Prévision et optimisation de l'offre de services système par des énergies renouvelables

Les énergies renouvelables variables prennent une part croissante de la production raccordée aux réseaux électriques. Par conséquent, elles doivent s’intégrer aux mécanismes de services système qui assurent l’équilibre entre production et con-sommation de puissance sur les réseaux. Toutefois la forte incertitude de la production variable est un obstacle à la fourniture de ces services qui requièrent une fiabilité élevée. L’agrégation de centrales renouvelables dispersées et contrôlées par une centrale virtuelle permet de diminuer cette incertitude en profitant du foisonnement entre les centrales. Cette thèse propose plusieurs modèles de prévision probabiliste afin d’évaluer la capacité d’une centrale virtuelle renouvelable variable à offrir des services système avec une fiabilité maximale: ces modèles sont des adaptations d’arbres de décisions, de réseaux de neurones récurrents et convolutifs, ainsi que de distributions dédiées aux quantiles extrêmement faibles. Une attention particulière est portée à la combinaison de sources d’énergie (Photovoltaïque, éolien, hydraulique au fil de l’eau). Ensuite, des stratégies d’offre optimale d’énergie et de réserve par une agrégation renouvelable sont établies en utilisant les prévisions de production et en considérant les incertitudes associées aux différents marchés. Ces stratégies explorent plusieurs options de modélisation: dépendance entre production renouvelable et prix par une copule, taux de défaillance contrôlé par optimisation sous contraintes probabilistes, et enfin offre de services système multiples à l’aide d’une formulation Lagrangienne.As variable renewable energy plants penetrate significantly the electricity generation mix, they are expected to contribute to the supply of reserve power, albeit the high uncertainty levels on their production. A solution to reduce the uncertainty consists in aggregating renewable plants dispersed over several climates to obtain a smoother production profile and operate them within a Virtual Power Plant control system. In this thesis, a series of probabilistic forecasting models are proposed to assess the capacity of a variable renewable Virtual Power Plant to provide ancillary services with maximum reliability: these models are adapted decision-tree regression models, recurrent and convolutional neural networks, as well as distributions dedicated to extremely low quantiles. The combination of energy sources (Photovoltaics, Wind, Run-of-river Hydro) is considered in detail. Optimal strategies for the joint offer of energy and ancillary services by a variable renewable Virtual Power Plant are later defined, based on production forecasts and market uncertainties. Offer strategies explore several modelling options:dependence between renewable production and prices via a copula, controlled rate of reserve underfullfilment with a chance-constraint optimization, and finally offer of multiple ancillary services thanks to a Lagrangian formulation