriques/
9. Power Technology – The Great State of Texas: explaining the power crisis and what happens next – dernière consultation le 25.10.2021 https://www.power-technology.com/features/the-great-state-of-texas-explaining-the-power-crisis-and-what-happens-next/)
10. EnergyStream – GAFAM et énergies renouvelables – dernière consultation le 25.10.2021 https://www.energystream-wavestone.com/2021/02/gafam-et-energies-renouvelables/)
11. Microsoft – ENGIE brings AI to renewable energy platform, helps decarbonize energy production with Azure – dernière consultation le 25.10.2021 https://customers.microsoft.com/en-gb/story/808631-engie-energy-azure-iot
12. Nanonets – Fault Detection in Wind Turbines – dernière consultation le 25.10.2021
    https://nanonets.com/drone/wind-turbines/)
13. Funke Gruppe – How drones and AI are revolutionising the inspection of wind turbines – dernière consultation le 25.10.2021
14. Bloomber – How Wind Turbine Blades Are Inspected By Drones – dernière consultation le 25.10.2021
15. T&D World – EPRI Develops AI Model to Reduce Wind Turbine Operations Costs – dernère consultation le 25.10.2021
    https://www.tdworld.com/renewables/article/21174662/epri-develops-ai-model-to-reduce-wind-turbine-operations-costs-utilities-see-significant-benefits
16. T&D World – EPRI Develops AI Model to Reduce Wind Turbine Operations Costs – dernère consultation le 25.10.2021 https://www.tdworld.com/renewables/article/21174662/epri-develops-ai-model-to-reduce-wind-turbine-operations-costs-utilities-see-significant-benefits
17. OSTI.GOV – Strategies and Decision Support Systems for Integrating Variable Energy Resources in Control Centers for Reliable Grid Operations (Technical Report) – dernière consultation le 25.10.2021
18. Directorate General for Energy (European Comission) The future electricity intraday market design – 22.03.2019
    https://op.europa.eu/en/publication-detail/-/publication/f85fbc70-4f81-11e9-a8ed-01aa75ed71a1/language-en
19. EPEX spot – Basics of the power market – dernière consultation le 25.10.2021 https://www.epexspot.com/en/basicspowermarket)
20. EnergyStream – Brexit quels impacts sur le marché de l’électricité européen – dernière consultation le 25.10.2021 https://www.energystream-wavestone.com/2019/05/brexit-quels-impacts-sur-le-marche-de-lelectricite-europeen/
21. Rucong Yu, Jian Li et Pengqun Jia – Trois caractéristiques des modèles numériques déterminent le développement de la prévision météorologique opérationnelle – 2019
    https://public.wmo.int/fr/ressources/bulletin/trois-caract%C3%A9ristiques-des-mod%C3%A8les-num%C3%A9riques-d%C3%A9terminent-le-d%C3%A9veloppement-de-la
22. https://www.sciencedirect.com/science/article/pii/S0960148108003327
23. Kariniotakis et al. Wind power forecasting using advanced neural networks models | IEEE Journals & Magazine – 12.1996
24. DeepMind – Machine learning can boost the value of wind energy – dernière consultation le 25.10.2021
25. https://linkinghub.elsevier.com/retrieve/pii/S0196890416305428
26. https://linkinghub.elsevier.com/retrieve/pii/S0960148115300276