Directory Intranet
Chargement
COLLET David

Stratégies de contrôle individuel de pâles d’éoliennes basées sur les données pour la réduction de fatigue

 

Directeur de thèse :     Mazen ALAMIR

École doctorale : Electronique, electrotechnique, automatique, traitement du signal (EEATS)

Spécialité : Automatique et productique

Structure de rattachement : Autre

Établissement d'origine : INSA de Rennes

Financement(s) : contrat à durée déterminée ; autres financements

 

Date d'entrée en thèse : 01/10/2017

Date de soutenance : 04/12/2020

 

Composition du jury :

M. MAZEN ALAMIR CNRS DELEGATION ALPES Directeur de thèse
M. NICOLAS PETIT MINES PARISTECH Examinateur
M. JAN WILLEM VAN WINGERDEN UNIVERSITE TECHNOLOGIE DELFT - PAYS-BAS Rapporteur
M. HERVE GUEGUEN CENTRALE SUPELEC - PARIS-SACLAY Rapporteur
M. GILDAS BESANCON GRENOBLE INP Examinateur
M. Domenico DI DOMENICO IFP Energies Nouvelles Invité
M. Guillaume SABIRON IFP Energies Nouvelles Invité

 

Résumé : Les éoliennes à axe horizontal, qui sont la figure de proue de l’énergie éolienne sont devenues une technologie mature. Bien que l’éolien est une tendance mondiale à la hausse, l’accroissement de la capacité installée faiblit dans certains pays, à cause des réductions des subventions. Dans un contexte de réchauffement climatique et de transition énergétique, il est de première importance d’optimiser le coût de l’éolien, de manière à rend recette énergie compétitive face aux énergies fossiles, et ainsi permettre un développement de l’éolienne moins dépendant des subventions économiques. Le contrôle des éoliennes peut fortement contribuer à la réponse à cette problématique. Le contrôle individuel des pâles (IPC)d’éoliennes peut permettre de modifier les propriétés aérodynamiques du rotor, et ainsi réguler les charges déséquilibrées induites par des vents asymétriques. Réguler ces déséquilibres peut aider à réduire la fatigue des pièces de l’éoliennes en rotation, telle que les pâles. Par ailleurs, le contrôle IPC est connu pour accroître l’activité des actionneurs de pâles, induisant une fatigue additionnelle sur les actionneurs ainsi que les roulements portant les pâles. Par conséquent, le contrôle IPC peut avoir des effets positifs sur la fatigue de certaines pièces, mais négatifs sur d’autres. Pour optimiser le coût de l’énergie éolienne, il est nécessaire qu’un contrôleur IPC soit optimisé de manière à pondérer efficacement le compromis entre les fatigues des divers composants de l’éolienne. Pour répondre à cette problématique, une fonction de coût de la fatigue a été définie comme la somme pondérée de la fatigue de divers composants de l’éolienne. Un contrôleur IPC doit être conçu de manière à minimiser l’espérance du coût de la fatigue. Cependant,l’optimisation de la fatigue est une tâche complexe, car son expression en tant que fonction de coût ne suit pas les formes conventionnelles. Il est montré plusieurs fois au cours de cette thèse que les stratégies de contrôle conventionnelles limitent le potentiel de réduction de la fatigue. Pa railleurs, combiner plusieurs stratégies de contrôle conventionnelles paramétrées différemment pourrait permettre des réductions significatives de l’espérance du coût de la fatigue, par rapport à des stratégies conventionnelles à paramètre fixes. La problématique adressée dans cette thèse est donc l’adaptation des paramètres de stratégies de contrôle IPC conventionnelles, pour une réduction efficace de la fatigue d’éoliennes. Deux approches sont ainsi développées par la suite. La première consiste à approcher le coût de la fatigue par une fonction de coût orientée fatigue, grâce à une identification basée sur des données. Cette fonction de coût orientée fatigue utilisée dans un problème de contrôle optimal permet de paramétrer un problème d’optimisation standard, qui approche le problème d’optimisation de la fatigue autour de son optimum. Le problème d’optimisation orienté fatigue permet ainsi des réductions efficaces du coût de la fatigue. La commande prédictive (MPC) est une stratégie de contrôle qui permet d’optimiser une fonction de coût spécifique, en résolvant en ligne un problème de contrôle optimal. Ensuite, un contrôleur IPC MPC est obtenue à partir de l’expression du problème d’optimisation orienté fatigue. Ces contrôleurs ont ensuite été mis en œuvre en boucle fermée sur un modèle d’éolienne simplifié, et ont montré un grand potentiel de réduction de l’espérance du coût de la fatigue, par rapport à un contrôleur MPC à paramètres fixés. La seconde solution est une méthodologie où un superviseur basé sur l’apprentissage, sélectionne les paramètres de contrôleurs candidats à partir des conditions de vent, de manière à réduire efficacement le coût de la fatigue d’une éolienne. Une preuve de concept comportant un superviseur simple a montré que des réductions significatives de la fatigue sont possibles, ce qui encourage aussi le développement de cette seconde approche.


GIPSA-lab, 11 rue des Mathématiques, Grenoble Campus BP46, F-38402 SAINT MARTIN D'HERES CEDEX - 33 (0)4 76 82 71 31