La science des données au service de l’énergie éolienne et de la transition énergétique

Dans ce contexte, la science des données peut constituer un atout majeur pour faire des sources d’énergie renouvelables une solution écologique, peu coûteuse et, par conséquent, plus attrayante que les sources d’énergie fossiles. La science des données et l’analyse des données sont de plus en plus utiles pour améliorer les activités quotidiennes dans le secteur des énergies renouvelables. Elles peuvent, par exemple, être très efficaces pour optimiser l’exploitation quotidienne de votre parc éolien.

Les méthodes de la science des données peuvent améliorer la prise de décision dans le secteur de l’énergie éolienne, par exemple, l’évaluation des ressources éoliennes et la prévision du vent, l’ajustement des courbes de puissance et l’optimisation des activités de maintenance des éoliennes et des parcs éoliens (maintenance prédictive).

Des décisions fondées sur des données

La prise de décisions fondées sur les données nécessite un processus complet d’analyse des données, qui commence par la collecte des données. Il faut ensuite structurer ces données et sélectionner le sous-ensemble contenant l’information pertinente. Une fois les données préparées, une analyse exploratoire, assortie d’une visualisation des données, peut aider à déterminer quelles méthodes ou quels modèles seront les plus à même de produire les connaissances souhaitées. Lorsque la méthode appropriée est choisie, un modèle est établi et validé. Le processus final produit un ensemble de résultats (par exemple, un modèle prédictif) qui guidera la prise de décision, laquelle pourra aussi s’appuyer sur la visualisation. Il convient de noter que la collecte et la préparation des données sont des étapes très importantes du processus d’analyse des données qui ne doivent pas être négligées.

Ne pas se préparer, c’est se préparer à échouer. — Benjamin Franklin

En fait, pour procéder à la collecte des données, il faut d’abord décider quelles données pourraient être les plus utiles.

Le type de données à recueillir dépend de ce que l’on veut analyser, par exemple :

• Analyse des performances et de la disponibilité : données opérationnelles, mesures, données sur l’équipement
• Analyses des causes fondamentales : données sur les défaillances
• Optimisation de la maintenance et suivi des dégradations : historique de la maintenance et des inspections

Pendant la phase de préparation des données, on peut nettoyer, valider et consolider les données brutes en prévision des étapes suivantes. On peut, par exemple, supprimer les données manquantes, éliminer les valeurs aberrantes, supprimer les données en double ou autres points de données représentant des conditions de fonctionnement anormales, normaliser et formater les données, et séparer les ensembles de données d’entraînement et de validation.

Utilisation des techniques de l’IA dans le secteur éolien

Les termes « intelligence artificielle » (IA) désignent principalement l’apprentissage machine et l’apprentissage profond. Les algorithmes d’IA sont largement utilisés pour trois aspects de la production d’énergie éolienne :

1. Prévision de la vitesse du vent et de la puissance éolienne

Étant donné l’effet majeur des variations de la vitesse du vent sur la production d’énergie éolienne, un modèle permettant de prévoir précisément la vitesse du vent est essentiel à la maîtrise de la production et de la consommation d’énergie. Parmi les modèles les plus utilisés pour les prévisions de vitesse du vent et de puissance éolienne à l’aide de l’IA, on trouve les réseaux de neurones artificiels (RNA), les machines à vecteurs de support (SVM) ainsi que la régression linéaire et logistique. En pratique, on peut utiliser l’apprentissage supervisé, dans lequel des données d’entrée et de sortie étiquetées sont fournies, l’apprentissage non supervisé, pour lequel seules des données d’entrée sont fournies, ou encore l’apprentissage semi-supervisé, qui est un mélange d’apprentissage supervisé et non supervisé (lorsqu’on ne dispose pas de suffisamment de données étiquetées pour entraîner les modèles).

2. Optimisation de l’exploitation et de la maintenance

Une autre utilisation intéressante de l’IA dans le domaine de l’énergie éolienne concerne l’exploitation et la maintenance des actifs. Grâce à l’IA et, plus précisément, aux algorithmes d’apprentissage machine, il est possible d’évaluer avec exactitude les temps d’arrêt potentiels des composants. Bon nombre d’entreprises du secteur éolien investissent des sommes considérables pour entretenir leurs machines et en assurer le bon fonctionnement. Si leurs activités sont perturbées par des défaillances inattendues, cela peut entraîner des pertes financières considérables. Utiliser les données historiques pour prévoir avec exactitude les défaillances des composants avant qu’elles ne se produisent est un moyen efficace, pour les exploitants de parcs éoliens, de réduire le coût et la complexité de l’exploitation et de la maintenance. De nombreux algorithmes d’apprentissage machine pourraient servir à créer un système de détection des défaillances capable de prévoir les pannes à venir, par exemple les modèles de comportement normal, qui utilisent les données historiques pour apprendre ce que devrait être l’état de fonctionnement normal de l’éolienne. À partir des données historiques de contrôle et d’acquisition de données (SCADA), comme la vitesse du vent et la puissance éolienne, la température de la génératrice, l’intensité des turbulences, la vitesse du rotor et la direction du vent, le modèle prédit le comportement normal de l’éolienne ou de ses composants à un moment donné; cette prédiction est ensuite comparée à la valeur réelle mesurée. S’il y a une grande différence, c’est signe que la valeur mesurée est en dehors de la plage normale de fonctionnement et qu’une défaillance risque de se produire.

3. Optimisation du fonctionnement des parcs éoliens

Assurer un fonctionnement fiable des éoliennes tout au long de leur durée de vie, soit en général de 20 à 25 ans, compte pour une part importante du coût d’installation. Les modèles d’apprentissage machine peuvent servir à détecter les défauts des pales, à surveiller la température des génératrices et à modéliser la courbe de puissance, et bien plus encore. Ils peuvent aider les exploitants de parcs éoliens à s’appuyer sur les données pour évaluer plus intelligemment et plus rapidement la façon dont leur production d’énergie peut répondre à la demande d’électricité. En outre, une prévision précise de la vitesse du vent et de la puissance éolienne, ainsi que de l’offre et de la demande d’électricité, peut augmenter la valeur de l’énergie éolienne tout en réduisant les coûts d’exploitation.

En conclusion

La science des données peut améliorer la production d’énergie verte. Une production fiable et rentable d’énergie sans carbone est possible, à condition de disposer des outils de science des données adéquats et des bons jeux de données.

Les experts de BBA peuvent vous aider à mener à bien votre projet en maximisant vos profits et en réduisant vos coûts. N’hésitez pas à communiquer avec nous.

Références

1. IRENA (International Renewable Energy Agency), https://www.irena.org/wind