L'IA dans l'exploitation des éoliennes

Transcription :

Je m'appelle Michael Tegtmeier, et j'ai une formation en physique. J'ai travaillé chez Senvion, en me concentrant sur diverses mesures. J'ai analysé de nombreuses données et j'ai constaté que les fabricants, bien qu'ils disposent d'une multitude de capteurs et de données, ne les analysent pas vraiment de la manière dont cela serait possible aujourd'hui, notamment grâce à l'IA. C'était particulièrement évident en 2017.

Aujourd'hui, je souhaite vous présenter ce que nous avons découvert jusqu'à présent et vous donner un aperçu de l'état actuel de l'industrie éolienne. Surtout, j'aborderai les avantages potentiels que l'IA peut apporter aux applications éoliennes et vous offrirai une vision prospective de l'évolution du secteur au cours des cinq prochaines années.

Je vais donc évoquer les capacités de l'IA, non seulement de manière générale, mais aussi spécifiquement dans le secteur de l'énergie éolienne. Je parlerai de la valeur ajoutée qu'elle apporte et des raisons pour lesquelles la direction prise par le développement de l'IA est cruciale. Il est communément admis que le machine learning et le big data sont devenus des termes à la mode, mais je vais tenter d'expliquer pourquoi ils sont importants.

Trois avancées majeures ont marqué l'IA ces dernières années, et l'une des plus importantes est l'entraînement de l'IA sur de grands ensembles de données afin de comprendre les relations entre ces données. Par exemple, j'ai saisi dans le chat : « Vous êtes l'opérateur technique d'une éolienne. Un dommage est survenu sur le palier principal d'une installation ancienne, indiqué par une température élevée. Rédigez un e-mail à l'équipe de service pour demander un échantillon d'huile du palier dès que possible, et ce en 300 caractères. »

Le résultat était un message bien formulé, démontrant que des processus tels que la rédaction d'un e-mail peuvent déjà être efficacement automatisés. À titre anecdotique, l'IA peut également générer des images. Bien que l'image d'éolienne générée comportait quatre pales — une légère inexactitude —, elle illustre néanmoins les capacités de l'IA.

Cela nous amène à la deuxième avancée : la reconnaissance d'objets, qui nécessite d'importantes quantités de données de mesure ou d'ensembles de données labellisées. Cette technologie trouve de nombreuses applications, notamment dans la conduite autonome, mais aussi pour des startups et des entreprises qui détectent des dommages sur les feuilles ou des fissures sur les mâts d'éoliennes grâce à l'IA.

Aujourd'hui, je souhaite vous présenter une approche différente, centrée sur le reinforcement learning. Il s'agit d'un algorithme particulièrement performant pour apprendre à jouer à des jeux complexes. L'idée est qu'un agent IA adapte son comportement dans un environnement selon une fonction objectif spécifique, même s'il ne connaît pas cet environnement. Ce concept est tout à fait applicable à une éolienne.

Les avantages de l'application de l'IA peuvent déjà être mis en évidence de manière assez convaincante. Mais avant d'y plonger, examinons pourquoi cela est pertinent et quels problèmes cela résout. À mesure que les éoliennes deviennent plus grandes, nous sommes confrontés à des défis spécifiques. Par exemple, dans un projet de repowering, si une éolienne sur 50 tombe en panne, ce n'est pas un problème majeur. Mais après le repowering, si je dispose de 17 éoliennes beaucoup plus puissantes et que l'une d'elles tombe en panne, le risque et la perte de rendement sont bien plus importants.

À mesure que les éoliennes augmentent en taille, les contraintes physiques qui s'exercent sur elles s'intensifient, les rendant plus sensibles et sujettes aux pannes. Il y a également la question du manque de personnel et du changement démographique : qui effectuera toutes les tâches nécessaires ? De plus, les fabricants d'équipements d'origine (OEM) ont tendance à transférer ces risques vers des contrats de service complets, ce qui les rend moins vigilants, et les coûts d'opportunité liés aux pertes de rendement finissent sur le bilan des opérateurs.

Par exemple, en cas de problème avec la station de transformation ou une éolienne dans un parc éolien de 17 éoliennes, les coûts liés aux pertes de rendement dus aux longs délais de livraison peuvent rapidement atteindre plusieurs millions d'euros. Lorsque vous additionnez ces dommages et évaluez lesquels peuvent entraîner une perte de rendement, vous arrivez à environ 26 000 euros par mégawatt et par an en raison des temps d'arrêt. Si cela peut être modifié grâce à un logiciel, vous avez réalisé un bon retour sur investissement.

