Modélisation en flux d’énergie d’une batterie Li-Ion en

vue d’une optimisation technico économique d’un

micro-réseau intelligent
David Hernández-Torres, Christophe Turpin, Xavier Roboam, Bruno Sareni

To cite this version:

David Hernández-Torres, Christophe Turpin, Xavier Roboam, Bruno Sareni. Modélisation en flux
d’énergie d’une batterie Li-Ion en vue d’une optimisation technico économique d’un micro-réseau
intelligent. Symposium de Genie Electrique, Jun 2016, Grenoble, France. �hal-01361618�

HAL Id: hal-01361618

[Link]
Submitted on 7 Sep 2016

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 SYMPOSIUM DE GENIE ELECTRIQUE (SGE 2016) : EF-EPF-MGE 2016, 7-9 JUIN 2016, GRENOBLE, FRANCE

Modélisation en flux d’énergie d’une batterie Li-Ion

en vue d’une optimisation technico économique
d’un micro-réseau intelligent
David HERNANDEZ-TORRES, Christophe TURPIN, Xavier ROBOAM, Bruno SARENI
Université de Toulouse ; INP, UPS ; LAPLACE (Laboratoire Plasma et Conversion d’Energie) ; ENSEEIHT
2 rue Charles Camichel, F-31071 Toulouse, France.
CNRS ; LAPLACE ; F-31071 Toulouse, France.

