Wind speed forcasting using neural networks and effects of frictional power loss in windturbines.

Abstract

Cette étude s’inscrit dans le cadre de la prédiction du potentiel d’énergie éolienne a base des réseaux de neurones artificiels (RNA) dans le but de quantifier l’énergie disponible et de permettre une gestion optimale de la transition entre plusieurs sources d’énergies. Elle s’inscrit également dans la quantification des pertes de puissance de la boîte de vitesse de la turbine éolienne pouvant permettre d’améliorer son rendement et donc la quantité d’énergie générée. Tout au long de ces travaux, nous avons utilisé cinq architectures de RNA avec les données du vent collectées dans la localité de Bapouh au Cameroun du 19 Novembre 2016 au 31 Décembre 2017 après chaque 10 minute et à la hauteur de 70 mètres. Le modèle moyen mobile intégré autorégressif (MMIA) est utilisé comme principal modèle de comparaison des RNA. Dans un premier temps, nous procédons à l’analyse de la performance des six modèles de prédiction les plus utilisés pour la prédiction a plusieurs étapes de la vitesse du vent. Les meilleurs résultats obtenus sont appliqués a l’estimation de la puissance électrique escomptée de la turbine éolienne E-82 2000 kW. Ces résultats ont montré que le modèle non-linéaire autorégressif avec entrée exogène (NARX) et le modèle MMIA fournissent de meilleures performances compares aux autres modèles. Par contre, le système a inférence neuro-floue adaptatif (SINFA) fournit de mauvaises performances de prédiction. La comparaison des étapes de prédiction a permis de montrer que l’anticipation a 1- étape est meilleure, tandis que celle a 3- étapes produit de mauvais résultats comparées aux autres étapes. Également, il est montré que la précision de prédiction de la puissance électrique de la turbine éolienne dépend étroitement de la précision de prédiction de la vitesse du vent. Par la suite, du au caractère instable des relations entre les autres variables met éorologiques et la vitesse du vent, un nouveau modèle hybride combinant le RNA et le MMIA est proposé pour améliorer la performance de prédiction des modèles traditionnels précédents. Ce nouveau modèle hybride est basé sur l’amélioration de la relation entre deux variables météorologiques. Ainsi, une nouvelle approche de transformation de données actuelles avant leurs utilisations pour l’entrainement du RNA est proposée. Les résultats expérimentaux indiquent que cette stratégie proposée est appropriée pour renforcer les relations entre deux variables et diminuer les variations saisonnières. De plus, en terme de précision de prédiction, le modèle hybride propos ` e surpasse les modèles de comparaison. Également, nous analysons l’influence de la disposition des variables d’entrées du RNA sur sa performance d’entrainement et de prédiction. Les résultats obtenus pour un modèle statique et un modèle dynamique de RNA ont montré que leurs performances changent de manière différente avec la disposition des variables en entrées. Ceci indique qu’il est important d’inclure la disposition optimale des variables d’entrées dans l’optimisation des RNA. Ainsi, une nouvelle approche d’optimisation des RNA est proposée en introduisant l’investigation de la disposition des variables d’entrées dans l’algorithme de retro-propagation. Cette approche est validée sur trois modèles traditionnels de RNA. Les résultats obtenus révèlent que chaque modèle proposé est plus performant par rapport à son modèle traditionnel en terme de précision de prédiction de la vitesse du vent. Enfin, vu la complexité de la mise sur pied d’un moyen d’évaluation des pertes mécaniques dans la turbine éolienne, le modèle SKF associé au RNA est proposé pour la modélisation et la prédiction des pertes de puissance dans les roulements de la boîte à vitesse en temps réel. Le modèle SKF est utilisé pour déterminer les valeurs actuelles des pertes de puissance. Le RNA a retro-propagation est utilisé pour la modélisation de ces valeurs actuelles et la prédiction des valeurs désirées. Les résultats obtenus pour les turbines éoliennes de 2.0 MW et 2.5 MW avec trois types de lubrifiant ont montré que ces pertes sont fortement influencées par les paramètres de fonctionnement, la capacité de la turbine éolienne et le type de lubrifiant. La différence entre les valeurs calculées et ´les valeurs prédites par le RNA en fonction des paramètres de fonctionnement en temps réel de la turbine éolienne a permis de montrer l’efficacité de cette approche proposée.