Les canicules et les sécheresses sont des aléas météo émergents pour le marché français de l’électricité, en particulier via la disponibilité des centrales nucléaires : depuis 2015, ces phénomènes ont entrainé près de 360 arrêts ou baisses de production sur le parc nucléaire français, causant jusqu’à 6.2GW d’indisponibilités.
Spécialiste de l’étude des risques climatiques, Callendar a développé une solution performante pour la prédiction de ces indisponibilités. Cette solution s’adresse aux responsables d’équilibre, traders ou producteurs désireux d’anticiper les arrêts causés par les conditions météorologiques avant leur annonce par EDF.
Ce produit vous intéresse ? Nous pouvons mettre à votre disposition une démonstration pour la centrale de Golfech jusqu’à J+4. Pour en savoir plus, n’hésitez pas à nous contacter !
Questions-réponses
Quelle est la cause des indisponibilités météo du parc nucléaire ?
Les centrales nucléaires, comme les centrales conventionnelles, ont besoin d’eau pour refroidir leurs turbines et produire de l’électricité. L’utilisation de l’eau est encadrée par une réglementation propre à chaque centrale, par exemple la température au rejet ou en aval, lorsqu’il s’agit d’un fleuve, peut être limitée. Le détail de ces réglementations est accessible ici.
En période de forte chaleur ou de sécheresse, ces limites peuvent devenir impossibles à respecter. Dans ce cas, l’opérateur doit réduire la production ou mettre à l’arrêt des réacteurs.
Quel est l’impact des indisponibilités météos sur le marché de l’électricité ?
Entre 2015 et 2020, nous avons recensé 357 indisponibilités totales ou partielles causées par la météo. L’épisode le plus sévère s’est déroulé le 25 juillet 2019 : il a touché simultanément 9 réacteurs nucléaire, soit une puissance électrique indisponible de 6.2GW. Cet épisode a entrainé une hausse importante du cours de l’électricité : au-delà de 70€/MWh sur le marché spot en France.
Comment fonctionne la prédiction des indisponibilités météos de centrales nucléaires ?
Au cœur de nos prévisions se trouve un algorithme de machine learning entrainé à la fois sur des données publiques et sur des mesures réalisées par EDF pour prédire la température des fleuves. Cette démarche innovante est décrite plus en détail ici.
Ce système permet d’évaluer la température de l’eau de refroidissement utilisées par les centrales en fonctions des conditions météorologiques : températures passées, prévisions météos, débit, longueur des journées…. Cette température est ensuite utilisée pour calculer la capacité de refroidissement maximale compte tenu des rejets thermiques autorisés.
Le programme d’arrêts communiqué par EDF permet quant à lui de calculer le besoin de refroidissement. Si ce besoin dépasse la capacité de refroidissement, la centrale va être contrainte de réduire sa production.
Comment savoir si nos prévisions sont performantes ?
Conformément aux bonnes pratiques pour ce type de projet, la performance du système est évaluée sur un échantillon de validation : des données réelles qui n’ont pas été utilisées lors de la conception et de l’entrainement. Dans ces conditions, l’erreur absolue moyenne des prévisions de températures est généralement inférieure à 0.5°C.
Le ré-entrainement avec des données issues d’EDF permet en outre d’éliminer les biais qui peuvent exister entre les mesures publiques et celles réalisées par l’exploitant. Après ce ré-entrainement, la fréquences des erreurs diminue fortement comme illustré ci-dessous :
Quelles sont les limites connues de ces prévisions ?
Même si elle offre déjà de bonnes performance, notre prévision des indisponibilités météorologiques des centrales nucléaire françaises reste en développement. Elle comporte donc certaines limites :
- Le débit est pris en compte mais non modélisé : il est considéré constant et égal à sa moyenne des 24 dernières heures entre J et J+4,
- L’effet de la température sur le rendement des turbines n’est pas pris en compte, cette baisse de rendement est de l’ordre de 1 à 2 points par tranche de 10°C.
Nous poursuivons notre travail afin d’offrir des prévisions encore plus précises et complètes.