RESUME – Dans cet article, un modèle de type flux d’énergie réservoirs. C’est notamment le modèle utilisé dans le logiciel
pour une batterie Li-Ion est présenté. Le modèle décrit permet de HOMER. Cependant, ce modèle a été développé pour des batte-
simuler une batterie Li-Ion d’un point de vue systémique. Le but ries au plomb, et même si l’adaptation aux batteries Li-Ion a été
de la modélisation présentée est de proposer une solution, avec un faite, la notion de modèle « boîte noire » à l’intérieur du logiciel
coût de calcul réduit, au problème de simulation avec des grands HOMER rend son utilisation difficile. Plusieurs modèles, dits
horizons d’étude (plusieurs années). L’approche proposée est basée
sur l’élaboration de cartographies à partir du modèle dynamique « circuits équivalents de Thévenin », comme [4] ou [5], perdent
de la batterie Li-Ion. Cette modélisation inclut aussi un modèle beaucoup en précision pour l’estimation du SOC pour des va-
macroscopique du vieillissement de la cellule, en considérant la leurs trop élevées du pas d’échantillonnage. Même si dans cer-
dégradation de la capacité de la batterie au cours du temps. Le tains cas, comme dans [6], une résistance interne en fonction
modèle global présenté permet d’obtenir un bon compromis entre du nombre de cycles est introduite pour modéliser la dégrada-
la précision dans l’estimation de l’état de charge de la batterie et tion dans la performance de la batterie, le problème de précision
la vitesse de calcul de la simulation. L’originalité de l’approche avec des grandes valeurs du pas d’échantillonnage persiste. Les
consiste à calculer d’une façon précise et en un temps très réduit modèles dans [4–6] sont des modèles conçus pour une modéli-
l’énergie effectivement chargée ou déchargée de la batterie. sation pseudo-dynamique. Dans [7], une solution à l’estimation
Mots-clés – Modélisation systémique, batterie Li-Ion, cartogra-
du SOC est présentée en utilisant une version étendue du filtre
phies, vieillissement. de Kalman. Néanmoins, une identification paramétrique à partir
de résultats expérimentaux et un manque de généralité posent
1. INTRODUCTION un problème dans l’implémentation. Une solution intéressante
consiste à cartographier le rendement de la batterie en fonction
Le stockage d’énergie est un sujet d’actualité dans la problé- du SOC et de la puissance demandée, ceci est proposé dans [8].
matique d’insertion des énergies renouvelables (EnR) à fortes Dans le présent article, cette approche est reprise, mais plutôt
intermittences dans les réseaux électriques. Dans un milieu in- avec une cartographie du SOC final à chaque pas de temps en
sulaire, par exemple, le stockage d’énergie devrait permettre de fonction du SOC initial et de la puissance demandée. Une cor-
franchir la limitation de 30% de puissance installée imposée par rection de précision dans le calcul de l’énergie effectivement
le gestionnaire du réseau à des installations avec une compo- chargée ou déchargée de la batterie est introduite.
sante intermittente très importante, comme dans l’éolien ou le Cet article est divisé en deux parties. Dans un premier temps
photovoltaïque. la modélisation d’un micro-réseau intelligent est présentée. La
Dans le contexte d’une démarche d’optimisation technico section de modélisation est focalisée sur le modèle proposé pour
économique (pour un dimensionnement optimisé ou une gestion la batterie Li-Ion. Une deuxième section présente la validation
énergétique optimale) d’un système hybride EnR avec stockage, du modèle. Cette validation est effectuée par des comparaisons
la modélisation des stockeurs devient un point clé. Cette modéli- des résultats de simulation entre des modèles avec grands et pe-
sation devra répondre à un bon compromis entre la précision du tits pas d’échantillonnage.
calcul pour l’estimation de l’état de charge (SOC) et le coût en
temps de calcul. Ce compromis doit être valable pour des grands 2. MÉTHODOLOGIE DE MODÉLISATION
horizons de temps d’étude (10 à 20 ans typiquement). Pour ré-
pondre à la problématique du temps de calcul, le pas d’échan- Dans cet article un modèle de la batterie Li-Ion est proposé
tillonnage du modèle de la batterie est choisi entre ∆t =10 min pour la modélisation d’un micro-réseau intelligent. Ce système
et 1 h pour notre étude. Cet article se focalise sur la batterie est composé par des sources EnR et par un moyen de stockage :
Li-Ion. Ce type de batterie est considéré comme une possibilité la batterie Li-Ion. Cette configuration est présentée sur la Fi-
prometteuse pour le stockage d’énergie à grande échelle pour gure. Dans cette section le modèle proposé pour la batterie est
des applications stationnaires, en partie grâce à sa haute densité introduit dans une première partie. Ensuite, la modélisation des
d’énergie et ses cycles de vie longs [1]. autres composants du système est abordée.
Il est possible de trouver dans la littérature quelques ap-
proches de modélisation de type systémique. Un premier niveau 2.1. Modèle de la batterie Li-Ion
de modèle en flux d’énergie d’une batterie Li-Ion est présenté
dans [2]. Cette modélisation est cependant limitée en précision 2.1.1. Modèle pseudo-dynamique de Tremblay et al [5]
à cause de la considération d’un rendement constant en charge
et en décharge. Pour améliorer la précision, le passage à une Un modèle pseudo-dynamique est proposé dans l’article [5].
représentation du comportement de la batterie en tension et en Celui-ci est le modèle proposé dans la librairie du logiciel Simu-
courant s’avère nécessaire. Dans [3], un modèle de batterie est link (SimPowerSystems 2ème génération). Le modèle pseudo-
présenté avec une analogie à un système hydraulique à deux dynamique de la batterie est donné par les équations suivantes
 Références AC composés de 2 branches parallèles de 6 cellules série du mo-
Sources EnR bus
dèle VL41M (3,6 V et 41 Ah). Les principaux paramètres pour
cette cellule sont présentés dans la Tableau 1. On peut identifier
les paramètres du modèle avec le “fitting” sur la caractéristique
de décharge. Cette méthode est proposée par [9]. On se rend
Stratégie de
gestion compte que les constantes Kdr , Kcr , Kdv et Kcv ont des valeurs
très similaires avec un ordre de grandeur de 10−4 . Une simplifi-
Stockage Li-Ion cation consiste à considérer des constantes égales K (aux unités
Mesures près).
Après le fitting, pour la cellule étudiée on obtient :
Réseau étudié E0 =3.24 V ; A=0.75 V ; B=0.03 Ah−1 ; K=1.04×10−4 V/Ah ;
R=1.97×10−3Ω.
Fig. 1. Diagramme du réseau étudié.
Tableau 1. Paramètres d’une cellule SAFT VL41M.
Paramètre Valeur Unités Commentaires
Vf ull 3,95 V Tension à charge pleine
en charge/décharge avec la clarification d’homogénéité dans les
Vnom 3,6 V Tension nominale
variables par rapport à la notation dans [5] : Qnom 39 Ah Capacité à la tension nominale
Q Q Vexp 3,9 V Tension dans zone exponentielle
Vch =E0 − R · iBT − Kcr i∗ − Kcv it + Ae−B·it Qexp 1 Ah Capacité dans zone exponentielle
it − 0.1Q Q − it
Q 41 Ah Capacité max d’une cellule
(1)
I 13,67 A Courant de décharge nominale
Q Q
Vdch =E0 − R · iBT − Kdr i∗ − Kdv it + Ae−B·it Vchlim 4 V Limitation voltage : charge
Q − it Q − it Vdchlim 2,7 V Limitation voltage : décharge
(2) Ilim 100 A Limitation de courant (250 A peak pendant 30 s)
DODmax 60 % Profondeur de décharge recommandée
avec E0 la tension constante dans la batterie en V ; R la ré-
sistance interne de la batterie en Ω ; Kcr , Kdr les résistances
de polarisation en charge et en décharge en Ω ; Kcv , Kdv les Avec les équations Shepherd/Tremblay le problème est de
constantes de polarisation en charge et en décharge en V/Ah ; Q trouver une validation de ce modèle pour un pas de temps net-
la capacité de la batterie en Ah ; A l’amplitude dans la zone ex- tement supérieur à 1 s, typiquement de l’ordre de quelques mi-
ponentielle en V ; B la constante nutes jusqu’à l’heure, afin d’être compatible en vue d’une op-
R de temps inverse dans la zone timisation technico économique. Dans la thèse [10], un modèle
exponentielle en Ah−1 ; it = idt la charge actuelle de la bat-
terie en Ah et i∗ la composante basse fréquence du courant iBT . générique adimensionnel de la batterie est utilisé. Une cartogra-
Avec l’implémentation discrète du calcul de la charge actuelle phie est nécessaire pour spécifier le rendement en charge et en
it comme : décharge en fonction de la puissance appliquée et de l’état de
charge. On propose dans la suite un modèle par cartographies
it[k + 1] = it[k] + iBT [k + 1]∆t (3) pour obtenir un modèle valable pour des grands pas de calcul.
où ∆t est le temps de calcul. 2.1.2. Modèle par cartographies
Avec la charge actuelle it on peut estimer l’état de charge de
la batterie à l’aide de l’expression : Cette méthode de modélisation consiste à cartographier le
SOC final en fonction du SOC initial (SOCi ) et de la puis-
it[k + 1] sance demandée (Pbat ). Pour cela, on utilise le modèle pseudo-
SOC[k + 1] = SOC[k] − (4)
Q dynamique de la batterie de Tremblay et al [5]. Pour construire
une cartographie, on définit d’abord le pas d’échantillonnage de
Enfin, le courant i∗ est calculé en sortie d’un filtre passe bas
la cartographie ∆tcarto et la plage de variation des vecteurs
sous la forme :
i∗ 1 des points initiaux SOCi et Pbat . Pour chaque paire de va-
= (5) leurs {SOCi , Pbat }, on lance une simulation pendant un temps
iBT (t) 1 + sτ
t = ∆tcarto avec le modèle dynamique de Tremblay et al [5],
avec τ la constante de temps du filtre. L’implémentation dis- lui échantillonné à ∆t = 1 s. Cette procédure est présentée dans
crète du filtre passe bas est donnée par la moyenne glissante à la Figure 2. On suppose, pour chaque simulation, une demande
pondération exponentielle. Si l’on définit le facteur d’atténua- de puissance constante Pbat à être déchargée ou absorbée par
∆t
tion comme α = τ +∆ t
(0 < α < 1), alors le courant filtré à la batterie. En suivant cette procédure, on obtient la cartogra-
chaque pas de temps peut être calculé à l’aide de l’expression : phie pour le SOC final de la batterie pour le cas ∆tcarto = 1 h
i∗ [k + 1] = αiBT [k + 1] + (1 − α)i∗ [k] (6) présentée sur la Figure 3.
Dans cette démarche, un deuxième paramètre à cartographier
On considère dans cet article les données d’une batterie de est introduit. On considère le temps td au bout duquel la tension
la marque SAFT modèle Intensium Max 20M. Cette batterie a de la batterie Vbat en décharge (respectivement en charge) arrive
une puissance nominale de 1 MW pour une capacité nominale à la limitation minimale Vmin (identiquement, on peut estimer
d’énergie de 580 kWh. La batterie Intensium Max 20M est com- ce même temps en mode de charge). Si td < ∆tcarto , la tension
posée de 10 branches parallèles de 29 modules en série du mo- de la batterie se décharge jusqu’à Vmin avant le pas k + 1. A
dèle Synerion 24M. Les modules Synerion 24M sont à la fois cet instant, le courant déchargé par la batterie devrait augmen-
 Définition de vecteurs avec :
des points initiaux : Z td
Définition du pas Ebat = − Pbat dτ = −td Pbat (7)
d’échantillonnage t[k]
avec tailles et de la cartographie :
respectivement De cette manière, malgré l’échantillonnage lent (∆tcarto entre
10 min et 1 h), le bilan énergétique est corrigé. Pour élabo-
Début de l'itération rer les cartographies, on considère des limitations de la profon-
deur de décharge DODmax = 60% et un SOC compris entre
SOCmin = 30% et SOCmax = 90%. La consigne en puis-
sance est donnée comme un pourcentage de la puissance no-
minale d’une cellule, où Pnom = Pchargemax . Un deuxième
Conditions initiales : cas, présenté dans la Figure 5, se produit quand la tension n’ar-
rive pas en limitation avant le pas k + 1. Dans ce cas, avec la
même cartographie qu’au cas précédent, on peut trouver la va-
leur finale de V [k + 1] et de SOC[k + 1]. Ici l’énergie fournie
Simulation pendant un temps par la batterie est simplement : Ebat = ∆t Pbat . On peut avoir
avec le modèle dynamique aussi un cas particulier où l’état de charge initial est très élevé
échantillonné à (proche de 100%) et, en mode de charge, la batterie arrive en li-
mitation SOCmax très rapidement. Dans ce dernier cas le td est
très proche de zéro. Les cartographies sont faites avec des simu-
Stockage des résultats : lations de décharge/charge d’une durée de t = ∆tcarto avec
le modèle pseudo-dynamique présenté précédemment échan-
tillonné à ∆t = 1 s. Le modèle sera donc valable seulement pour
des simulations avec ∆tcarto . Si la valeur de l’échantillonnage
∆tcarto est modifiée, alors il suffit de reconstruire la cartogra-
Oui phie. La cartographie pour le temps td pour le cas ∆tcarto = 1
h est présentée sur la Figure 6.
Non

