Mythe n°6 de l'O&M solaire : l'IA va transformer la performance de mon parc de véhicules

"SI SEULEMENT J'AVAIS UN CERVEAU..."

Si vous vendez les dernières technologies d'intelligence artificielle (IA) ou des algorithmes d'apprentissage automatique, c'est que les temps sont durs. Le buzz n'en finit pas. Je l'entends tout le temps : "Nous avons besoin de l'apprentissage automatique et de l'IA pour faire passer les performances de notre portefeuille solaire au niveau supérieur." Le problème, c'est que l'IA n'est pas la solution miracle que beaucoup semblent croire.

Ne vous méprenez pas : je crois beaucoup à l'IA, à l'apprentissage automatique et à l'analyse avancée. Je suis absolument convaincu qu'ils peuvent amener les flottes de certains propriétaires d'actifs à un niveau supérieur de performance opérationnelle. Mais de nombreux propriétaires d'actifs ne sont pas prêts à introduire ces outils sophistiqués dans leur environnement de données de processus. Pourquoi ? La première loi de l'informatique et la première loi de l'entreprise introduisent des obstacles assez difficiles à franchir en cours de route :

Première loi de l'informatique : Garbage in, garbage out (GIGO).

Première loi de la réussite en affaires : Il n'y a pas de raccourcis.

LES DÉCHETS ENTRENT, LES DÉCHETS SORTENT

De nouvelles et puissantes applications d'apprentissage automatique et d'IA sont annoncées chaque semaine. Je ne doute pas que nombre d'entre elles ont un grand potentiel pour découvrir des pertes précédemment non détectées et des défaillances d'équipement imminentes. La plupart d'entre elles partagent cependant un problème de développement commun : Elles sont conçues à partir de données propres, de "qualité laboratoire".

Ils fonctionnent très bien en laboratoire et dans les démonstrations de produits. Ils sont installés et testés pour le client et l'équipe de mise en service s'en va. C'est alors que tout bascule. Que s'est-il passé ? Nous sommes tous soumis à la première loi des données de processus en temps réel : "Vos données ne sont jamais propres à 100 %, à tout moment".

Alors, comment lutter contre la première loi de l'informatique ? Nous construisons une plateforme de données qui ne s'attend pas à ce que les données de processus soient parfaites et en temps réel, et qui n'en a pas besoin pour fonctionner correctement.

Ce que je veux dire par là, c'est que la nature des données de processus en temps réel et en grande quantité est remplie de beaucoup de bruit (c'est-à-dire de mauvaises valeurs et de valeurs manquantes). Cela s'explique par le fait que les capteurs analogiques et numériques sont constamment en train de dériver en termes d'étalonnage et de désétalonnage, de perdre la communication au niveau de l'appareil ou de l'internet, de s'aplatir, de se briser et ainsi de suite. Il n'y a jamais de moment où un grand ensemble de données de processus fonctionne parfaitement, pas même pendant la mise en service.

Alors, comment lutter contre la première loi de l'informatique ? Nous construisons une plateforme de données qui ne s'attend pas à ce que les données de processus soient parfaites et en temps réel, et qui n'en a pas besoin pour fonctionner correctement. Nous construisons une plateforme de données qui est résiliente : une plateforme qui peut fournir des informations de haute qualité malgré les mauvaises données qui l'alimentent.

IL N'Y A PAS DE RACCOURCIS

Pour lutter contre la première loi de l'informatique, nous devons également être réalistes quant à la première loi de l'entreprise : Il n'y a pas de raccourci vers le succès. Une plateforme de données en temps réel doit être conçue pour traiter les mauvaises données en les nettoyant et en les remplaçant si nécessaire. Ensuite, et seulement ensuite, nous ingérons ces données dans nos moteurs d'intelligence artificielle et d'analyse avancée pour le traitement des données.

Nous appelons ce flux de données séquencé "le passage des données vers le haut de la pyramide d'optimisation". Aucun raccourci n'est permis. Chaque étape doit être correctement conçue et rigoureusement respectée si vous voulez obtenir des résultats ayant un impact sur le LCOE.

