Data mining for diagnosis, monitoring, and prediction in wind power plants

Résumé

De nos jours, les sources d'énergie renouvelables jouent un rôle clé dans l'ingénierie des systèmes électriques. Parmi la multiplicité des sources d'énergie, l’énergie éolienne est plus populaire en raison de ses avantages substantiels tels que le bas coût de l’énergie produite, sa technologie bien établie et le fait qu'elle soit plus accessible. Cependant, ce type de technologies a des coûts considérables qui peuvent réduire les bénéfices des investisseurs et des consommateurs. Parmi les différents coûts, les coûts d'exploitation et de maintenance jouent un rôle clé, car de nombreuses éoliennes installées vieillissent. Pour réduire les coûts d’exploitation et d’entretien, il est essentiel d’actualiser les stratégies définies pour la surveillance de l’état dans les parcs éoliens. L’outil de surveillance de l’état approprié doit être développé après avoir effectué une étude complète des techniques de surveillances de l’état existantes. Pour passer d’une surveillance de l’état manuelle à une approche automatique et intelligente, les concepts d’apprentissage automatique et d’exploration de données seront utilisés dans cette application. La nécessité d’une stratégie moderne de surveillance de l’état coïncide avec l’émergence de l’apprentissage en profondeur au cours de la dernière décennie. Une nouvelle surveillance de l’état est proposée dans cette thèse, afin de surveiller la température des enroulements des générateurs dans un parc éolien, en utilisant le modèle de mémoire à court terme qui est une méthode de réseau de neurones récurrents. Ce modèle d’apprentissage en profondeur est un choix pratique et unique pour la prédiction en raison de sa capacité à prendre en compte les dépendances à long terme entre les caractéristiques séquentielles d’entrée qui, dans ce cas, sont l’ensemble des données chronologiques fournies par le système SCADA. Les données chronologiques de SCADA sont fournies par Power Factors qui dispose d'une vaste base de données d'informations sur les performances des différentes centrales électriques, qui a été rassemblée par un système SCADA à une fréquence de 1 Hz. Le nouveau modèle proposé dans cette thèse est évalué à partir d’un parc éolien dans la province de Québec (Canada), où les scénarios de cas seront des conditions de fonctionnement sain et anormal. De plus, le signal d’erreur est calculé entre les signaux réels et prédits pour évaluer la bonne performance du modèle. Enfin, ce modèle est comparé avec le modèle de régression linéaire multiple pour montrer l’efficacité et la grande précision du modèle proposé.

Date	14 août 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ambrish Chandra (Directeur(-trice))