Les défis de croissance et de coût de l'énergie éolienne

L'utilisation de l'énergie éolienne est en plein essor dans le monde entier. En 2000, l'énergie éolienne produisait environ 30 térawattheures (TWh), ce qui ne représentait que 0,2 % de l'électricité mondiale. En 2022, ce chiffre a grimpé à plus de 2 000 TWh, représentant 7,6 % de la production d'énergie mondiale. Des pays comme l'Allemagne et le Royaume-Uni voient l'énergie éolienne constituer 20 à 30 % de leur électricité. Des pays plus petits avec de bonnes ressources éoliennes, comme l'Irlande et l'Uruguay, ont des pourcentages encore plus élevés, le Danemark atteignant 55 %. À mesure que cette croissance se poursuit, la pression augmente pour réduire les coûts d'exploitation et de maintenance associés à l'énergie éolienne.

Une façon de voir les coûts d'exploitation et de maintenance est en relation avec le Coût nivelé de l'énergie (LCOE). En 2020, le ratio médian des coûts d'exploitation et de maintenance (O&M) pour l'énergie éolienne était de 24 %, ce qui est inférieur à celui de l'énergie nucléaire à 38 %. Cependant, c'est encore plus élevé que les coûts de l'énergie solaire et du gaz, qui étaient respectivement de 13 % et 11 %. Il est donc clair que des réductions supplémentaires des coûts O&M pour les éoliennes sont nécessaires.

Le monitoring des conditions (CM) est un outil qui aide dans ce domaine. Il va au-delà de la simple détection des pannes en temps réel ; il permet également de prédire tôt les problèmes potentiels. Choisir la bonne méthode de CM dépend des tâches uniques et des données disponibles. Cet article se concentre sur quelques éoliennes offshore fiables avec des diamètres de rotor de 90 mètres et une puissance nominale de 2 mégawatts (MW). L'objectif est de prédire tôt des pannes rares et de déterminer les stratégies de maintenance les plus rentables.

Les données en question sont constituées de mesures de capteurs qui changent avec le temps, montrent des tendances saisonnières, sont déséquilibrées et sont en partie corrélées. Par conséquent, toute méthode employée a besoin d'une approche multi-facettes qui inclut un modèle de comportement normal (NBM), des métriques pour mesurer les écarts par rapport à ce modèle, et un mécanisme pour décider quand déclencher des alarmes pour les Anomalies détectées.

Il existe plusieurs façons de construire un NBM, comme l'utilisation de filtres de Kalman, de régressions, ou de techniques d'apprentissage automatique comme la régression par vecteurs de support (SVR). On peut utiliser différents designs de réseaux de neurones, y compris des réseaux de croyance profonds ou des réseaux de neurones convolutionnels (CNN). La méthode populaire pour évaluer les écarts par rapport au comportement normal est souvent mesurée en écarts-types au-dessus de la moyenne. Des mesures plus complexes peuvent également être employées, comme des métriques de distance entre des points normaux et défectueux.

Pour développer le modèle, des valeurs médianes de toutes les turbines en bonne santé sont utilisées pour relever le défi des données d'entraînement limitées. L'écart cumulatif par rapport au NBM est calibré pour chaque turbine, tant au début de la période de test qu'après des pannes connues. Les résultats sont présentés en termes de distributions de coûts, offrant une vue d'ensemble des dépenses liées à la maintenance.

#Aperçu des Coûts de l'Énergie Éolienne

La croissance de l'énergie éolienne est largement reconnue, mais elle s'accompagne de coûts d'exploitation et de maintenance en augmentation. Ces coûts peuvent avoir un impact significatif sur la rentabilité des projets éoliens. Il devient donc vital d'analyser ces coûts par rapport au coût total de l'énergie.

Les coûts d'exploitation et de maintenance sont souvent exprimés comme une fraction du coût nivelé de l'énergie (LCOE). Plus ces coûts sont élevés par rapport au LCOE, moins l'installation éolienne est efficace. En 2020, le coût d'exploitation et de maintenance de l'énergie éolienne était de 24 %. Bien que ce soit inférieur aux coûts associés à l'énergie nucléaire, cela représente toujours une opportunité d'amélioration par rapport au solaire et au gaz.

À mesure que la production d'énergie éolienne augmente, l'accent sur la réduction des coûts d'exploitation et de maintenance se renforce. Le monitoring des conditions sert d'outil clé dans la gestion de ces coûts en permettant aux opérateurs de prédire les pannes potentielles avant qu'elles ne se produisent, permettant ainsi une approche plus proactive.

