Dans l'Arctique, le givre n'est pas seulement un joli paysage. Pour une éolienne, c'est un ennemi redoutable. L'accumulation de glace sur les pales modifie leur profil aérodynamique, ce qui réduit leur portance et augmente leur traînée. La turbine tourne moins vite, ou pas du tout, et produit donc moins d'électricité. L'effet le plus direct est une dégradation significative de la courbe de puissance, qui lie la vitesse du vent à la production électrique.

Pour modéliser ce phénomène, on n'utilise plus la courbe de puissance standard fournie par le fabricant. On introduit un facteur de perte dû au givre, $k_{ice}$, qui dépend de l'épaisseur de la glace, de la température et de l'humidité. La puissance corrigée, $P_{givrée}$, peut être exprimée comme une fonction de la puissance idéale, $P_{idéale}$ :

Le défi est de modéliser $k_{ice}$ lui-même, qui n'est pas une constante. Il évolue dans le temps selon les conditions météorologiques. On peut utiliser des modèles stochastiques basés sur des chaînes de Markov pour prédire la probabilité de transition entre différents états de givre (léger, modéré, sévère), ce qui permet une modélisation plus fine et réaliste pour l'optimisation du micro-réseau.

Les systèmes de stockage d'énergie par batterie (BESS) sont cruciaux pour la stabilité des micro-réseaux, mais le froid extrême affecte directement leur électrochimie. À basses températures, la viscosité de l'électrolyte augmente, ce qui ralentit le mouvement des ions lithium. Il en résulte une augmentation de la résistance interne et une diminution de la capacité effective de la batterie. Une batterie qui fonctionne parfaitement à 20°C peut perdre plus de la moitié de sa capacité utile à -30°C.

La modélisation doit donc intégrer un coefficient de température. L'état de charge (SoC), la profondeur de décharge et la durée de vie de la batterie sont tous affectés. Un modèle de dégradation doit prendre en compte non seulement les cycles de charge/décharge, mais aussi le vieillissement accéléré causé par le stress thermique. On peut utiliser des équations empiriques, comme une version modifiée de la loi d'Arrhenius, pour estimer la réduction de la durée de vie en fonction de la température de fonctionnement.

La modélisation de l'énergie solaire dans les régions polaires est un cas d'école des extrêmes. Durant le jour polaire, le soleil ne se couche jamais, offrant une production continue pendant des mois. Inversement, la nuit polaire plonge la région dans l'obscurité totale, rendant la production photovoltaïque nulle. Le modèle de production solaire doit donc gérer cette binarité saisonnière.

De plus, même pendant l'été, l'angle d'incidence du soleil est très bas, ce qui réduit l'irradiance reçue par les panneaux. Cependant, un facteur positif entre en jeu : l'albédo de la neige. La neige fraîche peut réfléchir jusqu'à 80% de la lumière solaire, ce qui augmente significativement la production des panneaux, en particulier pour les installations bifaciales.

Pendant la longue nuit polaire, le groupe électrogène diesel devient la seule source de production fiable. La modélisation du diesel ne se limite pas à sa consommation de carburant. Elle doit intégrer des coûts logistiques complexes et élevés. Le carburant doit être transporté par bateau ou avion, souvent seulement pendant une courte fenêtre estivale, et stocké pour toute l'année. Le modèle doit donc inclure le coût d'achat, le coût du transport saisonnier et le coût de l'infrastructure de stockage, souvent modélisés comme des coûts fixes annuels ou des coûts variables très discontinus.

L'objectif final est de faire fonctionner ces différents modèles ensemble dans un cadre d'optimisation. Ce cadre, souvent formulé comme un problème de programmation linéaire mixte en nombres entiers (MILP), cherche à minimiser le coût total du système tout en garantissant une alimentation électrique fiable.

Les modèles déterministes (comme le coût du stockage de diesel) et stochastiques (comme la production éolienne sous givre) servent de contraintes et de paramètres. L'optimiseur décide alors, à chaque instant, quelle source d'énergie utiliser : puiser dans la batterie, démarrer le générateur diesel, ou utiliser l'énergie renouvelable disponible. Il prend ses décisions en tenant compte de l'impact du froid sur chaque composant, assurant ainsi un fonctionnement robuste et économique, même dans les conditions les plus rudes du monde.

Testez vos connaissances sur la modélisation en conditions extrêmes.

En maîtrisant ces modèles, les ingénieurs peuvent concevoir des micro-réseaux résilients qui apportent une énergie fiable et plus propre aux communautés arctiques.