Détection, diagnostic et pronostic pour les éoliennes : développement de modèles basés sur l’autoencodeur variationnel utilisant des données SCADA

Résumé

Les éoliennes sont une des solutions technologiques clés pour la transition énergétique. Une augmentation significative de la puissance éolienne installée dans le monde au cours des prochaines décennies est préconisée pour limiter le changement climatique et ses conséquences. La « Prévision de transition énergétique jusqu’en 2050 » (DNV, 2023) estime que la puissance éolienne installée mondiale devrait être multipliée par un facteur 8 entre 2022 et 2050. Les ambitions d’augmentation du taux de pénétration de l’énergie éolienne à l’échelle globale dépendent de la continuité des tendances de baisse du coût actualisé de l’énergie (LCOE) éolienne. Une des voies pour atteindre cette condition est l’adoption de stratégies optimales pour l’opération et la maintenance (O&M) des éoliennes, visant notamment l’augmentation du taux de disponibilité et la réduction des dépenses d’O&M. À ce jour, les opérateurs analysent l’état de santé des éoliennes à partir des données provenant du système de contrôle et d’acquisition de données (SCADA), présent par défaut dans les éoliennes modernes. La quête pour des stratégies d’O&M optimales motive des recherches dans le domaine du pronostic et la gestion de l’état de santé (PHM). Le processus d’analyse PHM comprend plusieurs étapes, notamment la détection, le diagnostic et le pronostic. Les modèles résultant de ces analyses apportent des informations pour guider la prise de décisions concernant l’O&M, notamment pour orienter des interventions telles que des inspections et des réparations. Des modèles pour la détection et le diagnostic d’anomalies de l’opération sont plutôt bien développés et amplement utilisés chez les opérateurs des parcs éoliens, tandis que le modèle de pronostic pose encore des défis scientifiques et techniques. Aussi, même si les modèles d’intelligence artificielle (IA) présentent un grand potentiel pour améliorer les performances des méthodes pour l’analyse de l’état de santé des éoliennes, leur usage est freiné par le manque d’interprétabilité. Dans ce contexte, cette recherche a investigué l’implémentation du processus d’analyse PHM utilisant des données du système SCADA et des modèles d’IA interprétables. En particulier, la recherche s’est tâchée de détecter des anomalies plus tôt que les méthodes courantes, à diagnostiquer un état dégradé parmi les multiples conditions de santé, et à établir un modèle de pronostic pour les éoliennes. La recherche a priorisé des modes de dégradation impactant les composants critiques des éoliennes, en particulier le générateur, la boîte de vitesses, le roulement principal et les pales. Une base de données SCADA couvrant plus de deux ans d’opération sur environ 120 éoliennes est utilisée pour bâtir et valider les approches proposées. Les investigations ont conduit à choisir la classe des modèles d’IA à variables latentes (LVM), à l’instar de l’autoencodeur variationnel (VAE). Un modèle supervisé, l’autoencodeur variationnel associé à un classificateur (VAEC), permet de projeter l’espace physique de haute dimension des mesures SCADA dans un espace latent de dimensionnalité réduite. L’espace latent est tel que la position géographique du point projeté informe sur la condition d’opération de l’éolienne. L’espace latent du VAEC s’avère représentatif de la condition physique des éoliennes, ce qui permet la définition d’indicateurs de santé pertinents. De surcroît, l’espace peut être défini avec la dimension 2 pour fournir un outil de visualisation commode qui apporte de l’interprétabilité aux approches proposées. Les résultats obtenus ont abouti dans trois articles scientifiques. Le premier article présente le modèle VAEC et démontre son usage pour l’analyse et la représentation visuelle des données SCADA. Une nouvelle approche de surveillance de l’état de santé des éoliennes à partir de l’espace latent du VAEC est introduite. L’indicateur de santé (HI) combine la distance de Mahalanobis par rapport à la distribution de la condition saine dans l’espace latent avec la charte de contrôle de la moyenne mobile pondérée exponentiellement (EWMA). Des études de cas réelles démontrent que l’approche permet de détecter