FR3103861A1 - Dispositif, procédé et produit programme d’ordinateur pour l’identification des modes de fonctionnement des éoliennes. - Google Patents
Dispositif, procédé et produit programme d’ordinateur pour l’identification des modes de fonctionnement des éoliennes. Download PDFInfo
- Publication number
- FR3103861A1 FR3103861A1 FR1913537A FR1913537A FR3103861A1 FR 3103861 A1 FR3103861 A1 FR 3103861A1 FR 1913537 A FR1913537 A FR 1913537A FR 1913537 A FR1913537 A FR 1913537A FR 3103861 A1 FR3103861 A1 FR 3103861A1
- Authority
- FR
- France
- Prior art keywords
- data
- learning phase
- operating modes
- turbine
- during
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004590 computer program Methods 0.000 title claims abstract description 5
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 19
- 230000007257 malfunction Effects 0.000 description 11
- 238000013480 data collection Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
La présente invention concerne un procédé, un dispositif et un produit programme d’ordinateur pour l’identification des modes de fonctionnement des éoliennes qui mettent en oeuvre les étapes consistant à :. collecter pendant une phase d’apprentissage des données mesurées sur une turbine et classer ces données en modes de fonctionnement distincts préétablis par discrimination de distribution de points de mesure sous forme de droites,. puis identifier un mode de fonctionnement réel en comparant les modes de fonctionnement distincts préétablis avec des données mesurées sur une turbine dont on cherche à identifier le mode de fonctionnement en cours. Figure pour l’abrégé : Fig. 10
Description
DOMAINE DE L’INVENTION
La présente invention concerne le domaine des énergies renouvelables éoliennes.
Plus précisément la présente invention porte sur un dispositif et un procédé d’identification automatique des modes de fonctionnement des éoliennes.
Plus précisément encore, la présente invention porte sur un dispositif et un procédé d’identification automatique de différents modes correspondant à un mode de production dite normale et à d’autres modes de sous-performance.
Le dispositif et le procédé conformes à l’invention ont notamment pour objectif de permettre en particulier, sans s’y restreindre, de détecter des bridages acoustiques indûment configurés. Ces bridages peuvent en effet engendrer des pertes de production.
Le dispositif et le procédé conformes à l’invention peuvent notamment servir d’outil d’aide à la décision pour des gestionnaires d’actif. En effet, le dispositif et le procédé conformes à l’invention permettent d’alerter sur un potentiel dysfonctionnement d’une éolienne, c’est-à-dire un fonctionnement en sous-performance sans raison. Un gestionnaire peut alors décider d’effectuer une vérification ou une correction sur le terrain ou auprès du constructeur.
En ce sens, le dispositif et le procédé conformes à l’invention s’inscrivent dans un procédé de surveillance des parcs éoliens. Le dispositif et le procédé conformes à l’invention peuvent aboutir à une modification de la configuration du système de pilotage mécanique de la turbine d’éolienne.
ETAT DE LA TECHNIQUE
Pour comprendre la problématique à la base de l’invention, il importe de bien comprendre le fonctionnement des turbines d’éolienne, et en particulier les éléments qui régissent sa production. Il s’agit de l’environnement autour de la turbine, du système de contrôle-commande de la turbine et de la configuration de celle-ci.
Fonctionnement des turbines et définition des différents modes de fonctionnement d’une turbine d’éolienne.
Les éoliennes produisent de l’électricité par la rotation de la turbine, qui est mue par le vent.
La production électrique dépend principalement de la vitesse du vent, et des conditions météorologiques de façon générale (direction du vent, température, humidité, pression, etc.).
Ainsi, il est courant d’utiliser la représentation de la courbe de puissance pour caractériser le fonctionnement d’une turbine. Cette courbe, dont un exemple est donné sur la figure 1, montre la puissance en fonction de la vitesse du vent.
Dans un fonctionnement optimal qu’on nommera normal, les points mesurés suivent une courbe en «S» comme représenté sur la figure 1. Autrement dit, la turbine est contrôlée de sorte à avoir une production optimale pour toute plage de vitesse de vent. Et le fait d’être optimal se manifeste par des points mesurés qui se rapprochent de ce «S».
On notera que la puissance sur de grandes vitesses de vent se stabilise pour limiter la fatigue mécanique. Cette puissance asymptotique est appelée puissance nominale.
Evidemment, comme les conditions de vent varient rapidement, la turbine n’a pas toujours le temps de s’adapter pour se trouver en fonctionnement normal.
Graphiquement, cela se manifeste par des points qui s’éloignent du «S»;
Ainsi, pour suivre ce fonctionnement normal, la turbine doit systématiquement s’adapter aux conditions changeantes du vent (direction et vitesse du vent).
Pour cela, le système de contrôle de la turbine pilote les éléments mécaniques pour s’adapter. Ce système est conçu et géré par le constructeur de la turbine.
Le pilotage se fait principalement sur la direction de la nacelle, pour s’aligner face au vent, et l’angle d’attaque des pâles (cf. figure 2 qui illustre schématiquement la rotation des pâles d’éoliennes autour de leur axe longitudinal pour modifier l’ange d’attaque et la figure 3 qui illustre l’angle d’attaque «i» d’une pâle) en fonction de la vitesse du vent. En effet, à de faibles vitesses, l’angle d’attaque des pâles doit être maximal pour capter le plus d’énergie possible. A l’inverse, sur de grandes vitesses de vent, on réduit cet angle pour limiter l’usure mécanique.
