Développement de stratégies de maintenance intégrées pour les sources d'énergie renouvelables basées sur des méthodes analytiques et l'intelligence artificielle (AI) : comparaisons et étude de cas

Developing integrated maintenance strategies for renewable energy sources based on analytical methods and artificial intelligence (AI) : comparisons and case study

• Auteur / Autrice : Aisha Sa'ad
• Direction : Zied Hajej, Aimé Nyounguè
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance le 08/06/2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Génie Informatique, de Production et de Maintenance (Metz)
• Jury : Président / Présidente : Ali Siadat
• Jury : Examinateurs / Examinatrices : Zied Hajej, Bertrand Rose, Abdellatif Benabdelhafid, Hamid Allaoui, Akilu Yunusa-Kaltungo, Linda Zhang
• Jury : Rapporteurs / Rapporteuses : Bertrand Rose, Abdellatif Benabdelhafid

Mots clés

Mots clés contrôlés

Intelligence artificielle

Réseaux neuronaux (informatique)

Maintenance conditionnelle

Production -- Contrôle

Énergies renouvelables

Mots clés libres

Production

Maintenance

Énergies renouvelables

Artificial neural network (ANN)

Support vector regression (SVR)

Production d'énergie

Maintenance intégrée

Production

Maintenance

Renewable energy

Artificial neural network (ANN)

Support vector regression (SVR)

Energy production

Integrated maintenance

Résumé

Au cours de ces récentes années, le développement des énergies renouvelables, en particulier l'énergie solaire et l'énergie éolienne, a attiré comme méthode alternative de production d'énergie, l'attention du monde entier avec une croissance exceptionnelle de sa production. Selon le rapport de Global Energy, l'énergie solaire mondiale devrait avoir atteint une capacité cumulée de 1 TW, tandis que l'énergie éolienne devrait avoir été multipliée par 3 ou 4 mégas par rapport à la production en 2020. Cette augmentation des énergies solaire et éolienne implique des investissements financiers très importants. Cependant, avec cet énorme potentiel d'investissement et l'augmentation significative de la capacité de production, il y a une responsabilité supplémentaire, souvent négligée : la gestion des centrales électriques pour assurer le coût total du cycle de vie le plus bas (Life Cycle Cost). Comme tout système de production standard, les composants de production d'énergie renouvelable (solaire et éolienne dans notre cas) sont sujets à des défaillances aléatoires qui interrompent la production et l'approvisionnement de la demande. La maintenance est identifiée comme une cause majeure d'accidents, on peut noter le manque de savoir-faire technique dans l'exploitation d'un équipement ou l'absence d'un bon plan de routine de maintenance. Dans le cadre des efforts visant à améliorer l'efficacité et la performance des centrales électriques à énergie renouvelable, nous proposons des modèles pour optimiser la production d'énergie et la maintenance dans nos études de cas sélectionnées (centrale solaire de Sokoto et parc éolien de Katsina au Nigéria). À cet égard, nous avons développé de nouvelles politiques de maintenance intégrées à la production d'énergie des systèmes d'énergie solaire et éolienne. La stratégie de maintenance préventive adoptée dans cette thèse est une stratégie de maintenance parfaite sur les composants sélectionnés pour la maintenance et une maintenance sélective imparfaite sur le système (solaire PV et éolienne). Le manque de batterie en cas de sous-production et les pertes de maintenance sont des défis considérés dans cette étude. La méthodologie que nous avons développée consiste à résoudre le problème d'optimisation de la production d'énergie et de la maintenance en utilisant la méthode théorique ainsi que la méthode d'apprentissage automatique (ANN et SVM) afin de satisfaire une demande aléatoire d'énergie pendant un horizon fini. Nous avons également étudié l'influence des conditions environnementales et opérationnelles des systèmes, puis validé les modèles par des exemples numériques et des études de sensibilité prouvant la robustesse des modèles développés.

The development of renewable energy, especially solar and wind energy, over the recent years has gained global attention as an alternative method of generating energy experiencing exceptional growth in its production. In The Global Energy report, global solar energy is expected to have reached a cumulative capacity of 1TW while the wind energy is expected to have multiplied up to 3 to 4 times from mega production in the year 2020. This increase in the solar and wind power implies very significant financial investments. However, with this huge investment potential and significant increase in generation capacity, there is an additional, often overlooked responsibility: managing the power plants to ensure the lowest total life cycle cost (Life Cycle Cost). Like any standard production system, renewable energy (solar and wind energy in our case) generation components are subject to random failure, which interrupts production and supply of demand. Maintenance is identified as a major cause of accidents, lack of technical know-how of an equipment and the absence of a good maintenance routine plan. As part of the efforts to improve the efficiency and performance of renewable energy power plants, we propose models to optimize the power production and maintenance of our selected case studies (Sokoto solar plant and Katsina wind farm). In this regard, we developed new integrated maintenance policies integrated with production of the energy production from solar and wind energy systems. The preventive maintenance strategy adopted in this thesis is perfect maintenance strategy on the selected components for maintenance and an imperfect selective maintenance on the system (solar PV and wind turbine). Battery shortage in case of under-production and maintenance losses are challenges considered in this study. The methodology we developed entails solving the problem of energy production and maintenance optimization by using the theoretical method as well as machine learning method (ANN and SVM) in order to satisfy a random demand of energy during a finite horizon. We also studied the influence of environmental and operational condition of the systems and then validated the models by numerical examples and sensitivity studies proving the robustness of the developed models.