Oui
Non
Fin

Fig. 2. Algorithme pour élaboration de la cartographie.

100

90
90
100 90 Fig. 4. Cas d’une décharge avec td <∆tcarto .
80 80
90
80
70
SOCf inal (%)

80 80
70 70
60
70 60
60 50
60 50
40 60
40 50 40
40 50
20 100
-100
80 40
-50
0 60
50 40 30
Consigne en puissance (%Pnom ) 100 SOCinitial (%)

Fig. 3. Cartographie du SOC final pour le cas ∆tcarto = 1 h.

ter modifiant ainsi le bilan énergétique. Ceci est présenté sur la

Figure 4. Dans ce cas, pour corriger le bilan énergétique, on pro-
pose de cartographier td en fonction du SOCi et de Pbat . Avec Fig. 5. Cas d’une décharge avec td >∆tcarto .
td , on peut estimer l’énergie réellement fournie par la batterie
 1
d’énergie échangée, qui permet d’estimer l’état de santé et la
0.9
dégradation de la capacité de la batterie à chaque pas de temps
1 0.9
0.9
0.8 0.8
[12]. Pour ce type de modèle, l’usure de la batterie est calculée
0.8 0.7
0.9
0.9
en fonction de la quantité d’énergie (en charge et décharge) que
Temps td (h)

