VALEMO est présent à la seconde édition des journées Scientifiques de l’Éolien les 25 et 26 janvier à St Malo.
Organisé par France Renouvelables et IFP Énergies Nouvelles, cet événement est l’occasion de rassembler académiciens et professionnels de l’éolien autour des dernières innovations scientifiques de l’éolien terrestre et en mer.
Quatre collaborateurs VALEMO vont participer à ces journées. Trois en tant qu’intervenants pour présenter leur travail synthétisé autour de trois thématiques :
Méthodologie pour la détection de sous-performance liée à l’alignement nacelle par l’analyse des données SCADA
Considérant l’impact de la variation du coefficient de puissance aérodynamique, l’étude porte sur la détection de sous-performance liée à l’alignement nacelle par l’analyse des données SCADA dans les basses vitesses de vent notamment. Les analyses SCADA portent principalement sur des écarts à la courbe de puissance médiane liée à un groupe d’éoliennes et sur l’analyse du comportement de courbes de puissance. Ces analyses sont illustrées par des exemples de désalignement nacelle mesuré par des appareils de mesure type LiDAR monté-nacelle. L’intérêt de cette approche est d’identifier une ou plusieurs éoliennes afin de déployer efficacement les LiDAR monté-nacelle.
Amélioration de la prévision du givre pour l’exploitation des parcs éoliens
Depuis octobre 2021, VALEMO s’est engagé dans un projet de thèse CIFRE, en collaboration avec le CNRM (Centre National de Recherches Météorologiques) et Météo France, afin de poursuivre l’amélioration d’un modèle de prévision de givre (WIRE) sur les pales d’éoliennes. Ce partenariat a pour objectif d’obtenir un outil opérationnel pour notre centre de conduite pour l’exploitation des parcs éoliens. Les travaux de cette thèse s’articulent autour de trois principaux axes afin d’améliorer l’ensemble de la chaîne de prévision du risque de givrage pour la gestion des parcs éoliens : Un premier axe concernant les performances du modèle de prévision numérique du temps (PNT) AROME dont les paramètres sont utilisés en données d’entrée par WIRE. Un second axe sur la modélisation du phénomène de givre et de l’implémentation d’un module de fonte dans la version opérationnelle de WIRE. Un troisième axe concernant la prise en compte des incertitudes via l’utilisation de prévisions probabilistes.
Surveillance conditionnelle multi-modèles pour la détection des défauts des éoliennes à l’échelle d’une flotte
La maintenance préventive conditionnelle est un outil de planification d’interventions d’atténuation des risques de défaillance basé sur un suivi de l’état de santé des composants. Pour réaliser ces analyses des données basse fréquence sont utilisées ce qui permet une analyse temporelle multivariée qui permet de surveiller les défauts thermiques.
Un autre collaborateur va quant à lui faire une présentation durant une réunion plénière sur les Indicateurs de défaut utilisant les données 10 min, appliqués à une flotte d’éoliennes hétérogène au sein de la Session « Fiabilité, durée de vie, maintenance ».