Utilisez les données et le machine learning pour améliorer les performances opérationnelles de vos éoliennes

Gérez efficacement le givrage des éoliennes avec une plateforme de données moderne

Les dépenses des services publics pour les opérations et la maintenance (O&M) augmentent sans cesse et la tendance n'est pas près de s'inverser. La performance opérationnelle est un domaine que les entreprises recherchent le plus souvent lorsqu'elles tentent d'optimiser les niveaux de dotation en personnel tout en réduisant les coûts. Dans ce cas d'utilisation, nous explorerons comment une plateforme de données moderne peut aider à gérer le givrage des éoliennes et à améliorer les performances opérationnelles.

L'énergie éolienne s'est rapidement imposée comme un pilier pour les énergies vertes à travers le monde. Ses opérations se retrouvent donc au centre de l'attention. Contrairement à d'autres activités de ce secteur, l'exploitation des éoliennes doit être évaluée un peu différemment parce que chaque turbine est affectée différemment par les conditions météorologiques, l'altitude et d'autres facteurs en fonction de son emplacement.

Améliorez les performances des éoliennes à l'aide du machine learning et d'analyses avancées

Lors de l'optimisation des performances des éoliennes, vous devez tenir compte de plusieurs facteurs différents, y compris les spécifications techniques de la turbine et de ses pales, ainsi que son emplacement et le temps qui affecte ses performances. Pour donner du sens à toutes ces données, vous avez besoin d'une plateforme de données qui vous permettra de combiner les données et d'appliquer le machine learning (ML) le plus rapidement possible afin de fournir des informations permettant de mieux optimiser vos performances opérationnelles. Dans le cas des éoliennes, il a été démontré que la glace ou même le givre sur les pales affecte considérablement l'efficacité aérodynamique de la turbine et peut réduire la production d'énergie jusqu'à 80 %. Le machine learning et les analyses avancées peuvent permettre de comprendre, de préparer et de gérer rapidement cette perte. Ces technologies s'avèrent donc essentielles pour limiter l'impact global et maintenir l'efficacité opérationnelle.

Cette image montre comment Oracle Data Platform for energy and water peut être utilisé pour prendre en charge un cas d'utilisation relatif aux performances opérationnelles, en particulier en ce qui concerne le givrage des éoliennes. La plateforme comprend les cinq piliers suivants :

1. 1. Sources de données et repérage
2. 2. Ingestion et transformation
3. 3. Sauvegarde, tri et création
4. 4. Analyses, apprentissage et prévision
5. 5. Mesures et réactions

Le pilier « Sources de données et repérage » inclut trois catégories de données.

1. 1. Les données internes sont constituées de métadonnées sur les actifs, de données SIG et de vidéos.
2. 2. Les applications incluent SCADA, le hub de données d'appareil et les systèmes de gestion des pannes et de la maintenance.
3. 3. Les données tierces comprennent les données provenant du GPS et des sources météorologiques.

Le pilier « Ingestion et transformation » comprend trois fonctionnalités.

1. 1. L'ingestion par lots utilise OCI Data Integration et Data Studio.
2. 2. La capture des données de modification utilise OCI GoldenGate.
3. 3. L'ingestion de flux comprend OCI Streaming et OCI Connector Hub.

Les trois fonctionnalités se connectent de manière unidirectionnelle au dépôt de données et au stockage cloud de service dans le pilier « Sauvegarde, tri et création ».

Le pilier « Sauvegarde, tri et création » comprend quatre fonctionnalités.

1. 1. Le dépôt de données de service utilise Oracle Autonomous Data Warehouse.
2. 2. Le stockage cloud utilise OCI Object Storage.
3. 3. Le traitement par lots utilise OCI Data Integration, Functions et Data Flow.
4. 4. La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud est connecté de manière unidirectionnelle au dépôt de données de service. Il est également connecté de manière bidirectionnelle au traitement par lots.

Les lignes de métadonnées se connectent de manière unidirectionnelle du dépôt de données de service et du stockage cloud à la gouvernance.

