Rapport des travaux pratique

Sujet :
Modèles simplifiés d’Analyse de Cycle de Vie : cadre
méthodologique et applications aux filières de conversion
d’énergie

Réaliser par : Encadré par :

Zahra Ayadri [Link]

El momine Mohamed

Ait hanna Yassine

Année universitaire 2024/2025 1

 Sommaire
Introduction ......................................................................................................................................
Chapitre 1 :

Etat de l'art ….................................................................................................................

1.1 La production d'électricité et les émissions de gaz à effet de serre … ………………………………

1.2 L'Analyse du Cycle de Vie : Principes et Méthodes…………………………………………………………..

1.3 Modélisation des données d’inventaire ………………………………………………………………………….

1.4 Complexité des ACV et besoin d'outils simplifiés…………………..............................................

1.5 Variabilité des impacts environnementaux des filières de production d'électricité au

sein des revues de littérature…………………………………………………………………….
1.6 Description de l'approche méta-ACV appliquée aux filières énergétiques……….

Chapitre 2 :
Méthodologie de mise en place de modèles simplifiés……………………………………………………………….

1.1 Étape 1 : Définition des objectifs et du cadre de l'étude …………………………………………

1.2 Étape 2 : Mise en place du modèle de référence …………………………………………………

1.3 Étape 3 : Identification des paramètres clefs …………………………………………………..

1.4 Étape 4 : Génération du modèle paramétré……………………………………………

1.5 Etape 5 : Caractérisation du domaine de validité……………………………………………..

Chapitre 3 :
Application du cadre méthodologique aux filières éolienne et photovoltaïque……….

1. Application à la filière éolienne terrestre en Europe ……………………

2. Application au système photovoltaïque résidentiel ………………….
3. Synthèse sur le cas des applications……………………….
Chapitre 4 :
L'optimisation du mix électrique avec la contrainte environnementale …………………………………….

4.1. Approche cartographique pour la décision énergétique ……………………………………………………..

4.2. Fixation des seuils d’impact environnemental…………………………………………………………………….

4.3. Optimisation du bouquet énergétique national…………………………………………………………………..

Année universitaire 2024/2025 2

4.4. Contraintes à long terme : évolutions technologiques, économiques et sociétales ……………

Synthèse sur l'application de la méthodologie…………………………………………………………………………..

5.1. Analyse globale de la variance…………………………………………………………………………………………….

5.2. Identification des besoins des utilisateurs : intra-filière et inter-filière ……………………………….

5.3. Modèles simplifiés : méthodologie et applications………………………………………………………………

5.4. Étude de cas : photovoltaïque résidentiel en France……………………………………………………………

5.5. Résultats : cartographies et outils d’aide à la décision…………………………………………………………

Conclusions générales………………………………………………………………………………………………………………..

• Importance de la variabilité et de la complexité des systèmes……………………………………….

• Développement de modèles simplifiés pour les décideurs…………………………………………….

• Perspectives pour l’optimisation environnementale des filières…………………………………….

• Rôle des collaborations dans la transition énergétique………………………………………………….

Année universitaire 2024/2025 3

Introduction :
Analyse de la Variabilité des Impacts Environnementaux des Filières Énergétiques :Ce document
analyse les facteurs de variabilité des impacts environnementaux des filières de production
d'électricité, en s'appuyant sur les données issues de l'Analyse de Cycle de Vie (ACV). II explore les
limites des approches traditionnelles d'ACV et examine les nouvelles méthodes, telles que les méta-
analyses ACV et les modèles paramétrés, qui permet une meilleure compréhension de la variabilité
des impacts environnementaux des systèmes énergétiques.

Contexte : Le Défi de la Transition Énergétique La demande mondiale en électricité a connu une

croissance exponentielle depuis la fin de la Seconde Guerre mondiale, alimentée en grande partie
par les pays en voie de développement. Cette croissance a entraîné une dépendance accrue aux
énergies fossiles, notamment le charbon, ce qui a engendré des problèmes environnementaux
considérables, tels que la pollution atmosphérique et les émissions de gaz à effet de serre. La
transition énergétique vers un système plus durable nécessite donc de réduire les émissions tout en
assurant un approvisionnement énergétique fiable et abordable.

L'Analyse de Cycle de Vie (ACV): Un Outil Essentiel

L'ACV est une méthodologie qui évalue les impacts environnementaux d'un produit ou d'un service tout
au long de son cycle de vie, de l'extraction des matières premières à la fin de vie du produit.
L'approche ACV est largement reconnue pour son rôle dans l'aide à la décision et l'optimisation
environnementale. L'ACV est particulièrement adaptée à l'analyse des systèmes de production
d'électricité, car elle permet de quantifier les impacts directs et indirects. Cependant, elle présente des
limitations pour la comparaison des filières énergétiques car les résultats peuvent varier
considérablement en fonction des systèmes considérés.

Les Limites de la MéthodologieTraditionnelle : Les revues de littérature, basées sur des études
d'ACV individuelles, fournissent des intervalles d'impacts très larges, ce qui rend difficile la
hiérarchisation des filières en termes d'impact environnemental et la comparaison des systèmes au
sein d'une même filière. La grande variabilité des résultats d'ACV complique l'utilisation de l'approche
ACV comme outil d'aide à la décision. Vers desApproches Simplifiées :De nouvelles approches, telles
que les méta-analyses ACV et les modèles paramétrés, ont été développées pour répondre aux
limitations des méthodes traditionnelles d'ACV. Ces méthodes se concentrent sur l'étude de la
variabilité des impacts environnementaux et sur l'identification des paramètres clés qui influencent
cette variabilité.

