Ministère de l’Enseignement Supérieur

Et de la Recherche Scientifique
****
Université de Sousse
****
Ecole Supérieure des Sciences et de la Technologie de Hammam Sousse

Licence Fondamentale en Sciences de l'Informatique

Rapport de Stage de Fin d’Etudes

Conception et développement d’une

Plateforme …………..

Réalisé par :
………………..

Soutenu le ../..2019, devant le jury composé de :

Président de jury :

Rapporteur :

Encadrant universitaire : …………….

Encadrant professionnel : ……………..

Année Universitaire : …..-………….

 Dédicaces

À ma mère, partie trop tôt,

C’est avec une profonde émotion et une gratitude infinie que je dédie ce travail à ta
mémoire. Tu as été une source inépuisable d’amour, de sagesse et de force. Ton sourire et
ta tendresse continuent d’éclairer mon chemin, même en ton absence.

Ta présence bienveillante et tes sacrifices ont façonné la personne que je suis aujourd’hui.
Chaque page de ce travail est empreinte de ton influence et de ton inspiration. J’espère
que, là où tu es, tu es fière de ce que j’ai accompli.

Merci pour tout ce que tu as fait pour moi. Tu restes à jamais dans mon cœur, et ta
mémoire vivra à travers chacun de mes succès. Repose en paix, chère mère, avec tout
mon amour.

À mon père,

Il est difficile de trouver les mots justes pour exprimer toute ma gratitude et mon amour
pour toi. Tu as été une source inépuisable de soutien, de sagesse et d’inspiration tout au
long de ce voyage. Ta foi en moi, même dans les moments où j’avais des doutes, m’a
donné la force de surmonter les obstacles et de continuer à avancer.

Je te dédie ce travail avec tout mon amour et ma reconnaissance. Merci d’avoir toujours
été là, d’avoir cru en moi et de m’avoir donné les moyens de réaliser mes rêves. Ce
diplôme n’est pas seulement le fruit de mon labeur, mais aussi le reflet de ton amour, de
tes sacrifices et de tes encouragements constants.

Je t’aime, Papa. Merci pour tout.

À mon frère,

Ce travail est dédié à toi, mon frère bien-aimé. Ta joie de vivre, ta force et ta résilience
m’ont toujours donné le courage de persévérer. Malgré les défis, tu as toujours su
apporter de la lumière et de l’amour dans notre famille.

Ta détermination et ton amour inconditionnel m’ont appris la valeur de l’acceptation et

de l’espoir. Ton sourire est un rappel constant que les plus grandes leçons de vie viennent
souvent des plus simples moments de bonheur.

Merci d’être mon modèle de courage et de ténacité. Chaque réussite est aussi la tienne,
car sans ton inspiration, ce chemin aurait été bien plus difficile. À toi, mon frère, avec
tout mon amour et mon admiration éternelle.

i
 Remerciements

En achevant ce modeste travail, je tiens tout d’abord à exprimer ma reconnaissance

envers M. Sofien BEN RAHMA , chef de la centrale du STEG, pour m’avoir offert
l’opportunité précieuse d’effectuer ce stage. Sa confiance en moi a été le catalyseur initial
qui a rendu cette expérience possible

Je tiens à exprimer ma profonde gratitude envers mon encadrante universitaire, Mm

Samya SAGAR, pour ses conseils avisés, son orientation éclairée et son soutien
constant tout au long de ce projet. Son guide a été un pilier essentiel dans la réalisation
de ce travail. Son appui a été une source de motivation inestimable. Je la remercie pour le
temps passé ensemble et le partage de ses connaissances. Grâce aussi à sa confiance j’ai
pu m’accomplir totalement dans mes missions, et surtout ses judicieux conseils, qui ont
contribué à alimenter ma réflexion. Elle fut d’une aide très précieuse dans les moments les
plus délicats.

Je souhaite également adresser mes remerciements à M. Maher BEN YOUSSEF, pour ses
encouragements et son soutien tout au long de mon stage.

Ma profonde gratitude à mon très chers père pour sa compréhension, tendresse et amour.
Je remercie mon petit frère Chiheb pour son amour Sans oublier d’exprimer

Je souhaite également exprimer ma reconnaissance à mes amies Hiba EL ABED, Rawend

KNANI et Oumayma BEN YAHYA pour leur soutien indéfectible et leurs
encouragements tout au long de cette aventure. Merci pour les moments de détente et de
rire, qui m’ont permis de décompresser et de rester motivé. Vos encouragements et votre
présence ont été d’une grande aide, et je suis profondément reconnaissant pour l’amitié et
le soutien que vous m’avez offerts.

Mes remerciements vont à l’ensemble des membres de l’équipe du STEG qui ont
contribué à rendre cette expérience enrichissante. Ces remerciements s’adressent à ceux
qui ont joué un rôle direct dans ce projet et ont contribué à sa réalisation Je désire aussi
remercier les professeurs et le cadre administratif de l’université ESSTHS, qui m’ont
fourni les outils nécessaires à la réussite de mes études universitaires.

Enfin, je remercie tous ceux qui ont participé de loin ou de près à la réalisation de ce
modeste travail et à tous ceux qui ont tenu à m’encourager et à veiller en moi Je ne suis
pas ici par le hasard Et à tous je dis MERCi.

ii
 Table des matières

1 Introduction générale 1

1.1 Cadre du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3 Problématique et verrous techniques . . . . . . . . . . . . . . . . . . . . . 7

1.4 Solution et objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.5 Organisation du rapport . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2 Le cycle combiné de la STEG 11

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2 Cycle combiné de la centrale Sousse D . . . . . . . . . . . . . . . . . . . . 12

2.3 Les cycles thermodynamiques . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.4 Le bilan thermique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3 Étude des performances d’un cycle combiné 28

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.2 Les performances d’un cycle combiné . . . . . . . . . . . . . . . . . . . . . 29

3.3 Conditions de référence et courbes de correction . . . . . . . . . . . . . . . 43

3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4 L’IA pour la prédiction de la production énergétique 58

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.2 Concepts clés de l’apprentissage automatique . . . . . . . . . . . . . . . . 59

4.3 Méthodologie adoptée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

iii
iv Table des matières

4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

5 Modèles pour l’amélioration des performances énergétique 69

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

5.2 Sélection des Jeux de Données . . . . . . . . . . . . . . . . . . . . . . . . . 70

5.3 Création des modèles de prédiction . . . . . . . . . . . . . . . . . . . . . . 76

5.4 Correction des performances . . . . . . . . . . . . . . . . . . . . . . . . . . 87

5.5 Validation et déploiement . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

Conclusion et perspectives 98
 Table des figures

2.1 Turbine à gaz de la centrale. . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2 Turbine à vapeur de la centrale. . . . . . . . . . . . . . . . . . . . . . . . . 13

2.3 Un alternateur d’une centrale. . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.4 Le stator d’un alternateur d’un cycle combiné. . . . . . . . . . . . . . . . . 15

2.5 Le rotor d’un alternateur d’un cycle combiné. . . . . . . . . . . . . . . . . 15

2.6 La chaudière de récupération d’un cycle combiné. . . . . . . . . . . . . . . 16

2.7 Le condenseur d’un cycle combiné. . . . . . . . . . . . . . . . . . . . . . . 17

2.8 La chaîne énergétique d’une centrale électrique à gaz. . . . . . . . . . . . . 18

2.9 Le cycle de BRAYTON de la turbine à gaz. . . . . . . . . . . . . . . . . . 21

2.10 Le cycle de RANKINE de la turbine à vapeur. . . . . . . . . . . . . . . . . 23

3.1 Courbe de dégradation de puissance du groupe . . . . . . . . . . . . . . . . 33

3.2 Courbe de dégradation de la consommation spécifique . . . . . . . . . . . . 35

3.3 Courbe de température ambiante en fonction de coefficient de correction vs

puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.4 Courbe de température ambiante en fonction de coefficient de correction vs

consommation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.5 Courbe de pression atmosphérique en fonction de coefficient de correction

vs puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.6 Courbe de pression atmosphérique en fonction de coefficient de correction

vs consommation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.7 Courbe de l’humidité relative de l’air ambiante en fonction de coefficient de

correction vs puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.8 Courbe de l’humidité relative de l’air ambiante en fonction de coefficient de

correction vs consommation . . . . . . . . . . . . . . . . . . . . . . . . . . 48

v
vi Table des figures

3.9 Courbe de la température de l’eau de mer en fonction de coefficient de

correction vs puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

3.10 Courbe de la température de l’eau de mer en fonction de coefficient de

correction vs consommation . . . . . . . . . . . . . . . . . . . . . . . . . . 49

3.11 Courbe de la fréquence en fonction de coefficient de correction vs puissance 50

3.12 Courbe de la fréquence en fonction de coefficient de correction vs consom-

mation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.13 Courbe du pouvoir calorifique inférieur en fonction de coefficient de correc-

tion vs puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.14 Courbe du pouvoir calorifique inférieur en fonction de coefficient de correc-

tion vs consommation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.15 Courbe du facteur de correction en fonction de coefficient de correction vs

puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.16 Courbe du facteur de correction en fonction de coefficient de correction vs

consommation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.17 Test de performance le 27/11/2020 . . . . . . . . . . . . . . . . . . . . . . 56

4.1 La méthodologie CRISP-DM . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.2 Historique avant le nettoyage . . . . . . . . . . . . . . . . . . . . . . . . . 64

4.3 Code de nettoyage utilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.4 Code de concaténation de données . . . . . . . . . . . . . . . . . . . . . . . 65

4.5 Historique nettoyé et concaténé . . . . . . . . . . . . . . . . . . . . . . . . 66

4.6 Code utilisé pour la normalisation et le mapping . . . . . . . . . . . . . . . 66

4.7 Historique final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.8 La division des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.1 La corrélation de rendement avec les autres variables . . . . . . . . . . . . 74

5.2 La corrélation de consommation spécifique avec les variables proposées de

STEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Table des figures vii

5.3 La corrélation de consommation spécifique avec les autres variables . . . . 75

5.4 La validation du modèle de résolution de problème en un seul bloc . . . . . 76

5.5 L’évolution du modèle de résolution de problème en un seul bloc(actuelles

vs prédites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

5.6 Évolution du modèle choisi avec les données d’entraînement. . . . . . . . . 79

5.7 Évolution du modèle choisi avec les données de test. . . . . . . . . . . . . . 79

5.8 Évolution des données de nette par rapport au données brute. . . . . . . . 82

5.9 Évolution des données d’entraînement et de test pour le rendement. . . . . 83

5.10 La régression de rendement avec la consommation spécifique selon le modèle

choisi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

5.11 Message affiché après le chargement des données . . . . . . . . . . . . . . 93

5.12 Interface de prédiction de la puissance brute . . . . . . . . . . . . . . . . . 93

5.13 Interface de prédiction de la puissance nette . . . . . . . . . . . . . . . . . 94

5.14 Interface de prédiction du rendement . . . . . . . . . . . . . . . . . . . . . 94

5.15 Interface de prédiction de la CS . . . . . . . . . . . . . . . . . . . . . . . . 94

5.16 Interface de la liste des courbes de corrections . . . . . . . . . . . . . . . . 95

5.17 Interface de la liste des courbes de corrections . . . . . . . . . . . . . . . . 95

5.18 Interface de la liste de la commande simulation de la puissance . . . . . . . 96

5.19 Interface de la liste de la commande simulation de la consommation spécifique 96

 Liste des tableaux

3.1 Données de dégradation annuelle de la puissance et de la consommation

spécifique en fonction de nombre d’heures équivalents . . . . . . . . . . . . 32

3.2 Planification des inspections et des maintenances . . . . . . . . . . . . . . 37

3.3 Les garanties contractuelles du cycle combiné . . . . . . . . . . . . . . . . 38

3.4 Les paramètres internes qui influent sur les performances du cycle combiné
(CC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.5 Les paramètres externes qui influent sur les performances du cycle combiné
(CC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.6 Conditions de l’environnement . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.7 Caractéristiques du combustible . . . . . . . . . . . . . . . . . . . . . . . . 44

3.8 Paramètres électriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.9 Facteurs ou coefficients de correction . . . . . . . . . . . . . . . . . . . . . 45

5.1 Tableau des performances des modèles du ML implémentés . . . . . . . . . 86

viii
 Liste des abréviations

CCGT Combined Cycle Gas Turbine (cycle combiné gaz turbine)

TGV Turbine Gaz-Vapeur
TG turbine à gaz
TV turbine à vapeur
HP haute pression
MP moyenne pression
BP baise pression
Gen générateur (alternateur)
HRSG Heat Recovery Steam Generator (La chaudière de récupération)
Kv kilovolt (unité de calcul de tension électrique)
CC cycle combiné
CCC centrale à cycle combiné
STEG société tunisienne d’électricité et du gaz
KPI en anglais Key Performance Indicator (indicateur clé de performance)
MW mégawatts (unité de calcul de la puissance)
MWh mégawattheures (unité de calcul de l’énergie)
W Energie
P Puissance
T Puissance Maximale Continue
FC facteur de charge
PMC Puissance Maximale Continue
PR puissance de référence(MW)
EOH equivalent operating hours (le nombre d’heures équivalents du fonctionnement)
fpi Coefficient de la dégradation annuelle de la puissance
PCTcc Power Cycle Thermal Combined (puissance continue nette totale (MW))
Cs consommation spécifique
PCI Pouvoir calorifique interne
CSR Consommation spécifique de référence
PCS Pouvoir Calorifique Supérieur
Fci Coefficient de la dégradation annuelle de la consommation spécifique
kWh kilowattheure
kcal kilocalories
M maintenance majeure
m maintenance mineure
HGPI Hot Gas Path Inspection
HE Heures d’exploitation

ix
x Liste des tableaux

i intervention
Dag la disponibilité annuelle garantie
Ia L’indisponibilité aléatoire
Ipi L’indisponibilité périodique programmée (inspections)
CO monoxyde de carbone
ppm parts per million"(parties par million) : une unité de mesure utilisée
pour exprimer la concentration d’une substance dans un mélange
°C degrés Celsius
°C degrés Celsius
NOx les oxydes d’azote
CO2 dioxyde de carbone
Freq la fréquence du réseau
Cos le facteur de charge
DCS Distributed Control System (un système de contrôle distribué)
ISO International Organization for Standardization (l’Organisation
internationale de normalisation)
Nm Newton-mètre, unité de mesure du couple
Hz Hertz, unité de fréquence
C/H Rapport Carbone/Hydrogène
PCTcc Puissance de charge totale de cycle combiné
mBar Millibar, unité de mesure de la pression atmosphérique
t air température d’air
PCTcccrr Puissance de charge totale corrigée de cycle combiné
t eau température eau de mer
CFP coefficient de performance de la puissance nette
CScc Consommation spécifique de cycle combiné
R2 Coefficient de détermination
RMSE Erreur quadratique moyenne racine
MSE Erreur quadratique moyenne
CScccrr Consommation spécifique corrigée de cycle combiné
CFHRP coefficient de performance de la consommation spécifique
KJ une unité de mesure de l’énergie dans le système international (SI)
 Chapitre 1

Introduction générale

Sommaire
1.1 Cadre du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Présentation de la STEG . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Mise en contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Scénarios d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Analyse des scénarios . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Problématique et verrous techniques . . . . . . . . . . . . . . . . . 7
1.4 Solution et objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Organisation du rapport . . . . . . . . . . . . . . . . . . . . . . . . 9

Ce chapitre introduit le contexte général des travaux de master décrits dans le présent
manuscrit. Il commence par présenter le cadre général ainsi que la Société Tunisienne de
l’Electricité et du Gaz (STEG), en tant qu’entreprisse d’accueil de ce présent travail, et
son rôle fondamental dans le paysage énergétique national. Il présente alors le contexte,
les motivations, la problématique ainsi que les verrous techniques qui ont guidé ce travail.
Il définit nos principales contributions pour répondre à la problématique. Il dresse enfin
l’organisation du manuscrit.

1.1 Cadre du projet

1.1.1 Présentation de la STEG
En Tunisie, la Société Tunisienne de l’Électricité et du Gaz (STEG) est l’acteur principal
dans le domaine de la fourniture d’électricité et de gaz naturel. Fondée en 1962, la STEG
est une entreprise publique chargée de produire, de transporter et de distribuer l’énergie
à travers le pays [AMO20]. La mission de la STEG se présente principalement dans les
points suivants :

— Produire de l’électricité avec une capacité à même de couvrir les besoins du marché

1
2 Chapitre 1. Introduction générale

national, grâce à son parc de production à la fois moderne et diversifié et l’utilisation

des nouvelles technologies (cycle combiné, système numérique et conduite, etc.).
— Mettre en place un réseau de transport et de distribution maillé d’énergie électrique
fiable et interconnecté au réseau Maghrébin et Européen.
— Maîtriser le cycle de production de gaz national et de GPL (Gaz de Pétrole Liquéfié),
de leur transport et de leur distribution avec un savoir-faire technique, environne-
mental et de sécurité des individus et des équipements.
— Mobiliser des moyens humains et des compétences pour assurer la continuité des
services fournis.
— Mettre en œuvre un projet de qualité totale visant la qualité et la fiabilité du produit,
la sécurité et la protection de l’environnement, l’écoute et l’orientation du client,
l’assurance qualité des fournisseurs et des sous-traitants.

L’électricité n’étant pas une source d’énergie mais une forme d’énergie qu’on ne peut
pas stocker, la production doit être alors égal à tout moment à la consommation et ce, afin
de garantir la performance du service. Dans ce contexte, la STEG a été appelée à relever
maints défis afin de réussir son développement et atteindre son objectif principal à savoir,
l’électrification du pays et l’interconnexion du réseau. Parmi les défis majeurs, on note la
croissance d’une année à une autre de la consommation nationale de l’électricité menant
ainsi la STEG à développer et implanter les centrales dans plusieurs régions du pays. C’est
dans ce sens de développement que la centrale de Sousse a été installé et a subi plusieurs
projets d’extensions à travers l’implantation à quatre A, B, C et D, décrites comme suit :

— L’étape A : de la centrale de Sousse a été mise en service en 1980, elle comprend

deux tranches identiques de puissance unitaire de 160 MW.
— L’étape B : est un cycle combiné de 357 MW se composant de deux turbines à gaz de
puissance unitaire de 118 MW, de deux chaudières de récupération et d’une turbine
à vapeur de 121 MW et leurs auxiliaires. La mise en service des turbines à gaz a eu
lieu au cours de l’année 1994 et celle du cycle combiné a eu lieu en 1995.
— L’étape C : est une centrale Thermoélectrique en cycle combiné mono-arbre, elle est
constituée d’une turbine à gaz, d’une chaudière de récupération sans feu additionnel,
d’une turbine à vapeur et d’un alternateur et leur auxiliaire.
— L’étape D : c’est comme l’étape C, est une centrale thermoélectrique en cycle com-
biné mono-arbre, elle est constituée d’une turbine à gaz, d’une chaudière de récu-
pération sans feu additionnel, d’une turbine à vapeur et d’un alternateur et leur
auxiliaire.

1.1.2 Mise en contexte

L’énergie est un pilier fondamental du développement économique et social dans le
monde entier. La production, la distribution et la gestion efficaces de l’énergie sont es-
sentielles pour répondre aux besoins croissants des populations et soutenir les activités
1.1. Cadre du projet 3

industrielles. De plus, avec l’augmentation de la demande énergétique et les défis associés à

la transition vers des sources d’énergie plus durables, la STEG doit constamment améliorer
ses processus et adopter des technologies de pointe pour garantir une production d’énergie
fiable et efficace. Dans cette perspective et dans le but de produire suffisamment d’électri-
cité répondant aux besoins nationaux, la STEG dispose d’un parc de production moderne
et diversifié, intégrant de nouvelles technologies comme le cycle combiné et les systèmes
numériques. Dans cette optique, l’un des moyens les plus prometteurs adopté par la STEG
est l’optimisation des cycles combinés de production d’énergie. Un cycle combiné utilise à
la fois une turbine à gaz et une turbine à vapeur pour produire de l’électricité de manière
plus efficiente, en récupérant la chaleur résiduelle de la turbine à gaz pour générer de la
vapeur et alimenter la turbine à vapeur. La gestion de ce processus complexe nécessite une
précision extrême et une capacité de prévision sophistiquée pour maximiser l’efficacité et
minimiser les pertes. Tel est le cas de la centrale à cycle combiné de Sousse D qui fait
l’objet de nos travaux de Master. Cette centrale est une centrale thermique mono-arbre
qui associe deux types de turbines : turbine à combustion (TG) et turbine à vapeur (TV).
Les deux turbines sont couplées au même alternateur.

La performance du cycle combiné est tributaire de plusieurs paramètres, y compris les

paramètres climatiques et le nombre d’heures de fonctionnement. Actuellement, les per-
formances du cycle combiné sont prévisionnelles à l’aide de courbes appelées courbes de
correction fournies par le constructeur. Ces courbes sont des courbes contractuelles à tra-
vers lesquelles le constructeur s’engage à satisfaire des performances contractuelles. Vu que
les tests des performances se font une fois tous les ans après chaque inspection annuelle, la
STEG utilise ces courbes pour corriger et ramener les valeurs trouvées, principalement la
puissance et la consommation spécifique, aux conditions ISO, celles des conditions contrac-
tuelles. Cependant, les valeurs de puissance et de la consommation spécifiques réellement
enregistrées ne sont pas tout à fait conformes aux valeurs corrigées en utilisant ces courbes.

En outre, il faut prévoir les valeurs de puissance qui tiennent compte de plusieurs pa-
ramètres ainsi que des valeurs historiques de fonctionnement enregistrées auparavant en
se basant sur les valeurs archivées sur l’historique de la machine. Dans notre travail, nous
nous intéressons à une vision hybride permettant de donnée une idée claire sur le fonction-
nement de la centrale de Sousse D. Cette vision intègre deux démarches ; La première est
celle basée sur les courbes de corrections fournies par le constructeur, la deuxième est basée
sur l’analyse des valeurs historiques tout en tirant profit des techniques de l’Intelligence
Artificielle et du Machine Learning. Notre vision trouve ses fondements dans des études de
cas réels décrits dans la section suivante.
4 Chapitre 1. Introduction générale

1.2 Motivations
Nous illustrons les principales motivations de ce travail à travers un ensemble de scéna-
rios tangibles. Ces scénarios permettent, toutefois, de souligner les différents défis, exigences
et préoccupations des différentes parties prenantes de la centrale de Sousse D.

1.2.1 Scénarios d’étude

Scénario A – Le système de dispatching. Dans une centrale à cycle combiné, le
système de dispatching joue un rôle essentiel en gérant et optimisant la production d’élec-
tricité. Il coordonne les opérations des turbines à gaz et à vapeur pour maximiser l’efficacité
et répondre efficacement à la demande fluctuante du réseau électrique. Ce système prend
des décisions en temps réel sur quelles unités de production doivent fonctionner, en te-
nant compte des coûts opérationnels, des contraintes techniques et environnementales, et
des prévisions de charge. Il surveille également les performances, ajuste les paramètres de
fonctionnement et intègre souvent la production d’énergies renouvelables pour assurer une
production électrique stable, économique et durable. Le réseau électrique n’appartenant
pas exclusivement à la STEG, mais étant également géré par le système de dispatching et
le réseau de transport, soulève des défis uniques en matière de gestion et de prévision de
la puissance. À la STEG, un indicateur crucial est la puissance générée par la centrale, la-
quelle est influencée par plusieurs facteurs climatiques tels que la température, la pression,
et l’humidité, ainsi que par le vieillissement et l’amortissement des équipements. Chaque
fois que le système de dispatching pose la question de la puissance que la centrale peut
fournir dans des conditions spécifiques, par exemple, à une température de 40°C, ici l’opé-
rateur ne sais pas qu’elle est la réponse, donc on se base souvent sur des données historiques
et sur le calcul des heures équivalentes (EOH), et par les DVDs et les instants de mêmes
conditions pour trouver avec une estimation ce qu’on cherche et c’est une perde du temps
et rarement on trouve exactement les mêmes conditions pour établir la puissance.

Scénario B – La disponibilité d’historique. La disponibilité et l’exploitation des

données historiques varient entre les centrales, affectant leur capacité à répondre aux ques-
tions du dispatching. Par exemple, Sousse B enregistre des historiques toutes les 24 heures,
Sousse C conserve des enregistrements mensuels, tandis que Sousse D possède des his-
toriques sur les quatre dernières années. Cette disparité reflète les défis auxquels sont
confrontés les opérateurs pour exploiter les données, identifier les causes de dégradation et
répondre efficacement aux questions de puissance et de consommation spécifique. Lorsque
des questions sur la puissance disponible ou la consommation spécifique dans des condi-
tions spécifiques sont posées, les opérateurs doivent se référer aux historiques. Cependant,
l’accès à ces informations n’est pas toujours direct, compliquant la tâche et augmentant le
risque d’erreurs et de retards.
1.2. Motivations 5

Scénario C – La comparaison inter-centrales. Après un mois de tests de perfor-

mance, une dégradation de la puissance a été détectée. Par exemple, les dispatchers ont
noté une différence de puissance entre Sousse C (380MW) et Sousse D (393MW). Pour
déterminer laquelle est correcte, des tests de performance pour les mêmes EOH ont été
réalisés de la part de STEG. Les résultats ont montré que Sousse D est plus performante
que Sousse C malgré leur conception jumelle, éliminant ainsi les 6 MW d’écart physique.
L’analyse a révélé un écart de 7 MW, probablement dû à une différence de pression de
vide qui doit être 90mbar mais on la trouve 67 mbar donc un écart de 23 mbar résulte
une dégradation majeure dans la puissance, cet écart ne sera pas détectable si on n’a pas
comparer les deux centrales et vue que la centrale D possède une historique qui nous jus-
tifie que sa puissance indique un fonctionnement normale et une performance acceptable.
L’importance de cette détection est cruciale, car sans poser de questions précises sur la
puissance attendue, la dégradation de Sousse C n’aurait jamais été détectée. Un autre dé-
clencheur de cette recherche est la différence de performance entre les centrales jumelles
Sousse D et Sousse C. En analysant les conditions de test et en utilisant les courbes de
correction, nous avons identifié des écarts de performance, généralement cet écart n’est pas
détectable dans les conditions normales par l’opérateur, c’est rarement pendant les tests de
performances et de la part des cadre te des ingénieurs. Parfois on ne trouve pas la cause de
dégradation des performances même après le test de performance est ce qu’elle est obtenue
par des causes internes (problèmes mécaniques) ou externes (variations climatiques).