0.8 0.7 0.6 0.8 0.7

0.8 0.5 0.7
0.6
0.7 0.40.9
0.6 0.8
0.9 la batterie peut échanger tout au long de sa durée de vie. Cette
0.6 0.5 0.3 0.6
0.4 0.6 0.8
0.7
0.5 0.7
0.40.3
quantité d’énergie maximale Eechmax , est fixe et elle peut être
0.4 0.3 0.5 0.6 0.5
0.4 0.6 0.5 0.2 estimée à partir de la courbe “cycle to failure”.
0.20.3
0.1 0.5 0.4
0.3 0.4
0.2
0.4 0.2 L’énergie échangeable maximale Eechmax est calculée en
0.1 0.2 0.3 0.1 0.3
0.3
0
100 0.2
0.1
fonction de la profondeur de décharge et du nombre de cycles
0.1 0.2 0.3 0.2
80 200 maximum avec :
100 0.1
60 0
-100
SOCinitial (%)
40
-200 Consigne en puissance (%Pnom )
0
Eechmax = 2 × NcyclesMax (DODmax )DODmax Enom (8)

où NcyclesMax est le nombre maximal de cycles, DODmax est

Fig. 6. Cartographie pour td pour le cas ∆tcarto = 1h.
la profondeur de décharge maximale et Enom est l’énergie no-
minale de la batterie en kWh.
Un point clé pour la bonne implémentation de la modélisa- Il est donc nécessaire de fixer la profondeur de décharge
tion par cartographies est l’interpolation numérique. Il s’agit ici maximale DODmax , ce qui peut être fait en fixant les plages
d’une interpolation en deux dimensions qui s’effectue en deux de variation du SOC. Pour le cas d’un conteneur SAFT IM20M
étapes. Dans la première étape, on fait une interpolation en une et d’une limitation de DODmax = 60%, l’énergie échangeable
dimension de chacun des axes x et y (Pstor et SOCinit ). Ceci maximale est de 4901MWh [13].
est fait pour transformer les points de calcul (x̂, ŷ) en pourcen- L’état de santé de la batterie est déterminé avec l’équation :
tage, avec les axes de la cartographie données en pourcentages.
Cette première interpolation 1D est faite avec une spline cubique |Eech (k)|
SOH(k) = SOH(k − 1) − (9)
La deuxième étape est une interpolation bilinéaire. Cette mé- Eechmax
thode permet de calculer la valeur d’une fonction dans un point,
Avec l’état de santé on peut estimer la nouvelle capacité de ré-
à partir de ses deux points voisins dans chaque direction x
férence avec :
et y. Malgré son nom, cette interpolation est une interpola-
tion non-linéaire, à cause de la succession de deux interpola- QREF REF
deg (k) = SOH(k)Qnom (10)
tions linéaires. Pour gagner en temps de calcul, cette interpola-
tion a été implémentée en code C++ avec une compilation en L’état de charge avec prise en compte de dégradation des per-
MEX-function sous Matlab. formances est finalement calculé avec :
REF
2.1.3. Modèle de vieillissement

SOC(k) × Qdeg (k)
QREF , si Pstor > 0
Les cartographies présentées précédemment permettent d’es- SOCdeg (k) = nom
REF (11)
SOC(k) × Q nom
REF , si Pstor < 0
timer précisément le SOC et l’énergie effectivement chargée ou Qdeg (k)