- Par ailleurs, le système de contrôle peut définir plusieurs modes de fonctionnement de la turbine. Autrement dit, pour les mêmes conditions météorologiques, la turbine produirait moins d’énergie qu’elle ne pourrait. Ainsi, le fonctionnement est sous-optimal dans les autres modes de fonctionnement.
- On a ainsi illustré sur la figure 4 une courbe de puissance avec deux modes de fonctionnement. La courbe A illustre un fonctionnement «normal». La courbe B illustre un fonctionnement bridé de la turbine. On voit par exemple sur la figure 4 que pour une vitesse de 10m/s, la production est moins élevée en mode bridée.
- Pour simplifier, on peut considérer qu’un mode sous-optimal est défini par une puissance nominale inférieure au mode normal. De plus, comme le système de contrôle asservit continûment certaines grandeurs, la résultante de la courbe de puissance suit toujours un «S».
- Ces différents modes de fonctionnement sont tout à fait normaux s’ils sont prévus.
Le cas le plus courant correspond à un bridage acoustique.
- Cela consiste à faire tourner moins vite la turbine pour réduire la nuisance sonore. Dans ce cas on force l’éolienne à produire moins d’énergie que ce qu’elle pourrait produire en théorie dans ces mêmes conditions météorologiques.
Ces bridages sont généralement imposés par des textes officiels, indiquant un niveau maximal de bruit autorisé.
Plus globalement, le mode de fonctionnement affichant la plus grande production est ce qu’on appelle le fonctionnement «normal», tandis que les autres modes sont appelés de sous-performance.
On nommera un premier type de mode «bridés». Il s’agit ici d’une configuration opérée par l’exploitant de la turbine pour produire moins que le fonctionnement «normal». Il s’agit par exemple d’un bridage acoustique.
Il faut remarquer que cette configuration est faite par l’exploitant, et non par le constructeur.
Il faut remarquer que cette configuration est faite par l’exploitant, et non par le constructeur.
Un second mode est ce qu’on appelle les «sous-performances intrinsèques». Elles désignent tout écart de production avec le «S» du fonctionnement normal illustré sur la figure 1. Ces écarts sont souvent liés au système de contrôle conçu par le constructeur. Les écarts communs sont dus à l’adaptation de la turbine avec son environnement. Par exemple, lorsque la direction du vent change, la turbine prend le temps de s’ajuster. Durant cet alignement, la production ne suit généralement pas le «S» idéal de la figure 1.
Enfin, il y a des arrêts de fonctionnement.
En plus de cette catégorisation des modes de fonctionnement, ces derniers peuvent être attendus (donc l’apparition de ces modes de fonctionnement est normale) ou imprévus (il s’agit alors d’un dysfonctionnement à corriger). Sans être exhaustif, nous illustrons les différents cas prévus et imprévus.
Un bridage attendu peut être illustré par un bridage acoustique.
Un bridage imprévu peut survenir lorsque la configuration est erronée. Par exemple, si la plage horaire configurée diffère du plan de bridage, alors la turbine peut être placée en fonctionnement à bas régime, alors que ce n’était pas nécessaire. Ainsi dans ce cas, la production serait plus basse qu’elle ne devrait.
Accessoirement, l’effet inverse est aussi possible. Il peut arriver que la turbine ne soit pas bridée lorsqu’elle le devrait, ce qui transgresserait les règles prévues dans les textes officiels.
Une sous-performance intrinsèque attendue correspond à une phase de transition. Autrement dit, quand l’environnement change brusquement, la turbine change d’état pour s’aligner au mieux aux conditions réelles de l’instant. A ce moment-là l’éolienne ne produit pas forcément au maximum.
Une sous-performance imprévue correspond à un système de contrôle vraiment défaillant, faisant produire moins d’énergie qu’elle ne le pourrait. Cela peut se produire par exemple, si le système de contrôle pilote mal la direction de la turbine par rapport au vent.
Les arrêts attendus concernent par exemple les moments de maintenance.
Les arrêts imprévus concernent tout autre arrêt des turbines qui ne devrait pas se produire dans un fonctionnement normal.
Ce sont évidemment les sous-performances imprévues qui posent problème.
En somme, cela correspond à la dissonance entre un mode de fonctionnement attendu et le mode de fonctionnement effectif de la machine. Dans le métier on parle alors de dysfonctionnement.
La question est alors de pouvoir les déceler, et le plus rapidement possible afin de résoudre le problème.
Sur l’importance de la problématique.
Le problème de sous-performance imprévue est à la fois connu et nouveau.
Le problème est connu pour un certain nombre de sous-performances bien identifiées.
Par exemple, c’est le cas d’une mauvaise configuration de la turbine qui était destinée à effectuer du bridage acoustique.
De façon générale, la connaissance sur le fonctionnement des turbines est assez limitée par les exploitants. En effet, le gestionnaire d’actifs n’est pas toujours en mesure d’identifier un mode de fonctionnement normal, ou de détecter un problème de fonctionnement.
Solutions existantes actuelles.
