La numérisation et l’analyse des données soutiennent le déploiement de parcs éoliens en mer
Les technologies éoliennes en mer seront essentielles à la transition énergétique verte de l’Europe qui inclut d’importants objectifs d’intégration des sources d’énergie renouvelables et de réduction des émissions de CO2. L’UE s’est fixé pour objectif d’augmenter sa capacité éolienne en mer de son niveau actuel de 12 gigawatts (GW) à au moins 60 GW d’ici 2030 et à 300 GW d’ici 2050. Le déploiement à grande échelle de l’énergie renouvelable en mer aidera l’UE à atteindre son objectif de neutralité climatique d’ici 2050 et favorisera la croissance économique et la création d’emplois dans toutes les composantes de la chaîne d’approvisionnement en énergie renouvelable. Selon l’Agence internationale de l’énergie, la technologie et la réduction des coûts sont les domaines les plus critiques à améliorer pour encourager le déploiement rapide de la capacité éolienne en mer. Le projet ROMEO financé par l’UE a fourni un système d’aide à la décision destiné à réduire les coûts d’exploitation et de maintenance (O&M), en tirant parti de la surveillance des conditions, des mégadonnées, de l’apprentissage automatique et des analyses basées sur le cloud.
Une modélisation complète pour une aide à la décision avancée
La surveillance de l’intégrité structurelle des systèmes d’énergie éolienne n’est pas une nouveauté. Cependant, selon César Yanes d’Iberdrola Renewable Energy et coordinateur de ROMEO, avant ROMEO, une grande partie des informations et de la valeur des données provenant des systèmes de surveillance de l’état structurel (CMS) n’était pas exploitée. L’optimisation de la collecte et de l’analyse des données dépend fortement des modèles sous-jacents qui décrivent et prédisent avec précision les comportements et détectent les anomalies, et les modèles constituent un aboutissement clé du projet. Des analyses des effets des modes de défaillance et de leur criticité ont été développées au début du projet pour donner un aperçu des défaillances critiques à évaluer en fonction du coût, de la fréquence ou des problèmes d’intégrité et de sécurité structurelles. Les scientifiques ont développé des modèles physiques et d’apprentissage automatique pour les principaux composants des turbines (transmission, palier principal, palier de pale, générateur, transformateur et convertisseur) afin de permettre la détection précoce des défauts, le diagnostic et le pronostic. Les modèles structurels permettront également d’évaluer la fatigue et de détecter les dommages aux fondations des éoliennes. Malgré le haut niveau de confidentialité requis, la collaboration dans le cadre de ROMEO a permis de fournir des modèles, des fonctionnalités analytiques et des scénarios allant au-delà de ce qui était initialement prévu. Les modèles permettent de détecter des défaillances en avance, et les fonctionnalités analytiques aident aux techniciens de maintenance et d’opérations à prendre de meilleures décisions, ce qui réduit les coûts. Certains modèles ont déjà été extrapolés aux parcs éoliens terrestres, un travail qui se poursuivra dans les mois à venir.
De la périphérie au cloud et retour aux décideurs
ROMEO a développé une infrastructure complète de données qui intègre les diverses sources de données opérationnelles de trois parcs éoliens pilotes: Wikinger en Allemagne, Teesside et East Anglia ONE au Royaume-Uni. «Notre infrastructure de données assure la compatibilité avec les modèles qui interprètent les données, en connectant les systèmes de contrôle de surveillance et d’acquisition de données des parcs éoliens, les CMS et d’autres sources de données – y compris un dispositif en périphérie nouvellement déployé, doté de capacités de traitement – au cloud d’IBM. Les modèles, qui fonctionnent dans l’environnement cloud, transmettent leurs résultats à une plateforme de gestion de l’information intuitive en vue d’améliorer la prise de décision», explique César Yanes. ROMEO a intégré les mégadonnées, l’apprentissage automatique, l’informatique en nuage et les dispositifs en périphérie dans un CMS de nouvelle génération doté d’une plateforme de gestion intuitive de l’information. Les technologies holistiques et les outils analytiques favoriseront la transition d’une maintenance basée sur le calendrier et corrective vers une maintenance conditionnelle, tout en réduisant simultanément le nombre de défaillances majeures inopinées et en assurant une meilleure planification logistique. Les résultats préliminaires suggèrent des réductions significatives des coûts d’O&M qui devraient stimuler le déploiement tout en conduisant à des réductions du prix de l’énergie éolienne pour les clients.
Mots‑clés
ROMEO, cloud, parcs éoliens, périphérie, CMS, O&M, apprentissage automatique, maintenance conditionnelle, mégadonnées, opérations et maintenance