Voici un graphique montrant les statistiques de dommages. Sur l'axe des ordonnées figure la probabilité d'occurrence des dommages, et la taille des bulles représente le temps d'arrêt lorsque le dommage survient. L'essentiel ici est que nous pouvons prévenir de nombreux événements entraînant des temps d'arrêt qui figurent actuellement dans le bilan des opérateurs.

Prenons un exemple concret. Nous avons averti un opérateur et un OEM qu'un générateur était sur le point de tomber en panne. La tendance de la température est illustrée ici, mais notre avertissement a été ignoré. Lorsque l'éolienne a subi une panne totale, le fonctionnement des deux autres éoliennes présentant un comportement similaire a été modifié, évitant ainsi le même sort. Ce que je souhaite souligner ici, c'est que les pannes peuvent être détectées des mois à l'avance. Cela vous donne le temps de planifier le remplacement des composants et de réduire considérablement les temps d'arrêt.

Voici un autre exemple. Une photo a été prise d'une graisse noire sur une éolienne — elle était initialement blanche. Plusieurs semaines plus tard, nous avons émis un avertissement, même si nous n'avions pas détecté de température élevée dans le roulement du rotor. Des mesures préventives simples peuvent être prises, qu'Eric vous expliquera mieux par la suite, je crois.

Tout cela relève du machine learning et du big data. Nous prenons des données historiques et entraînons un réseau de neurones sur la base des comportements passés. Nous savons à quel niveau de précision nous pouvons y parvenir, car nous utilisons des ensembles de données d'entraînement et de validation qui nous permettent de faire des prévisions de température à ±0,5 degré et de production d'énergie à ±30 kW.

Nous utilisons la température extérieure, la vitesse du vent et la direction du vent comme paramètres d'entrée pour prédire la production d'énergie d'une éolienne. Nous pouvons alors faire des prévisions très précises sur le comportement de la production d'énergie, et ainsi identifier de légères déviations, des problèmes de pitch ou des anomalies dans le système de contrôle. Nous pouvons détecter des éléments qui n'étaient auparavant pas visibles.

Vous pouvez voir ici que la courbe de puissance ne correspond pas au standard du fabricant, mais elle a été comparée à une simulation. Les légères déviations sont clairement visibles. En bas, vous pouvez voir la différence entre la simulation et les données réelles.

Maintenant, un aspect crucial est de savoir quoi faire avec tous ces rapports sur les anomalies, les températures élevées, etc. Si je gère un portefeuille de plusieurs centaines d'éoliennes, il est impossible de tout vérifier. Ce que nous faisons, c'est recueillir en permanence les retours de nos clients sur la pertinence de ces alertes. Au fil du temps, un score de pertinence prédit émerge grâce à un système de notation de 1 à 5 étoiles. Dans cet exemple, le score de pertinence a augmenté avant que l'algorithme ne signale un problème, ce qui témoigne de l'efficacité de ce système.

D'une certaine façon, l'algorithme a donc reconnu qu'il devait être attentif. Il a jugé quelque chose pertinent ici. C'est excellent pour hiérarchiser les priorités au sein de grands portefeuilles et identifier quels événements nécessitent notre attention.

Le Graal, si l'on peut dire, est la prédiction des modes de défaillance, ce qui rend cette présentation sur la classification des dommages particulièrement intéressante. En fin de compte, je souhaite une analyse — pas toujours effectuée manuellement, mais de préférence automatisée — indiquant les causes possibles, comme une réduction de la performance.

Cependant, je ne dispose pas toujours de toutes les informations nécessaires. J'ai peut-être quelques codes de statut, mais ils peuvent être difficiles à interpréter. Attribuer tout cela représente un travail considérable. Ce que nous faisons ici, c'est appliquer des labels aux données de nos clients ou aux anomalies que notre système de détection identifie. Nous fournissons ensuite une estimation de la probabilité avec laquelle un futur client les labelliserait.

Dans ce cas, nous observons une marge de progression, mais nous voyons déjà en orange la montée de chaque occurrence, ce qui est extrêmement prometteur comme première indication. Nous n'avons probablement pas à nous préoccuper de l'occurrence en question.

Prenons un moment pour évoquer notre infrastructure IA, que nous avons développée en quatre étapes. Nous sommes convaincus que le système continuera de s'améliorer au fil du temps. La première étape consiste en une ingénierie des données classique : examiner les données brutes et déterminer comment les acquérir. Dans la deuxième étape, nous nettoyons les données à l'aide de méthodes IA ou de méthodes statistiques. Ensuite, dans la troisième étape, nous définissons l'ensemble d'entraînement pour la détection des anomalies. Tout cela fait partie de l'étape de détection des anomalies, où nous utilisons des réseaux de neurones traditionnels et d'autres méthodes statistiques pour la détection des valeurs aberrantes.

Le transfer learning est particulièrement important. Parfois, nous ne disposons pas de beaucoup de données, et nous apprenons donc à partir de jeux de données plus importants. Par exemple, si un parc éolien vient d'être construit, je ne dispose pas encore de données mais j'ai quand même besoin d'une surveillance. Nous apprenons donc au préalable à partir d'installations voisines ou de types similaires, puis entraînons rapidement le système à comprendre le fonctionnement de cette nouvelle installation.

La troisième étape, qui est peut-être la plus cruciale, implique la classification ou la prédiction des modes de défaillance. Nous utilisons ici une autre couche d'IA qui intègre toutes les données disponibles, les différences de codes de statut, les anomalies et tout ce que nous pouvons trouver pour réaliser cette prédiction.

Rien de tout cela ne fonctionnerait si le processus côté client ou les retours de l'équipe de service étaient défaillants. C'est pourquoi nous avons consacré beaucoup de temps et d'efforts à différencier ce processus. La question cruciale avec des milliers d'installations est la suivante : comment pouvons-nous faire passer cela à l'échelle ? La priorisation des alarmes par l'IA est essentielle, et un autre sujet majeur à aborder lors du bilan est de savoir comment amener le prestataire de service à réellement améliorer les événements, voire à initier des interventions sur l'installation.

Avoir confiance dans les données et garantir un faible taux de faux positifs sont des éléments importants. Nous visons la rapidité — envoyer une alarme dans les 36 heures. Nous procédons installation par installation. Par exemple, nous avons 4 000 réseaux en production et recevons en moyenne 120 alarmes par semaine, labellisées par les clients. Cela nous a fourni une riche expérience en matière de détection des pannes.

Alors, vers quoi tout cela nous mène-t-il ? J'ai apporté un vieil article de journal. Il raconte l'histoire de professeurs de mathématiques qui s'inquiétaient lors de l'introduction des calculatrices, craignant de perdre leur emploi. Bien entendu, nous savons que cela ne s'est pas produit — il y a toujours des professeurs de mathématiques, mais les outils et les méthodes d'enseignement ont évolué. De la même façon, les rôles professionnels évoluent. Par exemple, le rôle de l'opérateur technique évolue plus vite qu'on ne pourrait le penser, mais il ne disparaît pas — il est important de le souligner.

Quelles évolutions est-ce que j'entrevois ? L'exploitation assistée par l'IA sera une réalité, avec une IA conseillant sur les points d'attention ou les actions à entreprendre. Parallèlement, la prise de décision à un niveau supérieur sera soutenue par des outils permettant d'évaluer s'il vaut la peine d'envoyer une équipe de service ou non. Il est essentiel de toujours maintenir une supervision humaine, notamment lorsque des coûts importants sont en jeu.

Un autre thème majeur est le big data. Nous devons nous éloigner des intervalles de données de 10 minutes et nous orienter vers des données à 60 secondes, voire seconde par seconde. Il y a beaucoup plus d'informations et de précision dans ces données, ce qui peut améliorer la granularité de la surveillance. Par exemple, si je surveille un azimut qui oscille d'avant en arrière, je ne verrai rien avec des intervalles de 10 minutes. Mais si je veux calculer la durée de vie du moteur d'azimut, je dois examiner les données à la minute.

Dans les cinq prochaines années, nous croyons que les installations seront contrôlées en temps réel. Cela signifie que nous pourrons tenir compte de paramètres tels que : si un composant est complètement défaillant et que le prix de marché de l'électricité est actuellement bas, nous pouvons réduire la production. Inversement, si j'ai un bon prix de marché de l'électricité le soir et que je sais que j'ai une panne, je pourrais réduire la production l'après-midi et fonctionner à pleine puissance lorsque le prix de marché et les conditions de vent sont favorables.

Nous pouvons déployer des agents capables d'apprendre à gérer ces facteurs en constante évolution — tels que la consommation et les prix de marché de l'électricité — en temps réel. Ces tendances sont également perceptibles en offshore, avec de nombreux clients et projets déjà en cours. Les grands projets qui se développent en offshore se produiront également en onshore. De plus en plus de responsabilités incombent à l'opérateur plutôt qu'à l'OEM en raison des risques importants qui y sont associés, et les contrats de service deviennent moins complets.

L'automatisation des processus et des décisions, notamment avec l'IA, est déjà courante en offshore.

Merci de votre attention !