LA PYRAMIDE D'OPTIMISATION

Si vous cherchez à améliorer sensiblement les performances de votre portefeuille solaire, vous devez fournir des informations exploitables à chaque personne de la chaîne de valeur capable d'influer positivement sur ces performances. Seule une plateforme de données de qualité industrielle, spécialement conçue pour résoudre les problèmes de données de processus du monde réel, sera en mesure de fournir ces résultats.

Assurez-vous que la plateforme de données que vous choisissez possède les composants architecturaux suivants, qui ont été testés avec des données désordonnées (c'est-à-dire normales) à haut volume et à haute fréquence.

ÉTAPE 1 : ACQUISITION DES DONNÉES

La couche d'ingestion des données doit être indépendante du matériel et capable de gérer des milliers, voire des millions de flux de données individuels à des fréquences élevées (seconde et sous-seconde). Les interfaces du système d'acquisition de données doivent être "auto-cicatrisantes", ce qui signifie qu'elles se rétablissent de manière transparente en cas d'interruption des données sans perdre de données au cours du processus.

ÉTAPE 2 : NETTOYAGE DES DONNÉES

Il est essentiel de disposer d'un solide moteur de curation ou de nettoyage des données. Nous appelons ce processus Validation, Estimation et Édition (VEE). La partie la plus difficile, l'estimation et le remplacement des données, est l'étape que la plupart des fournisseurs sautent (en espérant que tout ira bien).

ÉTAPE 3 : DÉTECTION ET CLASSIFICATION DES ÉVÉNEMENTS

Maintenant que nous disposons de bonnes données, nous pouvons traiter nos règles d'ingénierie et d'entreprise pour détecter les problèmes dans nos centrales solaires. La détection d'événements est très difficile et dépend fortement de l'expertise en la matière. Si l'éditeur du logiciel ne dispose pas d'un personnel composé d'anciens responsables de l'exploitation et de la maintenance de l'énergie solaire, il ne connaît pas suffisamment votre activité pour vous aider à résoudre vos problèmes.

ÉTAPE 4 : PRÉDICTION DES PERFORMANCES

Après le nettoyage et la classification des données, nous pouvons estimer la performance de chaque actif en fonction des conditions météorologiques réelles de l'usine.

ÉTAPE 5 : AGRÉGATION ET CONSOLIDATION

Après le nettoyage et l'estimation des performances, les données doivent être stockées sous une forme que les fonctions commerciales et opérationnelles peuvent utiliser pour gérer l'activité, générer des indicateurs clés de performance et suivre les performances du portefeuille.

ÉTAPE 6 : APPRENTISSAGE AUTOMATIQUE ET INTELLIGENCE ARTIFICIELLE

Notez que nous avons franchi cinq étapes clés avant d'être prêts à ingérer les données nettoyées, traitées et classées dans nos applications d'apprentissage automatique et d'IA. Il s'agit là de la clé de l'utilisation concrète et pratique de ces technologies émergentes et des étapes qui manquent généralement si vous ne voyez pas les avantages que vous attendez de l'apprentissage automatique et de l'IA. 

RÉSUMÉ

Les technologies émergentes peuvent avoir et auront un impact positif substantiel sur le LCOE des portefeuilles d'énergie solaire. L'apprentissage automatique, l'intelligence artificielle et l'intégration des données des drones et des robots dans le logiciel de gestion de la performance des actifs offrent un énorme potentiel d'amélioration de la performance thermique et économique des centrales.

Cependant, aucune de ces technologies n'aidera les propriétaires et les exploitants d'installations solaires si elle n'est pas précédée d'un nettoyage adéquat des données. Rappelez-vous que les données de votre usine ont toujours des problèmes et qu'il n'y a pas de raccourcis de données que vous pouvez prendre. Avant d'investir dans l'apprentissage automatique et l'IA, tenez compte de ces deux vérités et assurez-vous d'avoir investi dans une plateforme logicielle de gestion de la performance des actifs résiliente.

Steve Hanawalt est fondateur et vice-président exécutif de Power Factors.