Sujet de Thèse
Titre :
Intelligence Artificielle pour la maintenance prédictive d'une centrale photovoltaïque
Dates :
2023/05/31 - 2026/05/30
Etudiant :
Encadrant(s) :
Description :
Une centrale solaire photovoltaïque (PV) est un dispositif technique de production d'électricité permettant de produire de l'électricité grâce à la lumière du soleil. Pour assurer leur bon fonctionnement et maximiser l'énergie produite, les centrales PV sont entretenues selon un programme de maintenance. Par manque d'outils adéquats d'aide à la décision, les actions de maintenance préventives sont souvent planifiées selon l'âge des équipements à maintenir. Un planning de maintenance non adéquat peut conduire à des désavantages majeures (ex. des opérations de maintenance préventives inutiles, fréquente de pannes élevée, performance aléatoire/réduite, surcoût de maintenance/exploitation, etc.). Dans ce contexte, une évolution vers de la maintenance plus « juste à temps » de type prédictive (prévisionnelle au sens de la norme NF) est donc souhaitée chez Feedgy afin de ne déployer des actions qu'en fonction de l'état réel, des équipements de la centrale PV. Le déploiement de cette nouvelle stratégie de maintenance se base sur deux processus principaux : (1)-pronostics de défauts/dysfonctionnement des équipements de la centrale PV (onduleurs, disjoncteurs, panneaux solaires, etc.) et (2)-optimisation de décision en maintenance prédictive de ces équipements.
Pour apporter des réponses à ces verrous industriels, le premier objectif de cette thèse est de développer des approches de pronostic, par utilisation de Machine Learning, permettant de prédire la date de défaillance/défaut des équipements clés d'une centrale PV. En effet, dans la littérature, plusieurs approches de pronostic ont été proposées pour la prédiction la date de défaillance d'un équipement/système mais les approches existantes sont majoritairement proposées pour des systèmes de production ou des machines-outils. Elles ne sont pas directement applicables aux équipements spécifiques tel que ceux d'une centrale PV. De plus, le processus de vieillissement/dégradation de ces équipements sont très sensibles à leur localisation et la condition météorologique). Donc le développement d'une telle approche de pronostic pour la prédiction de défaut/dysfonctionnement de ces équipements d'une centrale PV reste un défi scientifique important à résoudre.
Le deuxième objectif de cette thèse est de proposer/développer une stratégie de maintenance prédictive adaptée pour pouvoir construire un planning d'interventions adaptés du parc PV entier, à partir des résultats de prédiction dans l'étape précédente, tout en respectant les propriétés du parc PV (localisation, configuration ...), les conditions opératoires et des contraintes liées à la fois à l'exploitation et aussi au soutien logistique. Une optimisation multicritère (ex : minimiser les coûts de maintenance et/ou maximiser des performances) avec contraintes sera développée, sur la base des algorithmes d'optimisation conventionnelles ou des algorithmes d'apprentissage par renforcement, pour la recherche du planning optimal de maintenance. Dans la littérature, plusieurs modèles d'aide à la décision (stratégies de maintenance et algorithmes d'optimisation) ont été développés. Cependant, le développement et l'implémentation de solutions adéquates à l'échelle industrielle manque encore cruellement de fondements, de méthodes et d'outils.
Les originalités scientifiques majeures de cette thèse sont par conséquent :
La construction d'algorithmes avancés de pronostic (de type hybride) pour permettre de prédire la date de défauts/défaillance des équipements clés d'une centrale PV. Les algorithmes développés doivent permettre d'exploiter à la fois les données disponibles et les connaissances métiers (vers un pronostic avec un degré de confiance pertinent).
Le développement, en intégrant les résultats du pronostic avancé, d'un modèle d'aide à la décision pour la maintenance prédictive.
Une approche d'optimisation multicritère permettant de fournir un planning de maintenance adapté, sur le modèle d'aide à la décision développé, tout en respectant les propriétés et les conditions opératoires du parc PV et des contraintes liées à la fois à l'exploitation et aussi au soutien logistique.
Le développement d'un modèle d'évaluation de l'efficacité des actions de maintenance prédictive mises en oeuvre
La mise en oeuvre dans une solution logicielle commerciale.
Pour apporter des réponses à ces verrous industriels, le premier objectif de cette thèse est de développer des approches de pronostic, par utilisation de Machine Learning, permettant de prédire la date de défaillance/défaut des équipements clés d'une centrale PV. En effet, dans la littérature, plusieurs approches de pronostic ont été proposées pour la prédiction la date de défaillance d'un équipement/système mais les approches existantes sont majoritairement proposées pour des systèmes de production ou des machines-outils. Elles ne sont pas directement applicables aux équipements spécifiques tel que ceux d'une centrale PV. De plus, le processus de vieillissement/dégradation de ces équipements sont très sensibles à leur localisation et la condition météorologique). Donc le développement d'une telle approche de pronostic pour la prédiction de défaut/dysfonctionnement de ces équipements d'une centrale PV reste un défi scientifique important à résoudre.
Le deuxième objectif de cette thèse est de proposer/développer une stratégie de maintenance prédictive adaptée pour pouvoir construire un planning d'interventions adaptés du parc PV entier, à partir des résultats de prédiction dans l'étape précédente, tout en respectant les propriétés du parc PV (localisation, configuration ...), les conditions opératoires et des contraintes liées à la fois à l'exploitation et aussi au soutien logistique. Une optimisation multicritère (ex : minimiser les coûts de maintenance et/ou maximiser des performances) avec contraintes sera développée, sur la base des algorithmes d'optimisation conventionnelles ou des algorithmes d'apprentissage par renforcement, pour la recherche du planning optimal de maintenance. Dans la littérature, plusieurs modèles d'aide à la décision (stratégies de maintenance et algorithmes d'optimisation) ont été développés. Cependant, le développement et l'implémentation de solutions adéquates à l'échelle industrielle manque encore cruellement de fondements, de méthodes et d'outils.
Les originalités scientifiques majeures de cette thèse sont par conséquent :
La construction d'algorithmes avancés de pronostic (de type hybride) pour permettre de prédire la date de défauts/défaillance des équipements clés d'une centrale PV. Les algorithmes développés doivent permettre d'exploiter à la fois les données disponibles et les connaissances métiers (vers un pronostic avec un degré de confiance pertinent).
Le développement, en intégrant les résultats du pronostic avancé, d'un modèle d'aide à la décision pour la maintenance prédictive.
Une approche d'optimisation multicritère permettant de fournir un planning de maintenance adapté, sur le modèle d'aide à la décision développé, tout en respectant les propriétés et les conditions opératoires du parc PV et des contraintes liées à la fois à l'exploitation et aussi au soutien logistique.
Le développement d'un modèle d'évaluation de l'efficacité des actions de maintenance prédictive mises en oeuvre
La mise en oeuvre dans une solution logicielle commerciale.
Mots clés :
Maintenance prédictive, pronostics, apprentissage automatique, intelligence artificielle, onduleurs
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