Ce sont les gestionnaires d’actif qui surveillent la performance des éoliennes.
Identifier les modes de fonctionnement de leur parc leur donne davantage d’informations sur leur parc. En particulier, cette information peut permettre de détecter des dysfonctionnements sur leur parc.
Identifier les modes de fonctionnement de leur parc leur donne davantage d’informations sur leur parc. En particulier, cette information peut permettre de détecter des dysfonctionnements sur leur parc.
Cependant actuellement, ces équipes ne disposent pas de processus ni de méthode dédiée pour identifier les modes de fonctionnement de leur parc.
En effet, ces équipes produisent des bilans de production sur leur parc sur les derniers mois. Ces bilans sont l’occasion de diagnostiquer les raisons d’une faible (ou forte) production. Par exemple, une faible production peut être expliquée par de faibles conditions de vent, ou bien parce que le parc a connu une période de maintenance. Dans ces exemples, ce ne sont donc pas des dysfonctionnements.
Les analyses actuelles sont souvent visuelles, à travers l’affichage de graphes. Les équipes observent principalement la courbe de puissance. D’autres grandeurs sont aussi observées: la vitesse du rotor, l’angle des pâles, etc.
De par leur nature, ces analyses actuelles sont parfois subjectives. En particulier, la courbe de puissance ne donne pas toujours une information flagrante d’une sous-performance.
A titre d’exemple la figure 5 illustre une courbe de puissance avec bridage difficilement lisible visuellement. Sur cette figure 5 la courbe de fonctionnement normal est illustrée en A et la courbe de production bridée est référencée C.
Ainsi, les solutions actuelles ne répondent que partiellement à la problématique identifiée. En effet, la méthode actuelle est laborieuse car elle nécessite de regarder précisément la production de chaque turbine manuellement.
Ensuite, elle est peu efficace et peu précise car sujette aux aléas de l’analyse visuelle. En effet, les gestionnaires n’ont pas d’indicateurs numériques calculés dédiés qui permettraient d’avoir plus d’objectivité. Il en ressort que des turbines en sous performance ne sont pas toujours détectées. Ainsi, le temps à passer pour analyser individuellement les turbines sur leurs parcs représente un frein. Par ailleurs, cela engendrerait un coût important lié au temps passé pour l’analyse manuelle.
De plus, les bilans se font en général sur une période relativement longue: généralement mensuelle, voire plus. Cela signifie que, si on détecte un problème de dysfonctionnement, les turbines ont passé déjà beaucoup de temps dans un régime de sous-performance. Ainsi, les pertes économiques peuvent rapidement être très élevées.
BASE DE L’INVENTION
La présente invention a pour but de perfectionner l’état de la technique.
Plus précisément la présente invention a pour but d’identifier objectivement des modes de sous-performances précédemment définis. Ainsi la présente invention a pour objectif de permettre aux intervenants d’avoir une meilleure connaissance du fonctionnement effectif de leur parc.
Les buts précités sont atteints dans le cadre de la présente invention grâce à un procédé d’identification des modes de fonctionnement des éoliennes qui comprend les étapes consistant à:
. collecter pendant une phase d’apprentissage des données mesurées sur une turbine et classer ces données en modes de fonctionnement distincts préétablis par discrimination de distribution de points de mesure sous forme de droites,
. puis identifier un mode de fonctionnement réel en comparant les modes de fonctionnement distincts préétablis avec des données mesurées sur une turbine dont on cherche à identifier le mode de fonctionnement en cours.
La présente invention permet ainsi notamment d’identifier des modes de sous-performance pour une turbine donnée, en garantissant que l’identification soit faite
. aussi vite que possible (par exemple typiquement une fois par jour)
. automatiquement
. et en étant basée objectivement sur des grandeurs numériques.
L’invention permet de s’affranchir des freins techniques existant pour une identification fiable et rapide, notamment :
- D’une part, le nombre conséquent de turbines d’éoliennes à traiter. Effectuer manuellement l’identification des modes de fonctionnement est en effet impossible. Mais l’invention permet de s’affranchir de cette difficulté grâce à un processus robuste et automatisé.
- D’autre part, les turbines d’éoliennes sont de natures variées. Le comportement d’une turbine peut être spécifique à un constructeur. A cet égard la présente invention permet de mettre en place une méthodologie objective, qui s’adapte aux différentes spécificités.
Au-delà de cette identification, la présente invention donne la possibilité de détecter les dysfonctionnements. Dans ces cas, la production étant indûment faible, la présente invention permet d’opérer une correction rapide nécessaire pour rétablir une production normale.
La présente invention concerne également un système de traitement pour l’identification des modes de fonctionnement des éoliennes qui comprend:
. des moyens configurés pour collecter pendant une phase d’apprentissage des données mesurées sur une turbine, classer ces données en modes de fonctionnement distincts préétablis par discrimination de distribution de points de mesure sous forme de droites et mémoriser les modes de fonctionnement distincts préétablis,
. et des moyens configurés pour identifier un mode de fonctionnement réel en comparant les modes de fonctionnement distincts préétablis mémorisés avec des données mesurées sur une turbine dont on cherche à identifier le mode de fonctionnement en cours.
