1401, Avenue du Mondial 98 - 34000 Montpellier - Tél. 04 67 29 74 43

Analyse SCADA : Réseaux de neurones pour une optimisation de la performance éolienne

Analyses de données SCADA : Réseaux de neurones pour l’optimisation de la performance éolienne.

Les systèmes de Contrôle et d’Acquisition de Données (SCADA) jouent un rôle important dans l’industrie éolienne en permettant la surveillance en temps réel et l’optimisation des performances des parcs éoliens. Avec l’avènement de l’intelligence artificielle (IA), de nouvelles possibilités émergent pour détecter plus rapidement des changements de comportement des éoliennes ou des sous-performances et permettre d‘améliorer davantage l’efficacité énergétique et la fiabilité des éoliennes.

Dans cet article, nous expliquons comment les réseaux de neurones peuvent être utilisés pour modéliser et prédire le comportement des éoliennes, offrant ainsi de nouvelles perspectives pour l’industrie éolienne.

Modéliser le comportement de chaque éolienne et vérifier la stabilité de sa performance.

L’objectif principal des réseaux de neurones dans le contexte des analyses de données SCADA de parcs éoliens est de modéliser le comportement de chaque éolienne et de vérifier la stabilité de sa performance au fil du temps. Cette modélisation se fait en utilisant des données mesurées sur site, moyennées sur 10 minutes et transmises au centre de conduite par les systèmes SCADA. Plus précisément, il s’agit de reproduire une courbe de puissance simulée à l’aide de l‘IA, puis de la comparer avec la courbe de puissance réelle mesurée sur site. 

L’idée est de reproduire une course de puissance (courbe simulée – points rouges, voir figue ci-dessous) avec l’IA et de la comparer avec la courbe de puissance mesurée sur site (points bleus, voir figure ci-dessous)

Diviser en deux parties un échantillon de données.

La méthodologie adoptée pour atteindre cet objectif implique l’utilisation d’un échantillon de données qui est divisé en deux parties. La première moitié des données, soit 50%, est utilisée pour créer le modèle de réseau de neurones. Les 50% restants, qui sont inconnus du modèle, sont ensuite utilisés pour valider ce dernier. 

Les paramètres d’entrée utilisés pour produire la courbe de puissance simulée comprennent : 

– Vitesse de vent corrigée selon la densité de l’air
– Direction du vent
– Température ambiante (qui influe la densité de l’air)
– Heure (influence sur le cisaillement du vent)
– Date (biais saisonnier)
– Localisation de la machine (turbulences générées par les éoliennes voisines)

Modélisation précise.

Les réseaux de neurones sont capables de capturer les relations complexes entre les différents paramètres environnementaux et la performance des éoliennes. Leur capacité à agréger de multiples paramètres dans leur modèle (température, saison, heure, direction de vent, effet de sillage, etc), permet une analyse plus fine là où l’analyse humaine est limitée lorsque plus de 3 paramètres varient simultanément. Des divergences plus discrètes de comportements entre les paramètres simulés et les paramètres mesurés peuvent être détectées.

Rapidité.

Modéliser les comportements des turbines en fonction de multiples paramètres permet de détecter un changement de comportement des paramètres entre eux dès sa première occurrence, sans attendre plusieurs mois que les conséquences soient visibles sur la courbe de puissance ou sur la production électrique livrée au réseau.

Adaptabilité.

Les modèles de réseau de neurones peuvent s’adapter aux changements dans l’environnement et dans les conditions opérationnelles des éoliennes. Si un changement de comportement détecté est considéré comme normal par l’analyste humain, le réseau de neurone va l’intégrer dans le modèle. Ouvrant la possibilité à un suivi continu de la performance, même dans des situations variables et imprévues. Par exemple : construction d’un parc voisin entraînant une perte de production par effet de sillage ou la mise en place d’un nouveau software de régulation de la turbine.

Prédictibilité.

La détection de divergences sur les comportements des paramètres mécaniques ou électriques (pitch, couple, courant produit) permet dans certains cas d’orienter la recherche des causes de sous-performance sur un système ou un composant en particulier. La mise en place d’alarmes sur des analyses de données SCADA en continu pourrait permettre d’anticiper des problèmes techniques sur ces composants majeurs et ainsi réduire les temps d’arrêt et les pertes de production.

Améliorer la rapidité de détection des problèmes de performance.

L’utilisation de réseaux de neurones SCADA offre un potentiel significatif pour améliorer la rapidité de détection des problèmes de performance et des défaillances de composants. En permettant d’intégrer un nombre très important de paramètres d’entrée à la modélisation du comportement. Cette approche ouvre la voie à l’intégration des paramètres d’analyses insitu comme les températures des composants ou les analyses vibratoires CMS (Conditions Monitoring Systems) pour encore améliorer la fiabilité et la rapidité de détection des défauts, mais aussi prédire le développement des défauts dans le temps. 

Cette dernière option permettra d’optimiser les remplacements de composants majeurs en les démontant « juste à temps » avant la casse selon les conditions logistiques et météorologiques qui peuvent être complexes lors d’intervention offshore par exemple. Ces optimisations logistiques offres des marges de réduction des coûts opérationnels et des pertes de production suite à une casse de composant majeur (gearbox, système de pitch, génératrice). 

Partager :

Post associés