Le défi de la sélection du modèle de performance

Cet article est le quatrième 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 trois premiers articles, nous avons abordé le défi de travailler avec des données d'exploitation imparfaites, le défi de l'échelle et le défi de la granularité des données. La plupart des plateformes logicielles de contrôle solaire échouent lorsqu'elles tentent d'estimer les performances d'un grand nombre d'équipements de petite taille et non instrumentés, sur la base de données imparfaites et à fort volume/vitesse/variété.

Dans cet article, nous abordons un autre problème commun aux systèmes de contrôle solaire : la difficulté de choisir le bon modèle de performance.

DÉFINIR LE DÉFI QUE REPRÉSENTE LE CHOIX DU BON MODÈLE

Le défi que représente le choix du bon modèle de performance lors de l'estimation de la performance d'un actif énergétique peut être considéré comme un bon problème. Lorsque j'ai commencé à travailler dans le secteur de l'énergie il y a plus de 38 ans, le seul choix possible à l'époque était de construire un modèle (physique) de premier principe de la centrale et de l'équipement.

Les modèles physiques étaient généralement une tentative des ingénieurs de performance de caractériser l'état actuel de l'actif en calculant son état optimal théorique, puis en utilisant l'instrumentation de l'usine pour estimer les pertes. La performance de l'actif était calculée en soustrayant les pertes actuelles des spécifications de capacité et d'efficacité de l'actif tel qu'il avait été construit. Le processus était simple si les bons capteurs étaient installés et si l'actif se trouvait dans un état stable pendant la période d'évaluation.

Aujourd'hui, il existe une grande variété de modèles de performance en plus des modèles physiques : apprentissage automatique, réseaux neuronaux, intelligence artificielle, modèles statistiques et jumeaux numériques. Le revers de la médaille de la diversité des modèles est qu'avec tous ces choix, je dois maintenant déterminer quel est le meilleur modèle à appliquer à chaque étape de mon processus d'analyse des données de performance.

Ensuite, une fois que j'ai choisi un modèle, je dois choisir le sous-modèle qui convient à la tâche d'évaluation des performances. Par exemple, pour les modèles de capacité des centrales photovoltaïques, nous avons le modèle ASTM 1, le modèle ASTM 4, le modèle Perez et bien d'autres encore. Comment puis-je savoir lequel est le bon pour chaque étape du flux de données dans mon moteur d'analyse des performances ?

LE PROBLÈME QUE NOUS ESSAYONS DE RÉSOUDRE

Avant de répondre à cette question, n'oublions pas la question à laquelle nous tentons de répondre. L'objectif d'un modèle de performance énergétique est de créer une estimation de la capacité actuelle d'un bien. Les ingénieurs en performance appellent souvent cela la "production attendue" de l'actif.

Une fois que j'ai une estimation de la production attendue de l'actif, je peux la comparer à sa performance réelle. La différence entre la production réelle et la production prévue est alors calculée - le "résidu". Le résidu est ensuite comparé à une limite de contrôle fixe ou dynamique. Si le résidu dépasse la limite de contrôle pendant une certaine période, un événement est déclenché. L'actif est considéré comme "hors contrôle statistique", ce qui signifie que son écart par rapport à la performance attendue est suffisamment important pour que je m'en préoccupe.

Par exemple, si l'actif que nous évaluons est un onduleur, nous mesurons sa production d'énergie réelle au fil du temps à l'aide d'un compteur électrique et nous comparons cette valeur à sa production attendue pour la même période. Si la production résiduelle de l'onduleur dépasse notre limite de contrôle statistique, nous émettons une notification et ajoutons quelques MWh à notre panier d'allocation des pertes de l'onduleur pour cette période de déclaration.

Gardez-vous une trace des informations complémentaires ?

Tout cela semble assez facile. Cependant, une fois que vous avez déterminé le meilleur modèle pour chaque étape du flux de données du moteur de performance, vous devez également suivre un grand nombre d'informations supplémentaires pour vous assurer que le modèle de performance est conscient de tous les facteurs qui peuvent avoir un impact important sur sa capacité d'estimation.

Par exemple, alors que nous estimons la production attendue des onduleurs pour cette période, notre moteur de performance a également besoin d'être informé :

• Y a-t-il eu des cas d'écrêtage de l'onduleur ?
• Y a-t-il eu des réductions d'activité de la centrale ?
• Y a-t-il eu des événements concernant les contrôleurs de l'usine ?
• Y a-t-il eu des pannes d'onduleur ?
• Y a-t-il eu des cas de déclassement de l'onduleur ?
• Y a-t-il eu des pertes de commutation de l'onduleur ?
• Y a-t-il eu des événements au niveau du sous-réseau qui ont eu un impact sur la production de l'onduleur ?

Chacun de ces types d'événements - et bien d'autres - doit être pris en compte lors de l'évaluation des performances attendues d'un onduleur. Si l'attribution des pertes n'est pas effectuée correctement, ces événements de sous-performance seront attribués à l'onduleur et la véritable source du problème risque de passer inaperçue.

Un modèle ne convient pas à tous

Même avec mon exemple simple ci-dessus, il devrait être clair que la création d'un modèle de performance des actifs évolutif, robuste et maintenable pour la catégorie d'actifs de l'énergie solaire n'est pas une tâche facile. Comme pour de nombreux problèmes spécifiques à l'industrie, les solutions miracles sont rares. La sélection du bon modèle à appliquer au bon actif à la bonne étape du flux de données de l'analyse de performance nécessite une expertise approfondie du domaine.

Une expertise en la matière est nécessaire

Lorsque je conseille aux gens d'envisager d'investir dans un système de gestion de la performance des actifs évolutif, robuste et maintenable, ils demandent souvent : "Pourquoi ne puis-je pas simplement acheter le dernier outil de ML ou d'IA à usage général, le relier à mes données d'exploitation via Python, exporter les résultats vers Excel et m'en tenir là ?"

Ma réponse ? "Parce qu'elle ne sera ni évolutive, ni robuste, ni maintenable". Ce que je veux dire, c'est que la "sauce secrète" d'une plateforme de gestion des performances des actifs solaires de classe mondiale a autant à voir avec les experts en la matière qui la conçoivent qu'avec la puissance des modèles de performance sous le capot.

Ne vous méprenez pas, il y a beaucoup de technologie cool sous le capot de Drive Pro, la plateforme logicielle de gestion des performances des actifs (APM) de Power Factors. Mais si les modèles, algorithmes et méthodes de Drive Pro n'ont pas été élaborés par des experts en la matière - des personnes qui se sont salies les mains en exploitant, entretenant et analysant des centrales solaires réelles - tous les objets brillants sous le capot ne vaudront pas grand-chose.

RÉSUMÉ

La difficulté d'appliquer le bon modèle de performance au bon endroit et au bon moment empêche de nombreuses plates-formes logicielles de contrôle 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 contrôle logiciel qui ne fonctionnent 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 surmonter le défi que représente le choix du bon modèle de performance ?

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