Selon d’autres caractéristiques avantageuses mais non limitatives de l’invention:
- l’étape de collecte et de classement de données pendant la phase d’apprentissage est mis en œuvre par application d’un algorithme d’apprentissage du type mélange de régression,
- l’étape de collecte et de classement de données pendant la phase d’apprentissage est mis en œuvre sur un historique d’au moins 1 an et avec des données à pas de temps de l’ordre de 10 minutes,
- les données d’entrée collectées lors de l’étape de collecte et de classement de données pendant la phase d’apprentissage sont les suivantes:
. le couple moteur et
. la puissance active.
- l’étape de collecte et de classement de données pendant la phase d’apprentissage comprend la mesure de la vitesse du rotor ou du générateur d’une turbine et le calcul du couple moteur par division de la puissance active par la vitesse du rotor ou du générateur,
- lors de l’étape de collecte et de classement de données pendant la phase d’apprentissage une étape affecte chaque point à une distribution la plus probable, en déterminant l’appartenance respective de chaque point à une droite optimale,
- pour affecter chaque point, lors de la phase d’apprentissage, une étape procède à une estimation des paramètres, pente et ordonnée à l’origine, des droites représentatives des distributions, et classifie chaque point vers la droite la plus probable,
- pour affecter chaque point, lors de la phase d’apprentissage, une étape exploite une loi de probabilité d’appartenance d’un point à une droite, exploitant un paramètre de l’écart-type,
la phase d’apprentissage estime itérativement les paramètres optimaux pour identifier les droites par une méthode d’espérance-maximisation,
- l’étape de collecte et de classement de données pendant la phase d’apprentissage comprend une sous étape de configuration manuelle du paramètre correspondant au nombre de modes de fonctionnement attendus,
- l’étape de collecte et de classement de données pendant la phase d’apprentissage comprend une sous étape de nommage de chaque distribution pour identifier chaque distribution par un nom de mode de fonctionnement,
- les mesures et la classification obtenues à la fin de l’étape de collecte et de classement de données pendant la phase d’apprentissage, sont enregistrées en base de données,
- pour chaque mesure, à la fin de l’étape de collecte et de classement de données pendant la phase d’apprentissage une valeur d’indice de confiance est mémorisé,
- l’étape de comparaison des données mesurées avec les modes de fonctionnement distincts préétablis à l’issue de l’étape d’apprentissage est utilisée pour détecter des sous-performances imprévues,
- l’étape de comparaison des données mesurées avec les modes de fonctionnement distincts préétablis à l’issue de l’étape d’apprentissage est utilisée pour extraire des données de mesure, uniquement les fonctionnements normaux des turbines.
Selon un autre aspect de l’invention la présente invention concerne un produit programme d’ordinateur. Ce produit programme d’ordinateur comprend des instructions de code de programme pour l’exécution des étapes du procédé précité conforme à la présente invention, lorsque ce procédé est exécuté par un processeur.
DESCRIPTION RAPIDE DES FIGURES
D’autres caractéristiques, buts et avantages de la présente invention, apparaitront à la lecture de la description détaillée qui va suivre, et en regard des figures annexées données à titre d’exemples non limitatifs et qui illustrent l’invention, et sur lesquelles:
les figures 9 et 10 représentent schématiquement le nommage de trois modes de fonctionnement identifiés,
les figures 13 et 14 représentent un exemple de filtrage de données sur un fonctionnement normal.
DESCRIPTION DETAILLEE DE L’INVENTION
Comme on l’a exposé précédemment et comme cela est schématisé sur la figure 6 annexée, le procédé conforme à la présente invention comprend les étapes consistant à:
. collecter (étape 100) pendant une phase d’apprentissage des données mesurées sur une turbine et classer ces données en modes de fonctionnement distincts préétablis par discrimination de distribution de points de mesure sous forme de droites,
. puis identifier (étape 102) un mode de fonctionnement réel en comparant des données mesurées sur une turbine dont on cherche à identifier le mode de fonctionnement en cours avec les modes de fonctionnement distincts préétablis.
Par ailleurs le système conforme à la présente invention comprend comme cela est schématisé sur la figure 7 annexée :
. des moyens 110 configurés pour collecter pendant une phase d’apprentissage des données mesurées sur une turbine, classer ces données en modes de fonctionnement distincts préétablis par discrimination de distribution de points de mesure sous forme de droites et mémoriser les modes de fonctionnement distincts préétablis,
. et des moyens 120 configurés pour identifier un mode de fonctionnement réel en comparant des données mesurées sur une turbine dont on cherche à identifier le mode de fonctionnement en cours avec les modes de fonctionnement distincts préétablis mémorisés.
Comme cela est schématisé sur la figure 7, de préférence les moyens 110 comprennent au moins un module 112 d’interface homme machine permettant à un utilisateur de saisir des données ou des paramètres ou de valider des options ou de contrôler le processus de traitement, un module 114 comprenant une unité centrale de traitement, un module 116 de mémorisation de données et un module d’affichage 118.
De même comme cela est schématisé sur la figure 7, de préférence les moyens 120 comprennent au moins un module 122 d’interface homme machine permettant à un utilisateur de saisir des données ou des paramètres ou de valider des options ou de contrôler le processus de traitement, un module 124 comprenant une unité centrale de traitement, un module 126 de mémorisation de données et un module d’affichage 128.
