Le défi des données imparfaites

Cet article est le premier 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 cette série en huit parties sur le contrôle des performances solaires, nous consacrons la première moitié de la série à explorer quatre défis communs propres à l'énergie solaire qui entraînent l'échec de la plupart des plates-formes logicielles de contrôle des actifs solaires. Dans la seconde moitié de la série, nous expliquons comment nous pouvons surmonter ces défis une fois pour toutes. 

Dans ce premier article, nous aborderons un problème fondamental des applications de surveillance des actifs solaires : l'imperfection des données d'exploitation. 

DÉFINIR LE DÉFI DES DONNÉES D'EXPLOITATION IMPARFAITES

L'objectif d'un système de contrôle solaire est de caractériser la performance opérationnelle de l'équipement de la centrale afin de s'assurer que l'équipement fonctionne bien et d'une manière compatible avec le modèle de financement. 

Les développeurs de modèles tentent de résoudre ce problème en créant des modèles physiques, statistiques ou algorithmiques de l'équipement afin d'estimer comment l'équipement devrait fonctionner dans les conditions réelles d'exploitation de l'usine. Les systèmes de surveillance alimentent ensuite ces modèles de performance de l'équipement avec des données de fonctionnement réelles provenant des capteurs de l'usine, en essayant d'utiliser les modèles pour calculer comment ils peuvent s'attendre à ce que l'équipement fonctionne dans des conditions de fonctionnement réelles. 

C'est là que réside le problème. L'introduction dans le modèle d'un grand nombre de données d'exploitation imparfaites et "bruyantes" entraîne souvent l'échec de ces modèles de performance théoriques. Ces modèles - qui ont fonctionné en laboratoire - donnent des résultats inexacts lorsqu'ils sont confrontés à des données d'exploitation réelles. Des résultats "inexacts" peuvent signifier qu'il n'y a pas de résultats du tout ou que les résultats ont un faible niveau de confiance statistique et doivent donc être ignorés. 

TRAITER LES DONNÉES DU MONDE RÉEL

Alors, que devons-nous faire ? Devons-nous nous contenter de baisser les bras parce que le problème est trop difficile à résoudre ? Non. Nous ne pouvons pas laisser des données d'exploitation imparfaites nous empêcher d'effectuer un suivi fiable et précis des performances de nos parcs solaires. Les enjeux sont trop importants. Exploiter une centrale électrique sans données de performance précises, c'est comme conduire une voiture sans tableau de bord - vous pouvez le faire pendant un certain temps, mais vous finirez par faire surchauffer votre moteur ou par vous retrouver sans essence au milieu de nulle part. 

Et les enjeux sont importants : en l'absence d'une analyse détaillée des pertes de performance des centrales, nous estimons que le propriétaire typique renonce à 2 à 5 % de la production d'énergie récupérable par an. Pour un portefeuille de 1 GW avec un taux moyen de PPA de 0,05 $/kWh, cela se traduit par environ 6 millions de dollars US de flux de trésorerie positif supplémentaire pour le portefeuille par an. 

Alors, que devrions-nous faire différemment pour obtenir ce gain supplémentaire de performance du portefeuille ? Nous pensons que la réponse se trouve dans le vieil adage "Il faut jouer avec les cartes que l'on a reçues". Le coût de la fourniture de données de qualité laboratoire à nos modèles de données étant trop élevé, nous devons abandonner le rêve de données parfaites et nous contenter des données désordonnées dont nous disposons. Nos modèles de performance doivent fonctionner correctement malgré les données d'exploitation bruyantes provenant de nos centrales solaires. 

Est-ce possible ? Pouvons-nous développer des modèles de performance capables de fonctionner avec le bon, le mauvais et le laid de nos données d'exploitation réelles ? Nous pensons que la réponse est "oui". Mais pour ce faire, nous devons réfléchir différemment à la manière dont les systèmes de suivi des performances doivent fonctionner avec la classe d'actifs de l'énergie solaire. Les modèles de performance de l'énergie solaire doivent être résilients - et ils doivent informer leurs utilisateurs de ce qu'ils sont capables d'identifier de manière fiable dans les déficits de performance des centrales solaires.

RÉSUMÉ

Le problème de l'imperfection des données d'exploitation a entravé l'analyse des performances solaires tout au long de l'histoire de l'industrie. Tant que ce problème central ne sera pas résolu, les utilisateurs continueront à être frustrés par les résultats irréguliers et parfois trompeurs de leurs outils de surveillance. 

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 des données imparfaites ?

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