déchargée à chaque pas de temps. Pour compléter l’ensemble du

modèle pour la batterie Li-Ion un modèle du vieillissement est On considère que la fin de vie arrive quand QREF
deg est infé-
aussi considéré. rieure à 70% de la capacité de référence nominale QREF
nom .
On considère ici un modèle de vieillissement avec dégrada-
tion des performances de la batterie. Ceci permet de prendre en 2.2. Modèle d’une centrale photovoltaïque
compte dans le modèle en flux d’énergie la perte de capacité de Ce modèle est composé de deux parties : le modèle d’irradia-
la batterie au fur et à mesure qu’elle se dégrade. Le calcul de tion solaire sur une surface inclinée et le modèle électrique d’un
vieillissement aura un impact à la fois sur les indicateurs tech- panneau photovoltaïque. Dans cet article, on considère qu’on
niques et économiques [11], voir Figure 7. dispose de la mesure de l’irradiation globale horizontale (GHI)
en W/m2 . La série de données disponible correspond à des me-
Modélisation technico-économique
sures sur la ville de Saint Pierre sur l’Île de La Réunion avec un
Modélisation technique Opération du Indicateurs
Paramètres de performance système techniques
pas de temps d’une heure. On dispose également d’une prévi-
sion d’irradiation solaire pour le même site, issue d’un modèle
Modèle de vieillissement
numérique de simulation appelé ECMWF (European Centre for
Paramètres de dégradation
Medium-Range Weather Forecasts) fournie en France par Mé-
Modélisation économique Indicateurs téo France.
Paramètres économiques économiques
La première partie de ce modèle correspond au calcul de l’ir-
radiation sur le plan incliné des panneaux à partir de l’irradia-
tion globale horizontale. Une présentation détaillée de ce calcul
Fig. 7. Schéma bloc du modèle de vieillissement avec dégradation de es présentée dans [14]-[16]. Pour l’application de ce calcul on
performances. utilise la librairie PVLib sous Matlab, développée par le San-
dia National Laboratories (Etats-Unis). Une première étape dans
Pour le calcul de vieillissement on considère la méthode cette partie est le calcul des angles de position du soleil : l’angle
d’élévation θz par rapport à l’horizontale (le complément du zé- température ambiante en entrée, la température du module peut
nith) et l’azimut γs . Ces angles sont nettement liés au position- être calculée avec :
nement géographique du site. Avec les angles de position so-
laire, il est possible de calculer l’angle d’incidence θ des rayons Tm = Ta + γGφ (16)
solaires sur la surface des panneaux avec un angle d’inclinaison
où γ est un paramètre à déterminer selon le type de montage des
β et d’orientation γ [15] :
panneaux : γ = 0.056◦C.m2 /W pour un montage sur toit (roof-
θ = acos(cos(θz ) cos(β) + sin(θz ) sin(β) cos(γs − γ)) (12) mounted) ou γ = 0.02◦ C.m2 /W pour un montage non encastré
(free-standing) bien ventilé. Ensuite, la puissance DC en sortie
On calcule enfin l’irradiation globale sur une surface inclinée du panneau PV est donnée par :
Gφ , celle-ci est décomposée en trois éléments : irradiation di-
recte Bφ , diffuse Dφ et reflétée Rφ . ηMP P (Gφ , Tm ) Gφ
PDC = Pnom (17)
ηST C 1000W/m2
Gφ = Bφ + Dφ + Rφ (13)
On remarque ici que si Gφ = 1000W/m2 et ηMP P = ηST C
où le vecteur φ = [β, γ] représente la position inclinée du pan- (conditions standards), alors PDC = Pnom = 285 W. Finale-
neau avec l’angle d’inclinaison β et l’orientation γ. On peut esti- ment, coté AC :
mer chacun des éléments de Gφ en fonction de l’irradiation glo- PAC = ηAC∗
PDC (18)
bale horizontale. Dans une deuxième étape, on calcule la puis- où ηAC
∗
inclut des pertes cumulées à 9.5%. Ces pertes sont dé-
sance en kW en sortie de chaque panneau en fonction de l’irra- composées en : déviation des données data-sheet du module PV
diation sur le plan inclinée Gφ et la température ambiante du site (à cause des phénomènes de réflexion et diffusion) et de l’on-
Ta . On propose ici la modélisation d’un panneau PV au point de duleur (6.5%), des déviations en raison des caractéristiques dif-
puissance maximale (MPP) selon la procédure décrite dans [17]. férentes entre modules (1.5%), des pertes joules dans les câbles
Un module PV à une température d’opération de Tm = 25◦ C a (0.5%) et poussières/saletés sur les panneaux (1%) [17]. Avec
une efficacité au point MPP qui peut être décrite avec la formule les données de GHI mesurées à La Réunion, on utilise les mo-
suivante : dèles précédents pour calculer l’efficacité des panneaux Fon-
roche. On utilise en plus comme donnée d’entrée la moyenne
ηMP P (Gφ , 25◦ C) = a1 + a2 Gφ + a3 ln(Gφ ) (14)
journalière de la température ambiante à La Réunion. L’effi-
où les paramètres a1 , a2 et a3 peuvent être trouvées à partir des cacité normalisée par rapport à l’efficacité en condition de test
données constructeur. Pour un panneau de la marque Fonroche standard est présentée dans la Figure 9.
modèle FI72-6P (silicium polycristallin), on arrive à identifier
les paramètres a1 = 0, 5751, a2 = −6, 17 × 10−5 et a3 = 15
Rendement normalisé au point MPP (%)

0, 07042 avec ηST C = 14, 78% correspondant à un panneau

de puissance nominale Pnom = 285 W. La Figure 8 montre le 14

résultat de l’identification des paramètres a1 , a2 et a3 .

13

12
1

0.99 11
Rendement au point MPP

0.98 Rendement AC
normalisé ηM P P /ηST C

10
Rendement DC à Tm (Gφ )
Rendement DC à Tm = 25◦ C
0.97
9
0 200 400 600 800 1000 1200
0.96 Irradiation sur le plan incliné Gφ (W/m2 )
Fig. 9. Rendement DC à température constante, rendement DC en fonction de
0.95 la température ambiante variable et rendement totale en sortie du système PV
Data-sheet points
côté AC.
0.94
Fitted curve

200 300 400 500 600 700 800 900 1000 Enfin, la production en kW d’une centrale photovoltaïque est
Irradiation sur le plan incliné Gφ (W/m2 )
obtenue avec un produit entre la puissance PAC et le nombre de
Fig. 8. Efficacité normalisée en fonction de l’irradiation solaire sur une surface
inclinée avec identification des paramètres a1 , a2 et a3 (STC=Standard Test
panneaux PV. La Figure 10 montre une semaine de production
Condition). et de prévision PV pour le site de La Réunion pour une centrale
avec 12000 panneaux et une puissance installée de 3,4 MW.
La performance d’un module à une température d’opération
autre que Tm = 25◦ C peut être modélisée par une approche 2.3. Modèle énergétique des onduleurs et transformateurs
linéaire simple : L’onduleur est modélisé comme un rendement variable en
fonction de sa puissance de fonctionnement PON D . On utilise
ηMP P (Gφ , Tm ) = ηMP P (Gφ , 25◦ C)(1 + α(Tm − 25◦ C)) une loi logarithmique similaire au modèle du rendement du pan-
(15) neau PV (ηMP P ) :
où α = −0.0046/◦C pour un matériau silicium cristallin (don-
née constructeur panneau Fonroche). Pour un modèle avec la ηON D (PON D ) = a1 + a2 PON D + a3 log(PON D ) (19)
 3500 Une semaine de production et prévision PV
3. VALIDATION DU MODÈLE D’ACCUMULATEUR AVEC
Puissance installée de 3,42MW Erreur CARTOGRAPHIE
(12000 panneaux de 285W) Production
3000
Prévision

