Améliorer l'efficacité énergétique des centrales CSP grâce à des modèles de prévision de salissures

Les centrales solaires à concentration (CSP) utilisent de grands miroirs, appelés héliostats, pour capter la lumière du soleil et la transformer en énergie. Pour rendre cette conversion d'énergie efficace, les miroirs doivent réfléchir le maximum de lumière possible. Cependant, l'un des plus gros problèmes auxquels ces miroirs font face est "l'encrassement", qui est l'accumulation de poussière et de saleté sur leurs surfaces. Cette saleté peut réduire la quantité de lumière du soleil que les miroirs reflètent, entraînant une baisse de production d'énergie pour la centrale.

L'encrassement n'est pas le même partout. Dans certains endroits, les miroirs peuvent devenir un peu sales, tandis que dans d'autres, ils peuvent se salir très rapidement. Cela entraîne pas mal de variations dans la quantité d'énergie que ces centrales peuvent produire. Malheureusement, de nombreuses études qui ont essayé de prédire combien d'énergie serait perdue à cause de la saleté n'ont pas pris en compte l'incertitude dans leurs prévisions. Cet article présente de nouvelles façons de modéliser ce problème en se concentrant sur l'incertitude liée à la mesure et à la prévision de la saleté des miroirs.

#Importance de la Réflectance pour la CSP

Pour les centrales CSP, garder les miroirs propres est crucial pour maintenir leur efficacité et, par conséquent, leur rentabilité. Le coût du nettoyage de ces miroirs s'ajoute aux dépenses opérationnelles des centrales CSP, surtout lorsqu'on utilise des méthodes comme l'eau et les brosses. Il est donc essentiel de trouver un équilibre entre les coûts de nettoyage et les pertes d'énergie dues à l'encrassement. Certaines recherches ont examiné la planification des nettoyages en fonction de la saleté prévue des miroirs, mais ces approches ont besoin de meilleures données sur l'évolution de l'encrassement dans le temps et selon les différentes conditions météo.

La quantité de saleté sur les miroirs peut changer chaque jour en fonction de nombreux facteurs comme la vitesse du vent, l'humidité et les saisons. En conséquence, les conditions locales peuvent entraîner une large gamme de taux d'accumulation de saleté, qui peuvent varier de 0,1 % à 5 % ou plus par jour. Savoir à quel point les miroirs vont se salir peut aider les opérateurs de centrales à déterminer quand et à quelle fréquence les nettoyer. Si une centrale ne nettoie pas ses miroirs assez souvent, elle perdra de la capacité de production ; si elle les nettoie trop souvent, elle dépensera plus en nettoyage que nécessaire.

#Différents types de modèles pour la prévision de l'encrassement

De nombreuses méthodes ont été développées pour prédire combien de saleté s'accumulera sur les miroirs. Ces modèles peuvent être classés en deux types principaux : les Modèles Statistiques et les Modèles physiques.

Les modèles statistiques utilisent des données collectées lors d'expériences où des mesures de réflectance ont été prises avec des données météorologiques. Ces modèles analysent ces données pour trouver des motifs qui peuvent prédire combien de saleté s'accumulera en fonction de certains facteurs environnementaux. Bien que ces modèles puissent fournir des prévisions précises, ils n'expliquent pas les processus physiques sous-jacents de l'encrassement.

D'un autre côté, les modèles physiques se concentrent sur les processus réels qui mènent à l'encrassement, comme la manière dont les particules de poussière se déposent sur la surface du miroir et comment elles interagissent avec la lumière du soleil. Ces modèles s'appuient sur des principes physiques pour décrire les différentes étapes de l'accumulation de poussière. Bien qu'ils offrent plus d'informations sur le processus d'encrassement, ils peuvent parfois manquer de nuances car ils nécessitent des données spécifiques pour des prévisions précises.

#Lacunes dans la recherche actuelle

Malgré les progrès réalisés dans le développement de modèles prédictifs d'encrassement, il existe encore d'importantes lacunes. L'un des principaux problèmes est que, bien que de nombreux modèles se concentrent sur leur capacité à s'ajuster aux données, ils manquent souvent l'incertitude impliquée dans ces prévisions. Il est crucial de savoir à quel point nous pouvons avoir confiance dans nos prévisions car cette incertitude peut avoir un impact significatif sur les décisions de nettoyage.

De plus, la plupart des études existantes ont utilisé des données à long terme collectées dans quelques endroits, généralement sur plusieurs mois. Cette approche peut être chronophage et ne pas être réalisable pour tous les lieux. Une meilleure stratégie pourrait impliquer l'utilisation de campagnes de mesure plus courtes qui fournissent tout de même des informations sur les taux d'encrassement.

Enfin, de nombreuses études sur les pertes dues à l'encrassement ont été menées dans des parties du monde comme l'Europe et l'Afrique du Nord, laissant un vide dans la compréhension de la manière dont l'encrassement se comporte dans d'autres régions comme l'Australie. Cela signifie que les modèles existants pourraient ne pas saisir les conditions uniques trouvées dans différents paysages et climats.

#Développements de nouveaux modèles

Pour répondre à ces problèmes, deux nouveaux modèles ont été développés pour prédire les pertes dues à l'encrassement. Les deux modèles se concentrent sur la compréhension des Incertitudes dans le processus d'encrassement. Le premier modèle s'appuie sur un modèle physique antérieur, tandis que le second propose une approche simplifiée.