Les Méta-Analyses ACV : Un Pas en Avant : Les méta-analyses ACV examinent un échantillon de
systèmes d'une même technologie et identifient les paramètres responsables de la variabilité des
impacts environnementaux. Elles permettent de normaliser les résultats d'ACV et de réduire la
variabilité des résultats en se concentrant sur un nombre restreint de paramètres clés. Cependant, les
méta-analyses ACV présentent certaines limitations, telles que leur dépendance à la littérature
scientifique disponible et la représentativité des paramètres utilisés pour l'harmonisation des
résultats.

Année universitaire 2024/2025 4

Chapitre 1: Etat de l'art

Année universitaire 2024/2025 5

1.1 La production d'électricité et les émissions de gaz à effet de
serre :

Au cours des quatre dernières décennies, la consommation électrique mondiale a quadruplé, passant
de 5 000 TWh à 20 000 TWh en 2010. La crise économique de 2008 a temporairement ralenti cette
croissance, principalement maintenue par la demande des pays en développement. Pour répondre à
cette demande, des pays comme le Canada ont privilégié l'hydroélectricité, tandis que la France et le
Japon ont opté pour l'énergie nucléaire. Cependant, la production d'électricité repose
majoritairement sur les combustibles fossiles, responsables de 41 % des émissions mondiales de gaz
à effet de serre en 2010. Des politiques comme l'objectif européen des « 3 x 20 » visent à réduire ces
émissions, en s'appuyant sur des stratégies variées, dont le développement des énergies
renouvelables et l'amélioration de l'efficacité énergétique. L'analyse du cycle de vie des systèmes de
production devient essentielle pour une évaluation environnementale globale.

Figure 1 Evolution historique de la consommation électrique mondiale (d’après IEA, 2011

La consommation électrique mondiale a connu une croissance

significative au cours des dernières décennies, alimentée par
les pays en voie de développement. La production d'électricité
repose majoritairement sur les énergies fossiles, ce qui a des
impacts environnementaux importants, notamment les
émissions de gaz à effet de serre. Le secteur de la production
d'électricité est donc au cœur des discussions internationales
sur la réduction des émissions de gaz à effet de serre.

Année universitaire 2024/2025 6

1.2 L'Analyse du Cycle de Vie : Principes et Méthodes

L'Analyse du Cycle de Vie (ACV) est une approche méthodologique permettant de

quantifier les impacts environnementaux d'un produit ou d'un service sur l'ensemble de son
cycle de vie. Elle couvre toutes les étapes, de l'extraction des matières premières à la fin
de vie du produit.
L'ACV comprend quatre phases principales: la définition du cadre et des objectifs, l'inventaire des
émissions et des extractions, l'évaluation des impacts et l'interprétation des résultats. Chaque phase
est essentielle pour garantir la rigueur et la fiabilité de l'étude.

1 -Définition du Cadre et des Objectifs :

Définition de la fonction du système étudié, de l'unité fonctionnelle et des frontières du système.

2-Inventaire des Émissions et des Extractions :

Quantification des extractions de matières premières et des émissions polluantes dans les différents
milieux.

3-Évaluation des Impacts :

Utilisation de méthodes de calcul d'impacts pour

évaluer les effets des émissions polluantes et de
l'extraction des matières premières.

4-Interprétation des Résultats :

Analyse critique des résultats, Identification des conclusions principales et formulation de

recommandations.

L'Importance de l'ACV dans la Transition Énergétique :L'ACV fournit des informations exhaustives sur
les impacts environnementaux des différentes fillères de production d'électricité, permettant aux
décideurs d'élaborer des stratégies efficaces de réduction d'impact et de promouvoir un
développement énergétique raisonné.

1.3 Modélisation des données d’inventaire :

Le calcul de l'inventaire du cycle de vie (ICV) nécessite une approche systémique, qui prend en
compte les relations entre les
processus du système étudié.
Cette approche considère que le
monde peut être divisé en trois
compartiments: l'environnement,
le système et le reste de l'activité
économique.

Figure 2 Modélisation systémique de l'ACV

Année universitaire 2024/2025 7

1.3.1 Processus Unitaires et Matrice Environnementale :

Le système étudié en ACV est modélisé comme un ensemble de processus unitaires, qui sont la plus
petite portion du système pour laquelle des données sont collectées. Ces processus unitaires sont
reliés les uns aux autres par des flux de produits intermédiaires et interagissent avec l'environnement
par des flux élémentaires.

1.3.2 Matrice Technologique et Matrice Environnementale :

La matrice technologique (A) représente les échanges économiques entre les processus unitaires,
tandis que la matrice environnementale (B) représente les échanges entre les processus et
l'environnement. L'inversion de la matrice A permet de calculer la demande cumulée en produits
intermédiaires pour chaque processus unitaire

1.4 Complexité des ACV et besoin d'outils simplifiés :

L'ACV d'un système nécessite une grande quantité de données, ce qui peut rendre l'analyse
complexe et coûteuse en temps et en ressources. Il existe un besoin d'outils simplifiés pour estimer
les performances environnementales des produits et services. L'ACV est souvent utilisée en phase
finale de projet, ce qui limite son influence sur la conception du produit ou service. Il est important
d'intégrer l'ACV en phase amont du développement pour identifier les choix de conception les moins
impactant.

