Contexte
La centrale nucléaire d'Oskarshamn Nuclear Power Plant est couplée à une production éolienne afin d'augmenter la part d'électricité décarbonée. Cependant, la variabilité de l'éolien peut provoquer des congestions du réseau lorsque la production dépasse la capacité de transport disponible. Pour valoriser cette énergie excédentaire, elle est convertie en hydrogène vert par électrolyse. Ce rapport modélise cette chaîne de valorisation (production, stockage et distribution de l'hydrogène) et évalue ses performances techniques et économiques à l'aide de quatre indicateurs clés : pertes d'électricité, pertes d'hydrogène, LCOH et production annuelle d'hydrogène.
Objectifs
L'objectif du projet est de déterminer les paramètres optimaux d'une centrale hydrogène composée d'électrolyseurs, d'un stockage d'hydrogène comprimé et d'une flotte de camions de distribution, de manière à minimiser le coût de production de l'hydrogène tout en valorisant au mieux l'électricité excédentaire du site hybride.
La démarche suit une chaîne de modélisation en plusieurs étapes : à partir des données horaires de production éolienne et nucléaire ainsi que de la limite du réseau, le modèle simule heure par heure la production d'hydrogène, sa gestion en stockage puis sa distribution, avant d'agréger les résultats économiques et techniques sur une année complète.
Modélisation technique de l'électrolyseur
L'électrolyseur a été modélisé en Python : la puissance disponible chaque heure est plafonnée à sa capacité installée, puis convertie en débit d'hydrogène via un rendement faradique qui suit une courbe de charge partielle exponentielle, avant déduction des auxiliaires (environ 3 % de la puissance consommée). Le débit massique obtenu est ensuite converti en volume par la loi des gaz parfaits, puis comprimé à la pression de stockage.
Algorithme génétique d'optimisation
Le design optimal (capacité de l'électrolyseur, capacité de stockage, nombre de camions) est recherché par un algorithme génétique stochastique : chaque lancement explore une trajectoire différente. Le nuage 3D ci-dessous s'anime génération après génération et converge vers le vert (LCOH faible).
La simulation peut s'arrêter avant d'atteindre le nombre de générations configuré si aucune amélioration significative de la solution n'est observée sur plusieurs générations consécutives.
Scénario de distribution
L'hydrogène produit est stocké sous forme comprimée dans des réservoirs avant d'être distribué.
La distribution vers le port d'Oskarshamn est assurée par une flotte de camions (tube trailers).
La stratégie de répartition entre stockage et vente est gérée par la fonction hydrogen_management du modèle :
À chaque heure simulée, la capacité de stockage disponible limite la quantité d'hydrogène produit pouvant être stockée : tout excédent dépassant cette capacité est perdu. Aucun hydrogène n'est vendu lors de la première heure de simulation. Dès que le niveau stocké franchit un certain seuil et que des camions sont disponibles, le système remplit et envoie le maximum de camions possible, qui sont alors marqués indisponibles pendant un nombre fixe d'heures correspondant au temps d'aller-retour, avant de revenir dans le pool disponible.
Résultats
- Offre une solution d'hydrogène très abordable.
- Permet de récupérer une partie de l'électricité qui serait sinon perdue.
- Très peu d'hydrogène est lui-même perdu dans le processus.
Conclusion et perspectives
Ce rapport a étudié une centrale hybride nucléaire-éolien couplée à une production d'hydrogène. Les résultats montrent que l'intégration d'énergies renouvelables et nucléaires à une technologie de génération d'hydrogène constitue une approche prometteuse pour améliorer l'efficacité énergétique d'une centrale hybride tout en réduisant les risques de congestion réseau, l'analyse des KPIs soulignant l'importance conjointe de l'efficacité énergétique et de la viabilité économique de tels systèmes.
Plusieurs pistes restent à explorer : affiner le modèle de l'électrolyseur (puissance d'entrée variable, pertes du dispositif) et celui du stockage d'hydrogène, mener une analyse de sensibilité sur les contraintes du modèle, explorer d'autres scénarios de distribution comme les pipelines, et dériver de cette étude une loi empirique permettant d'estimer directement les variables optimisées.