Cet article est le troisième 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.
Dans les deux derniers articles, nous avons abordé les thèmes suivants: le défi des données d'exploitation imparfaites et le défi de l'échelle. Les applications de surveillance solaire sont chargées de traiter des volumes importants de données d'exploitation imparfaites, très variables et à grande vitesse. Il n'est peut-être pas surprenant qu'elles aient la réputation d'échouer souvent dans cette tâche.
Dans cet article, nous abordons un autre défi auquel les logiciels de surveillance solaire sont souvent confrontés : celui de la granularité des données.
Le Data Warehousing Wiki définit la granularité comme "le niveau de détail de vos données au sein de la structure des données". La granularité dans les systèmes de données est liée au niveau de détail - quel niveau de détail devons-nous donner à nos modèles de performance pour surveiller efficacement les actifs de l'énergie solaire ? La réponse est très détaillé.
Pourquoi ? Je suis arrivé aux énergies renouvelables après une longue carrière dans l'industrie énergétique traditionnelle, où je surveillais les turbines à gaz, les turbines à vapeur et les chaudières. Je m'attendais à ce que le contrôle des performances des actifs solaires soit facile en comparaison. Je veux dire que l'actif solaire est tellement plus simple que l'actif fossile, n'est-ce pas ?
Qu'est-ce qui fait de la centrale solaire un tel défi à surveiller avec succès ? La granularité de la classe d'actifs solaires est ce qui en fait un actif particulièrement difficile à modéliser. À titre de comparaison, une centrale au gaz de 500 MW possède trois générateurs électriques.
Combien de générateurs une centrale solaire de même taille possède-t-elle ? Plus de 1,5 million. Ajoutez à cela plus de 100 000 chaînes, plus de 10 000 boîtiers de raccordement et plus de 300 onduleurs centraux, et vous comprendrez pourquoi les logiciels de surveillance solaire doivent travailler avec des équipements à un niveau de données aussi granulaire.
Pourquoi la granularité des données pose-t-elle de tels défis à la surveillance fiable et précise des performances solaires ? Examinons trois défis qui empêchent les développeurs de logiciels de surveillance de dormir.
Tout d'abord, pour caractériser avec succès la performance opérationnelle des actifs solaires, nous devons regarder en profondeur dans le réseau CC. En effet, si nous voulons vraiment comprendre la sous-performance d'une installation solaire, nous devons descendre jusqu'au niveau du générateur : le module photovoltaïque.
Cependant, l'électricité en courant continu des modules photovoltaïques est finalement acheminée vers le fournisseur via une série de circuits électriques composés de chaînes, de fusibles, de conducteurs et de boîtes de couplage. La performance de chacun de ces actifs constitue la performance opérationnelle de la centrale dans son ensemble. Par conséquent, notre modèle de performance doit inclure un modèle de chaque actif du réseau CC avec une granularité suffisante pour nous permettre d'identifier les pannes d'équipement et les performances insuffisantes.
Étant donné que la catégorie des actifs solaires comprend un grand nombre d'actifs qui produisent ou transfèrent directement de l'électricité, il est très difficile d'identifier les actifs ou les groupes d'actifs qui sont à l'origine du problème de performance.
Le fait que la plupart des projets d'énergie solaire ne mesurent pas la puissance, la tension ou le courant en dessous du niveau de l'onduleur rend la tâche particulièrement difficile. Si nous constatons une sous-performance au niveau de l'onduleur, comment savoir si le problème se situe au niveau des modules, des branches, des boîtiers combinés ou de l'onduleur lui-même ?
Les données solaires et le modèle de performance doivent être suffisamment granulaires pour mettre en évidence non seulement l'existence d'un problème, mais aussi sa localisation. Cela signifie que des modèles de performance très détaillés sont nécessaires et qu'il faut pouvoir suivre les performances d'un actif spécifique. Pour résoudre ce problème, le modèle de performance a besoin d'un registre détaillé des actifs et des métadonnées.
Le problème de la granularité de la comptabilisation de l'énergie fait suite à celui du modèle énergétique et de l'identification du problème. Si nous parvenons à développer des modèles de performance granulaires et que nous utilisons ces modèles pour identifier l'endroit où se produit la défaillance, nous devons alors comptabiliser correctement ces pertes d'énergie.
La granularité au niveau de la comptabilité énergétique est importante, car sans elle, le logiciel de suivi risque de compter deux fois les pertes et d'être incapable de fournir aux utilisateurs les informations dont ils ont besoin pour récupérer ces pertes. De nombreux systèmes de suivi des performances n'ont jamais été conçus en tenant compte de ce niveau de détail de la comptabilité énergétique et finissent par créer plus de confusion que de clarté.
Le problème de la granularité insuffisante des données empêche de nombreuses plates-formes logicielles de surveillance solaire de réaliser leur plein potentiel. Tant que ce problème de conception fondamental ne sera pas résolu, les utilisateurs continueront d'être frustrés par des outils de surveillance logiciels qui ne fonctionnent tout simplement pas.
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 relever le défi de la granularité des données ?
Steve Hanawalt est vice-président exécutif et fondateur de Power Factors.