Limites de l'ACV traditionnelle :

Cette complexité d'implémentation de l'ACV pour l'étude dan large échantillon de systèmes est une
limitation au déploiement plus large de cette méthode au niveau décisionnel. La mise en place
d'approche simplifiée et systématique de quantification des impacts est donc nécessaire.

L'approche matricielle : une alternative pour l'analyse des impacts environnementaux :

L'approche matricielle présentée

précédemment permet d'identifier la somme
des contributions d'un processus unitaire sur
l'ensemble des procédés constituant le système.
Schématiquement, l'ACV traditionnelle, que l'on
appellera par la suite ACV détaillée peut être
synthétisée comme suit

Année universitaire 2024/2025 8

1.5 Variabilité des impacts environnementaux des filières de
production d'électricité au sein des revues de littérature :
• L'incertitude et la variabilité en ACV :
Les résultats des ACV sont analysés selon les objectifs de l'étude. Bien que recommandé
par les normes ISO et les guides méthodologiques comme l'ILCD Handbook, l'analyse
de la sensibilité des résultats n'est pas systématiquement effectuée. Cette analyse vise à
examiner l'incertitude des résultats de la modélisation choisie, due à des mesures
incertaines, un manque de données ou des hypothèses de modélisation. Selon
Huijbregts, l'incertitude peut être réduite en ajoutant des informations ou des mesures
plus précises. Différentes sources d'incertitude en ACV incluent des imprécisions des
données, un manque de données, des données non représentatives, des incertitudes
liées au modèle utilisé, aux choix méthodologiques et des erreurs potentielles tout au
long du processus.
• Imprécisions des données: mauvaises mesures des paramètres, métrologie, etc.,

• Manque de données: données absentes pour la modélisation, laissant donc des

trous dans le modèles,

• Données non représentatives: données utilisées pour combler les trous mais
qui ne sont donc pas représentatives du processus étudié,

• Incertitudes liées au modèle utilisé: approximation d'utilisation de modèle

linéaire alors que celui-ci ne l'est pas, la non prise en compte des aspects
temporels, etc.,

• Incertitudes liées aux choix: choix de l'unité fonctionnelle, des frontières du

système, des règles d'allocations, etc..

• Incertitude épistémique: la modélisation prospective de systèmes induit ce type

d'erreur, car l'information n'est pas disponible.

• Erreurs: tout au long du processus ACV, il est possible que des erreurs de
modélisation et d'hypothèses ou autres soient faites,

Des travaux ont en outre montré que les sources d'incertitudes apparaissaient tout au
long du processus de réalisation d'une ACV, allant de la collecte de données, à
l'utilisation de base de données, ou encore des hypothèses retenues à l'interprétation
des résultats. (Leroy, 2009).

• Variabilité des impacts environnementaux des filières de production

d'électricité

Année universitaire 2024/2025 9

 L'évaluation des impacts environnementaux des filières de production d'électricité par l'Analyse de
Cycle de Vie (ACV) montre une grande variabilité des résultats. Cette variabilité découle de plusieurs
facteurs, notamment les différences technologiques, géographiques, temporelles et
méthodologiques.

1.6 Description de l'approche méta-ACV appliquée aux filières énergétiques :

Pour répondre aux limites des méthodes traditionnelles, deux approches alternatives se sont
développées : la méta-ACV et les modèles paramétrés.

• Méta-ACV :

La méta-ACV, ou "analyse des analyses", est une méthode statistique qui permet de combiner les
résultats de plusieurs études d'ACV portant sur une même filière. Elle vise à identifier les principaux
paramètres qui influencent les Impacts environnementaux, à quantifier leur influence et à fournir un
panorama plus global de la performance environnementale de la filière.

• Modèles paramétrés :

Les modèles paramétrés, quant à eux, visent à développer des modèles simplifiés de systèmes de
production d'électricité qui tiennent compte des principaux paramètres influençant leurs impacts
environnementaux. Ces modèles peuvent être utilisés pour simuler l'influence de différents
paramètres et pour évaluer l'impact des changements technologiques ou des politiques
environnementales.

La méta-ACV offre plusieurs avantages, notamment la possibilité de comparer les études d'ACV,
d'identifier les paramètres les plus influents, et de faciliter les analyses englobant les filières.

1. Avantage :

L'approche méta-ACV permet d'harmoniser les méthodes et les données, réduisant ainsi la variabilité
des résultats d'ACV. Elle permet également de mieux comprendre l'Influence des paramètres clés sur
les Impacts environnementaux.

2. Limite :

La méta-ACV est limitée par la représentativité des données utilisées, qui peuvent ne pas être
toujours représentatives de la réalité. De plus, l'harmonisation des données peut conduire à une
perte d'information et à une simplification excessive des systèmes analysés.

Malgré ces limitations, la méta-ACV offre un moyen précieux de mieux comprendre et d'évaluer la
variabilité des impacts environnementaux des filières de production d'électricité. Elle peut servir de
base à des décisions éclairées en matière de politiques énergétiques et de développement de
technologies plus durables.

