{"id":5345,"date":"2024-04-08T14:14:06","date_gmt":"2024-04-08T12:14:06","guid":{"rendered":"https:\/\/www.8p2.fr\/?p=5345"},"modified":"2024-12-19T08:55:44","modified_gmt":"2024-12-19T07:55:44","slug":"analyse-scada-reseaux-neurones-eolien","status":"publish","type":"post","link":"https:\/\/www.8p2.fr\/en\/analyse-scada-reseaux-neurones-eolien\/","title":{"rendered":"Analyse SCADA : R\u00e9seaux de neurones pour une optimisation de la performance \u00e9olienne"},"content":{"rendered":"
\"\"<\/figure>\n\n\n\n
\n
\n

Analyses de donn\u00e9es SCADA : R\u00e9seaux de neurones pour l\u2019optimisation de la performance \u00e9olienne.<\/strong><\/h2>\n\n\n\n

Les syst\u00e8mes de Contr\u00f4le et d\u2019Acquisition de Donn\u00e9es<\/strong> (SCADA)<\/em> jouent un r\u00f4le important dans l\u2019industrie \u00e9olienne en permettant la surveillance en temps r\u00e9el et l\u2019optimisation des performances<\/strong> des parcs \u00e9oliens. Avec l\u2019av\u00e8nement de l\u2019intelligence artificielle<\/strong> (IA), de nouvelles possibilit\u00e9s \u00e9mergent pour d\u00e9tecter plus rapidement des changements de comportement <\/strong>des \u00e9oliennes ou des sous-performances<\/strong> et permettre d\u2018am\u00e9liorer davantage l\u2019efficacit\u00e9 \u00e9nerg\u00e9tique et la fiabilit\u00e9 des \u00e9oliennes.<\/strong> <\/p>\n\n\n\n

Dans cet article, nous expliquons comment les r\u00e9seaux de neurones peuvent \u00eatre utilis\u00e9s pour mod\u00e9liser et pr\u00e9dire le comportement des \u00e9oliennes<\/strong>, offrant ainsi de nouvelles perspectives pour l\u2019industrie \u00e9olienne.<\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
\"\"<\/figure>\n\n\n\n

OBJECTIF<\/strong><\/p>\n\n\n\n

Mod\u00e9liser le comportement de chaque \u00e9olienne et v\u00e9rifier la stabilit\u00e9 de sa performance.<\/strong><\/h2>\n\n\n\n

L\u2019objectif principal des r\u00e9seaux de neurones dans le contexte des analyses de donn\u00e9es SCADA de parcs \u00e9oliens est de mod\u00e9liser le comportement de chaque \u00e9olienne et de v\u00e9rifier la stabilit\u00e9 de sa performance au fil du temps<\/strong>. Cette mod\u00e9lisation se fait en utilisant des donn\u00e9es mesur\u00e9es sur site, moyenn\u00e9es sur 10 minutes<\/strong> et transmises au centre de conduite par les syst\u00e8mes SCADA. Plus pr\u00e9cis\u00e9ment, il s\u2019agit de reproduire une courbe de puissance simul\u00e9e \u00e0 l\u2019aide de l\u2018IA, puis de la comparer avec la courbe de puissance r\u00e9elle mesur\u00e9e sur site. <\/p>\n\n\n\n

L\u2019id\u00e9e est de reproduire une course de puissance (courbe simul\u00e9e \u2013 points rouges, voir figue ci-dessous)<\/em> avec l\u2019IA et de la comparer avec la courbe de puissance mesur\u00e9e sur site (points bleus, voir figure ci-dessous)<\/em><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

METHODOLOGIE<\/strong><\/p>\n\n\n\n

\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Diviser en deux parties un \u00e9chantillon de donn\u00e9es.<\/strong><\/h2>\n\n\n\n

La m\u00e9thodologie adopt\u00e9e pour atteindre cet objectif implique l\u2019utilisation d\u2019un \u00e9chantillon de donn\u00e9es qui est divis\u00e9 en deux parties<\/strong>. La premi\u00e8re moiti\u00e9 des donn\u00e9es, soit 50%, est utilis\u00e9e pour cr\u00e9er le mod\u00e8le de r\u00e9seau de neurones<\/strong>. Les 50% restants, qui sont inconnus du mod\u00e8le, sont ensuite utilis\u00e9s pour valider ce dernier. <\/p>\n\n\n\n

Les param\u00e8tres d\u2019entr\u00e9e utilis\u00e9s pour produire la courbe de puissance simul\u00e9e comprennent : <\/p>\n\n\n\n

\u2013 Vitesse de vent corrig\u00e9e selon la densit\u00e9 de l\u2019air
\u2013 Direction du vent
\u2013 Temp\u00e9rature ambiante (qui influe la densit\u00e9 de l\u2019air)<\/em>
\u2013 Heure (influence sur le cisaillement du vent)<\/em>
\u2013 Date (biais saisonnier)<\/em>
\u2013 Localisation de la machine (turbulences g\u00e9n\u00e9r\u00e9es par les \u00e9oliennes voisines)<\/em><\/p>\n<\/div>\n<\/div>\n\n\n\n

