Mieux surveiller l’état de santé des éoliennes grâce à l’IA

Renforcer la confiance dans les éoliennes en tant qu’actifs fiables et rentables

Les éoliennes émergent comme une solution technologique majeure dans la lutte contre les changements climatiques. À l’horizon 2050, le secteur de l’énergie éolienne devrait générer plus de 35 % de l’électricité consommée globalement [2]. Néanmoins, le développement de l’infrastructure éolienne dans le monde entier dépend de l’acceptation sociale, des coûts par kWh concurrentiels, de la motivation du marché financier et des politiques gouvernementales incitatives. Or, toutes ces exigences sont étroitement liées à la confiance des intervenants envers les éoliennes en tant qu’actifs fiables et rentables. Dans ce contexte, surveiller l’état de santé des éoliennes est primordial. Détecter et diagnostiquer les conditions anormales le plus tôt possible permet de planifier et de mettre en place des interventions efficaces comme arrêts d’urgence, inspections et réparations. Résoudre les dégradations avant qu’elles ne deviennent des défaillances sévères permet aux opérateurs de garantir la sécurité, la fiabilité et la rentabilité de l’éolienne tout au long de leur durée de vie. Ainsi, les modèles de surveillance de l’état de santé visent à renforcer la confiance dans l’énergie éolienne comme solution durable pour l’avenir [3].

Surveillance de l’état de santé des éoliennes: des données aux actions concrètes

Les éoliennes modernes sont équipées d’un grand nombre de capteurs ; typiquement, une éolienne avec une puissance installée de 5 MW compte plus d’une centaine de canaux de mesure [4]. Les mesures fournies par ces capteurs donnent une description détaillée de l’état physique des éoliennes. Actuellement, les opérateurs se servent de ces données pour analyser l’état des éoliennes. La figure 1 présente deux exemples de conditions anormales critiques et leurs signatures respectives dans l’espace des mesures.

Figure 1 Conditions anormales critiques des éoliennes. (a) Givre sur les pales [5]. (b) Signature du givre (ICE) dans la courbe de puissance, soit le graphique de la vitesse du vent versus puissance active.

(c) Cage du roulement principal déformée plastiquement [6]. (d) Signature de la dégradation du roulement principal (BEA) dans le plot de la vitesse du rotor versus la température du roulement principal.

Les modèles classiques de surveillance de l’état se concentrent juste sur un sous-ensemble des mesures. De ce fait, une partie considérable de l’information disponible n’est pas prise en compte. Les progrès récents en puissance de calcul et en IA offrent de nouvelles possibilités dans l’exploitation des bases de données opérationnelles des éoliennes. Malgré les résultats très prometteurs des modèles d’IA, leur utilisation en industrie est limitée à cause du manque d’interprétabilité et de fiabilité [7]. Notre travail [1] présente une nouvelle approche de surveillance de l’état basée sur IA avec un outil de visualisation intégré. Notre objectif est de convertir les données brutes en informations interprétables et utiles pour orienter des choix sur l’opération et la maintenance des éoliennes.

Une nouvelle approche de surveillance de l’état de santé des éoliennes basée sur l’IA

Le domaine de l’IA est diversifié et est en plein essor. Nous avons exploré le modèle de l’auto-encodeur variationnel couplé à un classificateur (VAEC, Variational Autoencoder embedded with a classifier). Ce modèle puissant se distingue par sa capacité à projeter un système complexe de haute dimension dans un espace représentatif de basse dimension, généralement un espace 2D ou 3D. Cet espace, dit espace latent, révèle les propriétés de l’espace physique d’origine [8,9]. Les données opérationnelles d’un grand parc éolien ont permis d’entraîner le modèle VAEC. La figure 2 illustre l’espace latent correspondant, où z1 et z2 sont les variables latentes. Dans cet espace, le cluster HY (bleu) correspond à un fonctionnement sain. Les autres clusters correspondent à des conditions anormales telles que la surchauffe du roulement principal (BEA) et le givrage des les pales (ICE).

Figure 2 Diagramme du modèle VAEC représentant l’encodeur, le décodeur et le classificateur.

Une fois le VAEC entraîné et validé à partir d’une base de données d’opération des éoliennes, la projection sur l’espace latent de nouvelles données d’une éolienne choisie fournit des informations sur son état de santé. L’espace latent du VAEC permet ainsi de définir une approche de détection. De plus, le classificateur du modèle fourni la classe de l’état et, donc, le diagnostic. Des résultats encourageants découlent de l’approche proposée, avec la détection de dégradations critiques plus tôt que les approches concurrentes.

Une autre nouveauté de notre proposition est l’utilisation de l’espace latent comme outil de visualisation. L’espace latent 2D permet d’interpréter aisément les résultats obtenus, ce qui améliore l’interprétabilité des modèles de surveillance de l’état de santé. La figure 3 illustre la projection des données d’opération de deux éoliennes.

Figure 3 Outil de visualisation projetant : (a) éolienne en bon état ; (b) éolienne avec dégradation du roulement principal (condition BEA).

Chaque point projeté indique l’état de l’éolienne à un jour donné, et la carte des couleurs cyan-magenta indique la progression dans le temps. Sur la figure 3 (a), la trajectoire de l’éolienne reste dans le cluster HY, suggérant que cette éolienne est restée en bon état pendant la période examinée. Au contraire, la figure 3 (b) montre une trajectoire qui commence (points cyan) dans le cluster HY, mais qui se déplace ensuite vers le cluster BEA, indiquant la dégradation du roulement principal. Les auteurs estiment que cette représentation interprétable peut renforcer la confiance dans les résultats des modèles d’IA et faciliter la communication entre analystes, opérateurs et techniciens. Cette représentation visuelle peut être un grand atout pour la surveillance de l’état de santé des éoliennes.

Conclusion

En guise de conclusion, les principales contributions de notre travail sont :

• L’étude présente une nouvelle approche en détection précoce de conditions anormales des éoliennes. L’approche proposée est basée sur le modèle VAEC pour améliorer l’interprétabilité et la confiance dans les résultats ;
• Un outil de visualisation est intégré au modèle VAEC. L’espace de représentation permet un suivi clair et interprétable de l’état de l’éolienne au fil du temps. Cette meilleure interprétabilité facilite la communication et les interactions entre analystes, opérateurs et techniciens ;
• Des études de cas avec des données opérationnelles réelles ont démontré l’efficacité de l’approche proposée dans la prédiction et le diagnostic de conditions anormales des turbines plus tôt que ne le permettent les méthodes concurrentes ;
• Bien que la mise en place de cette approche demande du temps et des ressources considérables, elle apporte des gains significatifs au suivi de l’état de santé des éoliennes.

Pour plus de détails sur les résultats présentés dans cette version abrégée, veuillez lire notre article [1]. Des recherches plus approfondies sont en cours et les résultats seront publiés prochainement. Faire de la recherche et coder pour un monde durable, ça vous chante ? Notre équipe recrute ! N’hésitez pas à nous contacter.