Par Steve Voss, vice-président de l'analyse avancée chez Power Factors
Ceci est le cinquième article de la série Ce qu'il faut savoir sur l'analyse solaire. Dans cette série, Steve Voss, vice-président de l'analyse avancée chez Power Factors, explique ce qu'il faut savoir sur l'analyse solaire pour tirer le meilleur parti de vos données. Ne manquez aucun article : Suivez Power Factors sur LinkedIn.
Les analyses prédictives nous indiquent ce qui est susceptible de se produire à l'avenir. Il est facile d'en comprendre l'intérêt. Mais trop souvent, l'analyse prédictive est mal comprise. Elle est perçue comme une solution miracle, quelque chose que tout le monde fait déjà, quelque chose qui est relativement facile à réaliser avec n'importe quelles données pour n'importe quel cas d'utilisation - du moment que vous utilisez l'IA.
Comme toujours, la réalité est plus complexe. L'analyse prédictive, comme toutes les analyses, est une combinaison de phénomènes physiques, de statistiques, de mathématiques et de science. L'analyse prédictive est souvent utilisée pour désigner l'analyse prédictive des défaillances (APD), un sous-ensemble de l'analyse prédictive qui traite spécifiquement de la défaillance des composants.
L'article suivant vise à présenter une évaluation lucide des avantages potentiels - et des limites - de l'analyse prédictive appliquée à l'énergie solaire. Nous commencerons par présenter le contexte et les concepts utiles pour l'analyse prédictive, puis nous appliquerons ces concepts spécifiquement aux actifs de production photovoltaïque (désignés sous le terme générique de PV ou solaire). Nous conclurons par une discussion sur les applications prédictives au-delà de l'IFP.
L'objectif de l'analyse prédictive des défaillances (APD) est d'anticiper une défaillance avant qu'elle ne se produise et ne mette un système hors service, entraînant une panne forcée coûteuse. Cela se fait principalement par le biais de la surveillance des conditions. Wikipedia définit la surveillance des conditions comme "le processus de surveillance d'un paramètre de condition dans une machine (vibration, température, etc.), afin d'identifier un changement significatif qui est indicatif d'une défaillance en cours de développement".1
Un système d'APF robuste et significatif nécessite quatre éléments :
Si quelqu'un vous dit : "Nous pouvons faire de l'analyse prédictive pour les machines tournantes, donc nous pouvons faire de l'analyse prédictive pour l'énergie solaire", méfiez-vous ! Le défi de l'analyse prédictive pour l'énergie solaire ne réside pas dans la mise en place de fonctionnalités et de constructions analytiques (éléments 1 et 2), mais plutôt dans l'identification de signatures prédictives et de réponses correctives significatives (éléments 3 et 4).
La compréhension de l'IFP appliqué au solaire commence par une discussion sur les mécanismes de défaillance - et une discussion sur les mécanismes de défaillance doit commencer par une discussion sur la nomenclature. Il existe de nombreuses références disponibles sous forme de normes et de publications qui, malheureusement, peuvent être difficiles à concilier. Il est donc utile de définir quelques termes tels qu'ils seront utilisés dans cette discussion.
Il est évident que les analyses prédictives efficaces reposent sur des systèmes déterministes. Ce qui est peut-être moins évident, c'est la différence entre de nombreux systèmes stochastiques et déterministes. En bref, il s'agit des données.
Il existe très peu de processus réellement stochastiques dans le monde de l'ingénierie. Il existe cependant de nombreux exemples de situations où l'on ne dispose pas de données suffisantes (ou qu'il n'est pas possible d'obtenir), ce qui les rend effectivement stochastiques.
