Résumé
Après une amélioration technique d'une éolienne, la question se pose souvent de savoir quel changement cette amélioration apporte à la performance de la machine. Par exemple, on souhaite savoir quelle quantité d'énergie supplémentaire est produite après la calibration d'un désalignement de nacelle.
Pour commencer, il est judicieux de comparer la courbe de puissance de l'éolienne sur les périodes précédant et suivant la mesure corrective.
Dans cet article, nous mettons en évidence les imprécisions de cette approche et présentons une approche entièrement nouvelle permettant d'effectuer des comparaisons fiables de courbes de puissance à l'aide de l'apprentissage automatique.
Exemple : correction d'un désalignement du yaw
Nous souhaitons présenter notre réflexion en prenant pour exemple une correction de désalignement de nacelle.
On peut supposer que la calibration d'une erreur de yaw systématique, par exemple grâce à notre Turbit Measurement System (TMS), conduit à une amélioration des performances globales de l'éolienne. Cet article décrit le contexte théorique et physique des effets d'une erreur de yaw sur les performances des éoliennes.
Augmentation théorique de la puissance totale
Si vous prenez les productions annuelles d'une éolienne et y ajoutez un rendement théorique supplémentaire de 1 à 3 %, le bénéfice économique d'une calibration de désalignement de nacelle apparaît clairement.
Preuve d'une augmentation de la production ?
La question se pose toutefois de savoir comment cette augmentation de performance peut être démontrée par de vraies mesures de puissance. Le processus de conversion de l'énergie cinétique du vent en énergie électrique est très complexe et fortement dépendant des paramètres météorologiques.
Problèmes d'une comparaison classique des courbes de puissance
Lorsque vous apportez une modification à une éolienne, vous souhaitez savoir dans quelle mesure cette modification change les performances de la machine. Les performances d'une éolienne ne dépendent pas uniquement de la vitesse du vent. Cela entraîne une variation de la courbe de puissance (puissance par vitesse de vent) selon les conditions météorologiques.
Une comparaison classique des courbes de puissance sur deux périodes ne suffit pas pour identifier précisément quelle en est la cause. Par exemple, les conditions météorologiques peuvent évoluer au fil du temps et influencer ainsi la courbe de puissance.
Dépendance de la courbe de puissance à la densité de l'air
La densité de l'air est, outre la vitesse du vent, l'un des facteurs les plus importants influençant la courbe de puissance des éoliennes. À vitesse de vent égale, la teneur en énergie du vent varie en fonction de la densité de l'air. Plus l'air est dense, plus le vent est énergétique et plus l'éolienne peut convertir de puissance à partir du vent.
La densité de l'air dépend à son tour principalement de la température, de la pression atmosphérique et de l'humidité.
La figure de gauche montre une différence nette dans la courbe de puissance d'une installation entre l'été et l'hiver. La raison principale en est la température moyenne et la densité de l'air différente qui y est associée.
Dépendance de la courbe de puissance à l'intensité de turbulence
De même, la puissance à vitesse de vent identique dépend de l'intensité de turbulence.
Nous ne pouvons 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.
Les mesures conventionnelles avec mâts de mesure sont trop coûteuses et trop complexes.
Nouvelle approche : l'apprentissage automatique
Les réseaux de neurones sont très efficaces 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 des données SCADA historiques grâce à cette méthode. Les données de 10 minutes de toutes les éoliennes d'un parc éolien sont utilisées comme données d'entrée pour le modèle, qui est entraîné à prédire les performances de l'éolienne de test.
Le réseau de neurones apprend ainsi le comportement complexe de la puissance en fonction des différentes directions de vent, pressions atmosphériques et vitesses de vent. Lorsque ce modèle est appliqué à de nouvelles données, les performances de l'éolienne de test peuvent être simulées pour différentes conditions météorologiques.
Lorsque le désalignement de nacelle de l'installation de test est calibré, la simulation peut être comparée aux données réelles. La différence de puissance déterminée, corrigée en fonction du site et des conditions météorologiques, peut être utilisée pour évaluer le succès de la mesure corrective.
1. Training
Pour entraîner la courbe de puissance, nous n'utilisons qu'une partie des données (Training Data). Cela nous donne un jeu de données (Validation Data) que nous pouvons utiliser pour vérifier la qualité de la prédiction de puissance par le réseau de neurones.
2. Training Loss vs. Validation Loss
Si nous comparons maintenant l'erreur de notre training issue des données d'entraînement et des données de validation, nous devons veiller à ce qu'il n'y ait pas de phénomène dit de surapprentissage,
c'est-à-dire que le réseau de neurones apprend les données d'entraînement par cœur sans comprendre les relations fondamentales.
3. Vérification de la cohérence interne
Pour vérifier que 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 de la simulation.
Nous atteignons généralement une précision de 99 %.
4. Comparaison de puissance
Enfin, nous utilisons comme données d'entrée les données mesurées pendant la période de test — par exemple après une calibration — et nous comparons les résultats du modèle d'apprentissage automatique avec les valeurs réellement mesurées. La différence obtenue correspond alors à la production augmentée ou diminuée.
Si ces différences sont intégrées sur une certaine période, on obtient directement une différence en kWh entre la puissance attendue et la puissance réellement produite par l'éolienne de test.