Deux fonctionnalités se connectent au pilier « Analyses, apprentissage et prévision » : le dépôt de données de service se connecte de manière unidirectionnelle aux services d'analyse et de visualisation, de prévision, d'apprentissage et d'IA. Le stockage cloud se connecte de manière bidirectionnelle à l'apprentissage, mais de manière unidirectionnelle aux services d'analyse et de visualisation, d'apprentissage et d'IA.

Le pilier « Analyses, apprentissage et prévision » comprend six fonctionnalités.

1. 1. Les fonctions d'analyse et de visualisation utilisent Oracle Analytics Cloud et Spatial Studio.
2. 2. Les produits de données et les API utilisent OCI API Gateway, Oracle Integration Cloud et OCI Functions.
3. 3. La prévision utilise les services OCI Data Science et Oracle Machine Learning.
4. 4. L'apprentissage utilise OCI Data Science les blocs-notes Oracle Machine Learning.
5. 5. Les services d'IA utilisent OCI Vision, OCI Language et des services tiers.
6. 6. La fonctionnalité de prévision est connectée de manière unidirectionnelle aux produits de données et à la fonctionnalité d'API.

Le pilier « Mesures et réactions » détermine comment l'analyse des données peut être appliquée pour prendre en charge un modèle de gestion du givrage des turbines et suivre les performances. Ces applications sont divisées en deux groupes.

Le premier groupe « Collaborateurs et partenaires » comprend les opérations et la maintenance.

Le deuxième groupe « Applications » comprend Oracle Field Service, Oracle Utilities Work and Asset Management, la gestion des actifs d'entreprise, le système de gestion du travail et la gestion des interventions sur le terrain.

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Architecture logique de performance opérationnelle pour les éoliennes

Il existe trois méthodes principales pour injecter des données dans une architecture afin que les producteurs puissent évaluer efficacement leur stratégie de performance opérationnelle pour les éoliennes.

• Nous utiliserons l'ingestion par lots pour importer des données à partir de systèmes qui ne prennent pas en charge la diffusion en continu (par exemple, d'anciens systèmes SCADA ou de gestion de la maintenance). Dans ce cas d'utilisation, les données sur les actifs, les données météorologiques et les données du GPS, de la maintenance et des systèmes de gestion des pannes seront ingérées à des intervalles variables. Nous utiliserons l'intégration de données avec OCI Data pour charger ces jeux de données dans Oracle Cloud Infrastructure (OCI) Object Storage ou directement dans Oracle Autonomous Data Warehouse (ADW).
• En outre, nous utiliserons Oracle Cloud Infrastructure GoldenGate pour ingérer des données provenant de systèmes opérationnels, tels que des systèmes d'indisponibilité, des systèmes de gestion de la maintenance et des hubs de données de ressource, via la capture des données de modification.
• Pour toutes les données de diffusion en continu, telles que les données météorologiques, nous utiliserons la combinaison d'OCI Streaming et d'OCI Connector Hub pour capturer, agréger et charger les données directement dans OCI Object Storage.

La persistance et le traitement des données reposent sur trois composants.

• Les données brutes ingérées à partir de toutes les sources sont stockées dans le cloud. En fonction de l'action requise, nous pouvons utiliser les fonctionnalités automatisées d'OCI, telles que le service OCI Events, pour lancer des événements de traitement par lots. Dans ce cas d'utilisation, nous allons ingérer les données météorologiques et les convertir en une forme lisible pour une utilisation ultérieure. Nous utiliserons ensuite OCI Data Integration, OCI Functions ou OCI Data Flow pour le traitement par lots afin de consolider, de conserver ou d'améliorer les données collectées si nécessaire. Les pipelines de données sont créés et gérés à l'aide d'OCI Data Integration. Bien qu'OCI Data Integration soit fourni avec un large éventail de connecteurs pour diverses ressources de données (bases de données, applications, stockage d'objets, API REST, etc.), il peut ne pas répondre à tous vos besoins. Si tel est le cas, vous pouvez créer une application OCI Data Flow pour tirer parti de tous les connecteurs disponibles via Spark. Dans cet exemple, les données relatives au hub de données d'actif, au GPS, à la météo, aux pannes historiques et à la maintenance sont combinées pour créer un modèle permettant d'identifier les emplacements d'actif physique nécessitant une attention particulière. Ces informations peuvent ensuite être utilisées pour améliorer le programme de maintenance opérationnelle.
• Nous avons créé des jeux de données traités prêts à être persistés sous forme relationnelle optimisée pour le traitement et les performances des requêtes dans le dépôt de données de service fourni par ADW. Cette approche nous permet de visualiser les résultats des prédictions de modèle. Nous pouvons même utiliser les capacités spatiales intégrées pour visualiser les turbines susceptibles de nécessiter une attention immédiate.

