Centrale énergétique à panneaux solaires
Terminé

BitWind | Intelligence artificielle collective conçue pour la détection des anomalies affectant les parcs maritimes à éoliennes ainsi que pour l’optimisation de leur maintenance (BitWind)

Région:
Fédéral
Financé par

Objectif de ce projet : élaborer de nouvelles techniques d’intelligence artificielle reposant sur les données recueillies dans des parcs éoliens opérationnels en mer. Le cas d’usage développé lors de ce projet se focalisait sur la détection automatique de la dégradation des performances ainsi que sur le pronostic d’espérance de vie des composants.

Contexte

L’énergie éolienne compte au nombre des sources d’énergie renouvelables qui enregistrent l’une des croissances les plus rapides. De plus, les investissements réalisés dans le secteur de l’énergie éolienne devraient augmenter considérablement au cours des prochaines décennies. Nécessité absolue pour lutter contre le changement climatique, l’installation d’éoliennes géantes figure en bonne place à l’ordre du jour de tous les pays de l’UE.

Pour que l’énergie éolienne en mer demeure concurrentielle par rapport aux autres sources de production d'électricité, il convient d’en réduire sensiblement les coûts associés. Une telle réduction doit porter non seulement sur les coûts d’investissement initiaux liés à la planification, au financement, à la fabrication et à l'installation des parcs maritimes à éoliennes, mais aussi sur leurs coûts d’exploitation et de maintenance (O&M) (les coûts d'exploitation représentent 25 % des coûts de production d’électricité par conversion de l’énergie éolienne en mer).

Le projet BitWind visait à développer de nouvelles techniques d’intelligence artificielle conçues pour déceler automatiquement toute dégradation des performances ainsi que pour pronostiquer l’espérance de vie des composants. Ces innovations devraient se traduire par l’avènement de nouveaux services et par une réduction stratégique des coûts pour les concessions existantes et inédites en Belgique. 

Objectif et résultats 

Ce projet avait pour objectif de détecter toute tendance à la dégradation des performances en se fondant sur une caractérisation détaillée du comportement dynamique du parc éolien considéré et des éoliennes constitutives de ce dernier, leur comportement dynamique permettant de déterminer les tendances et cycles de dégradation normaux ainsi que d'identifier toute tendance, phase, pic ou niveau de bruit anormal.

Approche

Pour atteindre l'objectif susmentionné, les partenaires:

  • ont appliqué des méthodes évoluées d’analyse de séries temporelles multivariables (p. ex., processus gaussiens), lesquelles permettent de prendre en considération aussi bien les tendances saisonnières (quotidiennes, annuelles) que le contexte opérationnel (p. ex., conditions environnementales) dans lequel fonctionnent les éoliennes. Les données provenant d’éoliennes en bon état de fonctionnement s’utilisent comme éléments d’information supplémentaires lors de l’analyse comparative et de la configuration des modèles dynamiques. 
  • ont détecté certaines insuffisances en comparant l’évolution du rendement d’une éolienne particulière selon différents axes, à savoir :  1) avec l’évolution du rendement des équipements appartenant au même groupe, 2) avec l’évolution du rendement des équipements appartenant au même parc, 3) avec l’évolution du rendement d’équipements appartenant à divers parcs, mais dont les conditions d’exploitation sont similaires, et enfin 4) avec l’évolution du rendement d’équipements analogues (c.-à-d. même fabricant, durée de déploiement similaire, calendrier de maintenance analogue, etc.)

Financement

  • Organismes / organisme de financement : SPF Économie, P.M.E., classes moyennes et énergie
  • Modalités : Fonds de transition énergétique par le SPF Économie, P.M.E., classes moyennes et énergie

Partenaires

En collaboration avec

Plus d'info à propos de notre expertise

Horaire

oct 2018 - déc 2021

Nos experts

As-tu une question?

Envoyez-les à innovation@sirris.be

Résultats du projet

Publications et affiches

A. Murgia, C. Droutsas, E. Tsiporkova, Context-aware clustering of turbines based on their energy profiles. Wind Europe, poster. 5-7 April 2022 Bilbao. (poster)

A. Murgia, H. Cabral, C. Droutsas, T. Tourwé, M. Verbeke, P. Dagnely, E. Tsiporkova, A data-driven methodology for the characterization of performance decay in ageing wind turbines, Renewable Energy Sources - Research and Business (RESRB) 2020, Brussels, Belgium, 2020 (abstract)

M. Dhont, R. Verbeke, C. Droutsas, V. Boeva, M. Verbeke, A. Murgia, E. Tsiporkova, Advanced exploration of wind fleet data through operating mode labelling, Renewable Energy Sources - Research and Business (RESRB) 2020, Brussels, Belgium, 2020 (abstract)

A. Murgia, E. Tsiporkova, M. Verbeke, & T. Tourwé. Context-Aware Performance Benchmarking of a Portfolio of Industrial Assets. In Archives of Data Science, Series A. Volume 5, Issue 1. DOI: 10.5445/KSP/1000087327/17

M. Dhont, E. Tsiporkova & V. Boeva. (2020) Layered Integration Approach for Multi-view Analysis of Temporal Data. In: Lemaire V., Malinowski S., Bagnall A., Guyet T., Tavenard R., Ifrim G. (eds) Advanced Analytics and Learning on Temporal Data. AALTD 2020. Lecture Notes in Computer Science, vol 12588. Springer, Cham.