Par Steve Voss, vice-président chargé de l'analyse avancée chez Power Factors
Voici le quatrième article de cette série Ce qu'il faut savoir sur l'analyse des données solaires. Dans cette série, Steve Voss, vice-président chargé de l'analyse avancée chez Power Factors, vous explique tout ce que vous devez savoir sur l'analyse des données solaires pour tirer le meilleur parti de vos données. Ne manquez aucun article : Suivez Power Factors sur LinkedIn.
Dans cette série, nous avons étudié le modèle d'ascendance analytique de Gartner et son application à la gestion des opérations, de la maintenance et des actifs dans le domaine de l'énergie photovoltaïque.
Nous avons abordé l'analyse descriptive dans les deuxième et troisième articles de cette série. L'analyse descriptive est la première étape - la pratique qui consiste à déterminer ce qui s'est passé. Dans l'industrie photovoltaïque, l'analyse descriptive se manifeste généralement sous la forme d'un rapport : un compte rendu de ce qui s'est passé au cours de la journée, de la semaine, du mois, etc. précédents.
Cet article traite desanalyses diagnostiques sur le site : ce qu'elles signifient, pourquoi elles sont importantes, les opportunités considérables qui existent encore et certains des défis qui y sont associés.
Un aspect délicat de l'analyse diagnostique est sa nature récursive par rapport à l'analyse descriptive, , comme nous l'avons vu ici. Il peut être nécessaire d'avoir recours à plusieurs "pourquoi" pour établir la cause première. Toutefois, il n'est pas toujours nécessaire d'établir une véritable cause première pour prendre une décision (voir l'article 3 pour des exemples). Pour les besoins de cet article, l'analyse diagnostique est définie comme la pratique consistant à déterminer pourquoi cela s'est produit - ou le passage de la compréhension d'un problème à l'évaluation de la réponse appropriée.
Les analyses de diagnostic sont essentielles pour améliorer l'efficacité opérationnelle dans l'industrie photovoltaïque. La détection et la notification rapides de l'état (c'est-à-dire l'analyse descriptive - ce qui s'est passé) est un point de départ important, mais si l'analyse automatisée s'arrête là, le processus nécessite toujours une personne pour diagnostiquer le problème et déterminer l'action corrective appropriée.
Selon la situation, cela peut être coûteux et prendre du temps. Prenons l'exemple simple d'un onduleur qui fonctionne normalement jusqu'au moment où il perd la communication. Il existe de nombreuses explications possibles à ce phénomène.
Par exemple :
L'action requise pour rétablir le fonctionnement normal de l'onduleur est différente dans chaque cas. Par conséquent, il est essentiel de minimiser le temps, les efforts et les dépenses nécessaires pour déterminer l'action appropriée afin d'accroître l'efficacité opérationnelle du système photovoltaïque.
Cela permet de s'assurer que le bon technicien - avec les bons outils, les bonnes pièces et la bonne expertise - est envoyé dès la première fois.
L'analyse diagnostique consiste à trouver et à interpréter un contexte supplémentaire. Si l'analyse descriptive détermine que "cet appareil est en panne" ou que "cet appareil n'est pas performant", le diagnostic nécessite un contexte supplémentaire pour aller au-delà de cette évaluation de base.
L'analyse diagnostique est donc un problème à deux volets :
L'obtention d'informations supplémentaires est en grande partie un exercice de force brute. Le contexte supplémentaire peut provenir de nombreuses sources, telles que
L'interprétation de ces informations supplémentaires nécessite plus de finesse et d'intelligence et reste un processus largement manuel dans l'industrie photovoltaïque - il faut souvent zoomer, dézoomer et examiner les données sous plusieurs angles. Pour un analyste, ce processus est souvent le chemin le plus rapide et le plus facile vers le diagnostic, grâce à la capacité du cerveau humain à utiliser les données disponibles, à combler les lacunes, à filtrer les anomalies, à reconnaître les modèles, à se souvenir du passé et à peser dynamiquement les différents facteurs.