Année universitaire 2024/2025 10

Chapitre 2 - Méthodologie de mise en place de modèles simplifiés

Année universitaire 2024/2025 11

L'objectif de cette recherche est de créer un cadre méthodologique générique pour élaborer un
modèle simplifié et paramétré, estimant les performances environnementales de systèmes de
production d'électricité. Ce modèle permet une estimation rapide et rigoureuse des impacts
environnementaux sur le cycle de vie avec des paramètres clés réduits. La méthodologie, qui s'appuie
sur cinq étapes, a évolué de manière incrémentale, notamment en ajustant l'échantillon de référence
et les paramètres clés. Bien que la première version ait montré des limites, la seconde version, avec
une approche stochastique, a amélioré la représentativité et permis de définir un profil
environnemental plus complet, tout en nécessitant une analyse globale de sensibilité pour évaluer
l'influence des paramètres.

• Etape 1 - Définition des objectifs et du cadre de l'étude :

La première étape consiste à définir clairement le cadre de l'étude en spécifiant les systèmes à
analyser, les technologies considérées, ainsi que les hypothèses et les frontières du modèle. Cette
étape permet de définir un champ d'application précis pour l'étude, assurant la cohérence et la
pertinence des résultats obtenus. Elle implique de spécifier la filière de conversion d'énergie à
étudier, le but de l'étude et le degré de généralisation du modèle simplifié. Les objectifs doivent
également faire référence à l'unité fonctionnelle à partir de laquelle les impacts environnementaux
seront rapportés. Il est important de définir un ensemble de scénarios représentant les
configurations possibles des systèmes à étudier au sein de la filière, garantissant ainsi la
représentativité des résultats obtenu

• Etape 2 - Mise en place du modèle de référence :

L'étape suivante consiste à définir un échantillon de référence représentatif de la
filière étudiée. Pour ce faire, on utilise une approche paramétrée stochastique,
permettant de générer un grand nombre de scénarios de systèmes, caractérisés par
un ensemble de paramètres définis selon des intervalles de variation et des
distributions de probabilité réalistes. Cette approche permet de capturer la
diversité et La variabilité des systèmes présents dans la filière.

• Etape 3 - Identification des paramètres clefs :

de cela Elle s’agit de la troisième étape du cadre méthodologique pour

l'analyse du cycle de vie (ACV), qui consiste à identifier les paramètres
clefs pour les modèles simplifiés. Cette étape vise à déterminer les
paramètres qui ont le plus d'influence sur la variabilité des résultats de
l'ACV, en utilisant une analyse de sensibilité globale (GSA). Cette dernière
utilise la décomposition de la variance induite par Soboul pour quantifier
l'importance de chaque paramètre et de leurs interactions sur la
variabilité du système. Cette méthode permet de hiérarchiser les
paramètres en fonction de leur influence sur la réponse
environnementale. En plus Les paramètres clefs sont sélectionnés en
Année universitaire 2024/2025 12
fonction de leur indice de Soboul, qui représente leur influence sur la
variabilité du système. La sélection des paramètres clefs est un choix
subjectif, qui dépend du degré de précision souhaité pour le modèle
simplifié.
Etape 4 : Génération du modèle paramétré
Objectif :
Construire un modèle simplifié qui traduit fidèlement les principales
relations entre les paramètres (intrants) et les impacts
environnementaux (sorties) tout en réduisant le nombre de variables à
traiter.
Étapes :
Définition des paramètres-clés :
Identifier les variables influentes dans le cycle de vie du système étudié
(e.g., rendement énergétique, types de matériaux, durée de vie des
composants). Ces paramètres doivent être représentatifs des variations
majeures du système.
Simplification des relations :
Utiliser des approches statistiques, des régressions linéaires ou non-
linéaires, ou encore des modèles physiques simplifiés pour établir des
relations directes entre les intrants et les impacts.
Programmation du modèle : Traduire ces relations en un outil
mathématique ou informatique (e.g., Excel, Python, logiciel ACV
spécialisé) permettant une manipulation rapide des paramètres.
Validation interne : Vérifier que le modèle produit des résultats cohérents
en comparant avec des études spécifiques ou des résultats intermédiaires
connus.
Etape 5 : Caractérisation du domaine de validité
Objectif :
Déterminer dans quelles conditions le modèle paramétré produit des
résultats fiables et comparer ces résultats aux données disponibles dans
la littérature scientifique.
Étapes :
Collecte de données de référence :
Identifier des études ACV complètes et reconnues sur des systèmes
similaires dans la littérature. Ces données serviront de base pour évaluer
les écarts entre les résultats du modèle simplifié et ceux des modèles
complets.
Test de robustesse :
Simuler plusieurs scénarios en faisant varier les paramètres dans des
plages réalistes. Comparer les résultats obtenus avec ceux des études de

Année universitaire 2024/2025 13

référence.
Analyse des écarts :
Quantifier les écarts et identifier les conditions dans lesquelles le modèle
simplifié reste fiable.
Délimitation du domaine de validité :
Formuler les limites d’utilisation du modèle.