2500
La validation du modèle par cartographies est faite par com-
paraison avec le modèle pseudo-dynamique de Tremblay et al
2000
échantillonnée à ∆t = 1 s. Dans cette section, trois comparai-
Puissances (kW)

1500 sons sont proposées : simulation avec une puissance de charge

1000
et décharge constante, simulation d’une semaine de production
PV et finalement on compare les résultats d’un calcul de dimen-
500
sionnement optimal au sens des critères technico-économiques.
0

-500 3.1. Simulation avec une puissance de charge et décharge

-1000
constante
0 20 40 60 80 100 120 140 160 180
Temps (h) Pour cette partie on compare les modèles de Tremblay et le
Fig. 10. Une semaine de production et prévision PV (site de La Réunion).
modèle par cartographie échantillonnés à ∆t = 1 h avec le mo-
dèle de Tremblay échantillonnée à ∆t = 1 s. On suppose des
consignes de puissances constantes en décharge de 100 kW pen-
où PON D est donnée en % et les paramètres a1 , a2 et a3 sont dant 11 heures et en charge de 100 kW pendant 11 heures. La
estimés à partir des données constructeur. Le transformateur de taille de stockage est fixée à 1 conteneur SAFT IM20M. Pour
puissance est modélisé comme un rendement variable en fonc- la comparaison, on calcule les énergies effectivement chargées
tion de la puissance de fonctionnement PT RX avec la loi sui- ou déchargées comme l’intégrale de la puissance en entrée ou
vante : sortie de la batterie. Pour le modèle de Tremblay ∆t = 1 s on
obtient Edch = 341, 94 kWh et Ech = 342.89 kWh. Ceci nous
donne les énergies de référence pour la comparaison des mo-
PT RX × S × cos ϕ × 100% dèles échantillonnés à ∆t = 1 h. La comparaison en SOC et
ηT RX (PT RX ) =
PT RX × S × cos ϕ + N LL + PT2 RX × LL en puissance des trois modèles est présentée sur la Figure 12.
(20) Le modèle avec échantillonnage à 1 s décrit très bien le com-
où PT RX est donnée en grandeur réduite (pu), S est la puissance portement du système et arrive en limitation SOC min après un
apparente nominale en kVA, cos ϕ est le facteur de puissance, peu plus de 3 h. D’où une énergie déchargée supérieure à 300
N LL et LL sont les pertes du transformateur sans et sous charge kWh. Il est impossible avec le modèle de Shepherd/Tremblay
respectivement en kW. La Figure 11 montre l’évolution du ren- échantillonné à 1 h d’estimer correctement l’énergie déchargée
dement de l’onduleur et du transformateur pour un onduleur de par la batterie. En fait, selon ce modèle, on a déchargé seule-
marque Schneider modèle Conext Core XC 540 (540 kVA) et ment 300kWh. Le modèle cartographié, avec lequel on a une
pour un transformateur de marque Schneider modèle Minera PV information additionnelle avec l’estimation du temps td , est en
(540 kVA). Pour ce modèle d’onduleur, les paramètres du mo- revanche capable de calculer correctement les énergies déchar-
dèle sont : a1 = 0, 8872, a2 = −5, 8481 × 10−4 et a3 = 0, 072. gées et chargées à 342, 43 kWh et 393, 54 respectivement. C’est-
Pour le transformateur choisit les paramètres du modèle sont : à-dire avec des erreurs de calcul de 0, 14% et 0, 16% contre
S = 540 kVA, N LL = 0, 76 kW, LL = 4, 9 kW et on sup- 12, 3% et 23, 6% pour les énergies déchargées et chargées avec
pose un fonctionnement à facteur de puissance cos ϕ = 0, 95 le modèle pseudo-dynamique de Tremblay, échantillonné à 1
inductif. Pour la taille de la centrale PV, on dimensionne à 8 le h. L’erreur relative par rapport à la référence est calculée avec
nombre d’onduleurs et transformateurs à installer. [Link] = |ref − value| × 100%/ref .

100 1

0.8
98
SOC (%)

Tremblay 1s
0.6 Tremblay 1h
Schneider Schneider Cartographie
96
Minera PV Conext Core XC 0.4
Rendement (%)

540kVA 540kVA
94 0.2
0 5 10 15 20 25

92
100 Consigne puissance
Pbat Tremblay 1s
Puissances (kW)

50 Pbat Tremblay 1h
90
Pbat Cartographie

0
Donnée data-sheet
88
Modèle onduleur
Modèle transformateur -50

86 -100
0 10 20 30 40 50 60 70 80 90 100 0 5 10 15 20 25
Puissance réduite (%) Temps (h)
Fig. 11. Rendement de l’onduleur et du transformateur. Fig. 12. Comparaisons de SOC et puissances.
3.2. Simulation d’une semaine de production PV

Erreur rélative
15

déchargé (%)
Cartographie
On compare maintenant les trois modèles pour une semaine 10

Puissance
Tremblay
de production et prévision PV (cf Figure 10). Cette fois-ci on 5

voudrait étudier les résultats des comparaisons en faisant varier 0

0 10 20 30 40 50 60
le pas d’échantillonnage long entre 1 et 60 min. La référence est

Erreur rélative
40
toujours le modèle de Tremblay ∆t = 1 s pour lequel on ob-

chargé (%)
Puissance
tient Edch = 1828 kWh et Ech = 2055 kWh. Les résultats sont 20

résumés dans le Tableau 2 et dans la Figure 13. La comparai- 0

son des états de charge ainsi que les puissances du système sont 0 10 20 30 40 50 60
2
présentés dans la Figure 14 pour les modèles Tremblay 1 sec et

