Depuis octobre 2021, VALEMO s’est engagé dans un projet de thèse CIFRE, en collaboration avec le CNRM (Centre National de Recherches Météorologiques) et Météo France, afin de poursuivre l’amélioration d’un modèle de prévision de givre (WIRE) sur les pales d’éoliennes. Ce partenariat a pour objectif d’obtenir un outil opérationnel pour notre centre de conduite pour l’exploitation des parcs éoliens. Les travaux de cette thèse s’articulent autour de trois principaux axes afin d’améliorer l’ensemble de la chaîne de prévision du risque de givrage pour la gestion des parcs éoliens :
- Un premier axe concernant les performances du modèle de prévision numérique du temps (PNT) AROME dont les paramètres sont utilisés en données d’entrée par WIRE.
- Un second axe sur la modélisation du phénomène de givre et de l’implémentation d’un module de fonte dans la version opérationnelle de WIRE.
- Un troisième axe concernant la prise en compte des incertitudes via l’utilisation de prévisions probabilistes.
A mi-chemin de ce projet, notre doctorant s’est focalisé sur les deux premiers axes.
Le modèle AROME est le modèle de PNT à maille fine exploité en opérationnel à Météo-France depuis 2008. La maille de calcul du modèle est de 1,3 km et le modèle produit cinq prévisions par jour sur la France métropolitaine et aide ainsi à mieux y prévoir les phénomènes météorologiques de la journée et du lendemain (ses échéances de prévisions allant jusqu’à 48h). La plupart des modèles de PNT présentent un biais important pour la prévision du phénomène de givre et tendent à faire geler trop facilement les nuages. Par exemple, AROME, ne prévoit que des nuages totalement glacés en dessous de -20°C et présente des difficultés à bien représenter l’eau liquide pour des températures négatives. Or, l’eau liquide surfondue est un paramètre d’entrée important dans le modèle de prévision de givre puisque ce paramètre pilote l’accrétion de la glace sur les pales. Ainsi, améliorer la représentation de l’eau liquide surfondue dans les modèles de PNT est donc à la fois intéressant et nécessaire pour améliorer les résultats de WIRE. Concernant ce premier axe, différents tests de sensibilité ont d’abord été réalisés afin de déterminer les processus ayant le plus d’impact sur la création et la consommation de l’eau liquide surfondue dans AROME. Suite à ces tests, trois paramétrisations regroupant plusieurs modifications de processus ont été retenues. Des simulations ont été réalisées et comparées à des données d’une campagne de mesure aéroportée qui s’est déroulée aux Etats-Unis en 2019. Cette étude comparative a permis de mettre en évidence qu’une des paramétrisations permettait d’augmenter les quantités d’eau liquide surfondue simulée par le modèle tout en évitant de dégrader les performances globales du modèle météorologique. Toutefois, des analyses supplémentaires par les équipes de Météo France seront nécessaires pour aboutir à une mise en opérationnel de ces modifications dans une future version d’AROME.
Concernant le second axe, des modifications ont été apportées à la première version de WIRE dédiée au secteur de l’éolien (version développée au cours d’un stage encadré par VALEMO en 2020). La principale amélioration apportée au modèle de prévision de givre est l’ajout d’un module de fonte afin de simuler la durée de l’épisode de givre prévu et ainsi avoir une information sur l’instant où le givre a totalement fondu pour pouvoir optimiser le redémarrage des turbines en toute sécurité. De plus, le module d’accrétion initial a été retravaillé pour que certains paramètres soient adaptés à la modélisation d’une pale d’éolienne en rotation. Afin de pouvoir procéder à la validation de ces nouveautés, les données d’observation des capteurs de givre installés sur des pales éoliennes ont été utilisé. Comme le montre la Figure 1, les changements apportés dans WIRE ont permis de réduire les fausses alarmes et d’augmenter l’épaisseur de givre prévue par le modèle. Cependant, la détection ainsi que la durée des épisodes étaient mal représentées. Une autre approche à donc été envisagée en utilisant des données d’entrées plus représentatives du site étudié, notamment en termes d’altitude. Grâce à cette nouvelle approche (Figure 2), WIRE obtient de meilleurs résultats à la fois en termes de détection d’événement mais également sur la durée des événements de givre prévu par le modèle. Ainsi, grâce aux travaux menés sur la partie accrétion et fonte, les prévisions de WIRE apportent aujourd’hui des informations pouvant être exploitées dans un cadre opérationnel.
La fin de la thèse de notre doctorant sera consacrée à la prise en compte des incertitudes présentes dans les modèles météorologiques ainsi que dans le modèle de prévision de givre afin d’évaluer l’apport des prévisions probabilistes et leur plus-value pour la prévision des épisodes de givre sur nos parcs éoliens.