Année universitaire 2024/2025 14

Chapitre 3:

Application du cadre méthodologique aux filières éolienne et photovoltaïque

Année universitaire 2024/2025 15

Le cadre méthodologie proposé dans ce travail de recherche a été appliqué à deux
filières de conversion d’énergie

1. Application à la filière éolienne terrestre en Europe :

But :
Ce cas d’étude a pour objectifs de fournir un modèle simplifié estimant les
performances carbone de cette filière

Étape : Mise en œuvre du cadre méthodologique

1.1. Définition des paramètres-clés :

Les paramètres influents pour les éoliennes terrestres en Europe incluent :

• Puissance nominale : Généralement comprise entre 2 et 5 MW par éolienne. Ce

paramètre détermine la capacité de production énergétique.
• Facteur de charge : Dépend des conditions de vent locales. En Europe, il varie
généralement de 20 % (zones peu ventées) à 35 % (zones côtières ou favorables).
• Durée de vie des équipements : Habituellement estimée entre 20 et 25 ans. Ce
paramètre influe sur l'amortissement des impacts environnementaux sur la durée totale
d'exploitation.
• Matériaux principaux : Composition des tours (acier, béton), des pales (fibre de
verre, résine), et des fondations (béton).
• Distance de transport : Distance moyenne entre les sites de production des
composants et les parcs éoliens, pouvant aller de quelques centaines à plusieurs
milliers de kilomètres.

1.2. Génération du modèle paramétré :

Année universitaire 2024/2025 16

 • Simplification des relations :
o Les étapes du cycle de vie (fabrication, transport, installation, exploitation,
démantèlement) sont modélisées en simplifiant leurs relations. Par exemple, les
impacts liés au transport sont modélisés proportionnellement à la masse totale
des composants transportés et à la distance parcourue.
o Les impacts de l’exploitation (entretien, lubrifiants) sont supposés linéaires sur
la durée de vie.
• Programmation :
o Un modèle mathématique est créé en intégrant ces relations dans un logiciel
(par exemple, Excel ou Python).
o Les intrants (e.g., puissance, matériaux, distance de transport) peuvent être
ajustés pour observer leur influence sur les résultats (émissions de GES,
consommation d’énergie cumulée, etc.).

1.3. Caractérisation du domaine de validité :

• Comparaison avec la littérature :

o Utilisation d'études ACV complètes publiées pour des éoliennes terrestres en
Europe, telles que celles réalisées par l'Agence Internationale de l'Énergie
(AIE).
o Évaluation des écarts entre les résultats du modèle simplifié et les données de
référence.
• Délimitation des plages de validité :
o Confirmation que le modèle est précis pour des facteurs de charge compris
entre 20 % et 35 %, des puissances entre 2 et 5 MW, et une durée de vie de 20
à 25 ans.

1.4. Résultats :

• Identification des étapes ayant le plus d’impacts : production des matériaux (acier,
béton), transport des composants lourds.
• Estimation des émissions de GES pour l’éolien terrestre : en moyenne, entre 10 et 20
gCO₂/kWh sur le cycle de vie.

1.5 Synthèse sur le cas des applications

Le premier cas d’application avait pour but de tester l’application du cadre

méthodologique des modèles simplifiés d’estimation des performances carbone et
énergétique été mis en place confirmant le fait que le cadre méthodologique était
effectivement applicable à différent catégorie d’impact, cette application mise en
évidence :

La mise en place du modèle de référence basé sur des paramètres indépendant était
l’un des points sensible de la mise en place du cadre méthodologique

La sélection des paramètres clefs était complexe et reflétait le dilemme entre

précision du modèle simplifie et simplicité

Année universitaire 2024/2025 17

 2. Application au système photovoltaïque résidentiel :

Étape : Mise en œuvre du cadre méthodologique

2.1. Définition des paramètres-clés :

Pour un système photovoltaïque résidentiel typique en Europe :

• Type de module : Le silicium cristallin représente la majorité des systèmes installés

(mono- ou polycristallin).
• Puissance installée : Varie généralement entre 3 et 6 kWc pour une maison
individuelle.
• Durée de vie : Environ 25 à 30 ans, correspondant à la garantie de performance
standard des modules.
• Rendement énergétique annuel : Varie en fonction de l’irradiation solaire locale,
allant de 800 à 1200 kWh/m²/an en Europe.
• Matériaux utilisés : Silicium (cellules), aluminium (cadres), plastique
(encapsulation), verre (couche supérieure).

2.2. Génération du modèle paramétré :

• Simplification des relations :

o Les impacts de fabrication sont calculés en fonction du type de module, avec
des coefficients établis à partir de données d’inventaire de la littérature.
o L’exploitation (production électrique) est modélisée en utilisant des données
locales d’irradiation solaire.
• Programmation :
o Le modèle paramétré est conçu pour évaluer les impacts (e.g., émissions de
GES, énergie grise) en fonction de l'emplacement, du rendement des modules
et des matériaux utilisés.

Année universitaire 2024/2025 18

2.3. Caractérisation du domaine de validité :

• Comparaison avec la littérature :

o Validation par rapport à des études ACV complètes sur des systèmes
photovoltaïques résidentiels.
o Comparaison des résultats pour différents types de modules et localisations
européennes.
• Délimitation des plages de validité :
o Irradiation locale entre 800 et 1200 kWh/m²/an.
o Modules principalement en silicium cristallin.

2.4. Résultats :

• Estimation des émissions de GES : entre 20 et 50 gCO₂/kWh produit, en fonction des

technologies et des localisations.
• Identification des étapes critiques : fabrication des cellules solaires (processus
énergivore) et recyclage en fin de vie.

2.5. Synthèse sur le cas des applications

La deuxième application avait pour but d’appliquer le cadre méthodologique à une filière
abordée à partir d’un modèle de référence plus complexe c’est-à-dire traitant de plus de
sources de variabilité .l’étude de PV a permis de définir des modèles simplifiés pour les
quatre type de technologies de module existants . Elle a en outre confirmé le caractère
chronophage et complexe de la définition du modèle de référence.