Prenons l'exemple relativement bête d'un parc de voitures à essence nominalement identiques. Sans jauge d'essence, la panne sèche apparaîtrait comme un événement stochastique. Il serait possible de collecter des données pour déterminer que les voitures sont le plus susceptibles de tomber en panne d'essence après 250 miles, avec un minimum de 200 miles et un maximum de 300 miles. Ces informations permettraient d'instaurer un ravitaillement planifié après 190 miles, éliminant ainsi toutes les "pannes forcées". Il s'agit toujours d'un scénario stochastique. Il est basé sur un profil de probabilité général et ne permet pas de faire la distinction entre la voiture A et la voiture B.
La panne d'essence devient une défaillance déterministe très fiable et il est possible de distinguer l'état de la voiture A de celui de la voiture B.
L'autre raison pour laquelle cet exemple vaut la peine d'être étudié est qu'il illustre un autre point important : les données qui convertissent un scénario stochastique en un scénario déterministe sont souvent construites à dessein et sont presque toujours des données supplémentaires plutôt que des données primaires sur les performances. Les performances de la voiture ne nous disent pas grand-chose sur la quantité d'essence dans le réservoir - et la quantité d'essence dans le réservoir ne nous dit pas grand-chose sur les performances de la voiture.
Examinons une application bien connue de la maintenance conditionnelle - la surveillance des vibrations des principaux composants des machines tournantes telles que les boîtes d'engrenage des éoliennes - pour voir comment elle s'inscrit dans ces définitions.
Les boîtes de vitesses sont des composants qui subissent une usure mécanique dans le cadre d'un fonctionnement normal. Les vibrations et la température de fonctionnement des composants sont des signaux supplémentaires capables de fournir une capacité prédictive. Les augmentations détectables des vibrations ou de la température de fonctionnement n'empêchent pas le composant de remplir la fonction pour laquelle il a été conçu, mais elles indiquent avec une grande certitude que le composant a besoin d'une maintenance corrective (pour éviter un vieillissement accéléré) ou qu'il approche de la fin de sa durée de vie utile - et d'une défaillance catastrophique s'il n'est pas mis hors service de manière préventive. Il s'agit là d'un excellent exemple des caractéristiques de l'IFP évoquées jusqu'à présent.
Maintenant que nous avons établi une nomenclature de base, la section suivante aborde les méthodes de recherche de signatures de données prédictives.
Il existe deux façons de rechercher des signatures prédictives dans un système de données.
Au sens large, tous les signaux disponibles (et les combinaisons de signaux) sont des candidats à la prédiction.
Lors de Solar Power International en 2017, GE a présenté un exemple2 d'extraction exploratoire de caractéristiques appliquée au solaire. Pour un site d'échantillonnage, tous les points de données disponibles ont été collectés à la plus haute résolution possible (jusqu'à des échantillons d'une seconde) et analysés à la recherche de signatures prédictives.
Une signature prédictive a été identifiée pour une pompe de refroidissement liquide à inverseur. Il a été démontré que les pompes en panne présentaient des augmentations statistiquement significatives de la consommation de courant alternatif plus de 30 jours avant la défaillance. Il s'agit d'un exemple d'application réussie de l'extraction exploratoire de caractéristiques appliquée à une défaillancespéciale (en ce qui concerne l'onduleur). La disponibilité de données supplémentaires sur le courant alternatif de la pompe à liquide de refroidissement fait passer la défaillance du stade stochastique au stade déterministe.
La deuxième approche de l'identification des signatures prédictives consiste à suivre une approcheciblée en considérant un composant ou un sous-système particulier qui est sujet à des défaillances particulièrement fréquentes ou coûteuses. Dans cette approche, il est particulièrement important de comprendre le mode de défaillance spécifique, car l'accès au signal prédictif peut nécessiter des instruments supplémentaires, la collecte de données et la préparation du signal.
Si les défaillances de la pompe de refroidissement liquide de l'exemple précédent ont été identifiées comme des défaillances stochastiques particulièrement fréquentes ou coûteuses, mais qu'aucune donnée de surveillance n'était disponible, il pourrait être raisonnable d'envisager de collecter des données supplémentaires sur le courant alternatif, la température de la pompe, les vibrations ou le volume du liquide de refroidissement, à la recherche de signatures prédictives.