Scénario D – La détection de dégradation. Après une révision récente, un nouveau

test de performance a été effectué sur la centrale de Sousse D. Les paramètres climatiques
et électriques tels que la température ambiante, l’humidité, la pression, la température de
l’eau de mer, le PCI, les heures équivalentes (EOH), la fréquence et le facteur de puis-
sance ont été mesurés simultanément. À ce moment-là, la puissance instantanée réelle a
été enregistrée à 350MW. Cependant, cette valeur a été obtenue dans des conditions non
standardisées (par exemple, température ambiante de 20°C, pression de 1013 mBar, humi-
dité de 70%). Pour standardiser cette mesure aux conditions de référence (ISO), les valeurs
réelles doivent être ajustées en utilisant les courbes de correction fournies par le construc-
teur. Après application de ces corrections, la puissance réelle de 350MW est ajustée à
355MW, ce qui représente la puissance corrigée dans des conditions normalisées. Ensuite,
pour évaluer la performance de la centrale selon les heures équivalentes (EOH), nous de-
vons déterminer la puissance de référence théorique qui serait obtenue dans des conditions
ISO. Cette analyse montre que la puissance de référence théorique pour les mêmes EOH
est de 363MW. Ainsi, entre la puissance théorique de 363MW et la puissance corrigée de
355MW, un écart de 8MW est observé. Dans le cadre général, Si aucun écart n’est ob-
servé, cela témoigne d’une bonne performance de la centrale électrique. Cependant, toute
variation suscite des questions sur ses origines : Si l’écart provient d’une exploitation non
optimale, des mesures correctives doivent être prises pour améliorer la performance. Sinon,
des tests de performances supplémentaires peuvent être requis de la part du constructeur
6 Chapitre 1. Introduction générale

(ANSALDO) pour éclaircir la situation vue qu’il nous établir les courbes de correction.
Cette étape garantit l’utilisation d’instruments étalonnés pour assurer une précision maxi-
male. En cas de dégradation avérée, des mesures correctives, voire des pénalités, peuvent
être exigées. Malgré les corrections appliquées par ANSALDO, des écarts persistent, ici on
doute des courbes de corrections et on remarque que les courbes de corrections ne sont pas
assez fiables.

Scénario E – La limite de connaissances. Parfois des dégradations obtenues dans

les indicateurs de performances ne sont pas détectables depuis les opérateurs et les techni-
ciens, sauf les ingénieurs et les cadres remarquent la dégradation et les baises performances,
ce qui est obtenue d’une manque d’interaction entre le dispatching et les indicateurs de
performances avec les opérateurs qui travaillent à la STEG vue qu’il n’y a pas un systèmes
simple qui répond aux besoins et évites les contraintes

1.2.2 Analyse des scénarios

Notre analyse des scénarios décrits précédemment nous permet de dégager les problèmes
suivants auxquels peuvent être confrontés la centrale de Sousse D :
1. Les limites du système dispatching (scénario A.). Il est primordiale de pouvoir ré-
pondre en temps réel aux demandes du réseau électrique en fournissant des prévi-
sions précises de la puissance disponible. Le système de dispatching de la centrale
doit gérer de manière optimale les unités de production en fonction des coûts opé-
rationnels, des contraintes techniques et environnementales, et des prévisions de
charge. Cela nécessite une étude approfondie du fonctionnement général du cycle
combiné, ainsi que des cycles thermodynamiques des circuits air/gaz et eau/vapeur,
pour intégrer ces connaissances dans le simulateur.
2. Le manques de données historisées (scénario B.). Pour améliorer la précision des
prévisions, il est crucial de disposer d’historiques complets et exploitables. Les limi-
tations actuelles en termes de disponibilité des données historiques dans certaines
centrales rendent difficile la réponse rapide et précise aux questions du dispatching.
En illustrant les paramètres influençant les performances par des courbes basées
sur des calculs et des statistiques, nous pouvons améliorer l’utilisation des données
historiques pour affiner les modèles de prévision et les intégrer efficacement dans le
simulateur.
3. Les problèmes de dégradation non détectés (scénarios C. et D.). Comparer les per-
formances entre différentes centrales permet d’identifier et de corriger les écarts
de performance. En effectuant des tests de performance pour les mêmes EOH, nous
pouvons détecter des dégradations majeures qui, autrement, passeraient inaperçues.
Cette analyse est en lien direct avec l’étude des courbes de correction et leur utilisa-
tion pour évaluer les performances contractuelles, afin de garantir une optimisation
continue des opérations. La détection précoce des dégradations de performance est
1.3. Problématique et verrous techniques 7

essentielle pour prendre des mesures correctives rapidement. En appliquant des tech-
niques d’intelligence artificielle pour la prédiction de la charge et en intégrant les
courbes de correction, nous pouvons ajuster les performances réelles aux conditions
de référence ISO. Cela permet de déterminer avec précision l’écart entre la perfor-
mance théorique et la performance réelle corrigée, facilitant ainsi la prise de décisions
éclairées pour maintenir ou améliorer l’efficacité opérationnelle.

4. La non disponibilité d’outil d’aide pour les opérateurs (scénario E.). Les dégrada-
tions de performance ne sont souvent détectables que par les ingénieurs et cadres,
en raison d’un manque d’interaction et de compréhension des indicateurs de perfor-
mance par les opérateurs. En développant une interface de simulation intuitive, nous
pouvons fournir un outil pédagogique et interactif qui aide les opérateurs à visuali-
ser et comprendre rapidement les performances prévues de la centrale. Cela permet
d’améliorer la communication et la réactivité entre le dispatching et les opérateurs,
garantissant une gestion plus efficace et proactive des opérations.

1.3 Problématique et verrous techniques

L’analyse des exigences de la centrale de Sousse D nous a permis de dégager la problé-
matique générale et de délimiter les verrous techniques de notre projet.

Tout d’abord, face aux défis complexes en termes de gestion de la production et de la de-
mande d’électricité, la STEG doit jongler avec des variations saisonnières, des fluctuations
de la demande et des contraintes environnementales tout en maintenant un approvisionne-
ment énergétique stable pour le pays. Cependant, ces facteurs instables rendent la prévision
précise de la production énergétique quotidienne un défi difficile à relever. Les méthodes
traditionnelles de prévision ne sont souvent pas suffisamment adaptées pour capturer ces
nuances complexes, ce qui peut entraîner des déséquilibres entre l’offre et la demande.

De plus, la vérification des valeurs de la centrale est basée sur un ensemble de courbes
de correction fournis par le fabricant. Ce dernier a conçu ces courbes pour adapter les
performances théoriques du cycle combiné aux conditions réelles d’utilisation. Néanmoins,
leur fiabilité peut être remise en question en raison de divers facteurs. A maintes reprises,
ces courbes fondées sur des modèles simplifiés ne tiennent pas compte de certaines subti-
lités du système réel. S’ajoute et en raison d’informations limitées, elles peuvent manquer
de précision, surtout dans des circonstances peu courantes ou inattendues. En général, les
performances annuelles sont ajustées en fonction des résultats des tests effectués une fois
par an après chaque inspection. Ces données historiques s’avèrent utiles pour l’ajustement
des performances du cycle combiné, mais elles comportent aussi d’importantes limites. Ces
données ne prennent pas en compte toutes les variations possibles des conditions opéra-
tionnelles, ce qui peut entraîner des prédictions imprécises, surtout en cas de changements
inattendus ou rapides dans l’environnement de la centrale. Le rendement du cycle combiné
8 Chapitre 1. Introduction générale

est influencé par différents facteurs environnementaux tels que la température, l’humidité
et la pression atmosphérique. Il est très difficile de prédire les performances en raison de la
variabilité considérable et imprévisible de ces paramètres. Ainsi, il est essentiel d’avoir une
modélisation précise et de prendre en compte efficacement ces paramètres pour améliorer
la précision des prévisions de performance du cycle combiné.

D’où, la problématique pour laquelle font face les différentes parties prenantes de la
centrale de Sousse D est : Comment peuvent-ils juger du bon fonctionnement de la centrale
à partir des valeurs de performance du cycle combiné en tenant compte des paramètres
climatiques, d’une part, et des courbes de correction du fabricant d’autre part ? Et ce, afin
d’améliorer la planification et l’optimisation des opérations de la centrale thermique de
Sousse D. Ainsi, les questions auxquelles nous essayerons d’offrir des réponses tout au long
de ce manuscrit sont les suivantes :
1. À quel point les courbes de correction fournies par le constructeur sont-elles fiables ?
2. Quelle est la source des écarts de puissance observés entre les centrales jumelles, et
comment les expliquer ?
3. Comment optimiser les performances de la centrale pour minimiser les écarts entre
la puissance réelle et celle prévue par les modèles de prédiction ?
4. Comment détecter efficacement une dégradation de la puissance tout en identifiant
les causes, qu’elles soient internes ou externes ?

1.4 Solution et objectifs

Pour répondre de manière efficace et fiable aux besoins opérationnels de la centrale
de Sousse D, il est essentiel de mettre en place une méthode dynamique pour anticiper
les problèmes liés aux performances de la centrale. Les approches statiques, qui se basent
uniquement sur des modèles prédéfinis comme les courbes de correction ou des données
historiques non traitées, pourraient ne pas être assez flexibles pour prendre en compte les
variations à court terme dans les conditions opérationnelles. Il est donc essentiel d’opter
pour une approche dynamique qui peut s’ajuster en temps réel aux données les plus récentes
pour améliorer les performances du cycle combiné.

Dans cette perspective, le présent travail vise à élaborer une solution de prédiction
avancée en utilisant des techniques de pointe en analyse de données et en apprentissage
automatique, afin d’aider la STEG à anticiper avec précision les niveaux de production
énergétique et à prendre des décisions stratégiques pour garantir la stabilité du réseau
électrique et répondre aux besoins croissants de la société. Ainsi, la solution que nous pro-
posons consiste à concevoir et développer un simulateur dynamique basé sur l’intelligence
artificielle. Ce simulateur doit intégrer les paramètres climatiques, les données historisées
et les courbes de correction pour offrir des prévisions précises et en temps réel des perfor-
mances du cycle combiné. Cette solution permettra d’optimiser la production d’énergie, de
1.5. Organisation du rapport 9

répondre efficacement à la demande du réseau électrique, et de minimiser les pertes dues

aux dégradations non détectées, tout en assurant une interaction fluide et compréhensible
pour tous les acteurs impliqués dans le processus. Les objectifs spécifiques du projet sont
déclinés comme suit :
— Tout d’abord, il est crucial de comprendre le fonctionnement général du cycle com-
biné de Sousse D. Cela inclut une étude approfondie des cycles thermodynamiques
des circuits air/gaz de la turbine à gaz (TG) et eau/vapeur de la turbine à vapeur
(TV). Cette compréhension détaillée permettra d’établir un bilan thermique géné-
ral du cycle combiné, offrant une vue complète des interactions entre les différentes
composantes du système et identifiant les points potentiels de perte d’efficacité.
— Ensuite, il est nécessaire d’analyser et illustrer les paramètres influençant les perfor-
mances du cycle combiné. À travers des courbes basées sur des calculs rigoureux et
confirmées par des données statistiques, ce projet vise à mettre en évidence l’impact
des paramètres tels que la température, la pression et l’humidité sur les perfor-
mances de la centrale. Cette analyse comprendra également une étude approfondie
des courbes de correction fournies par le constructeur, afin de comprendre leur ap-
plication lors des essais de performances contractuels et d’assurer leur intégration
précise dans le simulateur.
— Parallèlement, le projet vise à élaborer des modèles mathématiques nécessaires pour
traduire les courbes de correction en algorithmes pouvant être intégrés dans le logi-
ciel de simulation. Cela impliquera de décrire les différentes techniques d’intelligence
artificielle (IA) qui peuvent être utilisées pour la prédiction de la charge et d’explorer
les données spécifiques nécessaires pour entraîner le modèle d’IA. Une méthodologie
rigoureuse sera établie pour évaluer la performance du modèle d’IA, garantissant
ainsi des prévisions précises et fiables.
— Enfin, un logiciel de simulation interactif sera développé, avec une interface utilisa-
teur intuitive permettant aux opérateurs de simuler les performances de la centrale
sous différentes conditions. Ce logiciel servira d’outil décisionnel précieux, offrant
des prévisions basées sur des scénarios climatiques et opérationnels variés. Un rap-
port détaillé documentera toutes les étapes du projet, ainsi que la partie logicielle
et les fichiers utilisés, fournissant ainsi une référence complète et utilisable pour les
futures améliorations et déploiements.

1.5 Organisation du rapport

A part cette introduction, le présent manuscrit est organisé en 4 chapitres et d’une
conclusion générale.
— Le chapitre 2 traite des principaux composantes et du principe de fonctionnement
du cycle combiné de la centrale Sousse D, il aura pour objectif d’expliquer les notions
de base des cycles thermodynamiques à vapeur et à gaz, de la combinaison des deux
cycles et de définir le bilan thermique.
10 Chapitre 1. Introduction générale

— Le chapitre 3 décrit le principe des performances du cycle combiné de la STEG

ainsi que les paramètres et les indicateurs utilisées, il met l’accent sur les courbes
de correction donnée par le constructeur.
— Le chapitre 4 traite les concepts clés de l’intelligence artificielle et de l’apprentissage
automatique en mettant l’accent sur les différents modèles qui peuvent être implé-
mentés et testés dans notre projet. Il présente aussi la méthodologie adoptée dans
la cadre de ce travail .
— Le chapitre 5 s’intéresse à définir le processus de préparations des données, les diffé-
rents modèles de Machine Learning utilisées ainsi que les différents tests et résultats
réalisés. Ce chapitre inclue également l’étape de de validation et de déploiement de
notre solution final présenté aux opérateurs de la STEG.
— En fin au niveau de la conclusion générale nous dressons le bilan de l’ensemble des
travaux de mastère et nous soulignons les perspectives possibles à ces travaux.
 Chapitre 2

Le cycle combiné de la STEG

Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Cycle combiné de la centrale Sousse D . . . . . . . . . . . . . . . 12
2.2.1 Les composants de la centrale à cycle combiné . . . . . . . . . . . . 12
2.2.2 Principe de fonctionnement du cycle combiné . . . . . . . . . . . . . 18
2.3 Les cycles thermodynamiques . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Cycle de Brayton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Cycle de Rankine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.3 Combinaison des deux cycles . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Le bilan thermique . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1 Les éléments de base . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 Les étapes du bilan thermique . . . . . . . . . . . . . . . . . . . . . 26
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.1 Introduction
Une centrale à cycle combiné, généralement appelée CCGT (Combined Cycle Gas Tur-
bine), ou TGV (Turbine Gaz-Vapeur), est une centrale thermique qui associe deux types
de turbines : turbine à gaz et turbine à vapeur [Cyc]. Chacune de ces turbines entraîne une
génératrice qui produit de l’électricité (configuration "multi-arbres" ou "multi-shaft") ou les
deux types de turbines sont couplées à la même génératrice (configuration "single-shaft").
La STEG implante au niveau de la centrale Sousse D un cycle combiné de type "single-
shaft". Cette structure est décrite en détail au niveau de ce chapitre aussi bien au niveau
de ses composants qu’au niveau de son principe de fonctionnement. Ce chapitre traitera
également du cycles thermodynamique et du bilan thermique de la centrale en question.
L’étude effectuée au niveau de ce chapitre s’est basée principalement sur le document de
référence de la STEG [AMO20] et sur le résultat des réunions réalisées avec les différents
ingénieurs de la société.

11
12 Chapitre 2. Le cycle combiné de la STEG

2.2 Cycle combiné de la centrale Sousse D

L’emplacement de la centrale Sousse D est près de la mer. Cette emplacement est choisi
pour répondre aussi bien au besoin de refroidissement qu’au besoin d’approvisionnement
en combustible pour des mesures de sécurité (le bruit et la pollution). Le cycle combiné
de la centrale Sousse D est mono-arbre (single shift). Sa puissance est de 420 MW et de
rendement 59.3% ceci est dû au phénomène de la récupération du gaz. La centrale à cycle
combiné de Sousse D est une centrale thermique mono-arbre qui associe deux types de
turbines : turbine à combustion (TG) et turbine à vapeur (TV). Les deux turbines sont
couplées au même alternateur. Dans cette section nous présentons les différents composants
de ce cycle combiné ainsi que son principe de fonctionnement.

2.2.1 Les composants de la centrale à cycle combiné

La centrale Thermo électrique à cycle combiné mono-arbre de la centrale est consti-
tué principalement d’une turbine à gaz, d’une chaudière de récupération, d’une turbine à
vapeur, d’une chaudière et d’un alternateur. On y trouve également d’autres composants
dits les auxiliaires. La turbine à gaz et la chaudière de récupération sont conçues pour
fonctionner au gaz naturel comme combustible principal et le gasoil comme combustible de
secours. La puissance brute totale mesurée aux bornes de l’alternateur du cycle combiné
est environ de 430MW avec le gaz et de 350 MW avec le gasoil.

Les turbines à gaz et à vapeur sont reliées le long du même axe, entraînent le gé-
nérateur électrique placé au milieu de celles-ci. La turbine à gaz installée est de modèle
ANSALDOV94.3A4 avec des 24 brûleurs à faibles émissions. La turbine à vapeur est celle
à condensation modèle ANSALDOMT15 à déchargement axial tandis que le générateur
électrique est celui synchrone à deux pôles, refroidi en hydrogène. Le module générateur
d’énergie est complété par une chaudière de récupération de type vertical à trois niveaux de
pression avec une section de resurchauffe à vapeur installée à l’échappement de la turbine
à gaz. La condensation du vapeur s’effectue dans un condenseur relié à la turbine à vapeur
et refroidisse avec l’eau de mer.

2.2.1.1 La turbine à gaz

La turbine à gaz (TG) appelée aussi turbine à combustion ou parfois turbine à gaz de
combustion (dénomination la plus précise), est une machine tournante thermodynamique
appartenant à la famille des moteurs à combustion interne, comme il indique la figure 2.1,
dont le rôle est de produire de l’énergie mécanique suite à la rotation d’un arbre, directe-
ment à partir de l’énergie cinétique des gaz produits par la combustion d’un hydrocarbure
(fuel, gaz combustible...) qui subissent une détente dans une turbine. Le comburant, le plus
souvent de l’air ambiant, est comprimé avant de pénétrer dans la chambre de combustion,
en utilisant un compresseur rotatif entraîné par le même arbre que la turbine.
2.2. Cycle combiné de la centrale Sousse D 13

Figure 2.1 – Turbine à gaz de la centrale.

2.2.1.2 La turbine à vapeur

La turbine à vapeur (TV) est constituée d’un grand nombre de roues (une centaine
pour un modèle de puissance) portant des ailettes et qu’il est bien montré dans la figure
2.2. La vapeur sous pression traverse d’abord les roues de petit diamètre avant d’atteindre
les roues de plus grand diamètre. La turbine tourne alors en entraînant l’alternateur qui
lui est accouplé.

Figure 2.2 – Turbine à vapeur de la centrale.

La TV assure la seconde production d’électricité dans la centrale (La première produc-

tion se fait au niveau de la TG). En effet, les gaz à l’échappement de la TG restant à une
température relativement élevée sont envoyés vers une chaudière de récupération afin de
récupérer une partie de leur énergie et produire de la vapeur. Cette vapeur est détendue
par la suite dans les corps HP, MP et BP : Le corps HP : C’est un corps à haute pression
dans lequel la vapeur surchauffée haute pression du ballon HP subits sa première détente.
Le corps MP : C’est le corps à moyenne pression où la vapeur moyenne pression issue du
14 Chapitre 2. Le cycle combiné de la STEG

ballon MP mélangée avec la vapeur HP sortie du corps HP, subi sa première détente. Le
corps BP : Ce corps fonctionne à l’aide de la vapeur à basse pression. Cette dernière y
subit une détente avant d’être condensée. Le vapeur à la sortie de la TV est condensé dans
un condenseur refroidi par eau de mer.

2.2.1.3 L’alternateur

Dans une centrale à cycle combiné, l’alternateur synchrone est couplé à une turbine
à gaz et une turbine à vapeur. La turbine à gaz entraîne l’alternateur pour produire de
l’électricité, tandis que la chaleur résiduelle de la turbine à gaz est utilisée pour produire
de la vapeur, qui à son tour entraîne une turbine à vapeur couplée à un autre alternateur
synchrone. Ce double système permet une utilisation optimale de l’énergie disponible et
améliore l’efficacité globale de la centrale. L’alternateur est une machine tournante des-
tinée à produire une tension alternative sinusoïdale , la figure 2.3 est une vue réelle du
l’alternateur du cycle combiné. Son fonctionnement est proche de celui d’une génératrice
de bicyclette. L’alternateur est couplé aux turbines à gaz et à vapeur. L’alternateur est

Figure 2.3 – Un alternateur d’une centrale.

divisé en deux parties principales à savoir le stator et le rotor (voir les figures 2.4 et 2.5).
Le stator est la partie immobile de l’alternateur "induit" à l’intérieur de laquelle tourne
le rotor. Le stator est le siège d’une f.é.m. induite d’eau champ d’induction magnétique
tournant crée par le rotor. On obtient aux bornes des trois bobines du stator un système
de tension triphasée. Le rotor représente la partie mobile ou l’inducteur de la machine
synchrone. Il est formé par deux bobines alimentées en courant continu. Le mouvement de
rotation des bobines du rotor engendre un champ magnétique tournant et par suite un flux
variable à l’intérieur du stator.

2.2.1.4 La chaudière

La chaudière de récupération (HRSG – Heat Recovery Steam Generator) est un échan-

geur de chaleur qui permet de récupérer l’énergie thermique de l’écoulement de gaz chaud.
Elle produit de la vapeur pour alimenter une turbine à vapeur. Une application usuelle
pour une chaudière de récupération est dans la centrale électrique à cycle combiné, où
2.2. Cycle combiné de la centrale Sousse D 15

Figure 2.4 – Le stator d’un alternateur d’un cycle combiné.

Figure 2.5 – Le rotor d’un alternateur d’un cycle combiné.

les gaz d’échappement de la turbine à gaz alimentent la chaudière de récupération pour

générer de la vapeur qui alimentera la turbine à vapeur. Cette combinaison produit de
l’électricité plus efficacement qu’une turbine à gaz ou une turbine à vapeur seule. Elle est
de type vertical, les gaz de combustion circulent de façon verticale dans des échangeurs de
chaleur, comme la montre la figure 2.6. Elle est composée de 3 types de pression (HP, MP
et BP). Elle est composée des ballons de 3 types de pressions, cheminée, les échangeurs
de chaleur, des tuyauteries, des vannes, des pompes , son rôle est d’exploiter l’énergie pré-
senté dans les gaz de combustion émis par la turbine à combustion. Cette énergie récupérée
est ensuite transférée à l’eau d’alimentation pour générer de la vapeur à trois niveaux de
pression différents.

Le principe de fonctionnement de la chaudière est comme suit :

— Un préchauffeur d’eau de condensat est installé pour préchauffer l’eau avant de l’en-
voyer dans le dégazeur, récupérant ainsi la chaleur des gaz de combustion. Le circuit
du préchauffeur inclut une ligne de recirculation avec deux pompes en parallèle pour
assurer la disponibilité et le contrôle du débit.
— Le système "circuit basse pression" produit de la vapeur en récupérant l’énergie des
fumées. Il conditionne et alimente l’eau nécessaire aux systèmes "circuit moyenne
pression" et "circuit haute pression". Le dégazeur élimine l’oxygène dissous dans
l’eau, crucial pour éviter la corrosion. L’évaporateur génère la vapeur saturée, le
ballon assure la séparation des phases eau-vapeur et fonctionne comme réserve d’eau
alimentaire.
— La surchauffeur chauffe la vapeur saturée à la température requise par la turbine
à vapeur. En résumé, le système optimise l’utilisation de la chaleur résiduelle pour
16 Chapitre 2. Le cycle combiné de la STEG

Figure 2.6 – La chaudière de récupération d’un cycle combiné.

produire de la vapeur, tout en assurant le contrôle, la sécurité et l’efficacité du

processus.
— Le "circuit moyenne pression" (MP) produit de la vapeur MP en récupérant l’énergie
des fumées. La vapeur MP est mélangée avec la vapeur du corps HP de la turbine à
vapeur (TV) avant d’être dirigée vers le resurchauffeur. Cette vapeur resurchauffée
alimente le corps MP de la turbine à vapeur.
— L’économiseur MP chauffe l’eau alimentaire, générant de la vapeur saturée via une
boucle de circulation naturelle vers le ballon MP. Ce dernier assure la séparation
des phases eau-vapeur, et la vapeur saturée est chauffée dans la surchauffeur MP.
— Le resurchauffeur chauffe le mélange de vapeur MP et de vapeur provenant du
corps HP de la TV à la température requise par la turbine à vapeur. En résumé, le
circuit MP optimise la production de vapeur en récupérant l’énergie des fumées et
en mélangeant la vapeur pour alimenter la turbine à vapeur de manière efficace.
— Le système de désurchauffe intermédiaire, situé entre le resurchauffeur 1 et le resur-
chauffeur 2, contrôle la température de la vapeur resurchauffée pendant le fonction-
nement normal en ajustant le débit d’eau par pulvérisation. Pendant les démarrages,
le système de désurchauffe finale, en aval du resurchauffeur 2, maintient la tempé-
rature de la vapeur resurchauffée à la valeur définie par la turbine à vapeur (TV) en
utilisant également la pulvérisation d’eau. Une extraction de vapeur à l’entrée du
resurchauffeur 1 est dédiée au dégazage, tandis qu’une extraction d’eau alimentaire
MP en aval de l’économiseur est employée pour préchauffer le combustible de la
turbine à gaz (TG).
— Le "circuit haute pression" (HP) produit de la vapeur pour alimenter la turbine
2.2. Cycle combiné de la centrale Sousse D 17

à vapeur haute pression en récupérant l’énergie des fumées. Les économiseurs HP

chauffent l’eau alimentaire proche de la saturation, et l’évaporateur HP génère de
la vapeur saturée. Le ballon HP sépare les phases eau-vapeur, avec une injection
de vapeur de chauffage pour maintenir la pression pendant l’arrêt. Les surchauf-
feurs HP chauffent la vapeur saturée à la température requise par la turbine. Le
système de désurchauffe intermédiaire contrôle la température de la vapeur vive HP
en fonctionnement normal, tandis que le système de désurchauffe finale, utilisé au
démarrage, contrôle la température de la vapeur vive HP en entrée de la turbine.

