Détection en temps réel de sous-performance énergétique d’éoliennes

• Main Author: Gervais, Maxime
• Format: Others
• Published: École de technologie supérieure 2012
• Online Access: http://espace.etsmtl.ca/1139/1/GERVAIS_Maxime.pdf; http://espace.etsmtl.ca/1139/2/GERVAIS_Maxime%2Dweb.pdf

Le projet a été réalisé dans le cadre d'une collaboration entre BBA, l'École de technologie supérieure, le Technocentre éolien (TCE) et Osisoft Canada. Le TCE a fourni les données pour une période d'un an des deux éoliennes Repower MM92 du site nordique expérimental en éolien CORUS (SNEEC). L'objectif est de développer et d'intégrer des outils de suivi de performance des éoliennes, une branche des systèmes de maintenance conditionnelle. Les outils développés sont la méthode Caselitz, les cartes de contrôle et la méthode des moments centraux. Tous les outils sont développés dans l'environnement Matlab. Les outils Caselitz et Cartes de contrôle sont également intégrés dans le système Osisoft PI du TCE. Ils sont développés à partir de deux modèles de prédiction de la puissance, soit un basé sur la méthode des « bins » et un de type réseau de neurones. Les modèles sont entrainés avec des données s’échelonnant sur une période de 143 jours en utilisant une moyenne 10 min glissante sur 2 min et une moyenne 1 min. La méthode de Caselitz a été développée pour les modèles « bins ». Les cartes de contrôles ont été développées avec les indicateurs ratio de performance et le résidu afin d'avoir une unité de mesure de la performance indépendante de la vitesse d'opération. Les limites sont calculées avec l'écart-type séparé par « bins » de vitesse de 0.5 m/s des indicateurs pour les données de bon fonctionnement. La méthode des moments centraux a été déterminée par essai-erreur. La méthode des moments centraux avec l'indicateur résidu est celle qui concorde le plus avec la méthode des moments centraux. Les indicateurs journaliers : durée (%), pertes (% et kWh) et distance (%) pour des moments centraux sont développées pour chacune des méthodes de détection de sous-performance. Une analyse de corrélation permet de déterminer les méthodes les plus performantes. Pour l'analyse des causes, les 29 journées avec le plus de pertes pour une des deux éoliennes seulement ont été étudiées. Pour ce faire, nous avons utilisé une méthode d’analyse graphique d’indicateurs de givre ainsi que des codes d'erreur de l'éolienne. Les résultats sont décrits dans un tableau sommaire.