Modélisation de l’impact de la transition énergétique sur les réseaux de distribution

La mise en œuvre de la transition énergétique requiert une infrastructure de réseau adaptée. Elle doit répondre aux enjeux d’intégration des installations de production décentralisées (par ex. le déploiement des installations PV de toiture) et aux nouveaux usages et modes de consommation (par ex. l’augmentation de la demande en électricité liée aux véhicules électriques et aux pompes à chaleur, le développement de l’autoconsommation, le recours à la flexibilité, etc.). Dans ce contexte, la planification stratégique du réseau électrique doit anticiper les possibles impacts sur les ressources internes, notamment financières mais aussi de main d’œuvre. Dans cet article, nous décrivons l’approche standard que nous avons développée et mise en œuvre pour quantifier l’impact de la transition énergétique pour les infrastructures des GRD suisses.

Objectifs

Cette démarche ne vise pas à se substituer aux activités du GRD en matière de dimensionnement de l’infrastructure, de planification opérationnelle ou de gestion d’actifs du réseau de distribution. Elle vise à donner des perspectives 2025-2050 sur de grandes métriques stratégiques, pour planifier et anticiper sur le long terme les besoins nécessaires au renforcement du réseau, tout en prenant en compte les spécificités locales de la zone de desserte (par ex. la topologie du réseau, la typologie des consommateurs, la production PV distribuée, les sources de flexibilité, …). Il s’agit notamment d’estimer :

• Les volumes d’investissements additionnels dans le réseau (MCHF/an) et la trajectoire annuelle d’ici 2050, avec une analyse de sensibilité selon différents scénarios énergétiques ;
• Les zones géographiques avec possiblement les plus fortes contraintes pour l’infrastructure et le nombre de chantiers associés ;
• La valeur de la flexibilité sur la zone de desserte (par ex. profils de charge, autoconsommation, batteries, gestion de l’injection PV) pour limiter les renforcements dans le réseau (MCHF/an) ;
• Un premier ordre de grandeur de l’impact sur les besoins en ressources humaines pour les équipes concernées (par ex. EPT pour la planification, la conduite chantier, les monteurs, la gestion d’actifs,…).

Méthodologie

La méthodologie de cette analyse prend en compte la réalité distribuée du réseau d’un GRD tout en répondant à un besoin de planification stratégique. D’une part, cette analyse représente un cas concret de valorisation des données internes au GRD (par ex. données de réseau, courbes de charges et données de mesures) : la réalité du réseau de distribution est prise en compte en retenant une modélisation de chaque bâtiment et de chaque élément de réseau (par ex. tronçons et impédances, départs, postes MT-BT…) de la zone de desserte. De plus, les comportements électriques individuels de chaque bâtiment peuvent être finement modélisés avec l’appui d’outils de Machine Learning, développés spécifiquement pour cette analyse. D’autre part, ce travail vise à produire des résultats d’un niveau stratégique pour une Direction en quelques mois seulement. Ce laps de temps réduit permet aux équipes du GRD de se projeter rapidement sur le sujet, tout en contrôlant l’effort associé. De plus, dans une perspective stratégique, si les scénarios énergétiques à considérer viennent à évoluer, les résultats de l’étude peuvent être mis à jour rapidement.

Dans cet article, nous illustrons notre approche, segmentée en 5 modules, en prenant pour exemple le réseau de distribution d’OIKEN et la zone de desserte associée. Un travail similaire a été réalisé pour les SiL sur leur zone de desserte.

Les analyses de chacun des modules ont été réalisées par E-CUBE. Les équipes d’OIKEN et des SiL ont apporté leur appui pour ajuster les données de réseau à considérer (topologie, impédances, puissances, etc.) ainsi que pour valider les principales hypothèses (par ex. sur les scénarios de déploiement PV applicables).

• Module 1 : Nous avons caractérisé plusieurs scénarios d’évolution de la consommation et de la production électriques annuelles d’ici 2050. Ces scénarios s’appliquent à la zone de desserte d’OIKEN (resp. des SiL) dans son ensemble, tout en prenant en compte une segmentation par type de consommateur (par ex. villa, immeuble, entreprise,…) et par type d’installation (PV, VE, PAC…)
• Module 2 : Nous avons réparti les quantités d’énergies annuelles issues des scénarios énergétiques sur chaque point de raccordement du réseau de distribution (les données ayant été anonymisées). Pour ces distributions géographiques, nous avons développé un code en langage Python pour permettre des approches par Machine Learning. Ce code de répartition géographique a été conçu pour pouvoir fonctionner, par défaut, uniquement sur la base de données publiques disponibles. Dans la pratique, l’analyse recours à plus de 10 bases de données publiques distinctes : RegBL, Potentiel OFEN des toitures, Conception de l’infrastructure de recharge (CIR 2050) et National Data Infrastructure For Electromobility (NDIE), autres données sur opendata.swiss,… Le code reste néanmoins flexible pour intégrer les données dont dispose le GRD et qui contiennent d’autres informations ou sont plus complètes (par ex. zone de déploiement du CAD, installations PV existantes ou planifiées, potentiel PAC et PV interne au GRD, zones d’exclusion patrimoniales,…).

