Estimation de la planification de la production et de la maintenance Utilisation de méthodes d'exploration de données et d'apprentissage automatique pour les sources d'énergie renouvelables (hybride PV/éolien)

Production and Maintenance Planning estimation Using data mining and machine learning methods for renewable energy source (hybrid PV/Wind)

• Auteur / Autrice : Aminu Tijjani
• Direction : Zied Hajej
• Type : Projet de thèse
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Inscription en doctorat le 02/04/2024
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : LGIPM - Laboratoire de Génie Informatique, de Production et de Maintenance

Mots clés

Mots clés libres

Production

Hybride

Apprentissage automatique

Exploration de données

Production

Hybrid

Machine Learning

Data minning

Résumé

De nos jours, le secteur énergétique traditionnel devient un domaine très difficile en raison de son impact environnemental élevé. Cette énergie traditionnelle remet en cause la pollution de l'air provoquant une augmentation de l'effet de serre à l'origine du réchauffement climatique. Dans ce contexte, le marché des énergies renouvelables (ER), en particulier les sources d'énergie solaire et éolienne. À l'échelle mondiale, l'énergie solaire a une capacité installée cumulée d'environ 1 TW en 2023, ce qui augmente la capacité mondiale de pénétration solaire de 400 % depuis sa création. En outre, l'énergie éolienne a une capacité installée de 651 GW en 2019, qui devrait également atteindre 1 TW d'ici 2024, selon le Conseil mondial de l'énergie éolienne (GWEC). Le gouvernement français propose des incitations à ceux qui souhaitent consommer leur propre électricité grâce aux énergies renouvelables telles que le photovoltaïque. Cette incitation gouvernementale avec la réduction du coût de production d'électricité motive les acteurs des centrales EnR à établir une stratégie de maintenance préventive optimale afin de garantir un niveau de service éligible. En plus d'une stratégie de maintenance préventive optimale pour maximiser la disponibilité, les centrales photovoltaïques et éoliennes souffrent de plusieurs problèmes, tels que la détérioration et la dégradation dues à des expositions permanentes à des conditions météorologiques défavorables qui affectent la fiabilité des systèmes. Dans la littérature sur la prévision de maintenance d'un système photovoltaïque et éolien, tant le modèle de fiabilité que l'impact environnemental sur les composants ont été rarement pris en compte. Dans ce contexte, Sa'ad (2013) a travaillé séparément sur les systèmes d'énergie photovoltaïque et éolien en explorant l'impact environnemental sur les systèmes. Cependant, la principale contribution de ces travaux est d'hybrider les systèmes photovoltaïques et éoliens et également d'intégrer l'impact environnemental sur le modèle de fiabilité du système. Ce travail vise à prévoir la production des installations ainsi que leur entretien pour les sources d'énergie hybrides. Il aborde deux fonctionnalités critiques pour la gestion de l'énergie. Dans la première partie, nous explorerons la corrélation entre la production d'énergie du système et les données météorologiques telles que la température, l'humidité et l'irradiation. Cela nous permettra de développer une nouvelle méthode d'exploration de données et un algorithme d'apprentissage automatique qui prévoit la production d'énergie en utilisant les données météorologiques et opérationnelles comme entrées. Dans la deuxième partie, nous nous concentrerons sur différentes stratégies de maintenance pour le modèle énergétique hybride que nous développerons. Nous étudierons la fiabilité de ses composants les plus importants. Ensuite nous explorerons l'influence des conditions environnementales sur leurs défaillances les plus critiques afin de l'intégrer à leur fiabilité.

Nowadays, the traditional energy sector becomes a very challenging area due to their high environmental impact. This traditional energy brings into question the air pollution causing an increase in the greenhouse effect that causes global warming. In this context, the renewable energy (RE) market especially solar and wind energy sources. Globally, solar energy has a cumulative installed capacity of about 1TW in 2023 which increases the global solar penetration capacity by 400% since inception. Furthermore, the wind energy has an installed capacity to 651 GW in 2019 which is also expected to rise to 1TW by 2024 according to the global wind energy council (GWEC). The French government offers incentives for those wishing to consume their own electricity by RE such PV. This government incentive with the reduced cost of power generation motivates the RE plant stakeholders to establish an optimal preventive maintenance strategy in order to guarantee an eligible service level. In addition to optimal preventive maintenance strategy for maximizing the availability, both PV and wind power plants suffer from several problems, such as deterioration and degradation due to permanent exposures under adverse weather conditions that affecting the systems' reliability. In the literature of maintenance forecast for a photovoltaic and wind energy systems, both the reliability model and the environmental impact on the components were rarely considered. In this context, Sa'ad (2013) worked on both PV and wind energy systems separately exploring environmental impact on the systems. However, the main contribution of this work is to hybridize the PV and wind energy systems and also to integrate of the environmental impact on the system's reliability model. This work aims to forecast plant production as well as its maintenance for the hybrid energy sources. It addresses two critical features for the energy management. For the first part, we will explore the correlation between the system's power production and the meteorological data such as temperature, humidity and irradiance. This will allow us to develop a new data mining method and a machine learning algorithm that forecasts energy production using the meteorological and operational data's as inputs. In the second part, we will focus on different maintenance strategies for the hybrid energy model we will develop. We will study the reliability of its most important components. Then we will explore the influence of the environmental conditions on their most critical failures in order to integrate it to their reliability.