2.2.1.5 Le condenseur

Le condenseur est un appareil dont la fonction principale est de condenser (transfor-

mation d’un gaz en liquide) de la vapeur à l’aide d’un fluide réfrigérant. La chaleur latente
du corps est transférée dans le fluide réfrigérant, ce qui consiste en un changement de
phase à température constante. Le fluide réfrigérant varie en fonction de la température
de condensation du gaz : air, eau, saumure (voir figure 2.7). Les condenseurs sont souvent

Figure 2.7 – Le condenseur d’un cycle combiné.

des échangeurs de chaleur à calandre et faisceau tubulaire. La condensation se fait presque

systématiquement dans la calandre. On utilise généralement des tubes d’un centimètre
de diamètre et de longueur comprise entre 2 et 6 mètres, avec un pas triangulaire ou un
pas carré. Un des critères pour ces choix est souvent la perte de charge surtout pour des
appareils travaillant à pression réduite.

2.2.1.6 Les principaux circuits auxiliaires dans la centrale

Le module en cycle combiné est équipé de différents systèmes auxiliaires et qui sont :

Poste de réduction de la pression et de filtrage du gaz naturel. Ce système

réduit la pression du gaz naturel à un niveau approprié pour l’utilisation dans la centrale.
Il filtre également le gaz pour éliminer les impuretés avant qu’il n’entre dans le processus
18 Chapitre 2. Le cycle combiné de la STEG

de combustion.

Circuit d’alimentation en gasoil. Ce circuit fournit du gasoil en tant que combus-

tible de secours pour la centrale. Il est utilisé lorsque l’approvisionnement en gaz naturel
est insuffisant ou interrompu.

Système de refroidissement avec eau de mer. Ce système utilise l’eau de mer pour
refroidir les équipements de la centrale, dissipant ainsi la chaleur générée par le processus
de production d’électricité. L’eau de mer est pompée, utilisée pour le refroidissement, puis
rejetée après avoir été réchauffée.

Poste électrique pour l’introduction de la puissance électrique dans le Ré-

seau National Électrique. Ce poste convertit la puissance électrique produite par la
centrale à une haute tension de 225 kV. Cette électricité est ensuite intégrée dans le Ré-
seau National Électrique pour distribution.

Système de contrôle centralisé. Ce système gère les tâches de régulation, d’auto-

matisation et de protection de la centrale depuis une salle de commande centralisée. Il
assure la supervision et le bon fonctionnement de tous les processus et équipements de la
centrale.

2.2.2 Principe de fonctionnement du cycle combiné

Le principe de fonctionnement du cycle combiné de la central de Sousse D est basé es-
sentiellement sur un ensemble d’étapes illustrées au niveau de la figure 2.8 [MP20], décrites
dans ce qui suit.

Figure 2.8 – La chaîne énergétique d’une centrale électrique à gaz.

2.3. Les cycles thermodynamiques 19

L’air ambiant traverse le compresseur composé de 15 étages, atteignant une pression de

19 bars. Il est ensuite comprimé et mélangé avec un combustible tel que du fioul, du gaz
naturel ou du charbon, présentant un phénomène de surchauffe. Ce mélange entre ensuite
dans la turbine à gaz (TG), précisément dans la chambre de combustion. Cette chambre est
équipée de 24 brûleurs, allumés par le gaz, créant ainsi un triangle de feu avec la présence
du comburant, du combustible et du signal de feu. La chaleur émise par les gaz sortant
de la turbine à combustion est récupérée dans une chaudière de récupération(HRSG) à
T=570°C équipée de tubes (échangeurs de formes serpentins) à travers lesquels circule de
l’eau. L’eau, ainsi chauffée à haute température par ces gaz, est ensuite dirigée vers un
ballon où elle se transforme en vapeur. Cette vapeur, sous pression, est ensuite acheminée
vers la turbine à vapeur pour la mettre en rotation.

L’alternateur est couplé avec la turbine à vapeur et la turbine à gaz (couplage mono
arbre) pour transformer l’énergie mécanique en énergie électrique puis grâce au transforma-
teur élévateur on l’injecte dans le réseau. L’alternateur dans un cycle combiné mono-arbre
joue un rôle central en convertissant l’énergie mécanique produite par les deux turbines
(turbine à gaz et turbine à vapeur) en énergie électrique. En étant connecté à l’arbre com-
mun des deux turbines, l’alternateur coordonne leurs cycles, régule la fréquence et la tension
du réseau électrique, et optimise la production d’électricité en tirant parti de l’efficacité
accrue du cycle combiné. Ainsi, il contribue à assurer une fourniture d’électricité stable
et efficace. À l’intérieur de l’alternateur, l’interaction entre les aimants du rotor (partie
mobile) et les bobines de fils de cuivre du stator (partie fixe) génère un courant électrique.
Des transformateurs élèvent ensuite la tension de ce courant à 225 ou 400 kV, facilitant
ainsi son transport à travers les lignes à très haute tension du réseau.

La vapeur émise par la turbine à vapeur passe ensuite à travers un condenseur où circule
de l’eau froide, permettant ainsi la transformation de la vapeur en eau. Enfin, tout retourne
à la chaudière (ballon BP) où l’eau est de nouveau convertie en vapeur, initiant ainsi un
nouveau cycle. Les fumées issues de la combustion sont filtrées avant d’être évacuées par
la cheminée. L’utilisation du gaz naturel comme combustible dans les centrales à cycle
combiné permet de diviser par deux les émissions de CO2 par rapport à une centrale
au charbon. Ces centrales, flexibles et réactives, affichent un rendement supérieur à celui
des centrales thermiques classiques. Elles sont capables de monter à pleine puissance en
moins d’une heure, répondant ainsi efficacement aux fortes variations de la consommation,
notamment pendant les périodes de pointe.

2.3 Les cycles thermodynamiques

Une centrale à cycle combiné (CC) est un type de centrale électrique qui utilise deux
cycles thermodynamiques distincts pour produire de l’électricité. Le premier cycle est un
cycle à gaz, et le second est un cycle à vapeur. Les gaz d’échappement chauds de la turbine
20 Chapitre 2. Le cycle combiné de la STEG

à gaz sont utilisés pour chauffer l’eau dans la chaudière du cycle à vapeur. Cela permet
de produire de la vapeur, qui entraîne une turbine à vapeur pour produire de l’électricité
supplémentaire.

Selon la norme NF ISO 3977 «Système thermodynamique comportant deux ou plu-

sieurs cycles de puissance, dont chacun utilise un fluide de travail différent. Les cycles
mixtes vapeur/air (fluides de travail les plus communément utilisés) ont un rendement
thermique augmenté du fait que les deux cycles sont complémentaires du point de vue
thermodynamique : la chaleur rejetée par la turbine à gaz (cycle de Brayton) se trouve à
une température telle qu’elle peut constituer la source d’énergie principale ou une source
d’énergie complémentaire de la turbine à vapeur (cycle de Rankine)» [ISO91].

2.3.1 Cycle de Brayton

Dans cette partie, nous décrirons en détail le cycle Brayton, qui est utilisé dans la
turbine à gaz du cycle combiné. Nous examinerons les quatre processus principaux du cycle :
compression de l’air, combustion du combustible, expansion dans la turbine, et rejet des gaz
d’échappement. Nous discuterons également des paramètres thermodynamiques clés tels
que la pression, la température et l’efficacité isentropique. Le cycle de Brayton, également
appelé cycle de Joule, est un cycle thermodynamique idéal qui décrit le fonctionnement des
moteurs à combustion externe utilisant un gaz comme fluide de travail, tel que les turbines
à gaz et certains moteurs à réaction.

2.3.1.1 Etapes du cycle de Brayton

les étapes du cycle de Brayton illustrées dans la figure 2.9 [Swa18] sont les suivantes :
1. Admission et Compression Adiabatique (1-2) : L’air ambiant est aspiré dans
le compresseur (point 1). Le compresseur comprime l’air, augmentant sa pression et
sa température (processus 1-2). Cette compression se fait adiabatique ment, ce qui
signifie qu’il n’y a pas d’échange de chaleur entre le gaz et son environnement. En
conséquence, la température augmente en raison de la compression du gaz.
2. Combustion Isobare (2-3) : Le mélange air-combustible (généralement du gaz
naturel) est injecté dans la chambre de combustion (point 2). La combustion se
produit à pression constante (processus 2-3). Cela signifie que la pression reste
stable dans la chambre de combustion pendant la combustion. La température du
mélange augmente considérablement en raison de la combustion.
3. Échappement et Détente Adiabatique (3-4) : Les gaz chauds produits par
la combustion traversent la turbine à gaz (point 3). La turbine à gaz extrait de
l’énergie des gaz en les détendant (processus 3-4). Cette détente se fait également
adiabatique ment, ce qui entraîne une diminution de la pression et de la température
des gaz.
4. Rejet (processus fictif) : Il s’agit d’une étape fictive qui représente le rejet des
2.3. Les cycles thermodynamiques 21

gaz d’échappement à la pression et à la température ambiante. Dans une centrale à

cycle combiné, ces gaz d’échappement chauds sont utilisés pour chauffer l’eau dans
le cycle à vapeur, améliorant ainsi l’efficacité globale. Ce rejet à pression constante
complète le cycle, et le fluide de travail (l’air) est prêt à être réintroduit dans le
compresseur pour recommencer le cycle. (Point 1)

Figure 2.9 – Le cycle de BRAYTON de la turbine à gaz.

Axes :
— Axe horizontal : Entropie (s) ;
— Axe vertical : Température (T).
Points :
1. État du gaz avant la compression ;
2. État du gaz après la compression ;
3. État du gaz après la combustion ;
4. État du gaz après la détente.
Zones :
— Zone 1-2 : Compression du gaz dans le compresseur ;
— Zone 2-3 : Combustion du gaz dans la chambre de combustion ;
— Zone 3-4 : Détente du gaz dans la turbine ;
— Zone 4-1 : Rejet de chaleur dans l’échangeur de chaleur.

2.3.1.2 Points clés du cycle de Brayton

Le cycle de Brayton est un cycle idéal, ce qui signifie qu’il ne tient pas compte des pertes
thermiques et des frottements dans les machines réelles. Le rendement thermique du cycle
de Brayton dépend du rapport de pression (pression de sortie du compresseur / pression
d’entrée du compresseur) et de la température d’entrée de la turbine à gaz. Les turbines à
gaz basées sur le cycle de Brayton sont utilisées dans diverses applications, notamment la
production d’électricité, la propulsion des avions et des navires, et le pompage de gaz.
22 Chapitre 2. Le cycle combiné de la STEG

2.3.1.3 Les avantages du cycle de Brayton

Le cycle de Brayton possède plusieurs avantages environnementales et fonctionnelles :

— Conception simple : Fonctionnement relativement simple par rapport à d’autres
moteurs à combustion ;
— Fonctionnement propre : Faible émission de polluants par rapport aux moteurs à
combustion interne classiques, surtout lorsqu’il est combiné à un cycle à vapeur ;
— Polyvalence : Utilisable dans diverses applications exigeant une puissance élevée ;
— Possibilité de cogénération : Il permet la production simultanée d’électricité et de
chaleur utile, augmentant ainsi l’efficacité globale du système.

2.3.1.4 Les inconvénients du cycle de Brayton

Devant des avantages précieuses , Brayton possède des inconvénients :

— Rendement inférieur aux moteurs à combustion interne : Le rendement est limité par
les températures maximales pouvant être atteintes dans la chambre de combustion ;
— Sensibilité à la température ambiante : L’efficacité du cycle diminue lorsque la tem-
pérature ambiante augmente ;
— Bruit : Les turbines à gaz peuvent produire un bruit important.
Le cycle de Brayton est utilisé dans de nombreuses applications, notamment dans les cen-
trales électriques, les avions à réaction et les systèmes de propulsion pour des applications
spatiales. Il est caractérisé par son efficacité élevée et sa simplicité, en particulier dans les
applications où un rapport puissance/poids élevé est essentiel.

2.3.2 Cycle de Rankine

Nous explorerons ensuite le cycle de Rankine, qui utilise la chaleur résiduelle des gaz
d’échappement de la turbine à gaz pour produire de la vapeur. Nous analyserons les pro-
cessus de génération de vapeur, d’expansion dans la turbine à vapeur, de condensation et
de pompage.

2.3.2.1 Etapes du cycle de Rankine

Nous discuterons des différentes configurations possibles du cycle de Rankine, telles

que les cycles simples et les cycles à double admission. Le cycle de Rankine est un cycle
thermodynamique idéal qui décrit le fonctionnement des turbines à vapeur, notamment
dans les centrales électriques à vapeur. Il s’agit d’un cycle fermé, ce qui signifie que le fluide
de travail (généralement de l’eau) circule en permanence dans un circuit fermé comme la
montre la figure 2.10 [Meu09].

1. Pompage (1 → 2) : L’eau à basse pression et à basse température (point 1) est

pompée dans la chaudière. La pompe augmente la pression de l’eau, la faisant se
déplacer vers la droite sur le diagramme T-S (processus 1-2).
2.3. Les cycles thermodynamiques 23

2. Vaporisation isobare (2 → 3) : L’eau sous pression élevée est chauffée dans

la chaudière par une source de chaleur externe (combustion de fioul, gaz naturel,
nucléaire, etc.) (Point 2). Ce chauffage augmente la température de l’eau jusqu’à
son point d’ébullition à la pression donnée, provoquant sa transformation en vapeur
saturée (processus 2-3). La vapeur saturée produite est à son état d’équilibre liquide-
vapeur, c’est-à-dire qu’elle contient à la fois des molécules d’eau liquide et de vapeur
d’eau.
3. Détente adiabatique (3 → 4) : La vapeur saturée produite dans la chaudière
s’échappe vers la turbine à vapeur (point 3). En se détendant dans la turbine, la
vapeur perd de la pression et de la température, tout en produisant du travail
mécanique pour faire tourner les aubes de la turbine (processus 3-4). Ce travail est
ensuite utilisé pour produire de l’électricité. À la sortie de la turbine, la vapeur est
détendue et partiellement condensée, produisant de la vapeur humide.
4. Condensation isobare (4 → 1) : La vapeur humide provenant de la turbine entre
dans le condenseur (point 4). Dans le condenseur, la vapeur se condense complète-
ment en eau liquide à pression constante (processus 4-1). Ce refroidissement se fait
généralement à l’aide d’eau froide provenant d’un circuit de refroidissement externe.
L’eau condensée est à basse pression et basse température, prête à recommencer le
cycle.

Figure 2.10 – Le cycle de RANKINE de la turbine à vapeur.

— Point 1 (état 1) : Eau liquide saturée à basse pression ;

— Point 2 (état 2) : Vapeur saturée à haute pression ;
— Point 3 (état 3) : Vapeur humide à haute pression ;
— Point 4 (état 4) : Vapeur humide à basse pression.

2.3.2.2 Les avantages du cycle de Rankine

Le cycle du Brayton a plusieurs avantages et on cite les plus importants :

24 Chapitre 2. Le cycle combiné de la STEG

— Rendement relativement élevé : Conversion efficace de l’énergie thermique en énergie

mécanique ;
— Fonctionnement fiable : Technologie mature avec une longue histoire d’utilisation ;
— Polyvalence : Utilisable dans diverses applications exigeant une puissance impor-
tante.

2.3.2.3 Les inconvénients du cycle de Rankine

Néanmoins, le cycle de vapeur possède des désavantages :

— Source de chaleur externe requise : Nécessite une source de chaleur externe, comme
la combustion de combustibles fossiles ou l’énergie nucléaire ;
— Rejets de chaleur importants : Produit des rejets de chaleur importants qui néces-
sitent un refroidissement ;
— Impact environnemental : Les émissions de gaz à effet de serre et la pollution de
l’air sont des préoccupations lors de l’utilisation de combustibles fossiles.

2.3.3 Combinaison des deux cycles

La combinaison des cycles de Rankine et de Brayton dans un système de cycle com-
biné est une approche innovante qui vise à maximiser l’efficacité globale de la production
d’électricité. Dans ce système intégré, le cycle de Rankine, basé sur la vaporisation de l’eau
pour produire de la vapeur, est associé au cycle Brayton, qui utilise la combustion de com-
bustibles pour générer de l’énergie mécanique. Le cycle de Rankine est traditionnellement
utilisé dans les centrales électriques à vapeur, tandis que le cycle Brayton est couramment
employé dans les turbines à gaz. La synergie entre ces deux cycles réside dans la récupé-
ration de la chaleur résiduelle du cycle Brayton. Plutôt que de rejeter cette chaleur dans
l’environnement, elle est captée et utilisée pour chauffer de l’eau dans le cycle de Ran-
kine. Cette vapeur supplémentaire alimente une turbine à vapeur supplémentaire ou est
injectée dans le processus de chauffage initial. Ce procédé de récupération de chaleur per-
met d’augmenter l’efficacité globale du système en tirant parti des ressources thermiques
disponibles.

L’avantage clé de cette combinaison réside dans l’utilisation efficace de la chaleur rési-
duelle pour produire plus d’énergie, ce qui se traduit par un rendement global plus élevé
que celui obtenu en utilisant les cycles individuellement. De plus, cette approche contribue
à réduire les émissions de gaz à effet de serre en permettant une meilleure utilisation des
combustibles et en diminuant les pertes thermiques. Donc, la combinaison des cycles de
Rankine et de Brayton dans un système de cycle combiné représente une solution énergé-
tique avancée et durable, offrant des avantages significatifs en termes d’efficacité énergétique
et de réduction des émissions, tout en répondant aux besoins croissants en électricité de
manière plus propre et plus efficace.
2.4. Le bilan thermique 25

En conclusion, le cycle de Rankine est un cycle idéal, ce qui signifie qu’il ne tient pas
compte des pertes thermiques et des frottements dans les machines réelles. Le rendement
thermique du cycle de Rankine dépend du rapport de pression de la vapeur (pression
d’entrée de la turbine / pression de sortie de la pompe) et de la température de surchauffe
(température à laquelle la vapeur est chauffée au-dessus de son point d’ébullition). Les
turbines à vapeur basées sur le cycle de Rankine sont utilisées dans diverses applications,
notamment la production d’électricité, la propulsion navale et certains types de pompes à
chaleur.

2.4 Le bilan thermique

Un bilan thermique dans un cycle combiné fait référence à l’évaluation de l’équilibre
thermique entre les différentes composantes du système, notamment les sources de chaleur,
les échanges de chaleur et les productions d’énergie [ANS11]. Cela permet de déterminer
comment l’énergie est transférée et utilisée à chaque étape du processus. Un bilan ther-
mique est important pour l’analyser les transferts d’énergie et l’efficacité d’un système
thermodynamique, comme un cycle combiné. Il s’agit d’un outil essentiel pour comprendre
le fonctionnement du système et identifier les points d’amélioration potentiels. Le bilan
thermique permet de :
— Déterminer l’efficacité de la conversion de l’énergie calorifique en énergie électrique ;
— Identifier les points d’amélioration du cycle combiné ;
— Comparer les performances de différents cycles combinés ;
— Optimiser les conditions de fonctionnement du cycle combiné.

2.4.1 Les éléments de base

Dans un cycle combiné, le bilan thermique prend en compte les deux cycles principaux,
le cycle de Rankine et le cycle Brayton, ainsi que les échanges de chaleur entre eux. Voici
les éléments clés inclus dans un bilan thermique typique d’un cycle combiné :
— Source de chaleur : Il s’agit de la principale source d’énergie thermique qui alimente
le système. Dans un cycle combiné, cela peut être la combustion de combustibles
fossiles tels que le charbon, le gaz naturel ou le pétrole, ainsi que d’autres sources
telles que l’énergie solaire concentrée ou la géothermie ;
— Cycle de Rankine : Le bilan thermique examine la quantité de chaleur ajoutée au
cycle de Rankine pour vaporiser l’eau et produire de la vapeur, ainsi que la quantité
de chaleur rejetée par la condensation de la vapeur dans le condenseur ;
— Cycle Brayton : Il évalue également la quantité de chaleur ajoutée au cycle Brayton
pour chauffer l’air comprimé avant la combustion, ainsi que la chaleur rejetée par
les gaz d’échappement dans le système de récupération de chaleur ;
— Échanges de chaleur : Le bilan thermique examine les échanges de chaleur entre
les deux cycles, en particulier la récupération de chaleur résiduelle du cycle Bray-
26 Chapitre 2. Le cycle combiné de la STEG

ton pour chauffer de l’eau dans le cycle de Rankine. Cela permet de maximiser
l’utilisation de la chaleur et d’améliorer l’efficacité globale du système ;
— Combustible : Le type de combustible utilisé (gaz naturel, propane, fioul, etc.) et
son pouvoir calorifique.
— Turbine à gaz : L’énergie calorifique fournie au combustible, l’énergie mécanique
produite par la turbine à gaz et le rendement de la turbine à gaz ;
— Chaudière de récupération : La chaleur récupérée des gaz d’échappement de la
turbine à gaz et la vapeur produite ;
— Turbine à vapeur : L’enthalpie de la vapeur, l’énergie mécanique produite par la
turbine à vapeur et le rendement de la turbine à vapeur ;
— Pertes : Les pertes thermiques dans les différentes parties du cycle et les pertes de
charge dans les conduits de gaz et de vapeur ;
— Pertes : Les pertes thermiques dans les différentes parties du cycle et les pertes de
charge dans les conduits de gaz et de vapeur ;
— Production électrique : La production électrique brute et la production électrique
nette ;
— Rendement global : Le rapport entre la production électrique nette et l’énergie
calorifique fournie par le combustible.
Un bilan thermique dans un cycle combiné analyse les flux d’énergie thermique à travers les
différentes étapes du processus, en tenant compte des sources de chaleur, des cycles indi-
viduels et des échanges de chaleur entre eux. Cela permet d’évaluer l’efficacité énergétique
du système et d’identifier les possibilités d’optimisation pour améliorer les performances
globales.

2.4.2 Les étapes du bilan thermique

Les étapes nécessaires pour obtenir un bilan thermique sont :
1. Collecte des données : Rassembler les informations sur les caractéristiques du cycle
combiné, telles que la puissance des turbines à gaz et à vapeur, leurs rendements
respectifs, le pouvoir calorifique du combustible et le débit massique de combustible.
Obtenir les enthalpies de la vapeur à différents points du cycle, notamment à l’entrée
et à la sortie de la turbine à gaz, à l’entrée de la turbine à vapeur et à la sortie du
condenseur.
2. Calcul de l’énergie calorifique fournie : Déterminer l’énergie calorifique totale fournie
par le combustible en multipliant le pouvoir calorifique du combustible par le débit
massique de combustible.
3. Calcul de l’énergie mécanique produite par la turbine à gaz : Utiliser le rendement de
la turbine à gaz et la puissance de la turbine à gaz pour calculer l’énergie mécanique
produite par la turbine à gaz.
4. Calcul de la chaleur récupérée : Soustraire l’énergie mécanique produite par la tur-
bine à gaz de l’énergie calorifique fournie pour déterminer la chaleur récupérée des
2.5. Conclusion 27

gaz d’échappement de la turbine à gaz.

5. Calcul de la vapeur produite : Diviser la chaleur récupérée par l’enthalpie de la
vapeur à l’entrée de la turbine à vapeur pour obtenir la quantité de vapeur produite.
6. Calcul de l’énergie mécanique produite par la turbine à vapeur : Multiplier le rende-
ment de la turbine à vapeur par la puissance de la turbine à vapeur pour déterminer
l’énergie mécanique produite par la turbine à vapeur.
7. Calcul de la production d’électricité brute : Additionner l’énergie mécanique pro-
duite par les turbines à gaz et à vapeur pour obtenir la production d’électricité brute
du cycle combiné.
8. Calcul des pertes : Soustraire la production d’électricité brute de l’énergie calorifique
fournie pour déterminer les pertes totales du cycle combiné.
9. Calcul du rendement global : Diviser la production d’électricité brute par l’énergie
calorifique fournie pour obtenir le rendement global du cycle combiné.
10. Analyse des résultats : Interpréter les résultats du bilan thermique pour identifier les
points d’efficacité du cycle combiné et les opportunités d’amélioration potentielles.
11. Représentation graphique : Créer un diagramme de flux d’énergie pour visualiser
les transferts d’énergie entre les différentes composantes du cycle combiné.
12. Logiciels de simulation : Des logiciels de simulation thermodynamique peuvent être
utilisés pour automatiser les calculs du bilan thermique et faciliter l’analyse des
résultats.
En suivant ces étapes et en utilisant les outils appropriés, il est possible d’effectuer un bilan
thermique complet et précis d’un cycle combiné, ce qui permet d’optimiser son fonction-
nement et d’améliorer son efficacité.

2.5 Conclusion
Ce chapitre s’est focalisé sur les concepts fondamentaux du cycle combiné aussi bien
au niveau de ses composants que son principe de fonctionnement. Il a également exploré
les concepts fondamentaux des cycles thermodynamiques et leur application aux cycles
combinés, systèmes de production d’électricité hautement performants. En s’appuyant sur
les principes de la thermodynamique, nous avons analysé le fonctionnement des turbines
à gaz et à vapeur, éléments clés des cycles combinés. Une étude du bilan thermique s’est
révélée essentielle pour comprendre les transferts d’énergie au sein d’un cycle combiné.
 Chapitre 3

Étude des performances d’un cycle

combiné

Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Les performances d’un cycle combiné . . . . . . . . . . . . . . . . 29
3.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.2 Les indicateurs de performances . . . . . . . . . . . . . . . . . . . . 30
3.2.3 Les paramètres qui influent sur les performances du cycle combiné . 39
3.2.4 Les essais de performances . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Conditions de référence et courbes de correction . . . . . . . . . 43
3.3.1 Conditions de référence . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2 Courbes de corrections . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.3 Test de correction de performance . . . . . . . . . . . . . . . . . . . 52
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3.1 Introduction
Les centrales à cycle combiné (CC) sont des installations de production d’électricité
qui combinent deux cycles thermodynamiques pour atteindre des rendements énergétiques
élevés et des émissions de polluants réduites. Elles constituent une technologie majeure
pour la production d’électricité propre et durable. La performance d’une centrale CC est
un élément crucial pour son exploitation efficace et rentable. Elle est évaluée par divers
paramètres, tels que l’efficacité thermique, la puissance nette, la consommation de combus-
tible et les émissions de polluants. L’objectif de ce chapitre est d’analyser les performances
d’une centrale CC en détail. Nous examinerons les facteurs qui influencent la performance,
les courbes de correction utilisées pour ajuster les mesures de performance en fonction des
conditions ambiantes et opérationnelles, et les tests de performance réalisés pour évaluer
la performance réelle de la centrale. L’étude des courbes de correction ainsi que les for-
mules de performances ont été élaborées suite aux discussions avec les différentes parties

28
3.2. Les performances d’un cycle combiné 29

prenantes de la centrale Sousse D et sur les supports de référence de la STEG [AMO20] et

[D23].