Le cas échéant les modules 112 et 122, 114 et 124, 116 et 126 et respectivement 118 et 128 peuvent être communs aux moyens 110 et 120.
Techniquement, l’invention peut être mise en œuvre par application d’un algorithme d’apprentissage, appelé mélange de régression. Ce dernier est de la famille des algorithmes de classification non-supervisées.
L’invention repose sur l’hypothèse que les données de mesure collectées lors de l’étape 100 suivent plusieurs lois de distribution. Par ailleurs chaque loi de distribution est associée lors de l’étape 100 à un mode de fonctionnement particulier de la turbine d’éolienne.
L’utilisation de l’algorithme permet alors de distinguer dans l’espace des données d’entrées, les différentes distributions.
L’étape 100 permet ainsi d’entrainer l’algorithme sur les données mesurées d’une turbine d’éolienne. Il en résulte un modèle qui détecte les modes de fonctionnement de la turbine pour chaque nouvelle mesure reçue.
De préférence dans le cadre de la présente invention l’entraînement opéré pendant l’étape 100 se fait
. sur un historique d’au moins 1 an,
. avec des données à pas de temps de 10 minutes
. et sur une turbine.
Les données d’entrée collectées pendant l’étape 100 sont les suivantes:
. le couple moteur (ce couplemoteur est calculé s’il n’est pas directement mesuré ou connu), et
. la puissance active.
Dans le cas où la mesure du couple est inexistante les données mesurées lors de l’étape 100 peuvent comprendre la mesure de la vitesse du rotor ou du générateur.
La valeur du couple moteur non directement disponible, peut alors être obtenue par calcul. Le couple s’exprime en effet comme la division de la puissance active par la vitesse du rotor ou du générateur.
Par ailleurs la connaissance d’un graphe du couple moteur en fonction de la puissance permet de déterminer les modes de fonctionnement d’une turbine.
On a ainsi représenté schématiquement sur la figure 8 un exemple de graphe d’un couple moteur en fonction de la puissance, comprenant deux modes de fonctionnement. La droite verticale d’abscisse O et à couple négatif concerne la phase de démarrage de la turbine. Cette partie du graphe ne présente pas d’intérêt.
Les moyens 110 sont configurés pour interpréter chaque droite du graphe comme un mode de fonctionnement.
Les moyens 110 sont configurés pour distinguer les points qui suivent des distributions différentes, sous la forme de droites.
Dans le cadre de la présente invention, nous utilisons invariablement les termes «distributions» et «droites» pour désigner la même chose.
L’algorithme mis en œuvre dans le cadre de la présente invention permet de distinguer dans l’espace des données d’entrée, les différentes distributions. Autrement dit, l’algorithme affecte un point à la distribution la plus probable. Cela signifie que ce point est considéré comme appartenant à une droite, plutôt qu’une autre.
Pour effectuer cette affectation, lors de la phase d’apprentissage, l’algorithme mis en œuvre cherche
. à estimer les paramètres des droites, et
. à classifier chaque point vers la droite la plus probable.
Une droite est définie par deux paramètres: la pente et l’ordonnée à l’origine. De plus, pour définir une loi de probabilité d’appartenance d’un point à une droite, le paramètre de l’écart-type est estimé. L’écart-type s’interprète comme la probabilité d’appartenance d’un point à une droite selon la distance à celle-ci.
Ces paramètres (pente, ordonnée à l’origine et écart-type) sont inconnus à l’origine, et sont estimés automatiquement par l’algorithme.
En pratique, la phase d’apprentissage 100 se fait par la méthode d’espérance-maximisation. Cette méthode cherche à estimer itérativement les paramètres optimaux pour identifier les droites. On notera que l’estimation des paramètres et la classification des points se font conjointement avec cette méthode.
L’entraînement opéré à l’étape 100 nécessite la configuration manuelle d’un paramètre: le nombre de modes de fonctionnement attendus.
En pratique ce nombre de modes de fonctionnement attendus peut être fixé au cas par cas par l’utilisateur en fonction de ses connaissances sur le fonctionnement de ses turbines.
A la fin de l’entraînement réalisé à l’étape 100, l’algorithme ne fait que distinguer des distributions de points, qui doivent représenter différents modes de fonctionnement.
De préférence l’utilisateur attribue alors pour chaque distribution identifiée un nom de mode de fonctionnement.
Ceci est schématisé sur les figures 9 et 10.
On distingue en effet sur la figure 9 un graphe sur lequel sont identifié trois modes référencés respectivement «mode 1», «mode 2» et «mode 3», et sur la figure 10 le même graphe comprenant les trois modes renommés en mode «bridage», «normal» et «stop».
Le modèle ainsi obtenu, mémorisé, est alors prêt à être interrogé lors de l’étape 102 à chaque nouvelle mesure reçue de la turbine afin d’identifier son mode de fonctionnement. Ainsi, selon l’emplacement de la nouvelle mesure dans l’espace couple moteur vs. Puissance, celle-ci sera affecté à un mode de fonctionnement.
