Estimation de la vitesse du vent dans un parc éolien

Wind Velocity Estimation for Wind Farms

• Auteur / Autrice : Eduardo Bezerra Rufino Ferreira Paiva
• Direction : Nicolas Petit
• Type : Thèse de doctorat
• Discipline(s) : Mathématique et automatique
• Date : Soutenance le 20/12/2023
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre automatique et systèmes (Fontainebleau, Seine et Marne)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Catherine Bonnet
• Jury : Examinateurs / Examinatrices : Nicolas Petit, Gildas Besançon, Franck Plestan, Delphine Bresch-Pietri, Olivier Lepreux
• Jury : Rapporteur / Rapporteuse : Gildas Besançon, Franck Plestan

Mots clés

Mots clés contrôlés

Algorithmes

Énergie éolienne

Vents -- Vitesse

Mots clés libres

Estimation de la vitesse du vent

Estimation de parc éolien

Énergie éolienne

Régression par processus gaussien

Observateur grand-gain

Retards de transport

Equations aux dérivées partielles hyperboliques du premier ordre

Wind speed estimation

Wind farm estimation

Wind energy

Gaussian process regression

High-Gain observer

Transport delays

First-order hyperbolic partial differential equations

Résumé

Cette thèse propose des algorithmes pour estimer la vitesse et la direction du vent pour des éoliennes et des parcs éoliens.Tout d'abord, nous proposons des méthodes basées sur les données pour estimer la vitesse effective du rotor (REWS) sans nécessiter la connaissance de certains paramètres physiques de l'éolienne, qui pourraient être inconnus de l'opérateur. Nous fournissons deux méthodes basées sur les données, l'une basée sur la régression par processus gaussien et l'autre combinant la régression par processus gaussien avec un observateur grand gain.Ensuite, en nous basant sur cette estimation locale de la REWS, au niveau d'une éolinenne, nous abordons la question de l'estimation du vent en écoulement libre au niveau du parc éolien.Nous commençons par nous concentrer sur l'estimation de la vitesse du vent, pour une direction du vent connue. Pour un parc éolien de géométrie simple, nous démontrons qu'une mesure locale de la vitesse perturbée par la présence des éoliennes peut être utilisée pour estimer la vitesse du vent en écoulement libre. Nous fondons notre méthodologie d'estimation sur une modélisation simplifiée de l'effet de sillage qui consiste en des équations aux dérivées partielles hyperboliques du premier ordre en cascade, et dont la vitesse de transport est la vitesse du vent en écoulement libre. Nous proposons d'utiliser une solution analytique de ces équations, impliquant des retards de transport, pour effectuer une estimation de la mesure locale et mettre à jour l'estimation de la vitesse du vent en écoulement libre. Nous démontrons formellement la convergence de cette estimation et illustrons numériquement l'efficacité de cette méthode.Enfin, nous passons à une configuration plus générale où à la fois la vitesse et la direction du vent en écoulement libre sont inconnues. Nous proposons d'utiliser une modélisation bidimensionelle du sillage et de nous appuyer sur une méthode basée sur l'optimisation. Le problème d'identification que nous formulons se révèle être particulièrement difficile en raison de l'apparition de retards de transport, mais nous montrons comment contourner cette difficulté en considérant une valeur moyenne de l'historique de la vitesse du vent en écoulement libre. Des résultats de simulation obtenus avec le simulateur FAST.Farm illustrent l'intérêt de la méthode proposée.

This thesis designs algorithms to estimate the wind speed and direction for wind turbines and wind farms.First, we propose data-based methods to estimate the Rotor Effective Wind Speed (REWS) for a single turbine without prior knowledge of certain physical parameters of the turbine that might be unknown to an operator.We provide two data-based methods, based respectively on Gaussian Process Regression (GPR) and on an combination of GPR with high-gain observers.Second, grounding on this REWS estimation at the local level of one turbine, we address the question of estimating the free-flow wind at the level of a wind farm.We start by focusing on wind speed estimation, for a given known wind direction. For a wind farm with a simple geometry, we prove that a local speed measurement disturbed by the presence of the turbines can be used to estimate the free-flow wind speed. We ground our estimation methodology on a simplified wake model, which consists of first-order hyperbolic partial differential equations, the transport speed of which is the free-flow wind speed. We propose to use an analytical solution of these equations, involving transport delays, to perform an estimate of the local measurement and to update the free-flow wind speed estimate. We formally prove the convergence of this estimate and numerically illustrate the efficiency of this method.Finally, we move to a more general setup where both the free-flow wind speed and direction are unknown. We propose to use a two-dimensional wake model and to rely on an optimization-based method. This identification problem reveals to be particularly challenging due to the appearance of transport delays, but we illustrate how to circumvent this issue by considering an average value of the free flow wind speed history. Simulation results obtained with the simulator FAST.Farm illustrate the interest of the proposed method.