3.2 Les performances d’un cycle combiné

3.2.1 Définition
La notion de performance peut varier en fonction des attentes, des normes ou des
critères spécifiques fixés .Dans notre cas la performance est une mesure de l’efficacité et
de l’efficience avec lesquelles une personne, une équipe, une organisation ou un système
accomplit une tâche ou atteint un résultat, de plus elle est la mesure ou l’évaluation de la
réalisation d’objectifs, de la qualité d’exécution ou des résultats obtenus dans un domaine
spécifique.

L’efficacité : est la capacité d’un système à accomplir une tâche ou à atteindre un objectif
de manière satisfaisante, en utilisant les ressources disponibles de manière optimale.

L’efficience : désigne la capacité d’un système à utiliser de manière optimale les res-
sources disponibles pour atteindre un objectif défini. Elle est étroitement liée à l’efficacité,
mais se concentre davantage sur l’optimisation des coûts et des ressources nécessaires pour
atteindre cet objectif.

Ainsi, l’efficacité tend à mesurer l’utilisation optimale des ressources ou l’atteinte d’ob-
jectifs prédéfinis, alors que l’efficience mesure le niveau de performance du résultat obtenu
en fonction des ressources consommées.

La performance peut être évaluée dans différents contextes, tels que :

Performance individuelle : Évaluation de la productivité, de la qualité du travail,

des compétences et des résultats d’un individu dans le cadre de ses responsabilités profes-
sionnelles.

Performance d’équipe : Évaluation de la collaboration, de la communication, de la

productivité collective et de la réalisation des objectifs d’une équipe de travail.

Performance organisationnelle : Évaluation des résultats globaux d’une organisa-

tion, tels que le chiffre d’affaires, la rentabilité, la part de marché, la satisfaction client,
etc.

Performance du système : Évaluation de l’efficacité et de l’efficience d’un système ou

d’un processus dans la réalisation de ses objectifs, tels que les performances d’un système
informatique ou d’une infrastructure ou d’un système de production,

La performance d’un cycle combiné : est évaluée à travers plusieurs paramètres

30 Chapitre 3. Étude des performances d’un cycle combiné

(indicateurs de performance) afin d’obtenir des données quantitatives ou qualitatives sur

les résultats obtenus. Ces mesures aident à évaluer le degré de succès ou d’atteinte des
objectifs, à identifier les améliorations nécessaires et à prendre des décisions pour optimiser
les performances.

3.2.2 Les indicateurs de performances

3.2.2.1 Définition d’un indicateur

Un indicateur de performance pour un cycle combiné (CC), aussi connu sous le nom de
centrale à cycle combiné (CCC), est une mesure quantifiable qui permet d’évaluer l’effica-
cité, la rentabilité et l’impact environnemental de cette technologie de production d’élec-
tricité.

3.2.2.2 Utilité d’un indicateur

Un indicateur de performance, également connu sous le sigle KPI (Key Performance

Indicator), est une mesure quantifiable utilisée pour évaluer l’efficacité, le rendement, la
rentabilité ou l’impact d’une activité, d’un processus, d’un projet, d’un système ou d’une
organisation par rapport à des objectifs spécifiques.

3.2.2.3 Les types des indicateurs

Les indicateurs de performance pour les CC se déclinent en différentes catégories.

Chaque catégorie apporte des informations spécifiques sur les aspects clés de la techno-
logie associée. Dans notre travail on définie quatre catégories que nous décrivons dans ce
qui suit, et qui sont :

1. Indicateurs de production ;
2. Indicateurs d’efficacité ;
3. Indicateurs de disponibilité ;
4. Indicateurs environnementaux.

A. Indicateurs de production

La puissance : La puissance d’un CC, exprimée en mégawatts (MW), représente la

capacité instantanée de la centrale à produire de l’électricité. Elle est mesurée à un moment
donné et reflète la quantité d’énergie fournie au réseau électrique à cet instant précis.

L’énergie : L’énergie produite par un CC, exprimée en mégawattheures (MWh), re-

présente la quantité totale d’électricité générée sur une période donnée, généralement une
heure, un jour ou une année. Elle cumule la puissance produite sur une durée déterminée.
3.2. Les performances d’un cycle combiné 31

L’équation de l’énergie produite par un cycle combiné est donnée par l’équation 3.1 :

W =P ·t (3.1)

où :
— W : quantité de l’énergie produite pour une durée bien déterminée
— P : la puissance électrique donnée par le CC
— t : la durée pendant laquelle la puissance est produite
Facteur de charge : La formule du facteur de charge pour un cycle combiné (CC) peut
s’exprimer de deux manières, selon que l’on considère la puissance ou l’énergie.

Facteur de charge en puissance : Le facteur de charge en puissance (FC puissance) d’un

CC est le rapport entre la puissance électrique moyenne produite sur une période donnée
et la puissance électrique maximale que la centrale peut produire. Il s’agit d’un indicateur
sans dimension, généralement exprimé en pourcentage. Le facteur de charge en puissance
est donné par 3.2 suivante :
!
Puissance électrique moyenne (MW)
FC = × 100% (3.2)
Puissance électrique maximale (MW)

où :
— Puissance électrique moyenne (MW) : la puissance électrique moyenne produite.
— Puissance électrique maximale (MW) : la puissance électrique maximale possible.
Facteur de charge énergétique : Le facteur de charge énergétique (FC énergie) d’un CC
est le rapport entre l’énergie électrique produite sur une période donnée et l’énergie élec-
trique maximale que la centrale aurait pu produire si elle avait fonctionné à sa capacité
maximale pendant la même période. Il s’agit également d’un indicateur sans dimension,
généralement exprimé en pourcentage. Le facteur de charge en énergie est donné par l’équa-
tion 3.3 suivante :
!
Énergie électrique produite (MWh)
FC = × 100%
Puissance électrique maximale (MW) × Durée de la période (heures)
(3.3)
où :
— Puissance électrique maximale (MW) : Capacité de production électrique maximale
de la centrale.
— Énergie électrique produite (MWh) : Quantité totale d’électricité produite par la
centrale sur la période considérée.
— Durée de la période (heures) : Temps de la période pour laquelle le facteur de charge
est calculé (heures, jours, mois, année).
Puissance Maximale Continue (PMC) :C’est la puissance du cycle combiné calculée à partir
de la puissance de Référence, en (MW) corrigée en fonction des coefficients de dégradation
32 Chapitre 3. Étude des performances d’un cycle combiné

et des conditions du site selon les courbes de correction.

Puissance de Référence (PR) :Signifie la puissance du cycle Puissance combiné enre-

gistrée lors des essais de Performance de Référence (0 heures de fonctionnement en MW),
mais après cette valeur sera calculée selon le nombre d’heures équivalents du fonctionne-
ment et un coefficient de dégradation de puissance annuelle sera donné .L’équation de la
puissance de référence est donnée par la formule 3.4.

P R = EOH × f pi (3.4)

Où :
— P R : la puissance de référence(MW)
— EOH : le nombre d’heures équivalents du fonctionnement
— f pi : Coefficient de la dégradation annuelle de la puissance
Coefficient de dégradation : Le coefficient de dégradation représente les valeurs de dé-
gradations pour un nombre donné des EOH enregistrées de l’indicateur de puissance an-
nuelle et du l’indicateur d’efficacité ; consommation spécifique du centrale, ce coefficient
est déterminé à partie du tableau 3.1 donné par le constructeur basé sur la date de mise
en service 4000 heures.

Table 3.1 – Données de dégradation annuelle de la puissance et de la consommation

spécifique en fonction de nombre d’heures équivalents

Années Nombre d’heures Coefficient de la Coefficient de la

équivalentes dégradation dégradation
annuelle de la annuelle de la
puissance (fpi) consommation
spécifique (fci)
Date de mise en 4000 1 1
service
1ère année 13200 0,9951 1,0009
2ème année 22400 0,9905 1,0055
3ème année 31600 0,986 1,0081
4ème année 40800 0,982 1,0098
5ème année 50000 0,9901 1,0052
6ème année 59200 0,9827 1,0086
7ème année 68400 0,9795 1,0104
8ème année 77600 0,9792 1,0118
9ème année 86800 0,9763 1,0128
10ème année 96000 0,9745 1,0135
11ème année 105200 0,9767 1,0146
12ème année 114400 0,9728 1,0167
3.2. Les performances d’un cycle combiné 33

Les valeurs attendues seront obtenues en multipliant les valeurs relevées durant les essais
de performance par les coefficients de dégradation données par les courbes de dégradation
suivantes : (exemple de la puissance et de la consommation spécifique). La figure 3.1 montre
la diminution du coefficient de dégradation de la puissance en fonction de nombre d’heures
équivalents (cette courbe est obtenue à partir du table 3.1 donnée par le constructeur)

Figure 3.1 – Courbe de dégradation de puissance du groupe

Puissance continue nette totale(PCTcc) :La Puissance (PCTcc) est une mesure utili-
sée dans le contexte des centrales à cycle combiné (PCTcc pour Power Cycle Thermal
Combined) exprimée en Kilowatts (KW). Elle fait référence à la puissance de sortie de
la centrale lorsque les deux cycles de production d’énergie (gaz et vapeur) fonctionnent
simultanément.

B. Indicateurs d’efficacité

Consommation spécifiques CS : Cet indicateur est calculé à partir de la consommation

spécifique de référence, corrigée en fonction des coefficients de dégradation et des conditions
du site selon les courbes de correction. Il est calculé à partir de :

Rendement sur pouvoir calorifique inférieur (PCI) : Le PCI est la quantité d’énergie ca-
lorifique dégagée par la combustion d’un combustible, en ne tenant pas compte de l’énergie
contenue dans la vapeur d’eau condensée. L’équation du rendement sur pouvoir calorifique
inférieur (PCI) est donnée par l’equation 3.5 .
!
Énergie électrique produite
Rendement P CI = × 100% (3.5)
Énergie calorifique consommée (PCI)
34 Chapitre 3. Étude des performances d’un cycle combiné

Où :
— Énergie électrique produite : Quantité d’énergie électrique produite par le cycle
combiné.
— Énergie calorifique consommée (PCI) : Quantité d’énergie calorifique consommée
par le cycle combiné, mesurée en utilisant le Pouvoir Calorifique Inférieur (PCI) du
combustible.
Rendement sur pouvoir calorifique supérieur (PCS) :Le PCS est la quantité d’énergie
calorifique dégagée par la combustion d’un combustible, en tenant compte de l’énergie
contenue dans la vapeur d’eau condensée. L’équation du rendement sur pouvoir calorifique
supérieur (PCS) est donnée par 3.6 .
!
Énergie électrique produite
Rendement P CS = × 100% (3.6)
Énergie calorifique consommée (PCS)

Où :
— Énergie électrique produite : Quantité d’énergie électrique produite par le cycle
combiné.
— Énergie calorifique consommée (PCS) : Quantité d’énergie calorifique consommée
par le cycle combiné, mesurée en utilisant le Pouvoir Calorifique Supérieur (PCS)
du combustible.
Consommation spécifique de référence CSR : c’est la consommation spécifique du cycle
combiné enregistrée lors des essais de performance de référence. (0 heures de fonctionne-
ment).Cette valeur sera calculée selon le nombre d’heures équivalents du fonctionnement
et un coefficient de dégradation de consommation spécifique annuelle sera donné ,cet in-
dicateur sera mieux expliqué dans les parties suivantes . L’équation de la consommation
spécifique de référence est donnée par la formule 3.7 .

CSR = EOH × f ci (3.7)

Où :
— CSR : est la consommation spécifique du cycle combiné enregistrée lors des essais
de performance de référence.
— EOH : le nombres d’heures équivalents du fonctionnement
— f ci : Coefficient de la dégradation annuelle de la consommation spécifique
La figure 3.2 montre l’augmentation du coefficient de dégradation de la consommation
spécifique en fonction de nombre d’heures équivalents (cette courbe est obtenue à partir
du table 3.1 donnée par le constructeur) :
3.2. Les performances d’un cycle combiné 35

Figure 3.2 – Courbe de dégradation de la consommation spécifique

Le rendement :

Définition : La notion de rendement en thermodynamique est confondue avec la notion

de l’efficacité énergétique en physique et en ingénierie mécanique. L’efficacité énergétique
d’un système est définie comme le rapport entre l’énergie utile en sortie de ce système, et
l’énergie fournie en entrée de ce système . Le rendement global du cycle combiné repré-
sente la quantité d’énergie électrique produite par rapport à la quantité d’énergie thermique
(chimique) fournie pour la turbine à gaz.L’équation du rendement d’une centrale à cycle
combiné est donnée par la formule 3.8 . Un cycle combiné efficace a un rendement glo-
bal élevé, ce qui signifie qu’il utilise efficacement l’énergie thermique pour produire de
l’électricité.
!
Production d’électricité nette (kWh)
RendementCC = × 100% (3.8)
Apport thermique (kcal)

Où :
— Production d’électricité nette (kWh) : Quantité totale d’électricité produite par la
centrale, mesurée en kilowattheures (kWh).
— Apport thermique (kcal) : Quantité totale d’énergie thermique apportée au cycle
combiné, mesurée en kilocalories (kcal).
— RendementCC : Rendement de la centrale à cycle combiné, exprimé en pourcentage.
Interprétation du rendement d’un CC :
— Rendement élevé (proche de 60%) : Indique un CC performant qui convertit effica-
cement l’énergie thermique en électricité.
— Rendement faible (moins de 40%) : Indique un CC moins performant qui gaspille
36 Chapitre 3. Étude des performances d’un cycle combiné

une partie de l’énergie thermique sous forme de chaleur perdue.

c. Indicateurs de disponibilité

Les heures équivalences : Les heures équivalentes de fonctionnement (EOH = equivalent

operating hours) : c’est l’unité de mesure de la fatigue de la machine et de l’usure de ses
pièces, donc elle est la somme des heures de fonctionnement normal, des heures équivalentes
de démarrage, des heures équivalentes dues à un changement rapide de température et aux
heures équivalentes dues à un déclenchement ou délestage de charge.Les heures équivalentes
de démarrage sont calculées dans l’équation 3.9 :

EOHdémarrage = 10 × nombre de démarrage (3.9)

Où :
— EOH_démarrage : Heures équivalentes de démarrage
— nombre de démarrage : Nombre de démarrages de la centrale
Les heures équivalentes de fonctionnement sont l’unité prise en considération pour l’éva-
luation des incidents, de l’état de la centrale et du calcul des intervalles de maintenance
programmée. Les intervalles de maintenance programmée sont déterminés en fonction du
nombre d’heures équivalentes comme il indique le table 3.2 ci-dessous.
— Les révisions mineures tous les 8300 EOH. C’est un contrôle visuel exécuté toutes
les 8300 EOH. Elle concerne généralement l’entretien du système de combustion de
la TG.
— Les révisions partielles tous les 25 000 EOH : C’est un contrôle dans le but de vérifier
les conditions de la TG, du générateur, de la TV et de la HRSG. Elle concerne
généralement le démontage du corps de la TG et le contrôle des parties chaudes et
certains auxiliaires du groupe.
— Les révisions majeures tous les 50 000 EOH : c’est une opération d’entretien de la
majorité des équipements de la TG avec démontage des pièces qui seront contrôlées,
réparées et remplacées.
3.2. Les performances d’un cycle combiné 37

Table 3.2 – Planification des inspections et des maintenances

Année HE de la TG (fin HE de la TG (pour TG Gen HRSG

année) inspection)
1 13200 8300 m i m
2 22400 16600 - - -
3 31600 25000 HGPI - -
4 40800 33300 - - M
5 50000 41600 m+M i+M m+M
6 59200 58300 - i m
7 68400 65600 m i -
8 77600 75000 - m M
9 86800 83300 HGPI - m
10 96000 91600 - m -
11 105200 100000 m M M
12 114400 108300 M i -

Les garanties de disponibilité :A partir de la date de fin de la période de garantie prévue

dans le cadre du contrat de construction et jusqu’à la date de fin de maintenance, le pres-
tataire garantira la disponibilité annuelle (Dag) de la centrale. On distingue 3 indicateurs
d’indisponibilité définis dans le contrat :
— L’indisponibilité aléatoire maximale annuelle (Ia) : suite à des incidents ou arrêts
non programmés.
— L’indisponibilité périodique programmée (Ipi) : suite aux arrêts pour effectuer la
maintenance périodique programmée (inspections).
— L’indisponibilité suite à une limitation de charge : suite à un problème technique
obligeant le cycle combiné de fonctionner à une charge partielle.
La disponibilité annuelle garantie (Dag) du cycle combiné complet pour une année
contractuelle donnée dans 3.10 , est égale à :
X
%Dag = 100 − (IA − Ipi) (3.10)

Où :
— %Dag : Disponibilité annuelle garantie
— IA : Indisponibilité annuelle totale
P
— Ipi : Somme des indisponibilités partielles pour différentes interventions ou arrêts
planifiés
Les garanties contractuelles : Ces garanties de performance seront vérifiées par des essais
de performance à la fin de chaque maintenance programmée.Ces valeurs sont contracturées
à partir du constructeur et de la société tunisienne d’électricité et du gaz (STEG) et elles
sont bien détaillées dans le table 3.3 suivant :
38 Chapitre 3. Étude des performances d’un cycle combiné

Table 3.3 – Les garanties contractuelles du cycle combiné

Paramètre Unité Gaz Gasoil

Puissance maximale brute (à MW 431.3 357
20°C)
Puissance continue nette MW 424 349.1
Puissance minimum technique MW 239.8 198.9
Consommation des auxiliaires MW 7.3 7.9
Consommation spécifique brute Kcal/KWh 1424 1521
Consommation spécifique nette Kcal/KWh 1449 1555
Rendement total % 59.3 55.29
Taux d’émission de NOx ppm 25 60
Taux d’émission de CO ppm 24 24
Pression du gaz naturel bar 35-76 -
Durée du démarrage état froid min 255 255
Durée du démarrage état tiède min 165 165
Durée du démarrage état chaud min 90 90

D. Indicateurs environnementaux

Émissions de gaz à effet de serre : Quantifient la quantité de gaz à effet de serre,

tels que le CO2, rejetés par la centrale par unité d’électricité produite. Des émissions
plus faibles réduisent l’impact sur le changement climatique. De plus, La performance
environnementale est également un aspect important à considérer. Les cycles combinés sont
souvent considérés comme une option plus propre par rapport aux centrales thermiques
classiques, mais il est essentiel de surveiller et de réduire les émissions de gaz à effet de
serre, telles que le CO2, pour minimiser l’impact environnemental.

Consommation d’eau :Mesure la quantité d’eau nécessaire au fonctionnement de la

centrale, notamment pour le refroidissement des turbines. Une consommation plus faible
préserve les ressources en eau.

Pour conclure, le choix des indicateurs de performance pertinents dépend des objectifs
spécifiques de chaque cas d’utilisation. Pour une évaluation complète des performances d’un
CC, il est essentiel de considérer une combinaison d’indicateurs d’efficacité, de production,
de disponibilité et d’environnement.

3.2.2.4 Rôle de l’indicateur

Ces indicateurs servent d’outils précieux pour :

1. Pilotage des performances du CC :
— En comparant les valeurs mesurées aux valeurs attendues ou aux références du
3.2. Les performances d’un cycle combiné 39

secteur, il est possible d’identifier les domaines d’amélioration potentiels et de

prendre des mesures correctives si nécessaire.
— Cela permet d’optimiser le fonctionnement de la centrale, de réduire les coûts
de production et d’augmenter la rentabilité.
2. Comparaison des différentes centrales à CC :
— En analysant les indicateurs de performance de différentes centrales à CC, il est
possible de comparer leurs efficiences relatives et de faire des choix éclairés en
matière d’investissement et d’exploitation.
— Cela permet de sélectionner les technologies les plus performantes et les plus
adaptées aux besoins spécifiques.
3. Évaluation de l’impact environnemental du CC :
— Certains indicateurs, tels que les émissions de gaz à effet de serre et la consom-
mation d’eau, permettent de mesurer l’empreinte environnementale du CC et
d’identifier des moyens de la réduire.
— Cela contribue à la mise en œuvre de pratiques plus durables et à la lutte contre
le changement climatique.
Pour conclure, le choix des indicateurs de performance pertinents dépend des objectifs
spécifiques de chaque cas d’utilisation. Pour une évaluation complète des performances d’un
CC, il est essentiel de considérer une combinaison d’indicateurs d’efficacité, de production,
de disponibilité et d’environnement.

L’analyse de ces indicateurs permet aux exploitants de centrales, aux investisseurs et

aux décideurs politiques de prendre des décisions éclairées pour optimiser les performances
des CC, réduire leur impact environnemental et contribuer à une production d’électricité
plus durable et plus rentable.

3.2.3 Les paramètres qui influent sur les performances du cycle

combiné
Dans le contexte des centrales électriques à cycle combiné (CC), les performances
globales dépendent de nombreux paramètres internes et externes liés aux systèmes auxi-
liaires.On distingue deux types de paramètres :internes et externes.

3.2.3.1 Internes

On va simplifier les paramètres internes qui sont principalement dues du système, ma-
tériau, construction sont bien expliquées dans le table 3.4 .
40 Chapitre 3. Étude des performances d’un cycle combiné

Table 3.4 – Les paramètres internes qui influent sur les performances du cycle combiné
(CC)

Paramètres Définition Explication dé- Exemples d’impact

internes scientifique taillée sur les perfor-
mances du CC
Chute de pres- La différence Une chute de pres- -Diminution du débit
sion dans la sec- de pression sion élevée peut en- d’air dans les turbines.
tion d’admission entre l’entrée traîner une diminu- -Augmentation de la
du compresseur et la sortie du tion du débit d’air consommation d’éner-
compresseur. et une augmentation gie du compresseur.
de la consommation -Réduction du rende-
d’énergie du compres- ment du cycle.
seur.
Chute de pres- La différence de Une chute de pression -Diminution du débit
sion dans le sys- pression entre élevée peut entraîner de vapeur dans les tur-
tème d’échappe- l’entrée et la une diminution du dé- bines.
ment de la tur- sortie de la bit de vapeur et une -Réduction de la puis-
bine turbine. réduction de la puis- sance de sortie de la
sance de sortie de la turbine.
turbine. -Baisse du rendement
du cycle.
Type de carbu- Le pouvoir calo- Un combustible avec -Variation de la quan-
rant (PCI) rifique inférieur un PCI élevé per- tité de combustible
(PCI) du com- met de produire plus nécessaire pour pro-
bustible utilisé. d’énergie thermique et duire la même puis-
d’améliorer le rende- sance.
ment du cycle. -Modification de la
température de com-
bustion et des émis-
sions de polluants.
Extraction d’air Le prélèvement L’extraction d’air du -Diminution du débit
du compresseur d’une partie compresseur axial af- d’air disponible pour
axial du débit d’air fecte le débit d’air et la combustion.
comprimé du le rendement du com- -Réduction de la puis-
compresseur presseur. sance de sortie.
pour d’autres -Impact sur la tem-
usages. pérature des gaz
d’échappement et les
émissions.
3.2. Les performances d’un cycle combiné 41

3.2.3.2 Externes

On va simplifier les paramètres internes qui sont principalement de type climatiques

sont bien expliquées dans le table 3.5 ci-dessous, (dans le reste du travail on va s’intéresser
sur ces paramètres externes ) .

Table 3.5 – Les paramètres externes qui influent sur les performances du cycle combiné
(CC)

Paramètres Définition Explication dé- Exemples d’impact

externes scientifique taillée sur les perfor-
mances du CC
Température La tempéra- Une température am- -Augmentation de la
ambiante ture de l’air biante élevée diminue consommation d’eau
ambiant dans l’efficacité du refroi- pour le refroidisse-
lequel la centrale dissement, ce qui peut ment.
fonctionne. entraîner une augmen- -Diminution du rende-
tation de la tempé- ment des turbines. -
rature de fonctionne- Réduction de la puis-
ment des turbines et sance de sortie.
une diminution de leur
rendement.
Pression atmo- La pression de Une pression atmo- -Diminution du débit
sphérique l’air ambiant sphérique basse réduit d’air dans les turbines.
dans lequel la la densité de l’air, ce -Réduction de la puis-
centrale fonc- qui peut entraîner une sance de combustion.
tionne. diminution du débit -Baisse du rendement
d’air dans les turbines de la turbine.
et une réduction de la
puissance de sortie.
Humidité am- La quantité de Une humidité élevée -Augmentation de la
biante vapeur d’eau peut entraîner une consommation d’eau
présente dans augmentation de la pour le refroidisse-
l’air ambiant. consommation d’eau ment.
pour le refroidisse- -Diminution de l’effi-
ment et une diminu- cacité de la combus-
tion de l’efficacité de tion.
la combustion. -Réduction du rende-
ment des turbines.
42 Chapitre 3. Étude des performances d’un cycle combiné

Température de La température Une eau de mer plus -Augmentation de la

l’eau de mer de l’eau de mer chaude diminue l’effi- consommation d’eau
utilisée pour le cacité du refroidisse- pour le refroidisse-
refroidissement ment, ce qui peut en- ment.
dans certaines traîner une augmen- -Diminution du rende-
centrales. tation de la tempé- ment des turbines.
rature de fonctionne- -Réduction de la puis-
ment des turbines et sance de sortie.
des condenseurs, ré-
duisant ainsi leur ren-
dement.
Fréquence (freq) La fréquence à Une fréquence in- -Réduction de l’effica-
laquelle le réseau stable peut entraîner cité et de la durée de
électrique fonc- des vibrations et des vie des turbines.
tionne, générale- déséquilibres dans les -Problèmes de stabi-
ment mesurée en turbines, affectant lité du réseau.
Hertz (Hz). leur performance et
leur durée de vie.
Cos phi Le facteur de Un facteur de puis- -Augmentation des
puissance, re- sance bas peut entraî- pertes électriques.
présentant le ner des pertes accrues -Surcharge des équipe-
rapport entre et une surcharge des ments.
la puissance équipements. -Diminution de l’effi-
active et la puis- cacité énergétique glo-
sance apparente bale.
dans le réseau
électrique.