La mise en oeuvre de l’invention donne une information sur le fonctionnement effectif de la turbine à un instant donné. En pratique, pour chaque mesure reçue de la turbine, on obtient la classification du mode de fonctionnement de la turbine, c’est-à-dire le mode détecté par l’algorithme. En pratique, les mesures et la classification sont enregistrées en base de données. Le tableau illustré sur la figure 11 illustre un exemple de tels enregistrements dans une base de données.
Ce tableau représente un exemple d’enregistrement en base de données des sorties brutes de l'algorithme de classification des modes de fonctionnement.
Chaque ligne représente une donnée mesurée reçue. Pour chaque mesure, l’algorithme donne le mode de fonctionnement détecté dans la colonne intitulée «found class», ainsi qu’une valeur d’indice de confiance en la classification dans la colonne intitulée «% of confidence».
Les informations ainsi obtenues et mémorisées à l’étape 100 par les moyens 110 peuvent être utilisées pour détecter des dysfonctionnements d’une génératrice d’éolienne en fonctionnement.
Plus précisément, l’invention offre la possibilité de comparer un comportement attendu (intuité par un gestionnaire) et l’observation effective du comportement (par la sortie du modèle).
Par exemple, supposons qu’un gestionnaire considère que les conditions de fonctionnement doivent être normales.
Cette supposition vient de son analyse
. d’une part des informations dont il dispose (planning de maintenance, plan de bridage acoustique, …)
. et d’autre part de ses analyses «expertes» (évaluation des conditions de vent, autres indicateurs de production, …).
Le gestionnaire peut alors comparer ses attentes avec le fonctionnement effectif de la machine grâce au résultat du modèle.
Pour cela, il suffit de comparer pour chaque mesure le fonctionnement détecté par l’algorithme avec le fonctionnement attendu par l’expert.
De même, ces éléments sont enregistrés en base de données. Le tableau représenté figure 12 illustre cette base de données.
Le tableau de la figure 12 représente un exemple d’enregistrement en base de données de la comparaison du fonctionnement d’une turbine détecté par l’algorithme conforme à la présente invention et un fonctionnement attendu par un expert.
Une nouvelle colonne intitulée «Theoretical Mode» est renseignée par l’expert pour indiquer le fonctionnement attendu. De plus, la colonne intitulée «Comparison» fait une simple vérification entre les colonnes «found class» et «theoretical mode». Dès qu’il y a différence, on peut adresser une alerte auprès de l’expert.
De façon générale, la présente invention permet d’automatiser la détection d’un dysfonctionnement. Dès qu’on observe un écart entre les fonctionnements attendu et effectif, une alerte est lancée pour signaler un potentiel dysfonctionnement au gestionnaire.
Lorsque le gestionnaire reçoit cette alerte, il peut approfondir l’analyse et éventuellement décider d’une intervention sur le terrain.
En pratique les données de production des turbines d’éoliennes étant remontées dans le système d’information en place, grâce à l’invention les gestionnaires d’actifs peuvent analyser les données disponibles, en particulier pour vérifier le bon fonctionnement du parc d’éoliennes.
En cas de problème, l’équipe qui supervise le parc d’éoliennes peut prendre une décision pour corriger le problème:
- Envoyer un technicien sur le site pour effectuer
- une vérification de bon fonctionnement,
- et/ou une réparation
. Demander des précisions aux constructeurs sur le bon fonctionnement de leur système de contrôle si nécessaire
L’invention apporte une plus-value dans l’analyse des données et donc la prise de décision des équipes. Concrètement, l’invention permet d’identifier automatiquement les différents modes de fonctionnement d’une turbine à chaque nouvelle donnée reçue. Cette information peut être utilisée pour détecter les sous-performances imprévues
La présente invention n’est cependant pas limitée aux modalités d’exploitation qui viennent d’être présentées.
L’algorithme conforme à la présente invention est en effet assez générique. Ses résultats peuvent être utilisés pour bien d’autres buts que ceux mentionnés précédemment.
En particulier, l’invention peut être utile pour extraire des données de mesure, uniquement les fonctionnements «normaux» des turbines. Cela est particulièrement important.
En effet, dans la plupart des études sur les données des turbines, on travaille sur les données de fonctionnement normal uniquement. Les modes de sous-performance sont donc occultés de ces études. Or ce prétraitement qui requiert de ré-identifier ce mode de fonctionnement normal est fastidieux avec les moyens connus de l’état de la technique.
Au contraire récupérer le seul mode de fonctionnement normal est possible et très simple grâce à l’invention.
L’invention permet donc d’alimenter d’autres études sur les turbines.
On a illustré sur les figures 13 et 14 un exemple d’un tel processus de filtrage et prétraitement des données.
Les figures 13 et 14 présentent le filtrage des données sur le fonctionnement normal, effectué en amont des études sur les données.
La figure 13 de gauche présente les données d’origine. La figure 14 de droite présente la courbe filtrée sur seulement le fonctionnement détecté normal. Cette dernière peut alors être utilisée pour les études sur la turbine.
La figure 13 de gauche présente les données d’origine. La figure 14 de droite présente la courbe filtrée sur seulement le fonctionnement détecté normal. Cette dernière peut alors être utilisée pour les études sur la turbine.
L’invention offre un gain important sur deux aspects.
D’abord, l’invention permet un gain de temps conséquent pour les gestionnaires d’actifs. L’invention automatise l’identification des sous-performances et permet de détecter les dysfonctionnements. Jusque présent, les gestionnaires devaient fastidieusement analyser individuellement les turbines.
