Cet article est le dernier d'unesérie de huit articles publiés sur le site . Il traite des quatre principaux défis liés à la surveillance des performances solaires et des moyens de les surmonter.
Comme nous l'avons expliqué dans lequatrième article de cette série ( ), l'objectif d'une plateforme logicielle de surveillance solaire est de caractériser les performances opérationnelles des actifs de l'installation afin de s'assurer que l'équipement fonctionne correctement. Pour la classe d'actifs solaires, cela est particulièrement difficile car les générateurs électriques (modules) des systèmes solaires à grande échelle ne sont pas mesurés, ce qui rend la modélisation de l'état de l'équipement du réseau CC particulièrement difficile.
Le monde des technologies de l'information est actuellement en ébullition en ce qui concerne le potentiel du big data et de l'analyse avancée, et ce pour de bonnes raisons. Avec une mine de données d'exploitation de centrales à exploiter et la promesse d'identifier (ou même de prédire) un comportement anormal de la centrale, il serait dommage de laisser ces données se perdre. En outre, les modèles de performance simples sont limités lorsqu'il s'agit d'identifier les problèmes dans la classe d'actifs de l'énergie solaire.
Cela dit, chez Power Factors, nous avons constaté que les modèles de performance analytique avancés à usage général ne fonctionnent pas bien pour la classe d'actifs solaires. Pourquoi ? La raison tient à deux caractéristiques de la classe d'actifs de l'énergie solaire qui la distinguent des autres classes d'actifs de l'énergie :
Les modèles de performance polyvalents basés sur l'apprentissage automatique, l'intelligence artificielle (IA) et les réseaux neuronaux n'ont pas besoin de savoir quoi que ce soit sur l'actif qu'ils surveillent, si ce n'est ce que l'on peut apprendre par l'observation. Ces algorithmes ne dépendent pas d'un modèle physique de l'équipement surveillé.
En d'autres termes, que l'algorithme d'apprentissage automatique surveille un réfrigérateur commercial ou un générateur de courant continu solaire n'a pas vraiment d'importance. L'algorithme est simplement entraîné à comprendre la signature de performance d'un réfrigérateur ou d'un générateur de courant continu qui se comporte bien. Lorsque cette signature de performance varie de manière statistiquement significative, une alerte est déclenchée.
Mais la plupart des installations solaires n'ont pas de compteur dans le réseau de courant continu. Comme il n'y a pas de mesure au niveau des modules, les algorithmes à usage général ne peuvent pas fournir d'informations détaillées sur la localisation spécifique du problème. Le modèle de performance générique peut communiquer des informations telles que "Les blocs 2 et 5 ne fonctionnent plus aussi bien qu'avant". Il ne peut pas communiquer des informations telles que : "Il y a 7 circuits ouverts dans le bloc 2 et des modules encrassés dans le bloc 5". L'ajout d'un diagnostic détaillé au niveau de l'actif à l'alerte nécessite une plateforme de surveillance dotée d'une connaissance approfondie des modes de défaillance des systèmes photovoltaïques.
Et pour l'industrie de l'énergie solaire, les alertes sommaires sur les pertes de performance des installations ne sont tout simplement pas suffisantes. Pourquoi ? En raison de la distinction numéro deux de la classe d'actifs solaires : Les installations d'énergie solaire ne disposent souvent pas d'équipes sur place et sont géographiquement dispersées. L'investigation d'une alerte de niveau résumé sur le terrain nécessiterait un déplacement coûteux d'un camion.
Toutes les autres catégories d'actifs de production d'énergie ont du personnel sur place ou à proximité pour effectuer cette tâche. Si une enquête sur les performances insuffisantes doit être menée, cette tâche est simplement ajoutée aux tournées quotidiennes des techniciens locaux, sans coût supplémentaire pour le propriétaire. En revanche, la catégorie des actifs solaires ne peut pas justifier le déplacement d'un camion chaque fois que le système de contrôle des performances pense qu'il y a un problème avec l'équipement.