3.2.3.3 Autres

Au cours de notre étude, on a remarqué que non pas seulement les paramètres internes
et externes qui influent sur les performances du cycle mais également le nombre d’heures
de fonctionnement (EOH) qui joue un rôle indispensable pour le choix de coefficient de
correction dans les performances du cycle combiné, comme on a déclaré dans les parties
précédentes.

3.2.4 Les essais de performances

Les essais permettent de vérifier si la centrale atteint les niveaux d’efficacité, de puis-
sance et de réduction des émissions attendus, et d’identifier d’éventuels problèmes ou do-
3.3. Conditions de référence et courbes de correction 43

maines d’amélioration.

3.2.4.1 Définition

Les essais de performance pour les cycles combinés (CC) sont une série de tests et de
mesures effectués pour évaluer la performance réelle d’une centrale CC par rapport à sa
conception et à ses spécifications.

Autrement, ce signifie que les essais réalisés après toute opération de maintenance pro-
grammée ou de maintenance non programmée qui a un impact sur les performances du
cycle combiné. Ces essais sont réalisés au plus tard dans les 100 Heures de fonctionne-
ment après chaque maintenance programmée. Les performances mesurées au cours des
essais seront ramenées aux conditions de référence afin de démontrer le respect des valeurs
contractuelles garanties données par le constructeur .

3.2.4.2 Importance des essais de performances du cycle combiné

Les essais de performance des cycles combinés sont essentiels pour la gestion et l’op-
timisation des centrales électriques. En évaluant régulièrement la performance réelle des
installations, les opérateurs peuvent garantir une production d’électricité fiable et rentable,
tout en minimisant la consommation de combustible et les émissions de polluants. Ces tests
permettent également d’identifier et de corriger rapidement les problèmes opérationnels,
prolongeant ainsi la durée de vie des équipements et optimisant les investissements. De
plus, ils assurent la conformité aux réglementations environnementales en vigueur. Pen-
dant les essais de performance, les paramètres clés tels que la puissance électrique brute,
la consommation spécifique nette de chaleur et le rendement sont vérifiés.

En résumé, l’évaluation des performances d’un cycle combiné repose sur ces indicateurs
clés de performance (KPI), fournissant aux exploitants des outils précieux pour améliorer
l’efficacité opérationnelle, réduire les coûts et minimiser l’impact environnemental.

3.3 Conditions de référence et courbes de correction

Dans une centrale à cycle combiné (CCC), les conditions de référence et les courbes
de correction sont des aspects essentiels pour évaluer et optimiser la performance de la
centrale, de plus , ils sont des outils cruciaux pour la gestion et l’optimisation des perfor-
mances des centrales à cycle combiné, permettant des comparaisons standardisées et des
ajustements précis basés sur les conditions de fonctionnement réelles.

3.3.1 Conditions de référence

La centrale devra fonctionner pendant les essais de performance à des conditions se
rapprochant le plus possible des conditions de référence et dans les limites contractuelles
44 Chapitre 3. Étude des performances d’un cycle combiné

pour toute variable du procédé. Au cours des essais, l’unité fonctionnera de manière com-
plètement automatique étant contrôlée par le DCS (Le DCS (Distributed Control System)
est un système de contrôle distribué utilisé dans les centrales à cycle combiné (CCC) et
d’autres installations industrielles pour automatiser, surveiller et contrôler les processus
complexes).

Les conditions de référence sont environnementaux 3.6, caractérisent le combustible

utilisé 3.7 et décrivent l’aspect électrique du réseau électrique 3.8 :

Table 3.6 – Conditions de l’environnement

Conditions de l’environnement Valeurs ISO

Température ambiante 20°C
Pression atmosphérique 1013 mbar
Humidité relative 70%
Température de l’eau de mer 25°C

Table 3.7 – Caractéristiques du combustible

Caractéristiques du combustible Valeurs ISO

Composition Bien donnée
Masse volumique 0.819 kg/Nm3
Pouvoir calorifique inférieur 8801.29 kcal/Nm3

Table 3.8 – Paramètres électriques

Paramètres électriques valeurs ISO

Fréquence 50 Hz
Facteur de puissance 0.85

3.3.2 Courbes de corrections

Les essais de performance sont exécutés dans des conditions se rapprochant le plus
possible des conditions de référence ; on tiendra compte des déviations inévitables avec les
courbes de correction indiquées après. La liste des corrections applicables pour la puissance
est expliquée dans l’équation 3.11.

P CTcc
P CTcccrr = (3.11)
(CF P1 × CF P2 × CF P3 × CF P4 × CF P5 × CF P6 × CF P7 × CF P )

où :
3.3. Conditions de référence et courbes de correction 45

— PCTcc : Puissance de charge totale de cycle combiné

— PCTcccrr : Puissance de charge totale corrigée de cycle combiné
— CFP =coefficient de performance global de la puissance nette
— C/H =rapport carbone hydrogène (constante =3.139)
De manière similaire, l’équation 3.12 est donnée pour la correction de la consommation
spécifique .

CScc
CScccrr =
(CF HR1 × CF HR2 × CF HR3 × CF HR4 × CF HR5 × CF HR6 × CF HR7 × CF HR)
(3.12)
où :
— CScc : Consommation spécifique de cycle combiné
— CScccrr : Consommation spécifique corrigée de cycle combiné
— CFHR =coefficient de performance global de la consommation spécifique
— C/H =rapport carbone hydrogène (constante =3.139)
Les coefficients de corrections pour la puissance nette et pour la consommation spéci-
fique sont bien définis dans le table 3.9.

Table 3.9 – Facteurs ou coefficients de correction

Facteur ou coefficient de correction Description Référence

CFP1/CFHR1 Température de l’air ambiant 20°C
CFP2/CFHR2 Pression atmosphérique 1013 bar
CFP3/CFHR3 Humidité relative de l’air ambiant 70%
CFP4/CFHR4 Température de l’eau de mer 25°C
CFP5/CFHR5 Fréquence du réseau électrique
CFP6/CFHR6 Pouvoir calorifique 44993 KJ/kg
CFP7/CFHR7 Facteur de puissance 1

Pour chaque coefficient de paramètres de performance ,on a des courbes qui nous aident
à le déterminer en se basant sur les valeurs de référence (ISO) et qui sont situées dans les
figures suivantes.

3.3.2.1 La température ambiante (°C)

Pour une la détermination de la température ambiante corrigée de la puissance et de

la consommation spécifique, on revient à deux courbes de correction de coefficient comme
le montre les figures 3.3 et 3.4.

1. Température ambiante corrigée pour la puissance nette (CFP1).

46 Chapitre 3. Étude des performances d’un cycle combiné

Figure 3.3 – Courbe de température ambiante en fonction de coefficient de correction vs

puissance

2. Température ambiante corrigée pour la consommation spécifique (CFHR1).

Figure 3.4 – Courbe de température ambiante en fonction de coefficient de correction vs

consommation

3.3.2.2 La pression atmosphérique (bar)

Pour une la détermination de la pression atmosphérique corrigée de la puissance et de

la consommation spécifique, on revient à deux courbes de correction de coefficient comme
le montre les figures suivantes 3.5 et 3.6 :
1. Pression atmosphérique corrigée pour la puissance nette (CFP2).
3.3. Conditions de référence et courbes de correction 47

Figure 3.5 – Courbe de pression atmosphérique en fonction de coefficient de correction

vs puissance

2. Pression atmosphérique corrigée pour la consommation spécifique (CFHR2).

Figure 3.6 – Courbe de pression atmosphérique en fonction de coefficient de correction

vs consommation

3.3.2.3 L’humidité relative de l’air ambiante ( en %)

Pour une la détermination de l’humidité relative de l’air ambiante corrigée de la puis-

sance et de la consommation spécifique, on revient à deux courbes de correction de coeffi-
cient comme le montre les figures suivantes 3.7 et 3.8 :

1. L’humidité relative de l’air ambiante corrigée pour la puissance nette (CFP3).

48 Chapitre 3. Étude des performances d’un cycle combiné

Figure 3.7 – Courbe de l’humidité relative de l’air ambiante en fonction de coefficient de

correction vs puissance

2. L’humidité relative de l’air ambiante corrigée pour la consommation spécifique

(CFHR3).

Figure 3.8 – Courbe de l’humidité relative de l’air ambiante en fonction de coefficient de

correction vs consommation

3.3.2.4 La température de l’eau de mer (°C)

Pour une la détermination de la température de l’eau de mer corrigée de la puissance

et de la consommation spécifique, on revient à deux courbes de correction de coefficient
comme le montre les figures 3.9 et 3.10.
1. La température de l’eau de mer corrigée pour la puissance nette (CFP4).
3.3. Conditions de référence et courbes de correction 49

Figure 3.9 – Courbe de la température de l’eau de mer en fonction de coefficient de

correction vs puissance

2. La température de l’eau de mer corrigée pour la consommation spécifique (CFHR4).

Figure 3.10 – Courbe de la température de l’eau de mer en fonction de coefficient de

correction vs consommation

3.3.2.5 La fréquence (Hz)

Pour une la détermination de la fréquence corrigée de la puissance et de la consomma-

tion spécifique, on revient à deux courbes de correction de coefficient comme le montre les
figures suivantes 3.11 et 3.12 :

1. La fréquence corrigée pour la puissance nette (CFP5).

50 Chapitre 3. Étude des performances d’un cycle combiné

Figure 3.11 – Courbe de la fréquence en fonction de coefficient de correction vs puissance

2. La fréquence corrigée pour la consommation spécifique (CFHR5).

Figure 3.12 – Courbe de la fréquence en fonction de coefficient de correction vs consom-

mation

3.3.2.6 Le pouvoir calorifique inférieur PCI (KJ/kg)

Pour une la détermination du pouvoir calorifique inférieur corrigé de la puissance et de

la consommation spécifique, on revient à deux courbes de correction de coefficient comme
le montre les figures 3.13 et 3.14.

1. Le pouvoir calorifique inférieur corrigé pour la puissance nette (CFP6).

3.3. Conditions de référence et courbes de correction 51

Figure 3.13 – Courbe du pouvoir calorifique inférieur en fonction de coefficient de cor-

rection vs puissance

2. Le pouvoir calorifique inférieur corrigé pour la consommation spécifique (CFHR6).

Figure 3.14 – Courbe du pouvoir calorifique inférieur en fonction de coefficient de cor-

rection vs consommation

3.3.2.7 Le facteur de correction

Pour une la détermination du facteur de correction corrigé de la puissance et de la

consommation spécifique, on revient à deux courbes de correction de coefficient comme le
montre les figures 3.15 et 3.16.

1. Le facteur de correction corrigé pour la puissance nette (CFP7).

52 Chapitre 3. Étude des performances d’un cycle combiné

Figure 3.15 – Courbe du facteur de correction en fonction de coefficient de correction vs

puissance

2. Le facteur de correction corrigé pour la consommation spécifique (CFHR7).

Figure 3.16 – Courbe du facteur de correction en fonction de coefficient de correction vs

consommation

3.3.3 Test de correction de performance

3.3.3.1 Définition du test de correction

Le test de correction de la puissance pour les cycles combinés (CC) est une procédure
utilisée pour déterminer la puissance nette réelle d’une centrale CC en tenant compte
des effets de divers facteurs ambiants et opérationnels. Ces facteurs peuvent influencer la
performance de la centrale et entraîner des écarts par rapport à la puissance nominale.
3.3. Conditions de référence et courbes de correction 53

3.3.3.2 Objectifs du test de correction de la puissance

Le test de performance des centrales à cycle combiné (CC) a pour objectifs multiples.
Tout d’abord, il vise à déterminer la puissance nette réelle de la centrale, c’est-à-dire la
quantité effective d’électricité produite après avoir pris en compte les pertes dues aux
conditions ambiantes et opérationnelles. Ensuite, il permet d’évaluer l’efficacité globale de
la centrale en calculant le rapport entre la puissance nette réelle et la chaleur consommée
sous forme de combustible. Ce calcul inclut une correction de la puissance pour assurer une
mesure précise de l’efficacité énergétique. Enfin, le test identifie les domaines spécifiques où
les performances de la centrale peuvent être améliorées. Les résultats de la correction de la
puissance mettent en lumière ces zones d’amélioration potentielle, comme l’optimisation des
systèmes auxiliaires ou des ajustements dans la configuration opérationnelle de la centrale.

3.3.3.3 Étapes du test de correction de la puissance :

La mesure des paramètres ambiants tels que la température, la pression atmosphérique

et l’humidité relative de l’air, ainsi que des paramètres d’exploitation comme la tempé-
rature et la pression de l’eau de mer, la fréquence de la turbine, le pouvoir calorifique
inférieur (PCI) du combustible et le facteur de puissance, constitue la première étape du
processus. Ensuite, des coefficients de correction sont calculés pour chacun de ces facteurs,
représentant leur impact respectif sur la performance de la centrale à cycle combiné (CC).
Ces coefficients sont ensuite appliqués pour corriger la puissance nette mesurée, assurant
une évaluation précise de la puissance nette réelle de la centrale. Enfin, la puissance nette
réelle ainsi que l’efficacité de la centrale CC sont calculées en utilisant la puissance nette
corrigée et en la comparant à la chaleur consommée sous forme de combustible, permettant
ainsi une évaluation complète et détaillée des performances énergétiques de l’installation.

3.3.3.4 Facteurs pris en compte dans le test de correction de la puissance :

On va s’intéresser aux paramètres de performances externes :

1. La température ambiante influe significativement sur la densité de l’air et, par consé-
quent, sur la performance de la turbine, ce qui peut entraîner une réduction de la
puissance nette produite par la centrale.
2. La pression atmosphérique joue un rôle crucial en affectant également la densité de
l’air et, par extension, la performance de la turbine. Une pression atmosphérique
basse peut conduire à une diminution de la puissance nette de la centrale.
3. L’humidité relative de l’air est un autre paramètre clé : une humidité élevée accroît
la consommation d’eau pour le refroidissement et diminue l’efficacité de la turbine,
entraînant ainsi une réduction de la puissance nette.
4. La température de l’eau de mer impacte l’efficacité du condenseur de la centrale :
une température élevée peut diminuer l’efficacité du refroidissement, réduisant ainsi
la puissance nette produite.
54 Chapitre 3. Étude des performances d’un cycle combiné

5. La fréquence de la turbine influence directement la vitesse de rotation de celle-ci et

donc la puissance générée par la centrale.
6. Le pouvoir calorifique inférieur (PCI) du combustible est crucial : un PCI élevé
permet de produire plus de puissance avec la même quantité de combustible, aug-
mentant ainsi l’efficacité globale de la centrale.
7. Le facteur de puissance reflète l’efficacité avec laquelle la centrale utilise la capacité
du réseau électrique : un facteur de puissance élevé indique une utilisation opti-
male de la puissance active, optimisant ainsi la performance globale de la centrale
électrique.

3.3.3.5 Importance du test de correction de la puissance

Le test de correction de la puissance constitue un outil essentiel pour évaluer précisé-

ment la performance des centrales à cycle combiné en prenant en compte les variations des
facteurs ambiants et opérationnels. Il permet ainsi de mesurer avec précision la puissance
nette et l’efficacité réelle de la centrale. Ces données sont cruciales pour comparer la perfor-
mance de la centrale par rapport à ses spécifications initiales, identifier les domaines où des
améliorations peuvent être apportées, optimiser son fonctionnement afin de maximiser son
efficacité et sa rentabilité, tout en assurant la conformité aux normes environnementales
concernant les émissions de polluants.

3.3.3.6 Exemples de test de performances 27/11/2020

Après chaque arrêt annuel de la centrale, effectué juste après la maintenance, STEG
réalise un test de performance pour évaluer l’amélioration des performances énergétiques
du cycle combiné. Les résultats sont ensuite comparés avec les indicateurs de référence.

Étapes du processus

1.Relevé des paramètres :Les paramètres relevés comprennent les conditions climatiques
telles que la température ambiante, la température de l’eau de mer, l’humidité relative et la
pression atmosphérique. Les caractéristiques du combustible, comme le Pouvoir Calorifique
Inférieur (PCI) et le rapport C/H, sont également notées, ainsi que les paramètres élec-
triques du réseau tels que le facteur de puissance (cos) et la fréquence. Les performances
énergétiques, telles que la puissance nette et la consommation spécifique, sont relevées
simultanément à une heure donnée de fonctionnement.

2. Correction des valeurs :Les valeurs relevées sont ajustées en utilisant des coefficients
de correction fournis par le constructeur. Ces coefficients sont appliqués pour ramener les
mesures de la puissance nette et de la consommation spécifique aux conditions standard
ISO du cycle, permettant ainsi une comparaison précise.

3. Calcul des valeurs corrigées :En appliquant les coefficients de correction, les valeurs
3.3. Conditions de référence et courbes de correction 55

corrigées de la puissance nette et de la consommation spécifique sont calculées. Ces valeurs

corrigées sont ensuite comparées aux mesures instantanées réelles pour évaluer l’exactitude
des ajustements effectués.

4. Interprétation des résultats : L’analyse se concentre sur les écarts entre les valeurs
réelles mesurées et les valeurs corrigées attendues selon les spécifications du constructeur.
Cette comparaison permet d’évaluer l’efficacité des ajustements et d’identifier les domaines
où des améliorations peuvent être apportées pour optimiser les performances de la centrale.

Dans l’exemple de test de performances de la figure 3.17, on observe un écart entre la

valeur réelle mesurée et la valeur corrigée, qui représente ce que l’on devrait obtenir selon
les spécifications du constructeur. Ces résultats permettent d’évaluer l’efficacité des ajuste-
ments effectués et de déterminer les améliorations possibles pour optimiser les performances
de la centrale.

Correction de la puissance : Pour illustrer ce processus, voici un exemple de cor-

rection de la puissance :

Paramètres et coefficients
— Température Ambiante (°C) : 21,45 (CfP1)
— Pression Atmosphérique (bar) :1,0091 (CfP2)
— Humidité relative de l’air ambiante (%) : 33,43 (CfP3)
— Température de l’eau de mer (°C) : 20,07 (CfP4)
— Fréquence (Hz) : 49,9931 (CfP5)
— PCI Gaz (kJ/kg) : 46675 (CfP6)
— C/H : 3,139
— Facteur de puissance : 0,9922 (CfP7)
Coefficient de correction
— Coefficient global de correction de la puissance nette (CfP) : 0,97789
Puissances (mesurée et corrigée)
— Puissance nette mesurée (kW) : 402623 (PcTcc)
— Puissance nette corrigée (kW) : 411725
Corrections de la Consommation Spécifique (CS) et Rendement :En complé-
ment, voici un exemple de correction de la consommation spécifique et du rendement :

Paramètres et coefficients
— Température Ambiante (°C) : 21,45 (CfHR1)
— Pression Atmosphérique (bar) : 1,0091 (CfHR2)
— Humidité relative de l’air ambiante (%) : 33,43 (CfHR3)
— Température de l’eau de mer (°C) : 20,07 (CfHR4)
— Fréquence (Hz) : 49,9931 (CfHR5)
— PCI Gaz (kJ/kg) : 46675 (CfHR6)
56 Chapitre 3. Étude des performances d’un cycle combiné

— C/H : 3,139
— Facteur de puissance : 0,9922 (CfHR7)
Coefficient de correction
— Coefficient global de correction de la consommation sécifique (CfHR) : 1,00212
Consommation Spécifique et Rendement
— CS mesurée (kJ/kWh) : 6102,2 (CNNcc)
— CS corrigée (kJ/kWh) : STEG : 6115,1
— Rendement corrigé : STEG : 58,87%
Cet exemple montre comment les valeurs des paramètres de performances peuvent être
corrigées pour refléter les conditions ISO et comment les résultats peuvent être interprétés
pour évaluer et améliorer les performances de la centrale, et on remarque que même après
la correction des valeurs mesurées , il ya un écart de plus de 9 MW pour la puissance et
15 kJ/Kwh (3.086kcal).

Figure 3.17 – Test de performance le 27/11/2020

En conclusion, l’analyse des performances d’une centrale CC est essentielle pour garantir
son fonctionnement optimal et sa durabilité. La compréhension des facteurs influençant la
3.4. Conclusion 57

performance, l’utilisation des courbes de correction et la réalisation de tests de performance

permettent d’optimiser le fonctionnement de la centrale, de réduire sa consommation de
combustible et ses émissions de polluants, et de maximiser sa production d’électricité propre
et rentable.

3.4 Conclusion
Ce chapitre a détaillé les performances d’un cycle combiné en se concentrant sur la dé-
finition des indicateurs de performance et l’identification des paramètres influents, tels que
les conditions climatiques, les caractéristiques du combustible et les paramètres électriques.
Nous avons expliqué comment les valeurs mesurées de ces paramètres sont corrigées à l’aide
des coefficients fournis par le constructeur pour les ramener aux conditions de référence
ISO. Ensuite, nous avons illustré ce processus avec des exemples concrets de correction de
la puissance et de la consommation spécifique. Enfin, nous avons comparé les valeurs corri-
gées avec les mesures réelles pour évaluer les écarts et interpréter les résultats. Ce processus
méthodique permet d’optimiser les performances de la centrale et d’identifier les marges
d’amélioration pour maintenir et augmenter l’efficacité énergétique des installations.
 Chapitre 4

L’IA pour la prédiction de la

production énergétique

Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2 Concepts clés de l’apprentissage automatique . . . . . . . . . . . 59
4.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.2 Types d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.3 Modèles d’apprentissage automatique . . . . . . . . . . . . . . . . . 61
4.3 Méthodologie adoptée . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.1 La méthodologie CRISP-DM . . . . . . . . . . . . . . . . . . . . . . 62
4.3.2 Les phases de la méthodologie CRISP-DM . . . . . . . . . . . . . . . 63
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.1 Introduction
Le secteur énergétique est en pleine mutation avec l’intégration progressive de l’Intel-
ligence Artificielle. Capable de traiter de grandes quantités de données et d’apprendre au
fil de l’expérience, l’IA révolutionne la façon dont nous produisons, distribuons et consom-
mons de l’énergie en apportant des solutions à la fois plus efficaces et personnalisées. Avec
la prolifération des données et une meilleure compréhension des algorithmes, l’IA promet
d’optimiser la performance énergétique et d’ouvrir la voie vers un avenir durable. L’inté-
gration de l’IA dans l’énergie se caractérise par l’emploi d’outils prédictifs, de systèmes
automatisés de gestion, et de l’analytique avancée pour surveiller et contrôler la produc-
tion et l’utilisation de l’énergie. Ces outils de prédiction et d’analyse permettent de réduire
les pertes d’énergie et de prévenir les pannes et ce, en se basant sur des modèles et des
techniques d’apprentissage automatique.

Ce chapitre sera ainsi consacré, en premier lieu, à l’étude des concepts clefs relatifs au
domaine de l’apprentissage automatique en mettant l’accent sur leur pertinence et leur
application dans le contexte de notre projet. En second lieu, il permettra de présenter

58
4.2. Concepts clés de l’apprentissage automatique 59

la méthodologie adoptée pour mener, structurer et planifier un projet d’exploration de

données et d’apprentissage automatique. Ce chapitre servira de base pour les différentes
étapes du projet tout en nous aidant à orienter nos choix d’architectures et d’approches de
modélisation afin de créer les modèles de prédiction pour l’amélioration des performances
de la centrale de Sousse D.

4.2 Concepts clés de l’apprentissage automatique

4.2.1 Définitions
L’apprentissage automatique (ou artificiel) (ML – Machine Learning) est un des champs
d’étude de l’intelligence artificielle qui permet aux ordinateurs d’apprendre à partir de
données sans être explicitement programmés. Il s’agit d’un domaine vaste et en constante
évolution, avec de nombreux concepts et techniques différents [Sag23]. Plusieurs définitions
ont été données dans la littérature, nous relevons ici les définitions qui nous semblent les
plus pertinentes :
(1) "L’apprentissage automatique fait référence à la capacité d’un système à acquérir
et intégrer de façon autonome des connaissances.” — AAAI 1 ;
(2) "Le Machine Learning consiste à laisser l’ordinateur apprendre quel calcul effectuer,
plutôt que de lui donner ce calcul." — Arthur Samuel ;
(3) "Une machine apprend quand sa performance à faire une certaine tâche s’améliore
avec de nouvelles expériences." — Tom Mitchell ;
(4) "L’apprentissage automatique fait référence au développement, l’analyse et l’implé-
mentation de méthodes qui permettent à une machine (au sens large) d’évoluer et de
remplir des tâches associées à une intelligence artificielle grâce à un processus d’ap-
prentissage. Cet apprentissage permet d’avoir un système qui s’optimise en fonction
de l’environnement, les expériences et les résultats observés." [AC02].
Cette notion englobe toute méthode permettant de construire un modèle de la réalité
à partir de données, soit en améliorant un modèle partiel ou moins général, soit en créant
complètement le modèle.

4.2.2 Types d’apprentissage

Les algorithmes de l’apprentissage automatique sont basés sur des données. On parle
aussi d’échantillons (samples), d’observations, ou d’exemples. Concrètement, cela signifie
que le jeu de données (dataset) est formé d’un certain nombre d’indicateurs ou de para-
mètres ; pression, température, performance d’un cycle combiné, etc. Deux grandes familles
de jeux de données peuvent être utilisées [SUR23] :

1. American Association for Artificial Intelligence

60 Chapitre 4. L’IA pour la prédiction de la production énergétique

— les données étiquetées : chaque observation X est fournie avec une étiquette (label)
Y;
— les données non-étiquetées : comme le nom l’indique, aucune étiquette n’est fournie.
Les algorithmes d’apprentissage peuvent se catégoriser selon le type de données (éti-
quetées ou pas) et selon le mode d’apprentissage qu’ils emploient.

4.2.2.1 Apprentissage supervisé

L’apprentissage supervisé est l’une des branches principales de l’apprentissage automa-

tique. Il s’agit d’une approche dans laquelle un modèle est entraîné à partir d’un ensemble
de données étiquetées, c’est-à-dire un ensemble de données pour lequel les valeurs attendues
(étiquettes) sont connues à l’avance [SUR23]. L’objectif de l’apprentissage supervisé est
de permettre au modèle d’apprendre à faire des prédictions ou des classifications sur de
nouvelles données non étiquetées en se basant sur les modèles et les relations appris à partir
des données d’entraînement.