Par ailleurs, la détection de dysfonctionnement se fait rapidement dans le cadre de l’invention et limite les pertes économiques liées. On passe en effet d’une détection mensuelle, à l’échelle de la journée ou de la semaine, dans le cadre de la présente invention.
De plus, la détection des modes de fonctionnement est plus robuste dans le cadre de la présente invention que les méthodes visuellement utilisées jusque-là.
Claims (17)
- Procédé d’identification des modes de fonctionnement des éoliennes caractérisé en ce qu’il comprend les étapes consistant à:
. collecter (100) pendant une phase d’apprentissage des données mesurées sur une turbine et classer ces données en modes de fonctionnement distincts préétablis par discrimination de distribution de points de mesure sous forme de droites,
. puis identifier (102) un mode de fonctionnement réel en comparant les modes de fonctionnement distincts préétablis avec des données mesurées sur une turbine dont on cherche à identifier le mode de fonctionnement en cours. - Procédé selon la revendication 1, caractérisé en ce que l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage est mis en œuvre par application d’un algorithme d’apprentissage du type mélange de régression.
- Procédé selon l’une des revendications 1 ou 2, caractérisé en ce que l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage est mis en œuvre sur un historique d’au moins 1 an et avec des données à pas de temps de l’ordre de 10 minutes.
- Procédé selon l’une des revendications 1 à 3, caractérisé en ce que les données d’entrée collectées lors de l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage sont les suivantes:
. le couple moteur et
. la puissance active. - Procédé selon la revendication 4, caractérisé en ce que l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage comprend la mesure de la vitesse du rotor ou du générateur d’une turbine et le calcul du couple moteur par division de la puissance active par la vitesse du rotor ou du générateur.
- Procédé selon l’une des revendications 1 à 5, caractérisé en ce que lors de l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage une étape affecte chaque point à une distribution la plus probable, en déterminant l’appartenance respective de chaque point à une droite optimale.
- Procédé selon la revendication 6, caractérisé en ce que pour affecter chaque point, lors de la phase d’apprentissage, une étape procède à une estimation des paramètres, pente et ordonnée à l’origine, des droites représentatives des distributions, et classifie chaque point vers la droite la plus probable.
- Procédé selon l’une des revendications 1 à 7, caractérisé en ce que pour affecter chaque point, lors de la phase d’apprentissage, une étape exploite une loi de probabilité d’appartenance d’un point à une droite, exploitant un paramètre de l’écart-type.
- Procédé selon l’une des revendications 1 à 8, caractérisé en ce que la phase d’apprentissage (100) estime itérativement les paramètres optimaux pour identifier les droites par une méthode d’espérance-maximisation.
- Procédé selon l’une des revendications 1 à 9, caractérisé en ce que l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage comprend une sous étape de configuration manuelle du paramètrecorrespondant au nombre de modes de fonctionnement attendus.
- Procédé selon l’une des revendications 1 à 10, caractérisé en ce que l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage comprend une sous étape de nommage de chaque distribution pour identifier chaque distribution par un nom de mode de fonctionnement.
- Procédé selon l’une des revendications 1 à 11, caractérisé en ce que les mesures et la classification obtenues à la fin de l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage, sont enregistrées en base de données.
- Procédé selon l’une des revendications 1 à 12, caractérisé en ce que pour chaque mesure, à la fin de l’étape (100) de collecte et de classement de données pendant la phase d’apprentissage une valeur d’indice de confiance est mémorisé.
- Procédé selon l’une des revendications 1 à 13, caractérisé en ce que l’étape (102) de comparaison des données mesurées avec les modes de fonctionnement distincts préétablis à l’issue de l’étape d’apprentissage est utilisée pour détecter des sous-performances imprévues.
- Procédé selon l’une des revendications 1 à 13, caractérisé en ce que l’étape (102) de comparaison des données mesurées avec les modes de fonctionnement distincts préétablis à l’issue de l’étape d’apprentissage est utilisée pour extraire des données de mesure, uniquement les fonctionnements normaux des turbines.