Un exemple non publié de ce type d'extraction de caractéristiques ciblées concernait une défaillance spécifique à un modèle d'onduleur (c'est-à-dire special) dans laquelle les capteurs de température interne n'ont pas fonctionné à un niveau faussement bas, ce qui a permis au système de contrôle de continuer à faire fonctionner les onduleurs à pleine charge, détruisant finalement l'ensemble de l'onduleur.
Dans ce cas, les signatures prédictives étaient des capteurs de température défaillants. Alors que cet exemple aurait théoriquement pu être découvert par une approche exploratoire, il a été accéléré - et simplifié - par une compréhension détaillée de la nature et de la cause première de la défaillance de lacause spéciale .
Dans cet exemple également, une défaillance stochastique est devenue prévisible à l'aide de données supplémentaires - toujours pour un mode de défaillance special plutôt que common .
Tous les modes de défaillance ne sont pas identiques. Deux considérations importantes pour l'application de l'analyse prédictive sont à prendre en compte :
Outre la présence de signatures prédictives claires et communes , l'une des raisons pour lesquelles la surveillance de l'état des boîtes d'engrenages des éoliennes est un exemple si convaincant d'analyse prédictive est qu'elle répond aux deux critères ci-dessus. Une défaillance incontrôlée de la boîte d'engrenages peut causer des dommages importants à d'autres composants et il existe des contrôles opérationnels efficaces (à savoir la réduction pour gérer les contraintes mécaniques) qui peuvent réduire les coûts de maintenance corrective jusqu'à 30 % sur la base de l'atténuation des temps d'arrêt et de la programmation des équipes, des équipements et des pièces de rechange.3
Dans les exemples solaires ci-dessus, la défaillance de la pompe à liquide de refroidissement a entraîné un arrêt sûr et contrôlé de l'onduleur et l'action corrective a été la même dans les deux cas : le remplacement de la pompe. Dans le cas de la défaillance du capteur de température, une détection précoce a permis d'éviter une défaillance catastrophique de l'ensemble de l'onduleur. En outre, dans ce dernier exemple, la puissance de l'onduleur a pu être réduite pour limiter la charge, atténuer la surchauffe et permettre à l'onduleur de continuer à fonctionner en toute sécurité jusqu'à ce qu'une action corrective puisse être entreprise.
Les systèmes déterministes (tels que définis ici) restent probabilistes, ce qui signifie qu'il y aura toujours un certain niveau de faux positifs et de faux négatifs. L'implication est que la simple existence d'une signature prédictive n'est pas suffisante pour apporter de la valeur. Le différentiel de coût entre un arrêt forcé et une maintenance bien planifiée est une considération très importante pour l'application de l'IFP.
De nombreuses raisons expliquent pourquoi l'énergie solaire constitue une cible si intéressante pour l'analyse prédictive des défaillances. Tout d'abord, il s'agit de systèmes relativement simples : des photons entrent, des électrons sortent, il n'y a (presque) pas de pièces mobiles. Comment cela pourrait-il être difficile ? De plus, ils produisent une telle quantité de données. Il doit bien y avoir quelque chose là-dedans !
Une raison plus sérieuse est la nature modulaire et distribuée des systèmes. Beaucoup de choses peuvent mal tourner et chacune d'entre elles est un casse-tête logistique à gérer. Enfin, les pannes importantes et coûteuses entraînant des temps d'arrêt prolongés ne sont pas rares. Il serait extrêmement utile de pouvoir prédire et prévenir ne serait-ce qu'une fraction de ces défaillances. Le reste de cette section se concentre principalement sur les onduleurs photovoltaïques, les composants les plus complexes, les plus actifs et les plus susceptibles de tomber en panne dans un système photovoltaïque.