Il comprend deux sous-catégories principales : la classification et la réfression. La clas-

sification a pour objectif de prédire une catégorie ou une classe. Par exemple, déterminer si
un email est du spam ou non. Généralement les algorithmes utilisés sont k-NN (k-nearest
neighbors), SVM (Support vector machine), arbres de décision, forêts aléatoires, régression
logistique. L’objectif de la régression est de prédire une valeur continue. Les algorithmes les
plus courants sont : la régression linéaire, la régression polynomiale, SVR (Support Vector
Regression) et les arbres de décision de régression.

4.2.2.2 Apprentissage non supervisé

Quand le système ou l’opérateur ne dispose que d’exemples, mais non d’étiquettes, et

que le nombre de classes et leur nature n’ont pas été prédéterminés, on parle d’apprentissage
non supervisé (ou clustering). Aucun expert n’est disponible ni requis. L’algorithme doit
découvrir par lui-même la structure plus ou moins cachée des données.

Le système doit ici dans l’espace de description (la somme des données) cibler les don-
nées selon leurs attributs disponibles, pour les classer en groupe homogènes d’exemples. La
similarité est généralement calculée selon la fonction de distance entre paires d’exemples.
C’est ensuite à l’opérateur d’associer ou déduire du sens pour chaque groupe. Divers outils
mathématiques et logiciels peuvent l’aider. On parle aussi d’analyse des données en régres-
sion. Si l’approche est probabiliste (c’est à dire que chaque exemple au lieu d’être classé
dans une seule classe est associé aux probabilités d’appartenir à chacune des classes), on
parle alors de « soft clustering » (par opposition au « hard clustering ») [AC02].
4.2. Concepts clés de l’apprentissage automatique 61

4.2.2.3 Apprentissage semi-supervisé

Effectué de manière probabiliste ou non, il vise à faire apparaître la distribution sous-

jacente des « exemples » dans leur espace de description. Il est mis en œuvre quand des
données (ou « étiquettes ») manquent. Le modèle doit utiliser des exemples non-étiquetés
pouvant néanmoins renseigner.

4.2.2.4 Apprentissage par renforcement

L’apprentissage par renforcement (RL – reinforcement learning) est une méthode d’ap-
prentissage qui s’intéresse à la prise de décision. L’algorithme apprend un comportement
étant donné une observation. L’action de l’algorithme sur l’environnement produit une
valeur de retour qui guide l’algorithme.

Depuis l’état s de l’environnement, l’agent utilise une politique pour choisir une action
a. L’apprentissage par renforcement vise à optimiser la politique d’action de l’agent grâce
à un jeu de récompenses positives et négatives [AJ22].

4.2.3 Modèles d’apprentissage automatique

La large gamme de sources de données accessibles pour la prédiction des performances
de production énergétique en fait un domaine particulièrement adapté à l’utilisation d’al-
gorithmes d’apprentissage automatique. Diverses techniques peuvent être personnalisées
pour s’adapter à différents types de données ou à des besoins de prédiction spécialisés dans
le domaine de la gestion de l’énergie. Nous donnons dans cette section un bref aperçu des
algorithmes et modèles les plus utilisés.

— Régression linéaire : La régression linéaire est un modèle fondamental utilisé en

analyse prédictive, en particulier dans les situations où les variables présentent des
associations linéaires évidentes.
— Arbres de décision : Ces modèles présentent des performances remarquables dans
les scénarios où des décisions doivent être prises en fonction de certaines conditions.
Les chercheurs déduisent des prédictions anticipées pour les scénarios probables en
analysant les occurrences précédentes par rapport aux variables d’entrée.
— Machines à vecteurs de support (SVM) : Les machines à vecteurs de support fonc-
tionnent en classifiant les données en catégories distinctes et sont utilisées dans les
problèmes de reconnaissance de modèles.
— Réseaux neuronaux : Les réseaux neuronaux ont la capacité d’analyser efficacement
de grandes quantités de données et d’identifier des modèles complexes similaires aux
capacités de calcul du cerveau humain.

L’apprentissage profond utilise des réseaux neuronaux multicouches pour analyser et

interpréter des ensembles de données complexes et multidimensionnels.
62 Chapitre 4. L’IA pour la prédiction de la production énergétique

— RNN (Réseaux neuronaux récurrents) et LSTMs (Réseaux LSTM à mémoire à court

et long terme) : Les réseaux neuronaux récurrents (RNN) et les réseaux LSTM à
mémoire à court et long terme (LSTM) sont des types de réseaux qui excellent dans
la compréhension de l’importance de l’ordre dans les tâches de prédiction.
— Modèles hybrides : Les modèles hybrides représentent une combinaison de techniques
d’apprentissage intégrées ensemble. Les modèles hybrides fournissent des prédictions
approfondies en combinant des données provenant de sources différentes. Cette ap-
proche intégrée garantit que tous les facteurs pertinents sont pris en compte, ce qui
permet d’obtenir des prédictions précises.

4.3 Méthodologie adoptée

Un projet de Machine Learning ne s’aborde pas comme un projet logiciel classique. En
effet la modélisation par apprentissage diffère totalement de la programmation stricte basée
sur des règles et exceptions. Il en va donc naturellement de même sur la façon d’aborder
ce type de projet. Il a donc ses propres contraintes mais surtout il aura besoin d’une
grande souplesse et de réajustements réguliers. Pour ce faire et pour pouvoir atteindre les
objectifs que nous nous sommes fixés dans le cadre de ce travail nous avons opté pour la
méthodologie CRISP-DM. Celle-ci assurera une démarche rigoureuse et structurée.

4.3.1 La méthodologie CRISP-DM

La méthodologie CRISP-DM (Cross-Industry Standard Process for Data Mining) est
une norme largement utilisée pour structurer les projets de data mining, d’analyse pré-
dictive et de machine learning [Man]. Elle comporte six phases principales qui guident le
déroulement d’un projet de bout en bout comme l’indique la figure 4.1 [Roy]. Ces phases
sont :

1. La compréhension du domaine ;
2. La compréhension des données ;
3. La préparation des données ;
4. La modélisation ;
5. L’évaluation ;
6. Le déploiement.

Utiliser CRISP-DM nous permet de garantir que les solutions d’IA développées sont
bien alignées avec les objectifs spécifiques de la centrale Sousse D et exploitent effica-
cement les données disponibles pour améliorer les prédictions et les fonctionnalités des
performances du cycle combiné de la centrale. Le reste de cette section permettra de dé-
crire les différentes étapes de cette méthodologie tout en décrivant comment nous l’avons
adopté dans le cadre de notre projet.
4.3. Méthodologie adoptée 63

Figure 4.1 – La méthodologie CRISP-DM

4.3.2 Les phases de la méthodologie CRISP-DM

4.3.2.1 Compréhension du domaine

Cette phase se concentre principalement sur la compréhension de l’entreprise sous tous

ses différents aspects : Identifier l’objectif et cadrer le problème ; Recueillir des informations
sur les ressources, les contraintes, les hypothèses, les risques ; Préparer l’objectif analytique.

Ainsi, dans cette première phase du projet, il est essentiel de définir clairement les
objectifs et les implications de notre étude sur les performances de la centrale thermique
de Sousse D. Les principaux objectifs incluent l’amélioration de l’efficacité opérationnelle
et la gestion des variations environnementales pour assurer une production énergétique
stable et fiable. Nous identifions également les défis majeurs tels que la gestion des données
historiques limitées et la nécessité de prévisions précises pour répondre aux demandes fluc-
tuantes du réseau électrique. Ce projet s’aligne directement avec les objectifs stratégiques
de la STEG en matière d’optimisation des ressources énergétiques et de durabilité envi-
ronnementale. Cette partie du travail a été pleinement validée par l’étude des différents
scénarios motivant le lancement même du projet (voir la section 1.2).

4.3.2.2 Compréhension des données

La phase de compréhension des données du Framework CRISP DM se concentre sur la

collecte des données, la description et l’exploration des données. L’exploration des données
implique d’analyser les données disponibles pour : Identification des variables dépendantes
et indépendantes ; Explorer chaque variable indépendante ; Explorer les différentes combi-
naisons de variables ou plus à l’aide de la corrélation, etc.
64 Chapitre 4. L’IA pour la prédiction de la production énergétique

Pour la réalisation de cette deuxième étape nous avons dû étudier la structure com-
posite et fonctionnelle du cycle combiné de la centrale Sousse D. Ceci nous a permis de
déceler les différentes facteurs entrant en jeux dans la production énergétique de la centrale
(voir chapitre 2). En outre, les données utilisées dans cette étude sont collectées à partir
des archives de la STEG, couvrant une période de quatre ans. Ces données comprennent
une gamme de paramètres essentiels tels que la température, l’humidité, la pression at-
mosphérique, la température de l’eau de mer, le PCI, les heures équivalentes (EOH), la
fréquence et le facteur de puissance. Chaque variable joue un rôle crucial dans l’évaluation
des performances de la centrale thermique dans des conditions opérationnelles variables.

4.3.2.3 Préparation des données

La préparation des données est une étape fondamentale pour garantir la qualité et
la fiabilité des résultats de notre analyse. Nous avons d’abord entrepris le nettoyage des
données pour traiter les défis courants tels que les valeurs manquantes, les doublons et les
anomalies. Les valeurs manquantes ont été gérées en utilisant des techniques d’imputation
basées sur des méthodes statistiques adaptées à chaque variable. Les doublons ont été
supprimés pour éviter toute distorsion dans l’analyse.

De plus, nous avons identifié et traité les anomalies telles que les périodes de révisions,
les chocs thermiques et électriques qui pourraient fausser les résultats et qui sont bien
remarqués dans la figure 4.2. Cette figure représente une partie des valeurs de l’historique
de la STEG sous format CSV, non encore nettoyée (c’est la période d’une révision mineure
de la centrale).

Figure 4.2 – Historique avant le nettoyage

Donc, nous avons soigneusement éliminé les données provenant des périodes de révisions
partielles, mineures et majeures, ainsi que des moments de chocs thermiques et électriques
par des fonctions qui répondent à notre besoin. La figure 4.3 représente le code python
4.3. Méthodologie adoptée 65

utilisé pour ce type de nettoyage. Ces périodes peuvent introduire des biais en raison des
variations non représentatives des performances de la centrale. En éliminant ces données,
nous nous concentrons sur des périodes de fonctionnement stable, ce qui améliore la préci-
sion et la fiabilité des résultats de notre modèle.

Figure 4.3 – Code de nettoyage utilisé

La concaténation des données provenant de différentes sources et périodes a été réalisée

de manière rigoureuse pour créer un ensemble de données cohérent et homogène. Cette
étape a permis de combiner efficacement les informations pertinentes pour chaque variable
d’intérêt, facilitant ainsi une analyse intégrée et complète. Un extrait du code pour conca-
téner les données et les transférer en DataFrame est donné dans la figure 4.4.

Figure 4.4 – Code de concaténation de données

Cette phase nous a permis d’aboutir à un Dataset final nettoyé et concaténé pour
l’analyse. Un échantillon de ce Dataset final sous forme de fichier Excel est donné au
niveau la figure 4.5 .

La transformation des données du format Excel vers le format DataFrames est justifier
par plusieurs raisons. Cela facilite la manipulation, l’analyse et la visualisation des données.
De plus, les DataFrames permettent une gestion efficace des valeurs manquantes et offrent
66 Chapitre 4. L’IA pour la prédiction de la production énergétique

Figure 4.5 – Historique nettoyé et concaténé

des méthodes intuitives pour filtrer, trier, agréger et transformer les données. Ils sont
également compatibles avec de nombreuses bibliothèques du machine learning, facilitant
ainsi la préparation des données et l’entraînement des modèles.

Enfin, on ne peut pas parler de préparation de données sans passer parler des étapes de
normalisation et de mapping des données. Ces étapes assurent des analyses fiables et opti-
misent les performances des modèles en rendant les données comparables et exploitables,
pour assurer ces fonctionnalités, on utilisé le bloc présenté dans la figure 4.6 .

Figure 4.6 – Code utilisé pour la normalisation et le mapping

Les étapes de normalisation et de mapping jouent un rôle crucial dans le traitement

des données, notamment pour les modèles de machine learning et les analyses statistiques.
La normalisation ajuste les valeurs des données pour les placer sur une même échelle,
facilitant la comparabilité et améliorant la précision des modèles. Le mapping transforme
4.3. Méthodologie adoptée 67

les données brutes en un format adapté aux besoins spécifiques de l’analyse, en créant de
nouvelles variables et en structurant les informations de manière cohérente. Suite à ces
étapes, on arrive a une base de donnée nettoyée, concaténée, normalisée et sous la forme
d’une Dataframe prête d’être utilisée pour un modèle de Machine Learning. Un extrait du
dataset de notre historique final, préparé pour l’analyse est donnée au niveau de la figure
4.7.

Figure 4.7 – Historique final

Ce dataset sera réparti en deux ensemble : un ensemble de 80% des données sera utilisé
pour la phase d’entraînement (Training Set) et un ensemble 20% des données pour le test
du modèle résultat de l’entraînement. Cette répartition a été faite via la fonction "train
test split" sous python (voir la figure 4.8).

Figure 4.8 – La division des données

4.3.2.4 Modélisation des données

La modélisation dans CRISP-DM implique la sélection et l’application de techniques

d’analyse des données et de Machine Learning pour répondre aux objectifs du projet.

Une fois les étapes ci-dessus effectuées, nous pouvons dire que nous avons créer l’im-
pératif fondamental du ML et nous pouvons maintenant procéder à la mise en œuvre de
différents algorithmes de ML. L’algorithme à sélectionner dépend entièrement des besoins
de la centrale Sousse D, des données disponibles et du résultat souhaité. Dans une si-
tuation idéale, nous devrions essayer différents algorithmes ou combinaisons d’algorithmes
pour arriver à notre meilleur algorithme final. Nous discuterons en détail des différents
algorithmes ML mis en oeuvre dans le cadre de prédiction des performances énergétiques
du cycle combiné de la centrale Sousse D au niveau de la section 5.3 .
68 Chapitre 4. L’IA pour la prédiction de la production énergétique

4.3.2.5 Évaluation des résultats

L’évaluation des résultats dans CRISP-DM consiste à évaluer la qualité des modèles
et des résultats obtenus par rapport aux objectifs métier définis. Cette étape fournit une
évaluation globale du projet et reflète la performance de l’équipe en fonction des critères de
réussite définis lors de la première étape à savoir la compréhension du domaine. Cette étape
étant cruciale pour la validation de notre travail, elle permet de garantir que les modèles
développés répondent aux attentes et produisent des résultats utiles et exploitables pour
la centrale Sousse D.

Il existe de nombreuses techniques d’évaluation de modèles telles que la précision, la

sensibilité, la spécificité, le score F, etc, Dans le cadre de notre travail où nous avons utilisé
un modèle d’apprentissage supervisé à savoir la régression linéaire, le R2, le RMSE (Root
Mean Squared Error) et le MSE (Mean Squared Error) ont été utilisés pour évaluer la
performance du modèle. Le R2 mesure la proportion de la variance des données expliquée
par le modèle, indiquant la qualité de l’ajustement du modèle avec une valeur allant de
0 à 1. Le MSE est la moyenne des carrés des erreurs, punissant les grandes erreurs de
manière quadratique, ce qui aide à identifier les grosses erreurs de prédiction. Le RMSE,
étant la racine carrée du MSE, est plus interprétable car il est dans la même unité que la
variable de sortie. Ces métriques permettent d’évaluer la précision et l’efficacité du modèle,
en mettant en évidence à la fois les erreurs globales et les grandes erreurs spécifiques. Les
mesures d’évaluation à choisir dépendent entièrement des critères d’évaluation, du résultat
final souhaité du modèle, des exigences de la centrale Sousse D et de l’algorithme du modèle
utilisé dans l’étape précédente. Les détails des tests effectués dans le cadre de notre projet
sont décrits tout au long de la section 5.3.1.

4.3.2.6 Déploiement

Le déploiement dans CRISP-DM implique la mise en œuvre des résultats dans l’en-
vironnement opérationnel de l’entreprise. Une fois notre modèle créé, testé et évalué sur
les données de test et de validation, nous l’avons présenté à l’équipe de la centrale Sousse
D. Le modèle a subit différentes évaluations et tests en temps réel. Nous avons également
présenté un prototype d’application pour la validation de notre travail (voir la section 5.5).

4.4 Conclusion
Ce chapitre nous a permis de réaliser une étape importante dans la création de notre
projet et qui consistait à une étude des différentes technologies liés au ML. Cette étude est
cruciale pour le choix des modèles pour la prédiction des performances du cycle combiné.
Un projet d’analyse de données et de ML exige une démarche claire et rigoureuse. Ainsi,
ce chapitre a décrit la méthodologie adoptée pour la réalisation de modèles fiables pour
atteindre les objectifs fixés par la STEG.
 Chapitre 5

Modèles pour l’amélioration des

performances énergétique

Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2 Sélection des Jeux de Données . . . . . . . . . . . . . . . . . . . . 70
5.2.1 Choix des entrées des modèles de prédiction . . . . . . . . . . . . . . 70
5.2.2 Définitions des sorties des modèles de prédiction . . . . . . . . . . . 71
5.2.3 Vérification du choix des données pour chaque sortie . . . . . . . . . 71
5.3 Création des modèles de prédiction . . . . . . . . . . . . . . . . . 76
5.3.1 Prédiction des Indicateurs de Performance . . . . . . . . . . . . . . . 76
5.3.2 Évaluation des modèles de prédiction . . . . . . . . . . . . . . . . . . 85
5.4 Correction des performances . . . . . . . . . . . . . . . . . . . . . 87
5.5 Validation et déploiement . . . . . . . . . . . . . . . . . . . . . . . 88
5.5.1 Les bibliothèques utilisées . . . . . . . . . . . . . . . . . . . . . . . . 88
5.5.2 Jeux d’essais du déploiement de l’application . . . . . . . . . . . . . 90
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

5.1 Introduction
Dans le cadre de notre projet visant à optimiser les performances de la centrale ther-
mique de Sousse D, la préparation et la modélisation des données jouent un rôle essentiel.
Ce chapitre se propose de détailler les étapes cruciales de la préparation des données, de
la sélection des jeux de données, ainsi que les techniques de modélisation utilisées pour
prédire les performances du cycle combiné. Il est important de noter que la performance
du cycle combiné est ajusté en utilisant les courbes de corrections du constructeur. La
deuxième partie de notre travail consiste à intégrer ces courbes au niveau des modèles de
prédiction.

69
70 Chapitre 5. Modèles pour l’amélioration des performances énergétique

5.2 Sélection des Jeux de Données

Cette partie se concentre sur la sélection rigoureuse des données nécessaires pour mo-
déliser avec précision les performances du cycle combiné de la centrale de Sousse D. Cette
étape est cruciale pour garantir que les modèles développés soient robustes et capables de
prédire de manière fiable les sorties clés du système énergétique.

5.2.1 Choix des entrées des modèles de prédiction

Pour notre étude, la sélection des variables clés a été méticuleusement réalisée afin de
couvrir tous les aspects influençant la performance de la centrale. Nous avons identifié
plusieurs paramètres cruciaux incluant la température ambiante, l’humidité, la pression
atmosphérique, la température de l’eau de mer, le pouvoir calorifique inférieur (PCI), les
heures équivalentes de fonctionnement (EOH), la fréquence du réseau et le facteur de
puissance (cos). Chaque paramètre a été choisi en raison de son impact direct sur les
performances des turbines, la stabilité du cycle de compression, le refroidissement efficace,
l’énergie libérée par le combustible, l’usure des équipements, la stabilité électrique et la
qualité de l’alimentation.

Des consultations approfondies avec des ingénieurs et des experts de la STEG ont
validé ces choix de variables. Leur expertise a été essentielle pour affiner notre sélection,
en assurant que les paramètres retenus étaient pertinents et alignés avec les conditions
opérationnelles spécifiques de la centrale de Sousse D. Cette validation a été cruciale pour
garantir que nos analyses et nos modèles prédictifs tiennent compte des nuances techniques
et opérationnelles spécifiques à l’environnement de la centrale.

En parallèle, une analyse exploratoire des données a été menée, incluant l’examen des
matrices de corrélation qui sont basés sur le coefficient de corrélation et des tests de signifi-
cativité. Ces techniques ont permis de confirmer non seulement la pertinence des variables
sélectionnées, mais aussi leur impact sur les performances énergétiques du cycle combiné ;
Le coefficient de Pearson est un indice qui quantifie la force et la direction d’une relation
linéaire entre deux variables continues. Il varie de (-1) à (+1) : un coefficient de 0 indique
l’absence de relation linéaire, une valeur négative (corrélation négative) signifie qu’une
variable augmente alors que l’autre diminue, tandis qu’une valeur positive (corrélation
positive) indique que les deux variables évoluent ensemble dans la même direction[Cor].

Cette approche intégrée nous a ainsi permis de construire un cadre robuste pour notre
étude, alignant les choix de variables avec les objectifs de maximisation de la précision et
de la fiabilité des prédictions de performance énergétique.
5.2. Sélection des Jeux de Données 71

5.2.2 Définitions des sorties des modèles de prédiction

Chaque sortie à modéliser est définie avec précision, comprenant ses implications opé-
rationnelles et son importance stratégique pour l’optimisation des performances du cycle
combiné.

Puissance brute : Il s’agit de la puissance électrique totale produite par la centrale

avant toute déduction de pertes ou de consommation interne. Cette mesure est essentielle
pour évaluer la capacité de production brute de la centrale dans des conditions données.

Puissance nette : La puissance nette représente la quantité de puissance électrique

réellement disponible pour la distribution après soustraction des pertes internes, telles que
la consommation auxiliaire et les pertes de transmission. Elle reflète directement l’efficacité
et la disponibilité de l’énergie électrique produite.

Rendement : Le rendement du cycle combiné indique l’efficacité globale de la conver-

sion de l’énergie thermique en énergie électrique. Mesuré en pourcentage, il est influencé
par divers paramètres thermodynamiques et opérationnels et constitue un indicateur clé
de l’efficience énergétique de la centrale.

Consommation spécifique : La consommation spécifique mesure la quantité de com-

bustible nécessaire pour générer une unité de puissance électrique, souvent exprimée en
unités de masse par kilowatt-heure. C’est un indicateur crucial pour évaluer l’efficacité
énergétique et la durabilité environnementale du cycle combiné. soient robustes et capables
de prédire de manière fiable les sorties clés du système énergétique.

5.2.3 Vérification du choix des données pour chaque sortie

La vérification minutieuse du choix des données est cruciale pour assurer la pertinence
et la fiabilité des modèles prédictifs développés. Pour chaque sortie spécifique (puissance
brute, puissance nette, rendement, consommation spécifique), une méthodologie détaillée
est mise en œuvre pour évaluer la qualité et l’adéquation des données sélectionnées.

5.2.3.1 Choix des entrées pour la prédiction de la puissance brute

La méthodologie qu’on a suivie combine une analyse approfondie la consultation avec

des experts du domaine, un examen rigoureux des données disponibles, des critères stricts
de sélection des données, et une validation approfondie de notre modèle. Cela garantit la
pertinence et la fiabilité des variables d’entrée choisies pour modéliser la puissance brute
de la centrale électrique.

Cette étape implique l’étude approfondie des courbes de correction fournies par le
constructeur de la centrale électrique. Ces courbes sont basées sur des mesures empiriques
et des ajustements expérimentaux, permettant de comprendre comment les variables en-
72 Chapitre 5. Modèles pour l’amélioration des performances énergétique

vironnementales telles que la température ambiante, la température de l’eau de mer, la

pression atmosphérique, l’humidité, la fréquence du réseau (freq), le facteur de puissance
(cos) et le pouvoir calorifique inférieur (PCI) influent sur la puissance brute et le paramètre
le plus majeurs est nombre d’heures équivalents.

De plus , on a impliqué des discussions avec les ingénieurs spécialisés de STEG, experts
dans le domaine des performances des centrales électriques. Leur expertise a permis de
valider que les variables sélectionnées sont effectivement pertinentes et significatives pour
prédire la puissance brute de manière précise. On a vérifié la disponibilité et la qualité des
données dans le jeu de données de STEG. Cela inclut la gestion des valeurs manquantes,
la détection des doublons, et la vérification de l’intégrité des données pour garantir qu’elles
sont appropriées pour l’analyse et la modélisation.

À la fin de cette étude nous avons pu conclure que les paramètres de performances qui
influent directement la puissance brute sont principalement :
— le nombre d’heurs équivalents ;
— la température ambiante ;
— la puissance atmosphérique ;
— l’humidité ;
— la température eau de mer ;
— le pouvoir calorifique du gaz ;
— la fréquence du réseau ;
— le facteur de charge.

5.2.3.2 choix des entrées pour la prédiction de la puissance nette

La puissance nette est dérivée directement de la puissance brute en soustrayant la

consommation énergétique des auxiliaires de la centrale, tels que les pompes de la station
de pompage et les systèmes de climatisation. En conséquence, pour simplifier le processus de
modélisation, nous établissons une relation directe entre la puissance brute et la puissance
nette. Cette méthode permet de réduire la complexité du modèle en utilisant la puissance
brute comme seule variable d’entrée pour prédire la puissance nette. Ainsi, les mêmes
variables d’entrée utilisées pour la puissance brute influencent indirectement la puissance
nette par le biais de la puissance brute elle-même.

La puissance nette est calculée comme une déduction directe de la puissance brute, en
tenant compte de la consommation énergétique des auxiliaires. Par conséquent, la relation
entre la puissance nette et la puissance brute est linéaire et directe, facilitant ainsi la
modélisation et l’interprétation des résultats.

Ainsi, pour éviter une complexité inutile, nous utilisons la puissance brute comme entrée
unique pour le modèle de puissance nette.
5.2. Sélection des Jeux de Données 73

5.2.3.3 choix des entrées pour la prédiction du rendement thermique

Le rendement est un indicateur majeur de la performance d’un cycle combiné, repré-

sentant l’efficacité énergétique de la centrale. Il est influencé par une multitude de variables
d’entrée, car il reflète la capacité du système à convertir l’énergie d’entrée en énergie utile.
Pour identifier les variables les plus pertinentes pour la prédiction du rendement, nous
avons utilisé la corrélation de Pearson.