Mais l'objectif final est de permettre à une machine de reproduire — voire d'améliorer — la capacité d'un analyste expert à mener à bien ce processus et à établir un diagnostic correct. Les sections suivantes aborderont certains des défis liés à l'analyse diagnostique autonome ainsi que l'approche Power Factorspour les relever.
Les systèmes photovoltaïques sont relativement simples : il y a peu de choses qui peuvent mal tourner. Il est donc relativement facile de construire un système qui résout un sous-ensemble étroit de scénarios - et c'est la raison pour laquelle il est si tentant de sous-estimer la difficulté de construire des solutions de gestion de la performance des actifs en interne.
Les défis de la caractérisation évolutive du diagnostic photovoltaïque ne viennent pas de la complexité des systèmes eux-mêmes, mais de leur diversité : diversité des équipements, diversité des déploiements et diversité de la capacité des données (qualité et disponibilité des données).
Ainsi, alors qu'il peut être relativement simple de construire un système pour résoudre un ensemble limité de scénarios, l'analyse diagnostique autonome évolutive nécessite un système capable de fournir des informations significatives dans une grande variété de conditions. Cela nécessite un cadre analytique robuste et évolutif.
La solution idéale fournit des informations significatives avec un minimum d'entrées dans un large éventail de scénarios. Elle utilise ensuite des informations supplémentaires, lorsqu'elles sont disponibles, pour améliorer la confiance, la précision, la résolution et la rapidité du diagnostic.
L'approche Power Factorsvisant à mettre en place un système d'analyse diagnostique robuste et évolutif repose sur deux éléments fondamentaux.
Le premier est notre module "Capacité des données"(abordé dans le deuxième article de cette série). La capacité des données est la manière dont les hypothèses de départ explicites sont formulées, testées et communiquées aux utilisateurs et au système.
Le deuxième élément fondamental est l'identification, la classification et la quantification de tous les événements et dégradations explicitement "connus", y compris les pannes, les réductions, l'ombrage et l'écrêtage (y compris l'écrêtage de sous-intervalles), comme le montre la figure 2 ci-dessous. Le filtrage de ces événements explicitement connus permet de calculer un rapport de performance corrigé de la température filtrée (FTCPR).
Cela nous permet d'isoler les périodes de performances normales ou non altérées, ce qui augmente considérablement le rapport signal/bruit et rend l'évaluation des performances plus rapide et plus facile.
Le fait de se concentrer sur cet ensemble de données filtrées facilite un certain nombre d'approches analytiques intéressantes, notamment la caractérisation détaillée des données de performance en courant continu et la caractérisation de la performance à long terme.
Mais l'application la plus pertinente ici est l'analyse diagnostique. Une approche puissante utilise un algorithme d'apprentissage automatique supervisé pour reconnaître des schémas de diagnostic indicatifs dans les données, comme l'illustre la figure 3. L'utilisation des ensembles de données filtrées augmente considérablement la capacité d'identifier et de diagnostiquer d'autres problèmes tels que la neige, les salissures, les coupures de courant continu (c'est-à-dire les fusibles de chaîne grillés) et les défaillances des suiveurs.
De plus, afin de garantir l'évolutivité, Power Factors pour fonctionner avec un dénominateur commun relativement bas, tout en étant capable d'exploiter des informations supplémentaires dès qu'elles sont disponibles. Par exemple, notre approche ne nécessite pas de données sur l'angle des suiveurs solaires, de données côté courant continu ni de données sur les combinateurs de courant continu pour diagnostiquer les problèmes.
L'un des principaux objectifs est de fournir un haut degré de capacité à partir de données modestes, tout en facilitant l'utilisation de données supplémentaires pour améliorer la confiance, la rapidité ou la résolution du diagnostic. L'exemple ci-dessous illustre ces concepts.
Un analyste PV expérimenté pourrait examiner les données représentées dans la figure 3, ajouter le contexte que cet onduleur se trouve dans l'État de New York, et conclure avec un degré de confiance très élevé que cette sous-performance est due à la neige.