#Modèle semi-physique

Le modèle semi-physique combine la physique avec des éléments d'analyse statistique. Il introduit des modèles d'incertitude sur la vitesse à laquelle la poussière se dépose et inclut des erreurs potentielles dans les mesures. En faisant cela, le modèle peut estimer les niveaux de confiance pour les prévisions, offrant une image plus claire de la quantité de saleté qui peut s'accumuler.

Ce modèle a été testé sur plusieurs sites en Australie, y compris à Brisbane, Mount Isa et Wodonga. Les résultats montrent des variations dans l'efficacité du modèle pour prédire les pertes dues à l'encrassement ; il a bien fonctionné dans certains environnements mais moins dans d'autres.

#Modèle simplifié à moyenne constante

Le second modèle simplifie les prévisions en supposant un taux d'accumulation de saleté moyen constant. Bien que cela puisse ignorer certaines dynamiques compliquées, cela offre une approche plus directe qui peut encore donner des prévisions utiles. Ce modèle permet aux opérateurs d'estimer combien de pertes d'énergie ils peuvent attendre sans nécessiter une collecte de données exhaustive ou des études à long terme.

Les résultats des deux modèles suggèrent qu'une approche simplifiée peut fournir des données précieuses qui aident à planifier les horaires de nettoyage et à évaluer la viabilité économique des centrales CSP.

#Méthodologie des campagnes expérimentales

Pour tester ces modèles, une série de campagnes expérimentales ont été menées dans différents endroits. Chaque site a fourni des conditions uniques qui ont aidé les chercheurs à comprendre comment différents facteurs affectent l'encrassement.

#Expériences à QUT

Le premier site était à l'Université de Technologie du Queensland (QUT) à Brisbane. Ici, des expériences ont été menées sur le toit d'un bâtiment de douze étages. L'installation comprenait six miroirs à différents angles pour simuler comment un héliostat suivrait le soleil. Un échantillonneur de poussière a été utilisé pour mesurer la poussière dans l'air, ainsi que des capteurs météo pour collecter des données sur des facteurs comme la température et l'humidité.

#Expériences à Mount Isa

Le deuxième site était près de la ville minière de Mount Isa. L'installation comprenait plusieurs miroirs orientés dans différentes directions pour évaluer l'influence du vent sur l'accumulation de poussière. La zone environnante de Mount Isa offrait un environnement différent, caractérisé par un sol rouge et une végétation typique.

#Expériences à Wodonga

Le troisième site était à Wodonga, où des expériences ont été menées sur un parking d'usine. Cet environnement a offert des conditions d'exposition à la poussière différentes. Comme pour les autres sites, les miroirs ont été mesurés pour leur réflectance, et la poussière a été échantillonnée à l'aide d'équipements spécialisés.

Chaque installation expérimentale comprenait une surveillance détaillée des conditions environnementales pour garantir que des données précises puissent être collectées.

#Résultats et conclusions

Les résultats des expériences sur différents sites montrent l'efficacité des deux modèles élaborés pour prédire les pertes dues à l'encrassement. Les tests initiaux ont montré que :

1. Performance des modèles : Le modèle semi-physique a pu capturer les effets des différents angles d'inclinaison sur les pertes de réflectance de manière efficace. En revanche, le modèle simplifié a bien performé dans l'ensemble et a montré un bon pouvoir prédictif sur les ensembles de données de validation.

2. Estimations des pertes quotidiennes : Les résultats ont indiqué que les pertes quotidiennes dues à l'encrassement variaient considérablement en fonction des conditions locales et des charges de poussière. Par exemple, Brisbane a enregistré environ 0,5 point de pourcentage par jour en moyenne, tandis que Mount Isa a montré des pertes plus faibles, autour de 0,1 point de pourcentage.

3. Impact des charges de poussière : L'étude a révélé que des charges de poussière plus importantes entraînaient une plus grande variabilité dans les pertes d'énergie prédites. Les événements de forte poussière ont résulté en des intervalles de prédiction plus larges, indiquant la nécessité d'une meilleure compréhension et prévision du comportement de la poussière.

4. Évaluation de l'incertitude : En intégrant l'incertitude dans les modèles, les chercheurs ont pu fournir des intervalles de confiance pour leurs prévisions. Cela est crucial pour les opérateurs de CSP, car cela les aide à évaluer la fiabilité des prévisions, facilitant ainsi une meilleure prise de décision.

#Conclusion

L'étude souligne la nécessité de modèles robustes capables de prédire efficacement les pertes dues à l'encrassement des miroirs CSP. En se concentrant sur les incertitudes et en simplifiant les facteurs complexes affectant l'encrassement, les nouveaux modèles offrent aux opérateurs des outils précieux pour mieux gérer les stratégies de nettoyage et optimiser la production d'énergie.

À l'avenir, d'autres campagnes expérimentales dans des environnements divers sont nécessaires pour affiner ces modèles davantage et améliorer leurs capacités prédictives. Comprendre comment différentes conditions géographiques et météorologiques affectent l'encrassement aidera l'industrie CSP à mieux se préparer aux défis opérationnels et à améliorer son efficacité globale.

Alors que la technologie CSP continue d'évoluer, avoir des outils précis pour prédire la performance des miroirs solaires deviendra de plus en plus important pour maximiser la production d'énergie et réduire les coûts.