Le premier défi pour l'IFP solaire est que la plupart des défaillances potentiellement prévisibles et des causes de temps d'arrêt sont spécial plutôt que cause commune. En d'autres termes, presque toutes les pannes solaires sont liées à des conceptions, des déploiements ou des fabrications spécifiques et ne peuvent pas être généralisées pour couvrir des installations solaires qui ne partagent pas les mêmes caractéristiques.
Il existe des exceptions notables. Par exemple, pratiquement toutes les installations solaires souffrent de fusibles de branche grillés dans une plus ou moins large mesure. Ce problème peut être très coûteux et entraîner une sous-performance importante s'il n'est pas résolu. Cependant, la surveillance et les mesures correctives réactives sont très efficaces et la maintenance prédictive ne serait pas pratique.
Une autre défaillancecourante pour l'énergie solaire pourrait être l'analyse de la fin de vie utile des principaux composants de l'onduleur, tels que les IGBT. Des recherches importantes ont été menées sur la surveillance de l'état et l'analyse de la durée de vie utile restante (RUL) des IGBT, en grande partie sous l'impulsion d'autres industries qui s'appuient sur des convertisseurs de puissance. Le signal précurseur à haut potentiel le plus souvent cité pour le vieillissement des IGBT est la tension haute fréquence de l'émetteur du collecteur (Vce). Mais il reste des défis importants à relever pour réduire cette analyse à la pratique de l'ingénierie, même lorsque ces données sont disponibles.4,5
Il n'en reste pas moins que la plupart des défaillances solaires - grandes ou petites - sont liées à l'équipement, à la conception ou au déploiement. Cela a des implications importantes. D'une part, il est nécessaire d'observer et de distinguer les défaillances special avant d'envisager la possibilité de les prédire.
En d'autres termes, les modes de défaillance special peuvent souvent se manifester initialement sous la forme de défaillances stochastiques imprévues et impossibles à distinguer. Le processus de distinction d'une nouvelle special cause défaillance peut nécessiter des connaissances et des informations qui ne peuvent être fournies que par le personnel de service sur le terrain et qui représentent une autre donnée critique en dehors des données de performance primaires. Cela implique la nécessité de processus robustes et d'un partage de l'information pour être à l'affût de nouvelles opportunités importantes au moment et à l'endroit où elles se présentent.
Un deuxième défi connexe est le fait qu'il n'y a aucune garantie que des données supplémentaires appropriées capables de fournir une signature prédictive seront disponibles. En général, la conception des onduleurs et les contrôles internes sont assez bons et expliquent la fiabilité relativement élevée et la faible maintenance dont dépend l'industrie.
Lorsque des défaillances sont anticipées et qu'une surveillance supplémentaire est incorporée, il est probable que des défauts ou des avertissements OEM existent. Il s'agit d'un excellent point de départ, mais qui pose ses propres problèmes de cartographie, d'interprétation et de surveillance de ces informations souvent ésotériques sur une large gamme de marques et de modèles d'onduleurs.
En l'absence d'une surveillance complémentaire spécifique, la recherche de signatures prédictives devient opportuniste. En partie parce qu'il existe très peu de mécanismes de défaillancecommuns pour les onduleurs photovoltaïques, la profondeur, l'orientation et la qualité de la surveillance complémentaire varient considérablement d'un fournisseur à l'autre et d'un modèle à l'autre. La disponibilité des données peut même varier d'une installation à l'autre pour un équipement par ailleurs identique, en fonction des données enregistrées dans les systèmes SCADA ou DAS. Ce n'est pas parce qu'une défaillance existe qu'il y aura une signature prédictive dans les données disponibles.
Ensuite, il convient de noter que les analyses prédictives pour les modes de défaillance special , par définition, ont une applicabilité limitée entre les différentes marques, modèles et installations. Les analyses prédictives développées pour un mode de défaillance special peuvent (et doivent) être mises à l'échelle et appliquées à des installations dont l'équipement, la surveillance et le déploiement sont similaires. Mais, par définition, elles ne peuvent pas être généralisées à toutes les installations.