D'après notre expérience, les analyses avancées de l'énergie solaire doivent être développées par des professionnels de l'industrie et utiliser des modèles de performance spécifiques aux actifs. Cela permet d'obtenir des informations fiables sur les performances, avec suffisamment de détails sur le problème pour prendre des décisions rentables concernant le roulage des camions, puis pour corriger efficacement le problème sur le terrain.
Lorsqu'il s'agit de la classe d'actifs solaires, il n'existe pas de vols directs vers les informations sur les performances solaires. On ne peut pas s'attendre à passer directement de la consommation de données par des modèles de performance généraux à des informations fiables et exploitables. Une grande partie du travail de surveillance des performances solaires s'effectue au niveau de la base de données.
Avant de pouvoir obtenir des informations exploitables au niveau de l'équipement de réseau CC, nous devons préparer méticuleusement les données.La plateforme de gestion des performances des actifs (APM) Drive Pro de Power Factors effectue des centaines de tests de capacité et de validation des données avant d'analyser la signature des performances de l'équipement de la baie DC. Ce n'est qu'après avoir appliqué cet ensemble robuste de tests de qualification des données aux données d'exploitation brutes que l'on peut déterminer l'auto-classification des signatures d'événements.
Sans cette étape de préparation des données évolutive et robuste, Drive Pro, comme les modèles de performance généraux, ne pourrait détecter que des anomalies de performance de haut niveau dans le réseau CC. Au cours de nos nombreuses conversations avec les propriétaires et les exploitants de centrales solaires, ceux-ci nous ont fait savoir qu'ils avaient besoin d'un outil qui non seulement leur indique l'existence d'un problème, mais qui leur donne également des informations fiables sur le niveau d'impact et l'emplacement du problème.
Lorsque je demande à nos data scientists, ingénieurs de performance et chefs de produit quel est le meilleur modèle de performance pour identifier les problèmes des panneaux solaires à courant continu, leur réponse est toujours du genre "ça dépend". Nous avons constaté qu'aucun algorithme ou méthode n'est une solution miracle pour détecter tous les types de problèmes de performance des équipements photovoltaïques.
Pour cette raison, Drive Pro utilise une combinaison de modèles de performance et d'algorithmes physiques, empiriques, statistiques et d'apprentissage automatique pour détecter tous les types de pertes dans le réseau CC. Parfois, une simple régression des données est le meilleur outil pour le travail, d'autres fois, les jumeaux numériques et les modèles physiques sont les meilleurs outils à appliquer.
Lorsque j'ai demandé à notre data scientist principal s'il pouvait résoudre le problème du contrôle des performances des systèmes photovoltaïques à l'aide d'un algorithme général, il m'a répondu : "Probablement, mais nous n'aurions pas pu sauter toutes les étapes que nous avons utilisées en tant qu'experts pour traiter, classer et filtrer les données avant de les utiliser dans l'algorithme".
Ma conclusion, basée sur ces discussions et de nombreuses autres avec des experts en énergie solaire, ainsi que sur mes années de surveillance des équipements de production d'énergie, est que la chose la plus importante dans la surveillance des performances n'est pas seulement l'outil, mais aussi qui l'a construit. Je ne vois pas comment contourner ce problème. Les caractéristiques uniques de la classe d'actifs de l'énergie solaire requièrent une expertise approfondie de la technologie elle-même pour modéliser et détecter les problèmes de performance de l'équipement de production.
Par conséquent, je ne vois que trois solutions viables au problème du modèle de performance de l'énergie solaire :
Si le problème de la sélection du modèle n'est pas abordé correctement, votre système de surveillance échouera sous le poids du tsunami de données relatives à l'énergie solaire. D'après notre expérience, une approche de la solution basée sur un modèle générique unique n'aboutira pas. En raison de la nature unique de la classe d'actifs de l'énergie solaire, la meilleure voie vers une plateforme de gestion de la performance des actifs réussie est celle qui est conçue par des professionnels de l'industrie.
Vous souhaitez en savoir plus sur la façon dont la plateforme de gestion de la performance des actifs (APM) Drive Pro de Power Factors vous aide à surmonter le défi que représente le choix du bon modèle ?
Steve Hanawalt est vice-président exécutif et fondateur de Power Factors.