Temps de
calcul (s)
cartographies. 1
Ces résultats montrent l’avantage dans la précision de calcul
0
pour le modèle par cartographies pour des ∆t > 10 min. Le 0 10 20 30 40 50 60
Pas de calcul ∆t (min)
temps d’exécution du calcul par cartographies est en moyenne
Fig. 13. Comparaisons des erreurs et temps de calcul.
légèrement plus rapide. Il est important de signaler que l’erreur
de calcul du modèle de Tremblay pour des ∆t > 10 min pour-
rait être corrigée avec un sous échantillonnage ou en appliquant 1 Tremblay 1s Cartographie
un facteur de correction similaire au calcul du temps td . Cepen-
0.8
dant ceci impliquerait des temps de calcul plus élevés. La Fi-

SOC (%)
gure 15 compare les énergies échangées par la batterie avec les 0.6

trois modèles pour un pas d’échantillonnage de 60 min. Cette 0.4

dernière Figure montre l’avantage du modèle par cartographies 0.2

0 20 40 60 80 100 120 140 160
pour l’estimation précise des énergies déchargées et chargées
par la batterie. 600
Puissances (kW)

Tremblay 1s
400
Cartographie
Tableau 2. Comparaisons des erreurs et temps de calcul pour une semaine de
200
production et prévision PV.
∆t Edech [Link] Ech [Link] Temps 0
(min) (kWh) (%) (kWh) (%) (s) -200
60 1789 2,14 2130 3,66 0,054 -400
0 20 40 60 80 100 120 140 160
30 1863 0,99 2216 7,30 0,078 Temps (h)
Cartographie

10 1881 1,97 2237 8,30 0,177 Fig. 14. Comparaisons de SOC et puissances.
5 1882 2,02 2238 8,35 0,317
4 1883 2,04 2238 8,39 0,384
2 1881 1,98 2237 8,31 0,756 de puissance, c’est-à-dire le “commitment failure” (CF ) en
1 1880 1,90 2235 8,22 1,484 pourcentage du temps total de simulation. D’autres critères tech-
60 1578 13,67 1234 39,92 0,050 niques sont définis comme l’énergie injectée au réseau Egrid
30 1783 3,36 1744 15,56 0,080 et l’énergie gaspillée Ewasted en cas de surproduction et avec
Tremblay

10 1803 2,29 1960 5,11 0,256 le stockage rempli (dégradation de production). Le calcul éco-
5 1914 3,73 2069 0,17 0,339 nomique se fait en suivant la méthode du coût global actualisé
4 1897 2,81 2076 0,50 0,436 CGA en EUR/MWh [18]. Ce paramètre permet d’estimer un
2 1917 3,88 2123 2,81 0,853 seuil minimal du tarif auquel il faudra vendre l’énergie pro-
1 1918 3,96 2129 3,09 1,647 duite pour garantir la rentabilité de l’installation sur une du-
rée d’amortissement donnée. Pour plus de détail sur la modé-
lisation économique consulter [18]. On considère divers coûts
3.3. Résultats pour un dimensionnement de la batterie Li-Ion de source et stockage à titre d’illustration dans cet exemple. Le
On compare enfin l’utilisation des deux modèles et l’impli- temps d’étude est fixé à 20 ans. Un résumé des résultats de si-
cation de l’erreur de calcul décrite précédemment à dimension mulation obtenus pour une taille de 1 conteneur SAFT IM20M
donnée du stockage. On se place dans le cadre d’un producteur est présenté dans le Tableau 3.
d’énergie avec des EnR souhaitant vendre sa production à un Avec ces résultats on peut comparer, pour ce cas particulier,
réseau électrique en milieu insulaire. Le gestionnaire du réseau l’effet de l’erreur commise avec le modèle de Tremblay avec
impose un service système à remplir dans lequel le producteur un grand ∆t. D’une façon générale, cette erreur introduit une
doit s’engager la veille pour le lendemain à fournir une puis- estimation optimiste du CF et du CGA. Néanmoins cette diffé-
sance issue de sa propre prévision à J − 1. Cet engagement rence n’est pas trop élevée. Ceci est dû peut-être à la gestion
doit être respecté à une tolérance près fixée à ±25% de la puis- d’énergie associée qui créé des effets de compensation et au
sance installée la première année d’installation, ±20% pour la temps d’utilisation de la batterie. Pour cet exemple (pour une
deuxième année et ±15% pour les années suivantes. taille de 1 conteneur SAFT IM20M) la batterie n’est sollicitée
Pour l’analyse des résultats, on inclut des critères techniques que pendant 3% du temps. La gestion d’énergie implémentée est
et économiques non détaillés dans cet article. Un critère tech- une gestion non optimisée à base de règles simples qui visent à
nique principal est le taux de défaillances à tenir l’engagement garantir le service système et à maximiser la durée de vie de la
 the lithium-ion battery impedance characteristic at various conditions and
100
Tremblay 1s
aging states and its influence on the application,” Applied Energy, vol. 102,
0
Tremblay 1h pp. 885–897, 2013.
Cartographie
[5] O. Tremblay and L.-A. Dessaint, “Experimental Validation of a Battery
-100 Dynamic Model for EV Applications,” World Electric Vehicle Journal,
Energie échangée (kWh)