Année universitaire 2024/2025 19

Chapitre 4 - Discussions sur la méthodologie

Année universitaire 2024/2025 20

Ce chapitre examine les étapes méthodologiques pour développer un modèle simplifié, en se
basant sur le cas du photovoltaïque (PV) résidentiel en France. Il analyse les influences
suivantes :

1. Cadre de l’étude : Adaptation des objectifs et du cadre pour inclure toutes les
technologies de modules PV dans un modèle de référence unique.
2. Modèle de référence : Importance de la définition du modèle explicite et des
paramètres, en tenant compte des données souvent incomplètes.
3. Forme du modèle simplifié : Impact du choix et du nombre de paramètres sur la
simplicité et la précision.
4. Représentativité des résultats : Limites des modèles conditionnés par les modèles de
référence.
5. Comparaison avec la littérature : Difficultés liées aux cadres non homogènes entre
études.

4.1 Influence du cadre de l'étude

Un modèle global intégrant toutes les technologies (CdTe, CIS, poly-Si, mono-Si) est
proposé. Ce modèle réduit les paramètres à sept, mais inclut des dépendances complexes,
comme les origines de fabrication influencées par le choix technologique. Cela permet une
comparaison sur une base commune, essentielle pour évaluer des procédés différents.

La caractérisation technologique (ecoinvent) répartit les modules PV en France ainsi : mono-

Si (40,3 %), poly-Si (49,4 %), CdTe (9,5 %), et CIS (0,8 %). Cependant, ces données,
extrapolées de la Suisse, présentent des incertitudes, notamment sur l’absence de CdTe en
toiture résidentielle en France. Ces hypothèses restent utiles pour évaluer l’impact d’une
généralisation méthodologique et quantifier les évolutions potentielles des performances
carbone avec les couches minces.

Performances carbone des installations PV en France : analyse générale

Les performances carbone des installations PV en France sont une agrégation pondérée des
technologies (mono-Si, poly-Si, CdTe, CIS) selon leurs proportions dans le mix français. Les
résultats montrent une médiane de 72,1 g CO2 eq/kWh, influencée principalement par les
modules en silicium cristallin, qui représentent 90 % du marché.

Identification des paramètres clefs :

• Irradiation (33,9 % de la variance totale),

• Ratio de performance (20 %),
• Type de module (30,9 %).
Ces trois paramètres expliquent 84,8 % de la variance. La durée de vie, bien que
pertinente, est exclue dans le modèle simplifié général car sa contribution reste
secondaire.

Modèle simplifié :
Le modèle intègre les types de modules (CdTe, CIS, mono-Si, poly-Si) comme un paramètre
discret influençant les impacts carbone. La formule est adaptée selon la technologie utilisée,
avec un coefficient de détermination de R² = 0,892.

Année universitaire 2024/2025 21

Résultats et limites :
L’élargissement du cadre d’étude permet d’analyser l’impact des technologies couches
minces par rapport au silicium cristallin, mais entraîne une perte de détail sur les étapes de
fabrication. Par exemple, pour un module poly-Si avec un ratio de performance de 0,80, une
irradiation de 1400 kWh/m².an, et une durée de vie de 30 ans, le modèle général donne 72,6 g
CO2 eq/kWh, contre 62,1 g CO2 eq/kWh dans une analyse spécifique. Cet écart s’explique
par l’exclusion explicite de la durée de vie dans le modèle général.

Conclusion méthodologique :
Les objectifs de l’étude (détaillée ou générale) doivent être fixés dès le départ. Une approche
générale convient pour évaluer des tendances globales (ex. impact des couches minces),
tandis qu’une analyse détaillée permet de mieux comprendre les contributions spécifiques,
comme celles liées à la fabrication.

4.2 Influence du choix et de la définition du modèle de référence

La qualité du modèle de référence détermine la prise en compte des sources de variabilité

dans les analyses. Dans l’éolien terrestre, un modèle simplifié à 9 paramètres a été utilisé,
tandis que le photovoltaïque (PV) cristallin en intégrait 16, bien que certaines données aient
manqué. L’accès limité aux données de fabrication spécifiques, souvent généralisées ou
extrapolées, reste un défi. Pour pallier ces lacunes, des approximations ont été développées,
comme les modèles de dimensionnement, mais des modèles de référence plus détaillés et des

Année universitaire 2024/2025 22

bases de données exhaustives sont nécessaires. Ces évolutions pourraient être soutenues par
des initiatives publiques, comme le projet de l’ADEME, et nécessitent une approche itérative.

4.3 Influence du nombre et du choix des paramètres sur la simplicité et la

précision des modèles simplifiés

Les modèles simplifiés utilisent un nombre restreint de paramètres clés, influençant leur
précision (mesurée par le coefficient R²). Par exemple, pour le PV poly-silicium :

• Modèle à 1 paramètre (irradiation) : R² = 0,489, faible précision.

• Modèle à 2 paramètres (irradiation, ratio de performance) : R² = 0,707.
• Modèle à 3 paramètres (+ durée de vie) : R² = 0,843.
• Modèle à 4 paramètres (+ origine du procédé) : R² = 0,921, mais nécessite des données
difficilement accessibles.