des anomalies avant le système de contrôle associé au système SCADA et des approches basées sur des modèles de régression. Ce premier article démontre l’usage du classificateur du VAEC pour le diagnostic des éoliennes. Les études de cas illustrent le potentiel de l’outil de visualisation intégré pour améliorer l’interprétabilité et la confiance dans les résultats du modèle. Le deuxième article introduit une nouvelle approche de surveillance de l’état des systèmes complexes basée sur une représentation standardisée de l’espace latent duVAEC. Une contribution originale de cet article est d’utiliser la transformation isoprobabiliste de Nataf pour mapper l’espace latent dans un espace standardisé. Dans l’espace standard de Nataf, la condition saine suit la distribution gaussienne centrée réduite, ce qui permet la définition de deux HI complémentaires et la définition de seuils appropriés à partir d’un niveau de confiance prédéfini. De surcroît, l’usage de la transformée de Nataf réduit la sensibilité de l’approche aux hyperparamètres pendant le processus d’apprentissage. L’implémentation sur deux études de cas démontre le potentiel de l’approche proposée et sa capacité à détecter des anomalies plus tôt que des approches concurrentes. Premièrement, l’approche a été appliquée à la base de données du simulateur de moteur d’avion (C-MAPSS) de la NASA. La deuxième étude de cas porte sur une base comprenant des mesures SCADA d’éoliennes modernes comprenant des multiples classes d’opération anormale. Ce deuxième article a également démontré l’utilisation de l’espace latent et de l’espace standard de Nataf comme outils de visualisation, en suivant l’évolution des distributions de points dans ces deux espaces. Le troisième article propose une approche pour estimer la durée de vie restante (RUL) à partir de l’espace latent du VAEC projetant les données SCADA. La projection des ensembles de données orientées temporellement dans l’espace latent produit des trajectoires informant sur l’évolution de l’état du système au fil du temps. Une modélisation cinématique et une régularisation appropriée permettent de décrire la projection dans l’espace latent comme une trajectoire lisse dans l’espace bidimensionnel. L’approche utilise l’expansion de Taylor et la méthode de Monte-Carlo pour estimer, avec un critère définissant la fin de la vie utile (EOL) dans l’espace latent, la densité de probabilité de la RUL. L’application à des cas d’étude de dégradation post-mortem de composants éoliens montre la cohérence entre la RUL estimée et celle de référence. En conclusion, cette thèse présente des approches innovantes pour la détection, le diagnostic et le pronostic des éoliennes à partir des données SCADA, en utilisant un modèle d’IA interprétable. Les trois articles proposés démontrent l’utilisation du modèle VAEC pour l’analyse des relations complexes entre les mesures SCADA. L’espace latent du VAEC a permis d’implémenter le processus d’analyse PHM pour les éoliennes tout en mettant l’accent sur l’interprétabilité des modèles pour faciliter la compréhension et l’adoption par les opérateurs, analystes et techniciens. Les résultats démontrent l’efficacité des indicateurs de santé définis à partir de l’espace latent, permettant une détection précoce des anomalies et un diagnostic précis. Le modèle de pronostic proposé, basé sur une projection en trajectoire dans l’espace latent, offre une estimation fiable de la durée de vie résiduelle des éoliennes. Ces contributions techniques, en plus des retombées scientifiques, posent les bases pour le développement de solutions informatiques pouvant être intégrées aux outils de suivi de performance des éoliennes, favorisant ainsi le transfert technologique et l’application industrielle des approches développées. Les produits de la recherche ont donc le potentiel de soutenir les décisions relatives à l’O&M des éoliennes afin de réduire les coûts tout en augmentant la fiabilité et la disponibilité des installations. Le dernier chapitre de la thèse présente des recommandations pour les recherches futures ainsi que pour le transfert technologique et le déploiement des méthodes proposées.

Date	15 juil. 2024
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Antoine Tahan (Directeur(-trice)) & Francis Pelletier (Codirecteur(-trice))