- Système de traitement pour l’identification des modes de fonctionnement des éoliennes qui comprend:
. des moyens (110) configurés pour collecter pendant une phase d’apprentissage des données mesurées sur une turbine, classer ces données en modes de fonctionnement distincts préétablis par discrimination de distribution de points de mesure sous forme de droites et mémoriser les modes de fonctionnement distincts préétablis,
. et des moyens (120) configurés pour identifier un mode de fonctionnement réel en comparant les modes de fonctionnement distincts préétablis mémorisés avec des données mesurées sur une turbine dont on cherche à identifier le mode de fonctionnement en cours. - Produit programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes d’un procédé selon l’une des revendications 1 à 15 lorsque ce procédé est exécuté par un processeur.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1913537A FR3103861B1 (fr) | 2019-11-29 | 2019-11-29 | Dispositif, procédé et produit programme d’ordinateur pour l’identification des modes de fonctionnement des éoliennes. |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1913537A FR3103861B1 (fr) | 2019-11-29 | 2019-11-29 | Dispositif, procédé et produit programme d’ordinateur pour l’identification des modes de fonctionnement des éoliennes. |
| FR1913537 | 2019-11-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3103861A1 true FR3103861A1 (fr) | 2021-06-04 |
| FR3103861B1 FR3103861B1 (fr) | 2022-07-22 |
Family
ID=69811122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1913537A Active FR3103861B1 (fr) | 2019-11-29 | 2019-11-29 | Dispositif, procédé et produit programme d’ordinateur pour l’identification des modes de fonctionnement des éoliennes. |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3103861B1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3138478A1 (fr) * | 2022-08-01 | 2024-02-02 | Electricite De France | Procede de caracterisation d’etats de fonctionnement d’une eolienne |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120185180A1 (en) * | 2011-01-17 | 2012-07-19 | Dan Frederiksen | Method and monitoring apparatus for automated surveillance of a wind turbine and a method for creating a linear model |
| EP2772643A2 (fr) * | 2013-02-28 | 2014-09-03 | General Electric Company | Système et procédé pour commander une éolienne sur la base des conditions de surface identifiées des pales du rotor |
| EP3296565A1 (fr) * | 2016-09-14 | 2018-03-21 | Senvion GmbH | Procédé et système d'analyse d'un état d'une éolienne |
| US20190362070A1 (en) * | 2018-05-24 | 2019-11-28 | General Electric Company | System and method for anomaly and cyber-threat detection in a wind turbine |
-
2019
- 2019-11-29 FR FR1913537A patent/FR3103861B1/fr active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120185180A1 (en) * | 2011-01-17 | 2012-07-19 | Dan Frederiksen | Method and monitoring apparatus for automated surveillance of a wind turbine and a method for creating a linear model |
| EP2772643A2 (fr) * | 2013-02-28 | 2014-09-03 | General Electric Company | Système et procédé pour commander une éolienne sur la base des conditions de surface identifiées des pales du rotor |
| EP3296565A1 (fr) * | 2016-09-14 | 2018-03-21 | Senvion GmbH | Procédé et système d'analyse d'un état d'une éolienne |
| US20190362070A1 (en) * | 2018-05-24 | 2019-11-28 | General Electric Company | System and method for anomaly and cyber-threat detection in a wind turbine |
Non-Patent Citations (1)
| Title |
|---|
| HANG JUN ET AL: "Fault diagnosis of wind turbine based on multi-sensors information fusion technology", IET RENEWABLE POWER GENERATION, THE INSTITUTION OF ENGINEERING AND TECHNOLOGY, MICHAEL FARADAY HOUSE, SIX HILLS WAY, STEVENAGE, HERTS. SG1 2AY, UK, vol. 8, no. 3, 1 April 2014 (2014-04-01), pages 289 - 298, XP006048060, ISSN: 1752-1416, DOI: 10.1049/IET-RPG.2013.0123 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3138478A1 (fr) * | 2022-08-01 | 2024-02-02 | Electricite De France | Procede de caracterisation d’etats de fonctionnement d’une eolienne |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3103861B1 (fr) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108087210B (zh) | 风力发电机组叶片异常识别方法及装置 | |
| US20220412318A1 (en) | Method and System for Building Prescriptive Analytics to Prevent Wind Turbine Failures | |
| CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
| WO2016086360A1 (fr) | Procédé et système de surveillance d'état de parc éolien | |
| CN112504673B (zh) | 基于机器学习的托辊故障诊断方法、系统及存储介质 | |
| CA2710902A1 (fr) | Systeme integre de maintenance base sur l'etat applicable aux turbines eoliennes | |
| US20190203699A1 (en) | Method and device for monitoring a status of at least one wind turbine and computer program product | |
| CN103912448A (zh) | 一种区域风电场机组功率特性监测方法 | |
| CN109840666B (zh) | 一种预测未来风电机组发生故障的模型构建方法及系统 | |
| CN113982850A (zh) | 融合高低频信号的风机综合健康分析方法及系统 | |
| FR3103861A1 (fr) | Dispositif, procédé et produit programme d’ordinateur pour l’identification des modes de fonctionnement des éoliennes. | |
| Sharma et al. | Condition monitoring of wind turbines: a review | |
| CN103675354A (zh) | 一种风速仪故障检测的方法和系统 | |
| Lis et al. | An anomaly detection method for rotating machinery monitoring based on the most representative data | |
| KR101599210B1 (ko) | 풍력발전기의 이상 진단을 위한 알람 설정 방법 | |
| Daems et al. | Fleet-wide analytics on field data targeting condition and lifetime aspects of wind turbine drivetrains | |
| CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
| CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
| CN111412116A (zh) | 一种风机变桨轴承的失效分析方法 | |
| CN116502043A (zh) | 一种基于孤立森林算法的精轧电机状态分析方法 | |
| CN112660746B (zh) | 基于大数据技术的托辊故障诊断方法、系统及存储介质 | |
| CN115163426A (zh) | 基于ai听诊的风机故障检测方法及系统、风机安全系统 | |
| FR3117175A1 (fr) | Procede de determination de l’etat de fonctionnement d’une eolienne | |
| CN114065618A (zh) | 一种基于微分进化的参数模型拟合风机功率曲线的方法 | |
| EP3650876B1 (fr) | Détection de défaut électrique dans une génératrice |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210604 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |