Après une mesure technique sur une éolienne, la question se pose souvent de savoir quel changement cette mesure apportera aux performances du système. Par exemple, vous souhaitez savoir quelle performance supplémentaire apporte le calibrage d'un désalignement de nacelle.

Il convient en premier lieu de comparer la courbe de puissance du système sur les périodes précédant et

suivant la mesure. Dans cet article, nous mettons en évidence les imprécisions de cette approche et présentons une approche plus précise permettant d'effectuer des comparaisons fiables de courbes de puissance grâce au machine learning.

Optimisation de l'erreur de yaw

Lors de la correction d'un désalignement de nacelle, on peut supposer que le calibrage d'un désalignement systématique de la nacelle conduit à une amélioration des performances d'une éolienne. Nous avons détaillé ce point dans cet article.

Rendements supplémentaires théoriques

Si vous additionnez les productions annuelles d'une éolienne avec une puissance supplémentaire théorique de 1 à 3 %, vous pouvez rapidement constater le bénéfice d'un calibrage du désalignement de nacelle.

Preuve de l'augmentation du rendement

La question est toutefois de savoir comment cette augmentation des performances peut être démontrée.

Le processus de conversion de l'énergie cinétique du vent en énergie électrique est

très complexe et fortement dépendant des

paramètres météorologiques.

Les problèmes d'une simple comparaison de courbes de puissance

Si vous apportez une modification à une éolienne, vous souhaitez savoir dans quelle mesure ce changement fait évoluer les performances du système. Or, les performances d'une éolienne ne dépendent pas uniquement de la vitesse du vent. Cela signifie que la courbe de puissance (puissance par vitesse de vent) évolue selon les conditions météorologiques. Pour pouvoir identifier précisément l'effet qu'a, par exemple, un calibrage du suivi de la direction du vent sur la courbe de puissance, une simple comparaison de courbes de puissance entre deux périodes ne suffit pas, car les conditions météorologiques peuvent également varier d'une année à l'autre.

Dépendance de la courbe de puissance vis-à-vis de la densité de l'air

Outre la vitesse du vent, la densité de l'air est l'un des facteurs les plus importants influençant la courbe de puissance des éoliennes. À vitesse de vent égale, le contenu énergétique du vent varie en fonction de la densité de l'air. Plus l'air est dense, plus le vent dispose d'énergie et plus l'éolienne peut convertir de puissance à partir du vent.

La densité de l'air dépend principalement de la température, de la pression atmosphérique et de l'humidité.

Sur la figure de gauche, vous pouvez constater une différence nette dans la courbe de puissance d'un système entre l'été et l'hiver.

Dépendance de la courbe de puissance vis-à-vis de l'intensité de turbulence

De même, la puissance à vitesse de vent identique dépend de l'intensité de turbulence.

Nous ne pouvons donc pas supposer que la courbe de puissance de deux mesures séparées dans le temps est comparable si nous ne mesurons que la vitesse du vent.

Approche validée : le machine learning

Les réseaux de neurones sont très performants pour apprendre des relations complexes. La relation non linéaire, et donc complexe, entre les paramètres météorologiques et les performances d'une éolienne peut être très bien apprise à partir de données SCADA historiques grâce à cette méthode. Les données en intervalles de 10 minutes sont utilisées comme données d'entrée pour le modèle et servent à entraîner le modèle, qui prédit les performances du système de test.

Avant calibrage

Le réseau de neurones apprend le comportement de performance complexe à partir de différentes directions de vent, pressions atmosphériques et vitesses de vent. L'application de ce modèle à de nouvelles données vous permet de simuler les performances de l'installation de test pour différentes conditions météorologiques.

Après calibrage

Si vous calibrez ensuite le désalignement de nacelle du système de test, par exemple, la simulation peut alors être comparée aux données réellement mesurées. La différence de performance déterminée, corrigée des conditions météorologiques et de site, peut être utilisée pour évaluer le succès de la mesure.

1. Training

Nous n'utilisons qu'une partie des données (données d'entraînement) pour entraîner la courbe de puissance. Cela nous fournit un jeu de données (données de validation) avec lequel nous pouvons vérifier la qualité de la prédiction de performance du réseau de neurones.

2. Training Loss et Validation Loss

Si nous comparons désormais l'erreur de notre entraînement sur les données d'entraînement et sur les données de validation, nous devons veiller à éviter ce que l'on appelle le surapprentissage (overfitting), c'est-à-dire que le réseau de neurones apprend les données d'entraînement par cœur sans en comprendre les relations fondamentales.

3. Vérification de cohérence interne (Self Consistency Check)

Pour vérifier si le réseau a bien appris le comportement de performance, nous utilisons des données historiques issues de l'ensemble des données d'entraînement et de validation, et nous contrôlons la qualité du fonctionnement de la simulation.

Dans la plupart des cas, nous atteignons une précision de 99 %.

4. Comparaison des performances

Enfin, nous utilisons comme données d'entrée les données mesurées pendant la période de test, par exemple après calibrage, et nous comparons les résultats du modèle de machine learning avec les valeurs réellement mesurées. La différence correspond alors à l'augmentation ou à la réduction des performances.

Si vous intégrez ces différences sur une certaine période, vous obtenez une différence directe en kWh entre la puissance attendue et la puissance réellement produite par le système de test.