L’ajout de paramètres réduit l’incertitude mais augmente la complexité et les besoins en

données. En l'absence de certaines informations, des alternatives adaptées (ex. : combinaison
irradiation et durée de vie) peuvent être utilisées, bien que leur précision soit moindre. Le
choix du nombre de paramètres dépend des objectifs et de la disponibilité des données.

4.4 Influence de la forme des modèles paramétrés

La forme des modèles simplifiés influence également leur précision. Pour le PV poly-Si,
plusieurs approches de modélisation ont été testées, incluant des polynômes de différents
degrés (surface de réponse) :

• Modèle à 1 monôme (linéaire) : R² = 0,818.

• Modèle à 4 monômes : R² = 0,822.
• Modèle à 8 monômes : R² = 0,827.
• Modèle à 11 monômes : R² = 0,843.

Bien que l’augmentation de l’ordre améliore l’ajustement, cela peut rendre les modèles
instables. Les coefficients sont calculés par moindres carrés, mais un compromis est
nécessaire entre précision, complexité et stabilité.

Année universitaire 2024/2025 23

Approche MARS et Modèles Simplifiés

L’approche MARS, basée sur une régression non paramétrique, modélise efficacement les
interactions et les non-linéarités sans imposer de forme paramétrique au modèle. Cependant,
avec trois paramètres clés (LT, PR, Irr), la précision maximale atteinte (R² = 0,843) équivaut à
celle obtenue avec les surfaces de réponse. Une amélioration nécessiterait l’ajout de nouveaux
paramètres pour réduire l’erreur résiduelle de 0,157, traduisant la variabilité des paramètres
non inclus. Malgré ses avantages, MARS n’a pas été retenue pour garantir une cohérence avec
la forme des modèles de référence simplifiés, jugés plus compacts et adaptés à la filière
étudiée.

Validation et Comparaison avec la Littérature

Les modèles simplifiés, testés sur un échantillon de 15 000 systèmes, ont confirmé leur
robustesse (R² = 0,843). Cependant, leur comparaison avec la littérature reste complexe en
raison de divergences méthodologiques et de données, notamment pour le PV où la majorité
des modules sont produits en Chine, souvent sous-évalués dans les études existantes. Ces
différences soulignent l’importance d’un cadre méthodologique rigoureux, tel que le
référentiel PV en France, pour réduire les biais et standardiser les analyses.

Synthèse Méthodologique

Le modèle paramétré repose sur une sélection optimale des paramètres clés, équilibrant
simplicité et précision. Un faible nombre de paramètres simplifie l’utilisation mais réduit la
représentativité et augmente l’incertitude. À l’inverse, un modèle plus précis exige davantage
de données, souvent difficiles à obtenir. La méthodologie itérative s’adapte aux données
disponibles, tout en restant cohérente avec les objectifs et attentes des décideurs. Enfin, une
analyse SWOT résume les forces (flexibilité, robustesse) et les faiblesses (dépendance aux
données) du cadre méthodologique développé.

Cadre méthodologique et perspectives pour l’évaluation environnementale des filières

énergétiques

Le cadre méthodologique développé dans cette recherche permet d'évaluer globalement les
performances environnementales des filières de conversion d'énergie. Il offre une approche
simplifiée pour estimer rapidement ces performances tout en tenant compte de la variabilité
des paramètres influençant les impacts environnementaux. Cette méthodologie, bien que
chronophage dans l'élaboration du modèle de référence, est évolutive grâce à son caractère
itératif.

Forces et faiblesses du cadre méthodologique

Parmi les forces identifiées, ce cadre peut être utilisé comme outil stratégique dans le débat
sur la transition énergétique, en permettant d’évaluer les impacts à l’échelle intra- et inter-
filières. Cependant, il exige une transparence absolue dans son application et peut être limité
si les résultats sont réduits à une valeur moyenne, ce qui néglige la variabilité des systèmes.

Opportunités et menaces
Les modèles simplifiés issus de cette méthodologie pourraient devenir des outils d’aide à la

Année universitaire 2024/2025 24

décision pour orienter le développement des politiques énergétiques en identifiant les
configurations à faible impact environnemental. Néanmoins, il est essentiel d'éviter la
subjectivité dans la caractérisation des paramètres pour garantir des résultats objectifs.

Applications prospectives : Cas du photovoltaïque CdTe

L’application prospective de la méthodologie a été démontrée avec la filière photovoltaïque
CdTe. L’étude a simulé un scénario fictif où la fabrication des modules serait relocalisée en
Europe (Suisse, Norvège, Espagne). Ce changement a permis de réduire les impacts carbone
de 25 %, soulignant l’importance du paramètre « scénario de fabrication ». L’analyse des
indices de Sobol a confirmé que ce paramètre, avec l'irradiation, est déterminant pour les
performances environnementales.

5.1 Utilisation des modèles simplifiés dans la prise de décision

Les modèles simplifiés, bien adaptés aux besoins des développeurs de projets et des bureaux
d’études, nécessitent une intégration dans des outils plus globaux pour répondre aux besoins
des décideurs stratégiques. Une approche cartographique, combinant systèmes d’information
géographique (SIG) et modèles simplifiés, permettrait de visualiser les potentiels
d’implantation par territoire et de soutenir des politiques énergétiques raisonnées.

Perspectives de recherche
Les développements futurs incluent l’extension aux analyses multicritères, la prise en compte
de la variabilité méthodologique et l’optimisation des bouquets énergétiques. Ces travaux
visent à rendre l’approche encore plus robuste et applicable dans des contextes stratégiques
variés.

5.2 Proposition d'utilisation des modèles simplifiés pour les outils

cartographiques d'aide à la décision
L’utilisation de modèles simplifiés dans des outils cartographiques permet de fournir une vue
synthétique des performances carbone des systèmes photovoltaïques CdTe, sur la base d’un
maillage géographique. Ces modèles facilitent la planification énergétique et mettent en
évidence les zones favorables à l’installation selon des scénarios actuels et futurs.

En France, les performances carbone estimées par un modèle simplifié (équation 41) montrent
que le scénario futur réduit significativement ces impacts (30-40 %) grâce à un changement
dans le bouquet énergétique. Cependant, ce modèle présente une précision moyenne (R² =
0,695). Un second modèle (équation 42), intégrant des variables supplémentaires (durée de

Année universitaire 2024/2025 25

vie, ratio de performance), offre une meilleure précision (R² = 0,851) mais augmente la
complexité des analyses.

Les cartographies probabilistes, introduisant une probabilité de respecter un seuil d’impact

carbone (ex. 35 g CO2 eq/kWh), aident à identifier les zones optimales d’installation,
principalement dans la région PACA aujourd’hui, et dans la moitié sud du pays selon un
scénario futur. Ces outils permettent de planifier des installations tout en minimisant les
impacts environnementaux.

5.3 Perspectives de recherches

1. Développement d'analyses multi-critères

L’approche méthodologique pourrait s’étendre à d’autres indicateurs
environnementaux (empreinte eau, acidification, etc.), nécessaires pour une analyse
complète des filières énergétiques. Toutefois, la multiplication des modèles simplifiés
pour chaque indicateur peut compliquer l’approche. Une solution serait de sélectionner
un jeu restreint d’indicateurs représentatifs, comme le montrent des études de
corrélation entre catégories d’impacts.
2. Amélioration du modèle de référence
La variabilité méthodologique, notamment les règles d’allocation (par ex., pour la
biomasse) et l’incertitude des inventaires de cycle de vie, constitue une source majeure
de variabilité. Ces éléments devraient être intégrés pour améliorer la précision des
estimations. Par exemple, les incertitudes des bases de données comme ecoinvent
pourraient être incorporées pour enrichir le modèle de référence et renforcer sa
robustesse.

Optimisation du mix électrique sous contrainte environnementale

Cette étude vise à proposer un outil cartographique d’aide à la décision pour optimiser les
politiques énergétiques selon une perspective environnementale. En fixant un seuil d’impact
environnemental pour le mix électrique et en intégrant les besoins énergétiques territoriaux,
cet outil pourrait identifier les contributions optimales des différentes filières énergétiques
tout en prenant en compte des contraintes technologiques, économiques et de disponibilité des
ressources.

Une optimisation à long terme nécessiterait toutefois d'intégrer des projections

technologiques, des évolutions sociétales (augmentation de la population, demande
énergétique accrue), et les impacts environnementaux de chaque procédé de production
d’électricité. Les résultats de cette optimisation multicritères fourniront des éléments
essentiels pour orienter les choix énergétiques dans un cadre durable.

Méthodologie et outils d’aide à la décision

La méthodologie repose sur deux objectifs :

1. Comparer les systèmes au sein d’une même filière pour minimiser leurs impacts
environnementaux.

Année universitaire 2024/2025 26

 2. Fournir une vision globale simplifiée des performances environnementales d’une
filière à destination des décideurs publics et industriels.

Des modèles simplifiés ont été élaborés pour évaluer rapidement les impacts
environnementaux sans nécessiter des analyses complexes (ACV). Par exemple, des
cartographies basées sur des données de performances (irradiation, durée de vie, ratio de
performance) permettent d’évaluer les impacts carbone du photovoltaïque (PV) résidentiel en
France. Ces outils simplifiés équilibrent précision et simplicité pour s’adapter aux besoins
spécifiques des utilisateurs.

Année universitaire 2024/2025 27

Conclusions et perspectives

La diversité des systèmes au sein des filières énergétiques, combinée à la variabilité de leurs
impacts environnementaux, rend nécessaire l’abandon d’une approche unique et moyennée.
La méthodologie proposée permet de définir des modèles simplifiés qui évaluent les impacts
selon les paramètres clefs les plus influents. Ces modèles ont démontré leur efficacité dans le
cas des filières éolienne européenne et photovoltaïque résidentielle française.

Toutefois, la collecte de données exhaustives reste un enjeu majeur, nécessitant des efforts
institutionnels pour établir des bases de données techniques et des cadres incitatifs. Les outils
basés sur ces modèles simplifiés ouvrent des perspectives pour une planification énergétique
territoriale optimisée, en intégrant les spécificités géographiques et technologiques.

Des cartographies ont par exemple identifié des zones optimales en France pour l’installation
de modules PV garantissant des performances carbone inférieures à 35 g CO2 eq/kWh. Ces
outils permettraient une étude croisée des différentes filières (éolienne, PV, géothermie) et
contribueraient à une politique énergétique raisonnée.

Enfin, l’intégration des modèles simplifiés dans des outils d’aide à la décision nécessite une
collaboration étroite entre experts énergétiques et décideurs stratégiques pour répondre
efficacement aux défis de la transition énergétique.

Année universitaire 2024/2025 28