Pour un algorithme, nous devons être plus explicites. La façon la plus simple de le faire est d'indiquer à l'algorithme quand il neige et que, si la sous-performance coïncide avec les chutes de neige, la sous-performance est probablement due à la neige. Malheureusement, la plupart des sites photovoltaïques ne fournissent pas de données sur les chutes de neige.
Afin de garantir une base solide pour l'analyse diagnostique, Power Factors des données météorologiques indépendantes (y compris des données sur les précipitations) pour tous les sites surveillés. Cela permet à notre deuxième niveau d'analyse diagnostique de classer les pannes et les baisses de rendement dues à la neige avec un degré de fiabilité comparable à celui d'un analyste photovoltaïque expérimenté — le tout en s'appuyant sur un ensemble d'exigences de base relativement modestes dont nous veillons à ce qu'elles soient respectées pour tous les systèmes.
Cependant, les données météorologiques sont imparfaites : d'autres problèmes peuvent survenir et surviennent effectivement lorsqu'il neige, et nous ne disposons pas d'informations fiables sur la durée pendant laquelle la neige est susceptible de persister sur les modules.
Il s'agit d'un domaine où des informations supplémentaires pourraient être envisagées sur la base de quelques observations simples concernant l'interaction entre le photovoltaïque et la neige :
Avec l'incorporation de ces informations supplémentaires, la confiance dans le diagnostic dépasse maintenant de manière significative le diagnostic initial "janvier à New York". Cependant, les températures mesurées des modules et les données relatives au courant continu et à la tension sont loin d'être disponibles pour tous les sites, ne peuvent pas être déduites pour cette application et ne peuvent donc pas être incluses dans le diagnostic de base sans compromettre l'évolutivité.
C'est pourquoi, afin de rester robuste et évolutif, notre logiciel fonctionne uniquement avec les données du FTCPR et des précipitations. Mais il est suffisamment souple pour permettre d'incorporer des données supplémentaires afin d'obtenir des informations plus approfondies et des évaluations plus fiables.
Cette capacité à prendre en compte des faits précédemment établis (c'est-à-dire la capacité des données et les événements explicitement connus), à incorporer les données disponibles et à examiner un problème sous plusieurs angles est le point où l'analyse diagnostique basée sur les machines commence à rivaliser avec la capacité d'un analyste expert.
Des récits aussi élaborés sont possibles pour d'autres problèmes PV courants, notamment les décrochages de trackers, les défaillances des fusibles des chaînes de courant continu et l'encrassement. Dans tous les cas, l'objectif est de pouvoir partir de la base de référence la plus large (la plus évolutive) possible et de la compléter si nécessaire.
Par exemple, le module « Degraded Classification » Power Factorsidentifie les problèmes liés aux combinateurs ou aux chaînes hors tension en se basant uniquement sur les tendances du FTCPR. Lorsqu'il est complété par les données des combinateurs CC, le diagnostic peut être à la fois plus rapide et plus précis.
L'étude de cas ci-dessous montre à quel point cela peut avoir un impact.
En juillet 2020, le responsable d'un site regroupant quatre usines situées au même endroit en Californie a eu accès au module « Degraded Classification » Power Factorspeu après sa mise en service. Naturellement, il se montrait sceptique quant à la capacité des analyses de diagnostic à distance à offrir des résultats aussi fiables que les inspections sur site, mais il a accepté de tester le module.
Composés de 82 réseaux et onduleurs presque identiques, les quatre sites incluaient des données sur le courant continu de la boîte de raccordement en plus des tendances du FTCPR, ce qui a permis d'obtenir des données à plus haute résolution et un diagnostic plus rapide et plus ciblé.
Au début de l'essai, le responsable du site a dépêché un technicien auprès d'une boîte de raccordement diagnostiquée comme ayant six chaînes hors ligne - pensant qu'il allait démystifier notre analyse et en finir. Mais lorsque le technicien a vérifié le diagnostic et trouvé six fusibles de branche grillés, nous étions sur la brèche.