La corrélation de Pearson, également connue sous le nom de coefficient de corrélation

produit-moment de Pearson, est une mesure statistique qui évalue la force et la direction
de la relation linéaire entre deux variables quantitatives [Fle]. Le coefficient de corrélation
de Pearson est calculé selon la formule 5.1 et prend des valeurs comprises entre -1 et +1.

xi y i −
P P P
n yi xi
r=q P (5.1)
(n x2i − ( xi )2 )(n yi2 − ( yi )2 )
P P P

où :
— xi et yi représentent les valeurs des variables X et Y .
— x̄ et ȳ sont les moyennes des variables X et Y .

Processus d’élection des variables d’entrée pour le rendement : Nous avons collecté toutes
les variables d’entrée potentielles à partir des données historiques de la STEG, incluant la
température ambiante, la température de l’eau de mer, la pression atmosphérique, l’humi-
dité, la fréquence du réseau, le facteur de puissance (cos), le pouvoir calorifique inférieur
(PCI) et la puissance nette. Pour déterminer les variables les plus pertinentes, nous avons
calculé le coefficient de corrélation de Pearson entre le rendement et chacune de ces va-
riables. Cette analyse a mesuré la force et la direction de la relation linéaire entre le rende-
ment et chaque variable. Les variables présentant une forte corrélation positive ou négative
avec le rendement ont été sélectionnées comme entrées pour le modèle de prédiction. Une
forte corrélation positive indique que la variable augmente avec le rendement, tandis qu’une
forte corrélation négative indique que la variable diminue lorsque le rendement augmente.

Les résultats de cette analyse ont été validés en utilisant les données historiques pour
vérifier que les variables sélectionnées expliquent bien les variations du rendement observées
dans le passé.

En utilisant la corrélation de Pearson, nous avons pu identifier les variables les plus
influentes sur le rendement, ce qui nous permet de construire un modèle de prédiction
plus précis et fiable. Cette approche garantit que les variables d’entrée choisies ont une
relation statistiquement significative avec le rendement, améliorant ainsi la robustesse de
notre modèle prédictif, et elle est justifié dans la figure 5.1 qui montre la relations entre le
rendement et les autres paramètres y compris la puissance nette.
74 Chapitre 5. Modèles pour l’amélioration des performances énergétique

Figure 5.1 – La corrélation de rendement avec les autres variables

Donc selon la corrélation de Pearson les variables qui sont en corrélation avec le ren-
dement sont principalement la puissance nette avec une corrélation de (0.6), le nombres
d’heures équivalents (0.18), les deux températures ambiante et eau de mer qui ont une
corrélation (0.22 et 0.17), le facteur de charge (0.24) et finalement le pouvoir calorifique
inférieur avec une corrélation de (0.11). En résumé, l’utilisation de la corrélation de Pear-
son pour la sélection des variables d’entrée permet de s’assurer que les facteurs les plus
pertinents sont pris en compte dans la modélisation du rendement, contribuant ainsi à une
meilleure prédiction et optimisation des performances de la centrale à cycle combiné.

5.2.3.4 choix des entrées pour la prédiction de la consommation spécifique

Pour approfondir notre compréhension de la consommation spécifique, nous avons initié

des discussions avec les ingénieurs et les responsables de la STEG. Ils ont souligné que la
consommation spécifique est principalement influencée par le rendement, le facteur de
puissance (cos), et la température ambiante. Cependant, pour valider empiriquement ces
hypothèses, nous avons entrepris une analyse approfondie, on trouve que seulement le
rendement corrèle positivement avec la consommation spécifique, et ceci est bien expliqué
dans la figure 5.2.

Nous avons testé chaque variable potentielle, calculant leurs corrélations respectives
avec la consommation spécifique comme le montre la figure 5.3. Après cette évaluation ri-
goureuse, il est devenu clair que le rendement émergeait comme la variable prépondérante
affectant directement la consommation spécifique. Cette constatation a été consolidée par
l’impact indirect de la puissance nette, des heures équivalentes de fonctionnement, des
températures et du PCI, ainsi que du cos. Cette approche nous a permis de distinguer les
facteurs clés influençant la consommation spécifique, garantissant que notre modélisation
prenne en compte les variables les plus pertinentes et leur interaction complexe dans le
5.2. Sélection des Jeux de Données 75

Figure 5.2 – La corrélation de consommation spécifique avec les variables proposées de

STEG

Figure 5.3 – La corrélation de consommation spécifique avec les autres variables

contexte opérationnel de la centrale. En intégrant ces conclusions dans notre cadre d’ana-
lyse, nous avons renforcé la robustesse de nos prédictions et optimisé notre capacité à
anticiper les variations de la consommation spécifique en réponse aux conditions variables
d’exploitation et environnementales.

À l’issue de notre analyse approfondie, nous avons pu conclure que le paramètre majeur
influençant la consommation spécifique est le rendement thermique. Cette conclusion repose
sur une série d’évaluations empiriques et de calculs de corrélation qui ont démontré une
forte relation entre ces deux variables.

Une fois les inputs des modèles de prédiction ont été sélectionnés, la deuxième partie
de ce chapitre, nous aborderons la sélection des modèles, la validation et les tests des ces
modèles.
76 Chapitre 5. Modèles pour l’amélioration des performances énergétique

5.3 Création des modèles de prédiction

Dans cette section, nous décrivons les différentes méthodes de modélisation testées pour
chaque variable de sortie. En s’appuyant sur des techniques avancées de machine learning
et des outils robustes de data science, nous avons pu évaluer plusieurs approches pour
prédire les performances de la centrale thermique de Sousse D. L’objectif de cette section
est de décrire les étapes suivies pour choisir les techniques appropriées, tester différents
modèles de prédiction, comparer leurs performances et finalement sélectionner le modèle
le plus performant pour chaque variable de sortie.

5.3.1 Prédiction des Indicateurs de Performance

Pour résoudre notre projet de prédiction des performances de la centrale thermique de
Sousse D, nous avons initialement envisagé une approche unifiée.

L’idée était de développer un modèle unique capable de prédire simultanément les

quatre principaux indicateurs de performance : la puissance brute, la puissance nette, le
rendement et la consommation spécifique. Cependant, cette stratégie n’a pas donné les
résultats escomptés.

Lors de la validation du modèle, nous avons constaté que les prédictions pour les données
d’entraînement étaient loin des valeurs réelles. Le modèle ne parvenait pas à fournir des
résultats précis, comme illustré dans les figures 5.4 où on a tester avec des valeurs qui sont
déjà d’entraînement et 5.5 représente l’évolution linéaire de modèle par rapport les données
actuelles et les données prédites.

Figure 5.4 – La validation du modèle de résolution de problème en un seul bloc

Cette observation nous a conduit à reconsidérer notre approche et à envisager une

décomposition du problème en sous-blocs plus spécifiques.
5.3. Création des modèles de prédiction 77

Figure 5.5 – L’évolution du modèle de résolution de problème en un seul bloc(actuelles

vs prédites

5.3.1.1 Modélisation de la puissance brute

La prédiction de la puissance brute a été basée sur les paramètres de performances

fournis par le constructeur, tels que la température ambiante, l’humidité, la pression atmo-
sphérique, la température de l’eau de mer, la fréquence, le cos et le PCI. Ces paramètres
ont été validés par des ingénieurs de la STEG pour garantir leur pertinence.

Description des modèles testés

Modèle 1 : GradientBoostingRegressor : Le GradientBoostingRegressor a été

choisi pour sa simplicité et son interprétabilité. Cette technique de boosting en gradient
est efficace pour gérer des données hétérogènes et des relations non linéaires entre les
variables. Elle permet également une bonne gestion des données bruyantes et des outliers.

Modèle2 :Forêt d’Arbres Décisionnels La forêt d’arbres décisionnels (Random-

ForestRegressor) a été sélectionné en raison de sa capacité à capturer des relations non
linéaires entre les variables. Cette méthode d’ensemblage de plusieurs arbres de décision
offre une robustesse et une flexibilité accrues, améliorant ainsi la précision des prédictions.

Modèle 3 : Réseau de Neurones Artificiels (utilisant TensorFlow et Keras,

LSTM) : Nous avons opté pour un réseau de neurones artificiels, spécifiquement une
architecture LSTM (Long Short-Term Memory), en raison de sa capacité à modéliser des
séquences temporelles complexes et à traiter efficacement les données séquentielles. Ce choix
s’est avéré crucial pour capturer les dépendances temporelles dans les données historiques
de la centrale thermique.
78 Chapitre 5. Modèles pour l’amélioration des performances énergétique

Évaluation des modèles testés

Chaque modèle a été évalué selon plusieurs critères, notamment sa capacité à prédire
avec précision la puissance brute en utilisant des métriques telles que le coefficient de
détermination (R2), l’erreur quadratique moyenne (MSE), et la racine carrée de l’erreur
quadratique moyenne (RMSE). Cette approche nous a permis de sélectionner les modèles
les plus performants pour la prédiction de la puissance brute, préparant ainsi le terrain pour
la phase de validation et de tests ultérieure.La division des données a été réalisée à l’aide
de la fonction "train test split" de la bibliothèque scikit-learn [Tes] . Cette fonction assure
une répartition aléatoire des données, garantissant ainsi que les ensembles d’entraînement
et de test sont représentatifs de l’ensemble des données initiales.

Modèle1 :GradientBoostingRegressor
— Training Mean Squared Error : 153.19
— Training Root Mean Squared Error : 12.3
— Training R2 Score : 0.92

Modèle2 :Forêt d’Arbres Décisionnels

— Training Mean Squared Error : 316.61
— Training Root Mean Squared Error : 17.79
— Training R2 Score : 0.83

Modèle 3 : Réseau de Neurones Artificiels (utilisant TensorFlow et Keras,

LSTM)
— Training Mean Squared Error : 539.59
— Training Root Mean Squared Error : 23.23
— Training R2 Score : 0.71
Après une évaluation comparative des performances des trois modèles, le Gradient-
BoostingRegressor s’est révélé être le modèle le plus performant pour la prédiction de la
puissance brute. Ses métriques de performance, notamment un R2 élevé et des erreurs qua-
dratiques moyennes plus faibles, indiquent une meilleure capacité à capturer la variabilité
des données et à fournir des prédictions précises.

Choix du modèle

Les performances du GradientBoostingRegressor ont été confirmées par une analyse

plus approfondie des erreurs de prédiction sur les ensembles de formation et de test :

— Training Mean Squared Error : 143.23

— Training Root Mean Squared Error : 11.97
— Training R2 Score : 0.92
— Test Mean Squared Error : 349.59
5.3. Création des modèles de prédiction 79

— Test Root Mean Squared Error : 18.70

— Test R2 Score : 0.82

les résultats suivantes montrent une bonne généralisation du modèle avec des erreurs
de test comparables aux erreurs d’entraînement comme le montre la figure , ce qui indique
que le modèle n’est pas surappris et est capable de prédire avec précision des données non
vues. L’évolution du modèle entre les valeurs prédites et les valeurs réelles a également été
visualisée pour confirmer la robustesse des prédictions dans les deux figures 5.6 et 5.7 .

Figure 5.6 – Évolution du modèle choisi avec les données d’entraînement.

Figure 5.7 – Évolution du modèle choisi avec les données de test.

En conclusion, le GradientBoostingRegressor a été sélectionné comme modèle final pour

la prédiction de la puissance brute en raison de ses excellentes performances et de sa
80 Chapitre 5. Modèles pour l’amélioration des performances énergétique

capacité à gérer les complexités des données.

5.3.1.2 Modélisation de la puissance nette

Pour simplifier le processus, nous avons établi une relation directe entre la puissance
brute et la puissance nette.Donc on a pensé qu’on peut prédira la puissance nette avec un
modèle simple de régression linéaire et traduire le problème sous une forme polynomiale ,
d’où notre défis c’est de chercher le degré de l’équation brute vers nette .

Description des modèles testés

Modèle 1 : Polynôme de premier degré : Le premier modèle linéaire que nous

avons testé est une régression polynomiale de premier degré.L’évolution du modèle est
donnée par cette équation 5.2 :

nette = 0.90 × brute + 31.92 (5.2)

Ce modèle simple permet une interprétation directe et facile de la relation entre les deux
variables.

Modèle 2 : Polynôme de deuxième degré : Le deuxième modèle testé est une ré-
gression polynomiale de deuxième degré, permettant de capturer des relations non linéaires
plus complexes entre les variables. L’équation 5.3 obtenue est :

nette = −7.55 × 10−4 × brute2 + 1.49 × brute − 82.77 (5.3)

Modèle 3 : Polynôme de troisième degré : Le troisième modèle est une régression

polynomiale de troisième degré. Ce modèle est encore plus flexible et capable de capturer
des relations très complexes entre la puissance brute et la puissance nette. L’équation 5.4
obtenue est :

nette = −5.53 × 10−7 × brute3 + 4.31 × 10−4 × brute2 + 0.89 × brute + 3.22 (5.4)

Évaluation des modèles testés

Chaque modèle a été évalué en fonction de plusieurs critères, notamment sa capacité

à prédire avec précision la puissance nette. Les métriques utilisées pour cette évaluation
comprennent le coefficient de détermination (R2), l’erreur quadratique moyenne (MSE), et
la racine carrée de l’erreur quadratique moyenne (RMSE).

Modèle 1 : Polynôme de premier degré : Le modèle de premier degré montre

une bonne performance générale avec un R2 de 0.8703, indiquant qu’environ 87% de la
5.3. Création des modèles de prédiction 81

variance de la puissance nette est expliquée par ce modèle. Toutefois, la RMSE de 14.87
montre qu’il y a encore des écarts considérables entre les valeurs prédites et réelles.
— Erreur quadratique moyenne (MSE) : 221.11
— un coefficient de détermination (R2) pour brute vers nette : 0.8703
— une erreur quadratique moyenne (RMSE) pour brute vers nette : 14.87

Modèle 2 : Polynôme de deuxième degré : Le modèle de deuxième degré améliore

significativement les performances par rapport au modèle linéaire. Avec un R2 de 0.95
sur l’ensemble d’entraînement et de 0.98 sur l’ensemble de test, il montre une meilleure
capacité à capturer les variations de la puissance nette. La RMSE plus faible (9.25 pour
l’entraînement et 5.72 pour le test) indique une meilleure précision dans les prédictions.
— Sur l’ensemble d’entraînement : Coefficient de détermination (R2) : 0.95, Erreur
quadratique moyenne (RMSE) : 9.25, Erreur quadratique moyenne (MSE) : 85.65.
— Sur l’ensemble de test : Coefficient de détermination (R2) : 0.98, Erreur quadratique
moyenne (RMSE) : 5.72, Erreur quadratique moyenne (MSE) : 32.76.

Modèle 3 : Polynôme de troisième degré : Le modèle de troisième degré offre les

meilleures performances parmi les trois modèles testés. Avec un R2 de 0.95 sur l’ensemble
d’entraînement et de 0.99 sur l’ensemble de test, il explique presque toute la variance de
la puissance nette. La RMSE est la plus faible des trois modèles (8.81 pour l’entraînement
et 4.71 pour le test), indiquant des prédictions très précises.
— Sur l’ensemble d’entraînement : Coefficient de détermination (R2) : 0.95, Erreur
quadratique moyenne (RMSE) : 8.87, Erreur quadratique moyenne (MSE) : 77.56.
— Sur l’ensemble de test : Coefficient de détermination (R2) : 0.99, Erreur quadratique
moyenne (RMSE) : 4.71, Erreur quadratique moyenne (MSE) : 22.17.

Choix du modèle

le modèle polynomiale de troisième degré s’est révélé être le plus performant en termes
de précision et de capacité à capturer les relations complexes entre la puissance brute et la
puissance nette. Il a montré un coefficient de détermination très élevé et des erreurs quadra-
tiques moyennes faibles, tant sur les ensembles d’entraînement que de test. Par conséquent,
ce modèle sera privilégié pour les prédictions futures, assurant une meilleure précision et
une meilleure compréhension des relations sous-jacentes entre les variables. L’évolution
du modèle entre les valeurs prédites et les valeurs réelles a également été visualisée pour
confirmer la robustesse des prédictions dans la figure 5.8 .

5.3.1.3 Modélisation du rendement

Le rendement, indicateur clé de l’efficacité énergétique, est influencé par presque toutes
les variables d’entrée sauf la pression et l’humidté atmosphériue et la fréquence. Nous avons
utilisé le coefficient de corrélation de Pearson pour identifier les variables ayant une forte
82 Chapitre 5. Modèles pour l’amélioration des performances énergétique

Figure 5.8 – Évolution des données de nette par rapport au données brute.

corrélation avec le rendement. Les variables avec une forte corrélation ont été retenues
comme entrées pour le modèle de prédiction du rendement.

Description des modèles testés

Modèle 1 : Arbre de décision : Le premier modèle testé est un arbre de décision.

En utilisant la corrélation observée, nous nous concentrons uniquement sur les variables
qui influent directement sur le rendement. L’arbre de décision permet de segmenter les
données en fonction des variables les plus influentes, créant ainsi un modèle explicatif et
facile à interpréter.

Modèle 2 : Modèle basé sur Q-learning : Le deuxième modèle se base sur une
méthode d’apprentissage par renforcement, le Q-learning, pour prédire le rendement. Étant
donné que la puissance nette est une variable majeure influençant le rendement, nous avons
proposé un modèle reliant la puissance brute et la puissance nette au rendement. Le modèle
utilise une approche Q-mix, une technique de Q-learning, pour ajuster les prédictions de
rendement en optimisant l’objectif de maximiser l’efficacité énergétique.

Évaluation des modèles testés

Les performances des modèles ont été évaluées à l’aide des métriques suivantes : co-
efficient de détermination (R2), erreur quadratique moyenne (MSE), et racine carrée de
l’erreur quadratique moyenne (RMSE).

Modèle 1 : Arbre de décision :

— Sur l’ensemble d’entraînement : Coefficient de détermination (R2) : 0.96, Erreur
quadratique moyenne (RMSE) : 0.01, Erreur quadratique moyenne (MSE) : 0.37.
5.3. Création des modèles de prédiction 83

— Sur l’ensemble de test : Coefficient de détermination (R2) : 0.91, Erreur quadratique

moyenne (RMSE) : 0.60, Erreur quadratique moyenne (MSE) : 0.36.
Les résultats de test montrent que le modèle d’arbre de décision présente une bonne capacité
prédictive pour le rendement de la centrale thermique .

Modèle 2 : Modèle basé sur Q-learning :

— Sur l’ensemble d’entraînement : Coefficient de détermination (R2) : 0.96, Erreur
quadratique moyenne (RMSE) : 0.01, Erreur quadratique moyenne (MSE) : 0.37.
— Sur l’ensemble de test : Coefficient de détermination (R2) : 0.91, Erreur quadratique
moyenne (RMSE) : 0.60, Erreur quadratique moyenne (MSE) : 0.36.
Ce modèle propose une approche différente, en utilisant le Q-learning pour améliorer les
prédictions de rendement.

Choix du modèle

Le modèle d’arbre de décision a été sélectionné pour prédire le rendement de la centrale

thermique malgré les performances compétitives du modèle basé sur Q-learning. L’arbre
de décision offre une précision adéquate avec un coefficient de détermination (R2) de 0.91
et une racine carrée de l’erreur quadratique moyenne (RMSE) de 0.60, tout en étant plus
simple à interpréter par rapport au modèle complexe de Q-learning. Cette simplicité est
cruciale pour comprendre les facteurs influençant le rendement et faciliter les décisions
opérationnelles basées sur les prédictions du modèle(voir figure 5.9 ).

Figure 5.9 – Évolution des données d’entraînement et de test pour le rendement.

5.3.1.4 Modélisation de la consommation spécifique

La consommation spécifique est fortement influencée par le rendement thermique, le

facteur de puissance (cos) et la température ambiante. Nous avons utilisé une approche
84 Chapitre 5. Modèles pour l’amélioration des performances énergétique

similaire à celle du rendement pour identifier les variables les plus pertinentes, en ajoutant
la puissance nette, les heures équivalentes de fonctionnement, les deux températures et le
PCI pour tester leur influence.

Description des modèles testés

Modèle 1 : Polynôme de 5ème degré : Ce modèle explore les relations non li-
néaires entre les variables d’entrée et la consommation spécifique, jusqu’au 5ème degré de
polynôme, permettant de capturer des variations subtiles dans les données. Équation de
prédiction de la consommation spécifique (cs) en fonction du rendement 5.5 .

5
ak · rendement5−k
X
cs = (5.5)
k=0

où les coefficients ak sont donnés par :

— a0 = −1.64 × 10−3
— a1 = 2.60 × 10−1
— a2 = −1.41 × 101
— a3 = 2.66 × 102
— a4 = 450.81
— a5 = −38928.62

Modèle 2 : Polynôme de 6ème degré : En augmentant le degré du polynôme à

6, ce modèle vise à ajuster encore plus précisément aux données d’entraînement, tout en
évaluant la robustesse et la généralisation sur l’ensemble de test. Équation de prédiction
de la consommation spécifique (cs) en fonction du rendement 5.6.
6
bk · rendement6−k
X
cs = (5.6)
k=0

où les coefficients bk sont donnés par :

— b0 = 2.09 × 10−5
— b1 = −5.78 × 10−3
— b2 = 5.68 × 10−1
— b3 = −2.44 × 101
— b4 = 4.09 × 102
— b5 = 92.73
— b6 = −42046.06
5.3. Création des modèles de prédiction 85

Évaluation des modèles testés

Modèle 1 : Polynôme de 5ème degré : basé sur un polynôme de 5ème degré pour
prédire la consommation spécifique en fonction du rendement, montre une bonne capacité
à expliquer la variance des données. Un R2 de 0.93 indique que 93% de la variance de
la consommation spécifique est expliquée par le modèle. L’erreur quadratique moyenne
(RMSE) de 210.50 indique une précision raisonnable dans les prédictions.

Modèle 2 : Polynôme de 6ème degré : utilisant un polynôme de 6ème degré, pré-

sente de très bons résultats sur l’ensemble d’entraînement avec un R2 de 0.94 et une RMSE
de 173.67, ce qui indique une très bonne capacité à prédire la consommation spécifique.
Cependant, sur l’ensemble de test, bien que le modèle conserve un R2 de 0.90, l’erreur qua-
dratique moyenne augmente à 322.92, suggérant une certaine suradaptation aux données
d’entraînement et une moins bonne généralisation sur de nouvelles données.

Choix du modèle

Le modèle 2, malgré son polynôme de degré plus élevé et une légère dégradation des
performances sur l’ensemble de test, est choisi pour sa meilleure précision et son meilleur
ajustement sur l’ensemble d’entraînement. Il faudra cependant être vigilant lors de son ap-
plication sur de nouvelles données afin de vérifier sa capacité à généraliser correctement(voir
figure 5.10).

Figure 5.10 – La régression de rendement avec la consommation spécifique selon le modèle

choisi.

5.3.2 Évaluation des modèles de prédiction

Cette étape consiste principalement de choisir le plus modèle performant et ce, pour
chaque sortie. Le tableau 5.1 met en relief la comparaison entre les performance de chaque
86 Chapitre 5. Modèles pour l’amélioration des performances énergétique

algorithme testé.

Table 5.1 – Tableau des performances des modèles du ML implémentés

Indicateur de performance Paramètres des perfor- Modèle ML choisi

mances qui influent
La puissance brute Régression linéaire :
— Le nombre d’heures
Gradient Boosting Re-
équivalents
gressor (ou Régression
— La température am-
par Gradient Boos-
biante
ting)
— La pression atmo-
sphérique
— L’humidité
— La température de
l’eau de mer
— Le pouvoir calori-
fique inférieur
— La fréquence du ré-
seau électrique
— Le facteur de charge
(cos)

La puissance nette La puissance brute Polynôme features de

régression (3ème de-
gré)
Le rendement thermique Arbre de décision de
— La puissance nette
régression
— Le nombre d’heures
équivalents
— La température am-
biante
— La température de
l’eau de mer
— Le pouvoir calori-
fique inférieur

La consommation spécifique Le rendement Polynôme features de

régression (6ème de-
gré)
5.4. Correction des performances 87

5.4 Correction des performances

Après avoir prédit les indicateurs de performances pour les paramètres de performances
donnés, nous devons maintenant passer à la correction de ces prédictions. Cette correction
est essentielle pour deux principaux indicateurs de sortie : la puissance nette et la consom-
mation spécifique.

La puissance nette est une déduction de la puissance brute. La puissance brute repré-
sente la production totale de la centrale, tandis que la puissance nette est celle effectivement
disponible pour être injectée dans le réseau électrique après avoir déduit les pertes internes
et la consommation auxiliaire de la centrale. Il est donc crucial de corriger la puissance
nette pour obtenir une valeur précise qui reflète les conditions réelles d’exploitation.

La consommation spécifique, quant à elle, est une déduction du rendement thermique.

Le rendement thermique est un indicateur clé de l’efficacité énergétique de la centrale. La
consommation spécifique représente la quantité de combustible nécessaire pour produire
une unité d’énergie. Une correction précise de la consommation spécifique est essentielle
pour évaluer l’efficacité opérationnelle de la centrale et pour optimiser la gestion du com-
bustible.

Le constructeur de la centrale recommande de corriger ces deux indicateurs pour ga-

rantir leur précision et leur conformité aux conditions de référence ISO. Les courbes de
correction fournies par le constructeur sont des outils précieux pour cette tâche. Elles per-
mettent d’ajuster les valeurs prédites en fonction des variations des conditions réelles par
rapport aux conditions standard.

Pour chaque prédiction, nous utilisons les mêmes données d’entrée que celles utili-
sées dans les modèles de prédiction initiaux. Les courbes de correction (voir chapitre 3)
appliquent des ajustements basés sur des facteurs tels que la température ambiante, la
pression atmosphérique, l’humidité, et d’autres paramètres environnementaux. Ces ajus-
tements sont essentiels pour aligner les prédictions avec les conditions de référence ISO,
assurant ainsi une comparaison précise et pertinente des performances.