vol. 3, 2009.
-200
[6] O. Erdinc, B. Vural, and M. Uzunoglu, “A dynamic lithium-ion bat-
tery model considering the effects of temperature and capacity fading,”
-300
pp. 383–386, 2009.
-400 [7] C. Weng, J. Sun, and H. Peng, “A unified open-circuit-voltage model of
lithium-ion batteries for state-of-charge estimation and state-of-health mo-
-500 nitoring,” Journal of Power Sources, vol. 258, pp. 228–237, 2014.
[8] G. Souffran, L. Miegeville, and P. Guerin, “Simulation of Real-World
-600
Vehicle Missions Using a Stochastic Markov Model for Optimal Power-
train Sizing,” IEEE Transactions on Vehicular Technology, vol. 61, no. 8,
-700
0 20 40 60 80 100 120 140 160 180 pp. 3454–3465, 2012.
Temps (h)
[9] R. Rigo-Mariani, Méthodes de conception intégrée “dimensionnement-
Fig. 15. Comparaisons des énergies échangées par la batterie. gestion” par optimisation d’un microréseau avec stockage. phdthesis,
Université de Toulouse, 2014.
[10] G. Souffran, Powertrain sizing for hybrid electric vehicles based on a sto-
batterie. La différence alors trouvée pour le dimensionnement chastic modeling of driving missions. phdthesis, Université de Nantes,
technico-économique pourrait être beaucoup plus grande si l’on 2012.
utilise une stratégie de gestion qui sollicite d’avantage la batte- [11] B. Guinot, Y. Bultel, F. Montignac, D. Riu, and I. Noirot-Le Borgne,
“Economic impact of performances degradation on the competitiveness of
rie ou si l’erreur de prévision est plus élevée. Ceci sera le cas energy storage technologies (Part 1),” International Journal of Hydrogen
notamment avec une production et prévision éolienne. Energy, vol. 38, pp. 15219 – 15232, 2013.
[12] R. Rigo-Mariani, B. Sareni, and X. Roboam, “A fast optimization strategy
Tableau 3. Résultats de simulation obtenus pour une taille de stockage fixe de 1 for power dispatching in a microgrid with storage,” pp. 7902–7907, 2013-
conteneur Li-Ion SAFT IM20M. 11-10.
CF Egrid Ewasted Edech Ech SOH CGA
Modèle
(%) (GWh) (GWh) (GWh) (GWh) (%) (EUR/MWh)
[13] SAFT, “Lithium-Ion battery life : Solar photovoltaic (PV) - Energy Sto-
Cartographie 2,81 116,79 6,64 0,73 1,37 52,62* 215,2 rage Systems (ESS),” Tech. Rep. 21893-2-0514, SAFT, Bagnolet, France,
Tremblay 2,70 117,69 6,81 1,24 0,80 51,59* 213,5
May 2014.
L’énergie annuelle produite par le champ PV est de Eprod = 124, 061 GWh. [14] I. Reda and A. Andreas, “Solar Position Algorithm for Solar Radiation Ap-
*Pas de remplacement du stockage au cours des 20 années d’étude. plications,” Tech. Rep. NREL/TP-462-5173, National Renewable Energy
Laboratory, March 2003.
[15] M. Gulin, M. Vasak, and M. Baotic, “Estimation of the global solar irra-
diance on tilted surfaces,” in 17th International Conference on Electrical
4. CONCLUSIONS
Drives and Power Electronics (EDPE 2013), 2013.
Plusieurs modèles de type flux d’énergie pour la batterie Li- [16] C. A. Gueymard, “From global horizontal to global tilted irradiance : how
Ion sont présentés et comparés. Parmi eux, un modèle carto- accurate are solar energy engineering predictions in practice ?,” in Conf.
Solar 2008, 2008.
graphié permet d’obtenir une bonne précision avec des périodes
[17] E. Lorenz, T. Scheidsteger, J. Hurka, and C. Heinemann, Detlevand Kurz,
d’échantillonnages larges. L’approche de modélisation proposée “Regional PV power prediction for improved grid integration,” Prog. Pho-
permet d’obtenir un bon compromis entre précision et temps de tovolt : Res. Appl, vol. 19, pp. 757–771, 2011.
calcul en simulation numérique. Un traitement du vieillissement [18] W. Short, D. J. Packey, and T. Holt, “A Manual for the Economic Eva-
et de la dégradation de la capacité de la batterie est inclu dans luation of Energy Efficiency and Renewable Energy Technologies,” Tech.
Rep. NREL/TP-462-5173, National Renewable Energy Laboratory, March
la modélisation. Ce type de modèle permet une intégration ai- 1995.
sée dans des boucles d’optimisation sur cycle de vie dans le cas,
par exemple, d’un dimensionnement optimal d’un micro-réseau
intelligent.

5. REMERCIEMENTS
Le travail présenté dans cette publication se situe dans le
contexte du projet INSULGRID soutenu par le FUI et dont les
partenaires sont VALOREM, AREVA SE, l’ESTIA et le LA-
PLACE.

6. RÉFÉRENCES
[1] L. Gao, S. Liu, , and R. Dougal, “Dynamic Lithium-Ion Battery Model for
System Simulation,” IEEE Transactions on Components and Packaging
Technologies, vol. 25, no. 3, pp. 495–505, 2002.
[2] C. Akli, B. Sareni, X. Roboam, and A. Jeunesse, “Integrated optimal de-
sign of a hybrid locomotive with multiobjective genetic algorithms,” Int.
J. Appl. Electromagnet. Mech., vol. 4, pp. 151–162, 2009.
[3] J. Manwell and J. McGowan, “Lead acid battery storage model for hybrid
energy systems,” Solar Energy, vol. 50, no. 5, pp. 399–405, 1993.
[4] W. Waag, S. Kabitz, and D. U. Sauer, “Experimental investigation of