Un élément clé des quatre sites de cette étude de cas est le fait que chaque site avait son propre accord d'interconnexion et son propre tarif d'achat d'électricité, 16 des 82 onduleurs bénéficiant d'un tarif d'achat d'électricité nettement plus élevé ($/MWh). Ces 16 onduleurs étaient la priorité évidente pour maximiser le rendement.
L'automne 2020 a été consacré au lavage des modules et au remplacement des fusibles de chaîne, mais le premier semestre 2021 fournit une excellente comparaison avant et après le premier semestre 2020.
Grâce à une meilleure caractérisation automatisée des diagnostics et à une application prescriptive humaine, le site a obtenu une amélioration de 0,9 % du rendement de la partie "à faible revenu" de l'usine et une amélioration impressionnante de 3,7 % pour la partie "à revenu élevé" - sans changement dans le personnel ou les dépenses d'exploitation et d'entretien.
Même site, même équipement, même personnel — mais désormais avec les outils d'analyse diagnostique Power Factors.
L'évolution des performances des onduleurs à revenus élevés s'échelonne de +2,2 % à 6,5 %. Pour les onduleurs à faible revenu, les variations vont de -2,4 % à +5,2 %, ce qui indique clairement qu'il y a encore des progrès à faire.
La figure 7 et le tableau 1 ci-dessous illustrent l'impact de cette initiative :
Dans l'exemple ci-dessus, la différence de rendement énergétique entre les onduleurs les plus performants et les moins performants était d'environ 18 %. Pour donner un ordre d'idée, cela équivaut à une panne complète d'onduleur de près de 33 jours au cours de la même période. Ainsi, même s'il sera toujours judicieux de donner la priorité à la détection et à la réponse aux pannes réelles des onduleurs, le fait de ne pas s'attaquer à la sous-performance laisse de grandes quantités d'énergie renouvelable non livrées - et de l'argent sur la table.
Alors que l'industrie solaire continue de se développer, l'un des domaines importants pour l'amélioration continue et la maturation est celui de l'analyse diagnostique. Avec la baisse des coûts des systèmes, l'importance relative des performances des systèmes et de l'efficacité opérationnelle pour assurer la rentabilité est de plus en plus grande. Cela nécessite une automatisation capable d'égaler les capacités des analystes humains - exécutée en continu.
L'évolutivité exige de partir d'une base solide d'analyses capables de répondre à des exigences minimales, tandis qu'une fonctionnalité élevée requiert la flexibilité nécessaire pour intégrer et utiliser des informations supplémentaires lorsqu'elles sont disponibles.
Pour y parvenir, Power Factors adopté une approche consistant à compartimenter les informations en faits distincts. Cette approche présente plusieurs avantages, notamment la possibilité de vérifier la disponibilité et la véracité de chaque élément d'information, la capacité de mettre en place des capacités de diagnostic de base solides, ainsi que la possibilité de compléter efficacement cette base de référence avec des informations supplémentaires dès qu'elles sont disponibles.
Enfin, l'analyse diagnostique représente un tournant clé à partir duquel la gestion des problèmes passe de la compréhension d'un problème à l'évaluation de la réponse appropriée (action). Il s'agit de la transition vers l'analyse prescriptive, qui est le point de départ de la création de valeur.
Le prochain article de cette série traitera de l'application de l'analyse prédictive au photovoltaïque. Le sixième et dernier article portera sur l'analyse prescriptive.
Steve Vossa rejoint Power Factors 2016 et possède plus de 20 ans d'expérience dans le secteur de l'énergie solaire. Avant de rejoindre Power Factors, Steve a travaillé pendant un an chez Panasonic Energy Services et pendant neuf ans chez SunEdison en tant que directeur de l'ingénierie avancée. Steve est titulaire d'un MBA de l'université du Wisconsin à Madison et d'un master en science et ingénierie des matériaux de l'université de Stanford. Il a effectué ses études de premier cycle à l'université du Colorado à Boulder.Retrouvez Steve sur LinkedIn.