En outre, les modes de défaillance special ont généralement une cause profonde qui peut être traitée par des modifications de la conception et du déploiement ou par une mise à niveau. Cela signifie que l'IFP pour les mécanismes de défaillance particulièrement fréquents ou coûteux special aura probablement une durée de vie limitée par le développement de solutions correctives plus permanentes. C'est en fin de compte une bonne chose lorsqu'un mécanisme de défaillance est traité par une modification appropriée de la conception. Dans l'intervalle, l'IFP peut potentiellement constituer une solution provisoire peu coûteuse en attendant le remède permanent.
Enfin, l'IFP doit être combinée à des règles de gestion pour convertir la probabilité de défaillance en action préventive de manière à produire un effet net positif. Pour certaines défaillances prévisibles, il peut ne pas y avoir d'analyse de rentabilité, soit parce que le bénéfice de la maintenance préventive est insignifiant, soit parce que le coût de la maintenance préventive sur les faux positifs l'emporte sur les avantages de la prévention des vrais positifs. Le fait qu'une défaillance soit prévisible d'un point de vue probabiliste n'implique pas automatiquement qu'une action corrective préventive sera la bonne chose à faire.
La mise en évidence de ces défis et de ces limites ne signifie pas que l'IFP solaire est impossible ou de faible valeur - en particulier dans les cas où les échecs sont fréquents, coûteux ou destructeurs. Il s'agit plutôt d'évaluer clairement l'espace et de souligner les considérations importantes qui devraient guider les approches adoptées et les attentes en matière de réussite.
En résumé, la recherche de possibilités de maintenance prédictive devrait commencer par l'exploitation des défaillances et des avertissements des équipementiers sur la base d'une surveillance supplémentaire interne conçue à cet effet. Pour les défaillances qui dépassent cette capacité, la recherche de signatures prédictives doit se concentrer avant tout sur les défaillances les plus coûteuses, en accordant une attention particulière à celles qui sont susceptibles de provoquer des temps d'arrêt prolongés ou des dommages auxiliaires.
Dans certains cas, cela peut même justifier un investissement dans des instruments supplémentaires et la collecte de données. Dans tous les cas, la recherche de solutions prédictives sera considérablement améliorée par une compréhension approfondie des défaillances à prévoir. L'ensemble des solutions de Power Factors, y compris la gestion des services sur site, l'extraction exploratoire assistée des caractéristiques, la surveillance de l'état et la gestion des flux de travail, peut contribuer à ce processus. Et nous nous engageons à faire progresser l'état de l'art dans ce domaine important.
Bien entendu, l'analyse prédictive peut fournir d'autres prévisions pour l'énergie solaire que la prévision des défaillances basée sur la surveillance de l'état. Un exemple pertinent pour l'éolien, le solaire, le stockage et la gestion du réseau est la prévision des conditions météorologiques et de la production.
Une autre est la prévision probabiliste du taux de défaillance pour la gestion des pièces de rechange. Étant donné que les défaillances typiques des systèmes solaires et leur rétablissement sont dominés par la réduction des temps d'arrêt, une gestion appropriée des pièces de rechange peut souvent avoir plus d'impact que la prédiction.
Un exemple d'analyse prédictive basée sur les probabilités pour le photovoltaïque est le lavage des panneaux solaires dans les régions sujettes à un encrassement saisonnier important, comme la vallée centrale de la Californie. Les décisions concernant le moment du lavage d'un réseau sont souvent basées sur des facteurs arbitraires, tels que la disponibilité de l'équipe ou l'inspection visuelle des réseaux. (Astuce : l'œil humain peut distinguer les salissures sur un module PV bien avant qu'elles n'aient un impact quantifiable sur les performances du réseau, ce qui en fait un mauvais outil de diagnostic).