#Monitoring des Conditions : Méthodes et Défis

Le monitoring des conditions joue un rôle essentiel dans le maintien d'opérations fiables pour les éoliennes. Il inclut la détection en temps réel des pannes et la prédiction précoce des problèmes. Cependant, choisir la bonne méthode peut être compliqué en raison de la nature diverse des données impliquées.

Dans le cas de notre étude, nous avons porté notre attention sur un groupe sélectionné d'éoliennes offshore équipées de puissance nominale de 2 MW. Les capteurs collectent des données influencées par divers facteurs, y compris le temps et la saisonnalité. Étant donné que les données sont déséquilibrées et en partie corrélées, une approche multi-composante est nécessaire. Cette approche inclut l'établissement d'un modèle de comportement normal (NBM), la mesure des écarts par rapport à ce modèle, et le développement d'un mécanisme de décision pour les alarmes.

Étant donné qu'il existe de nombreuses méthodes pour créer un NBM, la décision sur laquelle utiliser doit être soigneusement considérée. Les modèles peuvent aller de méthodes statistiques comme la régression à des techniques d'apprentissage automatique complexes. La méthode choisie doit capter efficacement les comportements des éoliennes tout en étant adaptable aux conditions changeantes.

Le principal objectif est d'établir un NBM fiable, qui sert de référence pour détecter les anomalies au sein des données des capteurs. Ce NBM doit être suffisamment robuste pour s'adapter à des conditions opérationnelles variées tout en étant sensible à toute déviation émergente.

#Collecte et Préparation des Données

Les spécificités des données collectées pour l'analyse incluent des relevés de capteurs et des journaux de pannes des éoliennes impliquées dans l'étude. Les données couvrent deux années complètes, comprenant diverses mesures de capteurs, des journaux indiquant les états opérationnels, et des dossiers de pannes survenues.

Ces capteurs mesurent une variété de facteurs, notamment la température et la vitesse de rotation, qui sont cruciaux pour comprendre l'état opérationnel des éoliennes. Les journaux fournissent un contexte précieux pour tout événement extraordinaire qui se produit lors de l'exploitation de la turbine.

En préparant les données pour l'analyse, nous nous concentrons sur la création d'un état sain représentatif des éoliennes, que nous appelons une "turbine Frankenstein". Cette turbine composite utilise les valeurs médianes des mesures de capteurs sains à travers plusieurs éoliennes, filtrant les anomalies ou comportements malsains.

Pour garantir une analyse solide, nous devons également éliminer les périodes précédant immédiatement les pannes connues, car elles représentent des conditions malsaines. De cette manière, nous pouvons créer une vue plus précise de ce à quoi ressemble le fonctionnement normal, nous permettant d'analyser efficacement les écarts.

#Construction du Modèle de Comportement Normal

La prochaine étape consiste à développer le modèle de comportement normal (NBM) en utilisant les données nettoyées et préparées. Le modèle doit représenter avec précision les états opérationnels attendus des éoliennes tout en minimisant l'impact des facteurs externes.

Pour construire le NBM, nous pouvons appliquer des techniques comme l'analyse de régression pour identifier les variables qui impactent le plus la performance des éoliennes. En utilisant des données de régression externes - c'est-à-dire des données de capteurs d'autres composants - nous pouvons créer un modèle plus complet qui prend en compte les interactions entre les différentes parties de la turbine.

Une méthode efficace que nous avons explorée était d'utiliser un modèle de régression qui intègre la saisonnalité et des régressifs externes. Cela nous permet de tenir compte des variations des relevés de capteurs basées sur des tendances saisonnières, rendant le modèle plus robuste et représentatif des conditions réelles.

Un autre aspect clé du NBM est de gérer les écarts. Une fois établi, nous pouvons analyser les résidus, qui représentent les différences entre les prédictions et les relevés de capteurs réels. L'objectif est d'identifier quand ces résidus indiquent une potentielle panne, ce qui nous amène à la prochaine phase de l'analyse.

#Détection des Écarts et Déclenchement des Alarmes

Une fois que nous avons notre NBM en place, le prochain défi est de surveiller les écarts par rapport à ce modèle de manière cohérente. Détecter quand les valeurs diffèrent significativement du comportement attendu est crucial pour générer des alarmes en temps utile.

Pour ce faire, nous pouvons utiliser une somme cumulée des résidus pour suivre les variations au fil du temps. Cette méthode nous permet d'établir des limites de contrôle qui, lorsqu'elles sont dépassées, peuvent indiquer un problème potentiel.