• Module 3 : Nous avons calculé la charge nette horaire pour chaque point de raccordement et à chaque niveau de réseau. Pour cela, nous avons recouru à des profils horaires standards pour les différents usages, représentatifs pour la zone de desserte du GRD (par ex. consommation domestique, profil PAC, profil recharge VE domestique ou publique, …). Notons que, pour raffiner au maximum l’analyse, il est possible de s’appuyer sur des données de mesure de compteurs intelligents (si celles-ci sont déjà disponibles chez le GRD et dans le strict respect des dispositions légales concernant la protection des données). Pour les analyses aux niveaux de transformation MT/BT ou MT, nous avons pris en compte des facteurs de foisonnement lors de l’agrégation de ces courbes de charges individuelles. Ceci permet notamment de considérer la non-simultanéité de certains usages, comme par exemple la recharge de véhicules électriques.
• Module 4 : A chaque niveau de réseau, nous avons calculé les hausses et chutes de tension, les intensités de courant, les puissances maximales annuelles. Nous avons ensuite comparé ces valeurs avec les valeurs admissibles des éléments de réseau modélisés, en prenant en compte les marges de sécurité. Cette analyse s’est faite selon différentes variantes pour déterminer le besoin de renforcement. Par exemple, une première variante a considéré la puissance maximale installée (hors autoconsommation) pour déclencher ou non un renforcement de réseau. Une autre variante a considéré la charge nette de l’injection et du soutirage, tout en limitant l’injection PV (par ex. au regard des dispositions de l’Art. 19c al. 4 OApEl). Ceci est représenté dans l’illustration 3 ci-dessous.

• Module 5 : Nous avons agrégé les résultats de détail obtenus jusqu’en 2050 et avons calculé les grandes métriques stratégiques pertinentes pour OIKEN et les SiL, présentées ci-après.

Résultats

Les résultats de l’analyse ont été présentés de manière agrégée par période de 5 ans afin de pouvoir être communiqués aussi bien aux équipes opérationnelles d’OIKEN et des SiL qu’à des échelons décisionnels plus élevés. Un résultat central est l’estimation des coûts additionnels de renforcement (outre ceux déjà planifiés pour le maintien et le renouvellement de l’infrastructure existante) induits par le déploiement du PV et l’électrification des usages sur la zone de desserte. Cette estimation doit permettre à OIKEN et aux SiL d’anticiper les besoins de financements additionnels.

Ces résultats ont été sensibilisés sur plusieurs aspects :

• Différents scénarios énergétiques retenus pour la zone de desserte ;
• Différentes variantes méthodologiques pour déclencher ou non des renforcements de réseau
• Recours à plusieurs types de courbes de charge horaires, représentant des comportements avec ou sans exploitation des potentiels de flexibilité
• Hypothèses de coûts pour les mesures de renforcement du réseau ;
• Seuil de tolérance pour la charge admissible des équipements électriques.

La prise en compte de profils de charge flexibilisés dans l’analyse (par exemple déplacement de recharge véhicule électrique, pilotage de l’injection PV, batteries,…) permet de sensibiliser les résultats à l’engagement ou non de la flexibilité par le GRD au service du réseau. En effet, la flexibilisation des usages et le pilotage de l’injection PV permet des évitements ou reports d’investissements, ce qui contribue à réduire les investissements du GRD dans le renforcement de son réseau. De plus, la finesse de l’analyse horaire a permis d’identifier le type de contraintes auxquelles OIKEN et les SiL feront majoritairement face (par ex. des contraintes de hausse de tension en raison du PV, ou de dépassement de puissance des départs en raison de la consommation des PAC ou des VE) et d’identifier les principales sources de flexibilité les plus adaptées pour y répondre.

Enfin, la granularité fine de la modélisation a permis de produire d’autres métriques stratégiques pertinentes pour la planification stratégique long-terme d’OIKEN et des SiL, comme :

• le nombre annuel de postes MT/BT, de départs BT ou de km de ligne BT ou MT concernés par un renforcement et leur répartition géographique (voir illustration 5 ci-dessous) ;
• l’identification des zones géographiques concernées en priorité, avec des enjeux de mutualisation des travaux avec d’autres projets d’infrastructure (par ex. déploiement du CAD, planification pour le réseau de gaz) ;
• une première estimation de l’impact sur les EPT des équipes concernées, en fonction du nombre de chantiers à réaliser, pour anticiper les besoins en ressources et compétences.

Conclusions

Cette approche, analytique et modulaire, permet de projeter de grandes métriques pour la planification stratégique long-terme des réseaux de distribution. Pour cela, elle se base sur une modélisation fine du réseau électrique et des comportements électriques à l’échelle de chaque point de raccordement au réseau. En outre, les analyses de sensibilité permettent de réaliser de premières estimations du potentiel économique de la flexibilité sur la zone de desserte et des gisements les plus attractifs pour le GRD. Un prolongement possible des travaux serait alors d’évaluer les impacts potentiels sur les tarifs d’utilisation du réseau.