De nombreuses variables peuvent être déterminées explicitement et influencer le rapport coût-bénéfice du lavage des réseaux, notamment le prix de l'énergie, le coût du lavage et l'ampleur de la perte d'énergie liée à l'encrassement. Cependant, la variable qui a le plus d'impact sur le moment optimal du lavage du réseau est le moment du nettoyage naturel (c'est-à-dire les précipitations). Pour les endroits où l'encrassement est saisonnier, ce moment dépasse de loin la capacité des prévisions météorologiques numériques et doit plutôt s'appuyer sur des estimations climatologiques probabilistes.
La figure ci-dessus montre une fourchette de bénéfices probables (bénéfices moins coûts) du lavage de panneaux solaires pour un seul site dans la vallée centrale de la Californie. L'ampleur du bénéfice (ou de la perte) est déterminée presque exclusivement par le prix de l'énergie et le coût du service - mais la distribution des résultats probables est déterminée par la probabilité climatologique du moment où il pleuvra.
Il existe des possibilités d'exploiter l'analyse prédictive dans le secteur solaire, mais pas de la manière dont beaucoup l'espèrent ou l'imaginent.
Pour résumer, il existe deux limites principales à l'application de l'IFP au secteur solaire : L'application de l'IFP à l'énergie solaire se heurte à deux limites principales.
La première est que la plupart des signatures de défaillance prédictives pour toutes les applications sont dérivées de mesures secondaires telles que la température des composants, les vibrations, l'analyse des particules ou la consommation de courant - et ces mesures secondaires ne sont pas largement ou uniformément disponibles aujourd'hui.
Un élément clé de l'avancement de l'état de l'art dans le domaine de l'IFP pour l'énergie solaire commence par une meilleure compréhension de la fréquence et de l'impact des défaillances des composants afin de guider la recherche de signatures prédictives significatives. Il existe des possibilités d'amélioration de la surveillance dans des domaines tels que les courants des moteurs des suiveurs, la surveillance à haute fréquence sur le terrain de paramètres tels que la tension de l'émetteur du collecteur, et une surveillance thermique plus ciblée des composants. Tous ces efforts nécessiteront des investissements et une recherche et un développement continus, et Power Factors s'engage à continuer à les soutenir.
Le second défi réside dans le fait que de nombreux modes de défaillance des systèmes solaires entraînent la même action corrective (c'est-à-dire le remplacement des composants), qu'elle soit effectuée de manière proactive ou réactive. L'atténuation des temps d'arrêt a une valeur réelle, mais la valeur potentielle la plus élevée viendra de la prédiction et de la prévention des défaillances qui peuvent entraîner des dommages auxiliaires et/ou des temps d'arrêt prolongés. Pour l'énergie solaire, il s'agit généralement de spécial plutôt que de cause commune défaillances.
Malgré les défis associés à l'analyse prédictive des défaillances, la recherche de signatures prédictives devrait se poursuivre et se poursuivra, en particulier à mesure que la capacité installée continue de vieillir et que les principaux composants tels que les IGBT et les condensateurs approchent de la fin de leur durée de vie utile. Enfin, il convient de rappeler que les possibilités et les applications de l'analyse prédictive ne se limitent pas à la surveillance de l'état pour l'analyse prédictive des défaillances, mais comprennent également des éléments tels que les résultats probables du lavage des réseaux. Ces types de prédictions joueront un rôle important dans le dernier article de cette série consacré à l'analyse prescriptive.
Steve Voss a rejoint Power Factors en 2016 et possède plus de 20 ans d'expérience dans l'industrie solaire. Avant de rejoindre Power Factors, Steve a travaillé un an chez Panasonic Energy Services et neuf ans chez SunEdison en tant que directeur de l'ingénierie avancée. Steve est titulaire d'un MBA de l'Université du Wisconsin, Madison, et d'une maîtrise en science et ingénierie des matériaux de l'Université de Stanford. Il a fait ses études de premier cycle à l'université du Colorado, à Boulder. Connectez-vous avec Steve sur LinkedIn.