Le mécanisme de décision des alarmes est conçu pour minimiser les faux positifs tout en maximisant l'identification des vraies pannes. Étant donné la quantité limitée de données de pannes disponibles, il est important de trouver un équilibre entre la sensibilité et la spécificité dans le système d'alarme.

Après des pannes connues, le modèle doit être calibré pour refléter le nouvel état opérationnel de la turbine. Cette calibration implique d'attendre une période jusqu'à ce qu'un comportement stable soit observé, puis de réinitialiser le calcul CUSUM basé sur cette nouvelle base.

À mesure que nous continuons à affiner et à évaluer le modèle, nous cherchons également à établir une distribution de probabilité pour les seuils d'alarme. Cela nous permet de choisir divers seuils qui peuvent offrir le meilleur équilibre entre coût et bénéfice dans la détection des pannes, permettant une stratégie de maintenance plus flexible et rentable.

#Études de Cas : Analyse des Performances

Pour évaluer l'efficacité du modèle et des méthodes proposés, il est essentiel de réaliser des études de cas en utilisant des données opérationnelles réelles. En analysant des turbines spécifiques et leur historique opérationnel, nous pouvons mieux comprendre comment le modèle fonctionne dans différents scénarios.

Deux turbines d'intérêt incluent T07 et T11, chacune affichant des motifs de pannes distincts. T07 n'a pas de pannes enregistrées pendant la phase d'entraînement, mais subit une fuite d'huile lors des phases de test ultérieures. En revanche, T11 montre constamment des pannes à travers toutes les phases, liées à une erreur de groupe hydraulique dans le circuit de freinage.

Grâce à une analyse détaillée, nous observons que notre modèle identifie avec succès des pannes potentielles dans T07 pendant les périodes de test, démontrant ainsi sa capacité à généraliser et à surveiller efficacement les turbines qui n'avaient pas précédemment subi de problèmes.

Inversement, en examinant T11, le modèle parvient à trouver des cas de panne de manière efficace. Cela suggère un degré de fiabilité plus élevé dans le modèle, surtout pour les turbines avec un historique de pannes connu.

Il convient également de noter que le modèle et les approches de maintenance aléatoire donnent de meilleurs résultats que la maintenance réactive en termes de coûts d'exploitation. L'analyse statistique à travers différentes turbines montre que les prédictions faites par le modèle étaient constamment plus rentables que de simplement répondre aux pannes après qu'elles se soient produites.

#Résultats et Discussion

Les résultats obtenus à partir de l'analyse suggèrent des perspectives prometteuses sur l'efficacité opérationnelle des éoliennes. En mettant en œuvre une stratégie de monitoring des conditions efficace, nous avons réalisé des économies de coûts significatives à travers plusieurs turbines.

Les économies obtenues fournissent un argument solide pour la nécessité de la maintenance prédictive. Les réductions de coûts moyennes obtenues grâce à un modèle de maintenance proactif surpassent celles d'une maintenance aléatoire et réactive, indiquant que des inspections bien chronométrées conduisent à de meilleurs résultats globaux.

De plus, présenter une distribution complète des résultats offre une vue plus transparente des résultats potentiels par rapport à la simple présentation des meilleurs résultats. Cette approche holistique aide à mieux comprendre à la fois les risques et les avantages associés à l'utilisation du monitoring des conditions et des stratégies de maintenance prédictive.

Les conclusions générales soulignent l'importance critique de concevoir un modèle de maintenance détaillé qui reflète les scénarios opérationnels réels tout en minimisant les coûts. Les travaux futurs pourraient approfondir ces idées en intégrant des algorithmes plus sophistiqués ou en incorporant des flux de données supplémentaires provenant d'autres composants de turbines.

#Conclusion

En résumé, la croissance de l'énergie éolienne présente un avenir prometteur, bien qu'avec des défis liés aux coûts d'exploitation et de maintenance. En exploitant les techniques de monitoring des conditions, nous pouvons considérablement améliorer l'efficacité des éoliennes tout en réduisant les dépenses à long terme.

La méthodologie développée dans cette étude démontre comment une approche complète du monitoring des conditions peut apporter des avantages considérables. Grâce à une préparation minutieuse des données, à l'établissement d'un modèle de comportement normal fiable, et à des mécanismes d'alarme efficaces, nous pouvons grandement améliorer les résultats de la maintenance prédictive.

Notre travail souligne le besoin de recherches et de développements continus dans ce domaine, en se concentrant sur le raffinement des algorithmes, l'expansion des ensembles de données, et l'exploration de différents designs pour optimiser la maintenance des éoliennes. Cette approche aidera à garantir que l'énergie éolienne reste une source vitale et durable d'électricité pour l'avenir.