Expliquation de processus

Pour clarifier davantage le processus, une fois que nous avons prédit la puissance brute,
la puissance nette, le rendement et la consommation spécifique à partir des données d’en-
trée, nous devons maintenant les corriger pour les aligner aux conditions ISO spécifiées
par le constructeur. Cela nécessite l’utilisation des courbes de correction, comme illustré
dans les figures suivantes : la température :(3.3 et 3.4),la pression ( 3.5, 3.6), l’humidité
(3.7 , 3.8), la température eau de mer (3.9 et 3.10), la fréquence (3.11 et 3.12),le pouvoir
calorifique inférieur (3.13 et 3.14 ),le facteur de charge (3.15 et 3.16) ,passant à appliquer
les équations de corrections .
88 Chapitre 5. Modèles pour l’amélioration des performances énergétique

L’équation 3.11 est utilisée pour la correction de la puissance nette . De manière simi-
laire, l’équation pour la correction de la consommation spécifique est définie à 3.12.

Les coefficients de corrections sont bien définis au niveau du tableau 3.9.

Après avoir appliqué les corrections pour la puissance nette et la consommation spé-
cifique, nous les comparons respectivement aux valeurs de référence de puissance nette et
de consommation spécifique, pour un nombre d’heures équivalentes spécifiées( voir le table
3.1) dans le même instant qu’on a prélever les valeurs des entrées pour la prédiction.

Cette comparaison nous permet de déterminer si les performances sont conformes aux
attentes. Si l’écart est négligeable, cela indique que les performances sont robustes et que
les courbes de correction sont fiables. En revanche, un écart significatif pourrait signaler
une mauvaise exploitation ou des ajustements nécessaires dans les courbes de correction
pour mieux correspondre aux valeurs de référence attendues. Ce processus est crucial pour
garantir que la centrale fonctionne efficacement sous des conditions normalisées, conformé-
ment aux standards ISO.

Le chapitre 3 de ce rapport détaille en profondeur le principe des courbes de correction.

En résumé, ces courbes ajustent les prédictions en fonction des écarts par rapport aux
conditions ISO, assurant ainsi une évaluation précise et cohérente des performances de la
centrale thermique.

En conclusion, la correction des valeurs prédites de la puissance nette et de la consom-

mation spécifique est une étape cruciale pour garantir la précision des évaluations de per-
formance. En utilisant les courbes de correction fournies par le constructeur, nous pouvons
ajuster les prédictions pour qu’elles reflètent fidèlement les conditions de référence ISO,
assurant ainsi une comparaison pertinente et une optimisation efficace des opérations de
la centrale.

5.5 Validation et déploiement

Nous arrivons à ce niveau à la dernière phase de la méthodologie adoptée CRISP-DM.
Dans cette dernière phase, nous présentons le développement de l’application permettant
la validation de nos contributions au sens de l’amélioration de la performance du cycle
combiné de la centrale Sousse D. Ceci est matérialisé via une application pour la prédiction
et la correction des performance.

5.5.1 Les bibliothèques utilisées

Cette section est dédiée à la présentation des bibliothèques essentielles qui ont été
judicieusement choisies pour le développement de notre solution. Ces bibliothèques, par
leur polyvalence et leur efficacité, jouent un rôle fondamental dans chaque étape de notre
5.5. Validation et déploiement 89

projet.

pandas (pd) : Utilisé pour la manipulation et l’analyse des données. Il permet de lire,
écrire, et traiter des données sous forme de DataFrames, qui sont des structures de données
tabulaires avec des étiquettes de lignes et de colonnes.

joblib : Utilisé pour la sérialisation et la désérialisation d’objets Python. Il est cou-

ramment utilisé pour enregistrer et charger des modèles de machine learning.

numpy (np) : Utilisé pour les calculs numériques. Il fournit des structures de données
puissantes comme les tableaux (arrays) et des fonctions mathématiques.

matplotlib.pyplot (plt) : Utilisé pour créer des visualisations de données. Il permet

de générer des graphiques et des figures pour représenter visuellement les données et les
résultats du modèle :

matplotlib backends backend tkagg (FigureCanvasTkAgg) : Fournit une interface pour

intégrer des graphiques Matplotlib dans une application Tkinter.

Scikit-learn (souvent abrégée en sklearn) : est une bibliothèque open-source en

Python dédiée à l’apprentissage automatique. Elle est construite sur NumPy, SciPy et
Matplotlib et fournit une large gamme d’outils efficaces pour l’exploration et l’analyse de
données ainsi que pour la construction de modèles de machine learning, et dans notre
projet, on a utilisé :

sklearn.ensemble (GradientBoostingRegressor) : GradientBoostingRegressor fait partie

de la bibliothèque Scikit-learn, utilisée pour les modèles de machine learning. C’est un
modèle de régression basé sur les arbres décisionnels.

sklearn.linear model (LinearRegression) :Utilisé pour créer et entraîner des modèles de

régression linéaire. La régression linéaire est utilisée pour prédire une valeur cible continue
en fonction de variables indépendantes.

sklearn.preprocessing (PolynomialFeatures) :Utilisé pour générer des caractéristiques

polynomiales à partir des caractéristiques d’entrée. Cela permet de créer des modèles de
régression polynomiale.

sklearn.tree (DecisionTreeRegressor) :Utilisé pour créer et entraîner des modèles de

régression basés sur des arbres de décision. C’est un modèle non linéaire qui peut capturer
des relations complexes dans les données.

sklearn.preprocessing (StandardScaler) :Utilisé pour normaliser les caractéristiques en

les redimensionnant pour qu’elles aient une moyenne de 0 et un écart-type de 1. Cela est
souvent nécessaire pour les algorithmes de machine learning.
90 Chapitre 5. Modèles pour l’amélioration des performances énergétique

threading :Fournit des outils pour travailler avec les threads en Python. Utilisé pour
exécuter des tâches en parallèle, ce qui peut améliorer les performances et rendre l’appli-
cation plus réactive.

sklearn.metrics (mean squared error, r2 score) :Fournit des métriques pour évaluer les
performances des modèles de machine learning.

sklearn.model selection (train test split) :Utilisé pour diviser un ensemble de données
en ensembles d’entraînement et de test. Cela permet de tester la performance du modèle
sur des données qu’il n’a pas vues pendant l’entraînement.

tkinter :Utilisé pour créer des interfaces graphiques (GUI) en Python. Il permet de
créer des fenêtres, des boutons, des champs de saisie, parexemple, on a travailé avec des
différents odules de tkinter :

tk : Module principal pour créer des widgets (boutons, étiquettes, champs de saisie,
etc.).

filedialog : Fournit des boîtes de dialogue pour ouvrir et enregistrer des fichiers.

ttk : Module pour utiliser des widgets thématiques qui ont un look plus moderne.

messagebox : Module pour afficher des boîtes de message (alertes, erreurs, informations).

seaborn (sns) :Seaborn est une bibliothèque de visualisation de données basée sur
Matplotlib. Elle fournit une interface de haut niveau pour dessiner des graphiques statis-
tiques attractifs et informatifs.

os :Utilisé pour interagir avec le système d’exploitation. Il permet de manipuler les

fichiers et les répertoires.

Nous avons choisi ces bibliothèques en raison de leur robustesse, de leur facilité d’utili-
sation et de leur compatibilité avec les tâches spécifiques que nous devons accomplir dans
notre application, de la manipulation des données à l’apprentissage automatique et à la
création de l’interface utilisateur.

5.5.2 Jeux d’essais du déploiement de l’application

L’importance d’une interface graphique conviviale pour les utilisateurs ne peut être
surestimée. Elle constitue le principal point d’interaction entre l’utilisateur et le logiciel, et
son ergonomie a un impact significatif sur l’expérience utilisateur. Dans le cadre de notre
projet, nous avons reconnu cette importance et avons opté pour la création d’une interface
graphique conviviale. Grâce à la bibliothèque Python Tkinter, nous avons pu concevoir une
interface intuitive, offrant aux utilisateurs une expérience fluide et agréable.
5.5. Validation et déploiement 91

5.5.2.1 Scénario d’utilisation de la solution proposée

Soit un ingénieur de la centrale Sousse D souhaitant utiliser l’application pour prédire

les performances de la centrale à cycle combiné. Après avoir effectué la prédiction initiale
de la puissance nette et de la consommation spécifique, il veut amener ces dernières au
condition de référence et comparer les résultats corrigés avec les valeurs prédite pour arri-
ver à interpréter et évaluer les performances du cycle combiné. Voici un scénario détaillé
décrivant l’utilisation des modèles de prédiction et de la correction.
Chargement et Préparation des Données
— Action du système : Les données sont chargées choisies par l’utilisateur sont net-
toyées, concaténées et transformées en DataFrame.
— Résultat : Les données prêtes à l’emploi pour l’entraînement et le test des modèles
avec un petit petit qui confirme la validation de cette étape.
Sélection du Modèle et Entraînement
— Action de l’utilisateur : L’utilisateur sélectionne le modèle de prédiction à utiliser
(par exemple, puissance brute, puissance nette, rendement ou consommation spéci-
fique).
— Processus : Le modèle sélectionné est entraîné et testé avec les données préparées.
— Résultat : Un message de confirmation s’affiche indiquant que le modèle a été en-
traîné avec succès avec l’apparition des fonctions métriques qui évaluent la perfor-
mance du modèle utilisé avec les données historiées choisies d’abord.
Saisie des Paramètres de Performance
— Action de l’utilisateur : L’utilisateur saisit les paramètres de performance actuels et
même du future (température, humidité, etc.) dans les champs dédiés de l’interface.
— Processus : Les paramètres saisis sont utilisés pour générer des prédictions.
— Résultat : Les résultats de prédiction, incluant les valeurs discrètes et les intervalles,
s’affichent.
Affichage et Ajustement des Courbes de Correction
— Action de l’utilisateur : L’utilisateur visualise les courbes de correction intégrées
dans l’interface principale.
— Processus : Les courbes de correction, basées sur les valeurs discrètes et les interpo-
lations, ajustent les prédictions en fonction des conditions réelles.
— Résultat : Les courbes de correction sont affichées, permettant une compréhension
claire des ajustements appliqués aux modèles.
Simulation et Ajustement des Valeurs
— Action de l’utilisateur : L’utilisateur utilise des curseurs intuitifs pour ajuster les
valeurs des paramètres de performance qui doivent être les même conditions pour
comparer ailleurs les résultats affichées.
— Processus : Les ajustements sont appliqués en temps réel, et les résultats de simu-
lation sont affichés.
— Résultat : Les valeurs de puissance nette et de consommation spécifique sont corri-
92 Chapitre 5. Modèles pour l’amélioration des performances énergétique

gées et visualisées, offrant une vue d’ensemble complète des performances en condi-
tions réelles en se réfèrent sur la puissance et la consommation spécifique de réfé-
rence.
Prise de Décision Stratégique
— Action de l’utilisateur : Les décideurs de STEG utilisent les résultats de prédiction
et les simulations de corrections pour prendre des décisions stratégiques.(Un petit
message est affiché , s il y a un écart entre les valeurs est négligeable et acceptable
donc notre cycle est performant sinon il faut le vérifier notre de côté exploitation et
révision et si l’écart persiste encore , il faut contacter le constructeur pour vérifier
ou bien le pénaliser)
— Processus : Les prévisions précises et les courbes de correction aident à optimiser la
production d’énergie et à minimiser les pertes dues aux dégradations non détectées.
— Résultat : Une meilleure gestion de la production d’énergie et une réponse efficace
aux demandes du réseau électrique.
Ré-entraînement du Modèle
— Action de l’utilisateur : Si nécessaire, l’utilisateur peut cliquer sur "Retrain model"
pour modifier l’historique et ré-entraîner le modèle.
— Processus : Le modèle est ré-entraîné avec les nouvelles données historiques.
— Résultat : Le modèle est mis à jour et prêt pour de nouvelles prédictions.
L’algorithme 1 montre l’ensemble des instructions simplifiées à exécuter après avoir
choisir des modèles en précisant le choix des entrées pour chaque sortie des indicateurs de
performance.

5.5.2.2 Interfaces dédiées à la prédiction des performances

Étant donné que nous avons résolu le problème de la prédiction des indicateurs de per-
formance pour chaque modèle, une interface a été créée pour chacun des quatre modèles
de prédiction. Chaque interface comprend une section dédiée à la connexion à notre sto-
ckage interne, au chargement des données, au nettoyage et à la concaténation des données,
ainsi qu’à leur transformation en DataFrame. Ces étapes sont essentielles pour entraîner
et tester le modèle sélectionné pour la prédiction. Une fois les données chargées dans les
modèles entraînés avec succès, un petit message de confirmation s’affiche, comme indiqué
dans la figure 5.11. En cliquant sur "OK", nous passons à l’étape de prédiction et pouvons
observer les données (figure 4.7).

Chaque sortie dispose de ses propres entrées spécifiques. Ainsi, sous la section où l’uti-
lisateur charge les données, se trouvent les paramètres de performance et un espace texte
permettant de saisir les valeurs à prédire. En cliquant simplement sur le bouton "Prédire",
les résultats et les courbes correspondantes s’affichent, comme indiqué dans les sections
5.2.3 et 5.3.
5.5. Validation et déploiement 93

Figure 5.11 – Message affiché après le chargement des données

Si vous souhaitez modifier l’historique, il suffit de cliquer sur "Retrain model". Dans
les interfaces, après l’étape de prédiction, les résultats sont affichés à la fois sous forme
de valeurs discrètes et d’intervalles, fournissant ainsi à l’opérateur des informations sur la
marge de fluctuation des valeurs. Les figures 5.12, 5.13, 5.14 et 5.15 présentent les interfaces
principales pour chaque sortie.

Figure 5.12 – Interface de prédiction de la puissance brute

94 Chapitre 5. Modèles pour l’amélioration des performances énergétique

Figure 5.13 – Interface de prédiction de la puissance nette

Figure 5.14 – Interface de prédiction du Figure 5.15 – Interface de prédiction de

rendement la CS

Pour l’interface de la prédiction nette et de la consommation spécifique, nous avons mis

en valeur la visualisation du modèle, étant donné qu’il s’agit d’une régression polynomiale.

5.5.2.3 Interfaces dédiées à la correction des performances

Afin de calculer précisément les coefficients de dégradation, nous avons utilisé des mé-
thodes d’interpolation sur les valeurs discrètes fournies par le constructeur. Cela nous
permet de créer des courbes de correction plus fluides et précises. La page principale de
l’interface présente une liste de ces courbes, voir figure 5.16, offrant une vue d’ensemble
claire et structurée. Ces courbes de correction, détaillées dans la section 3.3, sont essentielles
pour ajuster les prédictions en fonction des conditions réelles et pour améliorer la précision
des modèles de prédiction. En les intégrant dans l’interface, nous permettons aux utili-
sateurs de visualiser et de comprendre facilement les ajustements appliqués aux modèles.
Passant maintenant à la correction des valeurs prédites, dans le même tableau de bord,
5.5. Validation et déploiement 95

Figure 5.16 – Interface de la liste des courbes de corrections

on trouve la simulation (voir figure 5.17), puissance brute et consommation spécifique, en

déterminant les différents coefficients de puissance et de la consommation spécifique noté
dans la table 3.9 on se réfère sur les courbes de corrections affichées dans la section 3.3.2.
Dans le tableau de bord de simulation, après avoir chargé les données et sélectionné les

Figure 5.17 – Interface de la liste des courbes de corrections

courbes de correction appropriées, l’utilisateur peut ajuster les valeurs des paramètres de
performance à l’aide de curseurs intuitifs. Cette interface utilisateur permet une manipula-
tion facile et interactive des données, mettant en avant les conditions ISO par défaut pour
une référence rapide. Les figures 5.18 et 5.19 illustrent clairement ces fonctionnalités. 3.3.2.
Enfin, la simulation prend en compte les coefficients de puissance et de consommation
spécifique, comme spécifié dans la table 3.9. Ces coefficients sont appliqués aux courbes
de correction pour fournir une évaluation précise de la performance en conditions réelles.
Cette approche permet de simuler et de visualiser la puissance nette et la consommation
spécifique, offrant ainsi une vue d’ensemble complète et détaillée des performances de la
centrale.

Cette description détaillée et structurée assure une compréhension claire du processus

et des outils utilisés pour améliorer les prédictions et les performances de la centrale à cycle
combiné.
96 Chapitre 5. Modèles pour l’amélioration des performances énergétique

Figure 5.18 – Interface de la liste de la commande simulation de la puissance

Figure 5.19 – Interface de la liste de la commande simulation de la consommation spé-

cifique

5.6 Conclusion
Au niveau de ce dernier chapitre, nous avons pu montrer l’importance cruciale de la
préparation des données pour assurer la qualité et la fiabilité des modèles de prédiction des
performances de la centrale à cycle combiné de Sousse D. À travers un processus rigoureux
de collecte, de sélection, de nettoyage et de concaténation des données, nous avons établi un
dataset solide pour nos analyses. Chaque étape, de la méthodologie utilisée, nous a permis
la réalisation d’un outil puissant et polyvalent pour optimiser la production d’énergie, d’une
part, et répondant aux besoins des opérateurs de la STEG en matière de prédiction.
5.6. Conclusion 97

Af f icherparamètresdeperf ormances(eoh, T air, humidité, pression,

T eaudemer, P CI, F reqetcos, indicateur) ;
Af f icherlescourbesdecorrection;
bruteprédite ←
CreerM odel(eoh, T air, humidité, pression, T eaudemer, P CI, F req, cos) ;
netteprédite ← CreerM odel(brute) ;
rendementprédit ← CreerM odel(eoh, T air, T eaudemer, cos, nette) ;
consommationprédite ← CreerM odel(rendement) ;
coef f icientsdedégradation ←
calculer(paramètresdeperf ormances, courbesdecorrection) ;
puissancederéf érence ← calculer(eoh, nette) ;
consommationspécif iquederéf érence ← calculer(eoh, consommationspécif ique) ;
nettecorrigée ← calculer(prédictionnette, coef f icientsdedégradation) ;
consommationspécif iquecorrigée ←
calculer(consommationp rédite, coef f icients) ;
if nettederéf érence ≤ nettecorrigée ∧consommation
référence≤ consommationcorrigé then
Af f icher = ”le cycle combiné est perf ormant” ;
else
Af f icher = ”V erif ier cause interne de degradation” ;
if degradation = 0 then
Af f icher = ”V erif ier avec constructeur et maintenance” ;
else
end
Algorithm 1: Algorithme pour la gestion de la performance du cycle combiné
 Conclusion et perspectives

Les travaux décrits dans ce manuscrit se situent au niveau de l’intégration des techno-
logies de l’Intelligence Artificiel dans la gestion énergétique et plus particulièrement dans
le but de l’optimisation de la production électrique. En effet, les travaux réalisées dans
le cadre de ce master nous ont permis d’aborder la problématique liée à la modélisation
de modèles de prédiction permettant d’évaluer le fonctionnement du cycle combiné de la
centrale Sousse D.

Ainsi, l’objectif principal de ce travail était de concevoir et de développer une solution

avancée de prédiction des performances pour la centrale à cycle combiné de Sousse D, en
utilisant des techniques modernes d’analyse de données et d’apprentissage automatique.
En intégrant les paramètres climatiques, les données historisées du fonctionnement de la
centrale et les courbes de correction nous avons pu élaboré un simulateur dynamique basé
sur l’intelligence artificielle. Cette solution a permis de surmonter les limitations des mé-
thodes traditionnelles, qui reposaient uniquement sur des courbes de correction statiques
fournies par le constructeur. Ces courbes ne prenaient pas toujours en compte les condi-
tions réelles de fonctionnement, entraînant parfois des imprécisions et des données faussées
sur les performances de production de la centrale. En utilisant des modèles d’apprentis-
sage automatique, nous avons significativement amélioré la précision des prédictions et la
capacité à détecter les vrais problèmes de performance du cycle combiné s’il sont dû à des
problèmes de dégradations d’utilisation ou à des problèmes relatifs à la maintenance de la
part du constructeur.

Les principales étapes de notre approche ont étaient dirigées par la méthodologie
CRISP-DM. Ces étapes incluent la collecte et la préparation des données, le développement
de modèles prédictifs et la création d’un prototype de validation via d’une interface utili-
sateur intuitive. Chaque composant de la solution a été conçu pour garantir une prédiction
précise des performances énergétiques, optimiser la production et gérer efficacement les
opérations de la centrale.

En résumé, cette solution offre plusieurs avantages :

— Premièrement, la précision des prévisions est nettement améliorée grâce à l’utilisa-
tion de modèles d’apprentissage automatique adaptés aux conditions réelles ;
— Deuxièmement, l’optimisation de la production permet de maximiser l’efficacité
énergétique en ajustant les opérations en fonction des prédictions et des conditions
climatiques ;
— Troisièmement, la capacité à détecter les dégradations et à appliquer des corrections
en temps réel minimise les pertes et maintient les performances optimales ;
— Enfin, l’interface utilisateur offre une interaction fluide, permettant aux opérateurs

98
Conclusion 99

de comprendre et d’utiliser facilement les prévisions et les ajustements.

Les travaux réalisés dans ce projet ouvrent la voie à plusieurs perspectives de recherche et
de développement pour améliorer encore la solution proposée et étendre ses fonctionnalités.
— Il serait intéressant d’intégrer des techniques de machine learning plus avancées,
telles que les réseaux neuronaux profonds multi-couches, afin d’améliorer encore la
précision des prédictions ;
— Enrichir les modèles en intégrant des données supplémentaires, telles que les données
de maintenance et d’exploitation détaillées. Ceci permettra également d’améliorer
la robustesse et la précision des prédictions ;
— Automatiser le développement de capacités d’analyse en temps réel qui permettra de
retourner une réponse immédiate aux variations des conditions de fonctionnement et
des performances. Ceci pourrait impliquer l’utilisation de technologies de streaming
de données et de traitement en temps réel ;
— Adapter et appliquer la solution à d’autres types de centrales énergétiques, comme
les centrales thermiques ou hydrauliques, est une autre perspective importante, car
elle permettrait d’élargir le champ d’application de la solution et d’offrir des béné-
fices similaires à une plus grande variété de systèmes énergétiques ;
— Connecter la solution à des systèmes de gestion de l’énergie à l’échelle nationale
ou régionale pourrait optimiser la distribution et la consommation d’énergie à plus
grande échelle. Cela pourrait inclure des interfaces avec des réseaux intelligents
(smart grids) et d’autres infrastructures énergétiques avancées ;
— Continuer à améliorer l’interface utilisateur pour qu’elle soit encore plus intuitive
et adaptée aux besoins spécifiques des opérateurs et des décideurs est essentiel.
Cela pourrait impliquer des tests utilisateurs réguliers et l’incorporation de retours
d’expérience pour affiner l’ergonomie et les fonctionnalités de l’interface.

Cette solution représente une avancée significative pour la gestion des performances
énergétiques dans les centrales à cycle combiné. Les perspectives identifiées offrent des
opportunités pour des améliorations continues et des extensions qui contribueront à la
stabilité et à l’efficacité du réseau électrique, répondant ainsi aux besoins énergétiques
croissants de la société.
 Bibliographie

[AC02] Y.Kodratoff A. Cornuéjols L. Miclet. « That ‘internet of things’ thing ».

In : (2002) (cf. p. 59, 60).
[AJ22] Rida LALI Anthony JUTON Valentin NOËL. Introduction à l’apprentissage
par renforcement. Rapp. tech. 2022 (cf. p. 61).
[AMO20] Mohamed BEN AMOR. Rapport De Titularisation 2019 – 2020. Rapp. tech.
0485 A1VV*S002. STEG, 2020 (cf. p. 1, 11, 29).
[ANS11] ANSALDO. BILANS THERMIQUES. Rapp. tech. Matricule - 71390. STEG,
2011 (cf. p. 25).
[Cor] le principe de corrélation. url : http://www.biostat.ulg.ac.be/pages/
Site_r/corr_pearson.html. (consulté : 20.04.2024) (cf. p. 70).
[Cyc] Definition cycle combine. url : https://www.techno-science.net/glossaire-
definition/Cycle-combine.html. (consulté : 03.03.2024) (cf. p. 11).
[D23] Groupement de Production de Sousse Centrale étape D. Les performances du
cycle combiné. Rapp. tech. STEG, 2023 (cf. p. 29).
[Fle] Dan Fleetwood. Coefficient de corrélation de Pearson : Définition, formule,
calcul et exemples. url : https://www.questionpro.com/blog/fr/coefficient-
de-correlation-de-pearson/. (consulté : 15.04.2024) (cf. p. 73).
[ISO91] Comité technique ISO/TC 192. Turbines à gaz - Spécifications pour l’acqui-
sition. Rapp. tech. deuxième édition. Norme ISO, 1991 (cf. p. 20).
[Man] Alexandre Manasson. Pourquoi utiliser CRISP-DM fera de vous un meilleur
Data Scientist. url : https://towardsdatascience.com/why-using-crisp-
dm-will-make-you-a-better-data-scientist-66efe5b72686. (consulté :
01.04.2024) (cf. p. 62).
[Meu09] Francis Meunier. « Thermodynamique de l’ingénieur ( Énergétique -Changement
climatique) ». In : Proceedings of the International Conference on Example.
Sous la dir. de 2e éd. (ISBN 978-2-10-052103-6). Paris, Dunod : ACM Press,
2009, p. 367 (cf. p. 22).
[MP20] Ariane Mercatello-Pérol. La centrale thermique de Bouchain. Rapp. tech.
DOSSIER DE PRESSE. edf, 2020 (cf. p. 18).
[Roy] Anshul Roy. Introduction to CRISP DM Framework for Data Science and
Machine Learning. url : https : / / www . linkedin . com / pulse / chapter -
1 - introduction - crisp - dm - framework - data - science - anshul - roy/.
(consulté : 01.04.2024) (cf. p. 62).

100
Bibliographie 101

[Sag23] Samya Sagar. Cours : Machine Learning. Rapp. tech. essths, 2023-2024 (cf.
p. 59).
[SUR23] Frédéric SUR. Introduction à l’apprentissage automatique. Rapp. tech. École
des Mines de Nancy, 2023-2024 (cf. p. 59, 60).
[Swa18] Thuillet Swann. « Simulation multi-échelle de l’atomisation d’un jet liquide
sous l’effet d’un écoulement gazeux transverse en présence d’une perturbation
acoustique ». Thèse de doct. 2018 (cf. p. 20).
[Tes] le principe de la fonction train-test-split. url : https://datascientest.com/
train-test-split-tutoriel. (consulté : 01.05.2024) (cf. p. 78).
Résumé — ...............
Mots clés :..., ..., ...

Abstract — ..................
Keywords : ..., .............