Trois technologies facilitent l'analyse, l'apprentissage et la prévision.

• Les services d'analyse et de visualisation, tels qu'Oracle Analytics Cloud et Spatial Studio, peuvent fournir des tableaux de bord interactifs pour visualiser les informations d'image et prévoir l'impact de la météo sur des turbines ou des fermes de turbines spécifiques. Ces services fournissent
  • Analyses descriptives, que nous pouvons utiliser pour illustrer la croissance actuelle et les tendances de givrages avec des histogrammes et des graphiques pour aider à identifier les domaines nécessitant une maintenance immédiate
  • Analyses prédictives, que nous pouvons utiliser pour planifier et déterminer les besoins de maintenance opérationnelle à long terme en prédisant la météo, en identifiant les tendances et en déterminant la probabilité de résultats incertains
  • Analyse prescriptive, qui peut proposer des actions appropriées pour aider à optimiser la prise de décision stratégique en matière de gestion de la performance
• Outre l'utilisation d'analyses avancées, des modèles de machine learning sont développés, entraînés et déployés à l'aide d'OCI Data Science. Ces modèles utilisent le machine learning pour analyser de grandes quantités d'actifs, de conditions météorologiques, de maintenance, de systèmes d'information géographique (SIG) et d'autres données afin de vous permettre de mieux comprendre et d'améliorer les performances opérationnelles de chaque éolienne. Cette compréhension fine peut vous aider à hiérarchiser en permanence les tâches telles que l'arrêt des turbines et à déterminer le travail à effectuer et les équipes nécessaires pour le faire de la manière la plus efficace et la plus rentable. Certains des types de modèles les plus courants utilisés sont les algorithmes XGBoost et ceux de deep learning, tels que les réseaux neuronaux récurrents, les réseaux neuronaux profonds et l'apprentissage par transfert. Une fois ces modèles entraînés, ils peuvent être déployés de plusieurs manières selon les préférences de l'utilisateur. Les modèles peuvent être appelés via des adresses REST à l'aide de la plateforme OCI Data Science ou de l'API REST Oracle Machine Learning Services dans la base de données. En outre, l'utilisateur peut packager ces modèles au format ONNX (Open Neural Network Exchange) et les déployer au sein d'une application.
• Nos règles et politiques d'administration peuvent être appliquées à l'aide d'OCI Data Catalog en combinaison avec d'autres services et peuvent être exposées en tant que « produit de données » (API) au sein d'une architecture de maillage de données à des fins de distribution dans l'ensemble de l'entreprise.

Améliorez les résultats de votre entreprise grâce à des performances opérationnelles améliorées

Des stratégies de maintenance inefficaces peuvent dégrader les performances opérationnelles, nuire à la rentabilité et provoquer le mécontentement des clients. La lutte contre le givrage des éoliennes n'est qu'un cas d'utilisation du machine learning et d'autres techniques d'analyse avancées, telles que l'analyse prédictive et prescriptive, pour affiner votre stratégie de performance opérationnelle. Grâce à ces techniques, vous pouvez désormais anticiper les gelées et les pannes d'actifs tout en générant des informations exploitables en temps réel. Ces informations déclenchent des workflows prescriptifs afin que vous puissiez prendre des mesures préventives et optimiser votre maintenance. Les exemples suivants sont quelques-uns des résultats que vous pouvez obtenir lorsque vous utilisez la bonne plateforme de données pour améliorer vos performances opérationnelles :

• Fiabilité accrue
• Réduction des temps de réponse de maintenance proactive/préventive
• Coûts réduits
• Réduction du temps de restauration
• Facilité d'approvisionnement