AVANTAGES<\/strong><\/p>\n\n\n\n

Mod\u00e9lisation pr\u00e9cise.<\/strong><\/h2>\n\n\n\n

Les r\u00e9seaux de neurones sont capables de capturer les relations complexes entre les diff\u00e9rents param\u00e8tres environnementaux et la performance des \u00e9oliennes.<\/strong> Leur capacit\u00e9 \u00e0 agr\u00e9ger de multiples param\u00e8tres dans leur mod\u00e8le (temp\u00e9rature, saison, heure, direction de vent, effet de sillage, etc)<\/em>, permet une analyse plus fine<\/strong> l\u00e0 o\u00f9 l\u2019analyse humaine est limit\u00e9e lorsque plus de 3 param\u00e8tres varient simultan\u00e9ment. Des divergences plus discr\u00e8tes de comportements entre les param\u00e8tres simul\u00e9s et les param\u00e8tres mesur\u00e9s peuvent \u00eatre d\u00e9tect\u00e9es.<\/p>\n\n\n\n

Rapidit\u00e9.<\/strong><\/h2>\n\n\n\n

Mod\u00e9liser les comportements des turbines en fonction de multiples param\u00e8tres permet de d\u00e9tecter un changement de comportement des param\u00e8tres entre eux d\u00e8s sa premi\u00e8re occurrence<\/strong>, sans attendre plusieurs mois que les cons\u00e9quences soient visibles sur la courbe de puissance ou sur la production \u00e9lectrique livr\u00e9e au r\u00e9seau.<\/p>\n\n\n\n

Adaptabilit\u00e9.<\/strong><\/h2>\n\n\n\n

Les mod\u00e8les de r\u00e9seau de neurones peuvent s\u2019adapter aux changements dans l\u2019environnement et dans les conditions op\u00e9rationnelles des \u00e9oliennes<\/strong>. Si un changement de comportement d\u00e9tect\u00e9 est consid\u00e9r\u00e9 comme normal par l\u2019analyste humain, le r\u00e9seau de neurone va l\u2019int\u00e9grer dans le mod\u00e8le. Ouvrant la possibilit\u00e9 \u00e0 un suivi continu de la performance, m\u00eame dans des situations variables et impr\u00e9vues. Par exemple : construction d\u2019un parc voisin entra\u00eenant une perte de production par effet de sillage ou la mise en place d\u2019un nouveau software de r\u00e9gulation de la turbine.<\/em><\/p>\n\n\n\n

Pr\u00e9dictibilit\u00e9.<\/strong><\/h2>\n\n\n\n

La d\u00e9tection de divergences sur les comportements des param\u00e8tres m\u00e9caniques ou \u00e9lectriques (pitch, couple, courant produit)<\/em> permet dans certains cas d\u2019orienter la recherche des causes de sous-performance sur un syst\u00e8me ou un composant en particulier.<\/strong> La mise en place d\u2019alarmes sur des analyses de donn\u00e9es SCADA en continu pourrait permettre d\u2019anticiper des probl\u00e8mes techniques sur ces composants majeurs et ainsi r\u00e9duire les temps d\u2019arr\u00eat et les pertes de production.<\/strong><\/p>\n\n\n\n

CONCLUSION<\/strong><\/p>\n\n\n\n

\n
\n

Am\u00e9liorer la rapidit\u00e9 de d\u00e9tection des probl\u00e8mes de performance.<\/strong><\/h2>\n\n\n\n

L\u2019utilisation de r\u00e9seaux de neurones SCADA offre un potentiel significatif pour am\u00e9liorer la rapidit\u00e9 de d\u00e9tection des probl\u00e8mes de performance et des d\u00e9faillances de composants<\/strong>. En permettant d\u2019int\u00e9grer un nombre tr\u00e8s important de param\u00e8tres d\u2019entr\u00e9e \u00e0 la mod\u00e9lisation du comportement. Cette approche ouvre la voie \u00e0 l\u2019int\u00e9gration des param\u00e8tres d\u2019analyses insitu comme les temp\u00e9ratures des composants ou les analyses vibratoires CMS (Conditions Monitoring Systems)<\/em> pour encore am\u00e9liorer la fiabilit\u00e9 et la rapidit\u00e9 de d\u00e9tection des d\u00e9fauts, mais aussi pr\u00e9dire le d\u00e9veloppement des d\u00e9fauts dans le temps. <\/strong><\/p>\n\n\n\n

Cette derni\u00e8re option permettra d\u2019optimiser les remplacements de composants majeurs<\/strong> en les d\u00e9montant \u00ab juste \u00e0 temps \u00bb avant la casse selon les conditions logistiques et m\u00e9t\u00e9orologiques qui peuvent \u00eatre complexes lors d\u2019intervention offshore par exemple. Ces optimisations logistiques offres des marges de r\u00e9duction des co\u00fbts op\u00e9rationnels et des pertes de production suite \u00e0 une casse de composant majeur<\/strong> (gearbox, syst\u00e8me de pitch, g\u00e9n\u00e9ratrice). <\/em><\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/figure>\n<\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"

Analyses de donn\u00e9es SCADA : R\u00e9seaux de neurones pour l\u2019optimisation de la performance \u00e9olienne.<\/p>","protected":false},"author":2,"featured_media":30000,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[6],"tags":[],"class_list":["post-5345","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog"],"jetpack_featured_media_url":"https:\/\/www.8p2.fr\/wp-content\/uploads\/2024\/04\/Analyses-SCADA.-1-400x250-1.png","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/posts\/5345","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/comments?post=5345"}],"version-history":[{"count":31,"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/posts\/5345\/revisions"}],"predecessor-version":[{"id":30123,"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/posts\/5345\/revisions\/30123"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/media\/30000"}],"wp:attachment":[{"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/media?parent=5345"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/categories?post=5345"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.8p2.fr\/en\/wp-json\/wp\/v2\/tags?post=5345"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}