Pratiquement toutes les éoliennes, qui produisent plus de 5 % de l’électricité mondiale, sont contrôlées comme s’il s’agissait d’unités individuelles et autonomes. En fait, la grande majorité fait partie de plus grandes installations de parcs éoliens impliquant des dizaines voire des centaines de turbines, dont les sillages peuvent s’influencer les uns les autres.
Aujourd’hui, des ingénieurs du MIT et d’ailleurs ont découvert que, sans nécessiter de nouveaux investissements en équipement, la production d’énergie de ces installations de parcs éoliens peut être augmentée en modélisant le flux de vent de l’ensemble des éoliennes et en optimisant le contrôle des unités individuelles. en conséquence.
L’augmentation de la production d’énergie d’une installation donnée peut sembler modeste : elle est d’environ 1,2 % au total et de 3 % pour des vitesses de vent optimales. Mais l’algorithme peut être déployé sur n’importe quel parc éolien, et le nombre de parcs éoliens augmente rapidement pour atteindre les objectifs climatiques accélérés. Si cette augmentation d’énergie de 1,2 % était appliquée à tous les parcs éoliens existants dans le monde, cela équivaudrait à ajouter plus de 3 600 nouvelles éoliennes, soit suffisamment pour alimenter environ 3 millions de foyers, et un gain total pour les producteurs d’électricité de près d’un milliard. dollars par an, disent les chercheurs. Et tout cela pour pratiquement aucun coût.
La recherche est publiée aujourd’hui dans la revue Énergie naturelle, dans une étude menée par MIT Esther et Harold E. Edgerton, professeur adjoint de génie civil et environnemental Michael F. Howland.
« Essentiellement, toutes les éoliennes existantes à grande échelle sont contrôlées » avidement « et indépendamment », explique Howland. Le terme « avidement », explique-t-il, fait référence au fait qu’elles sont contrôlées pour maximiser uniquement leur propre production d’électricité, comme s’il s’agissait d’unités isolées sans impact négatif sur les turbines voisines.
Mais dans le monde réel, les éoliennes sont délibérément espacées les unes des autres dans les parcs éoliens pour obtenir des avantages économiques liés à l’utilisation des terres (on- ou offshore) et aux infrastructures telles que les routes d’accès et les lignes de transmission. Cette proximité signifie que les éoliennes sont souvent fortement affectées par les sillages turbulents produits par d’autres qui sont au vent d’elles – un facteur que les systèmes de contrôle des turbines individuels ne prennent pas actuellement en compte.
« Du point de vue de la physique des flux, rapprocher les éoliennes dans les parcs éoliens est souvent la pire chose à faire », déclare Howland. « L’approche idéale pour maximiser la production totale d’énergie serait de les éloigner le plus possible », mais cela augmenterait les coûts associés.
C’est là qu’interviennent les travaux de Howland et de ses collaborateurs. Ils ont développé un nouveau modèle de flux qui prédit la production d’énergie de chaque éolienne du parc en fonction des vents incidents dans l’atmosphère et de la stratégie de contrôle de chaque éolienne. Bien que basé sur la physique des flux, le modèle apprend des données opérationnelles des parcs éoliens pour réduire les erreurs de prédiction et l’incertitude. Sans rien changer aux emplacements physiques des turbines et aux systèmes matériels des parcs éoliens existants, ils ont utilisé la modélisation basée sur la physique et assistée par les données du flux dans le parc éolien et la production d’énergie résultante de chaque turbine, compte tenu des différentes conditions de vent, pour trouver l’orientation optimale pour chaque turbine à un instant donné. Cela leur permet de maximiser la production de l’ensemble de la ferme, pas seulement des turbines individuelles.
Aujourd’hui, chaque turbine détecte en permanence la direction et la vitesse du vent entrant et utilise son logiciel de contrôle interne pour ajuster sa position d’angle de lacet (axe vertical) afin de s’aligner le plus possible sur le vent. Mais dans le nouveau système, par exemple, l’équipe a découvert qu’en tournant une turbine légèrement à l’écart de sa propre position de sortie maximale – peut-être à 20 degrés de son angle de sortie de pointe individuel – l’augmentation résultante de la puissance de sortie d’un ou plusieurs sous le vent unités feront plus que compenser la légère réduction de la production de la première unité. En utilisant un système de contrôle centralisé qui prend en compte toutes ces interactions, l’ensemble des éoliennes a été exploité à des niveaux de puissance de sortie pouvant atteindre 32 % de plus dans certaines conditions.
Dans une expérience de plusieurs mois dans un véritable parc éolien à grande échelle en Inde, le modèle prédictif a d’abord été validé en testant un large éventail de stratégies d’orientation de lacet, dont la plupart étaient intentionnellement sous-optimales. En testant de nombreuses stratégies de contrôle, y compris des stratégies sous-optimales, à la fois dans la ferme réelle et dans le modèle, les chercheurs ont pu identifier la véritable stratégie optimale. Il est important de noter que le modèle a pu prédire la production d’électricité de la ferme et la stratégie de contrôle optimale pour la plupart des conditions de vent testées, ce qui donne l’assurance que les prédictions du modèle suivraient la véritable stratégie opérationnelle optimale pour la ferme. Cela permet d’utiliser le modèle pour concevoir les stratégies de contrôle optimales pour les nouvelles conditions de vent et les nouveaux parcs éoliens sans avoir à effectuer de nouveaux calculs à partir de zéro.
Ensuite, une deuxième expérience de plusieurs mois dans la même ferme, qui n’a mis en œuvre que les prédictions de contrôle optimales du modèle, a prouvé que les effets réels de l’algorithme pouvaient correspondre aux améliorations énergétiques globales observées dans les simulations. En moyenne sur toute la période de test, le système a obtenu une augmentation de 1,2 % de la production d’énergie à toutes les vitesses de vent et une augmentation de 3 % à des vitesses comprises entre 6 et 8 mètres par seconde (environ 13 à 18 miles par heure).
Bien que le test ait été effectué dans un parc éolien, les chercheurs affirment que le modèle et la stratégie de contrôle coopératif peuvent être mis en œuvre dans n’importe quel parc éolien existant ou futur. Howland estime que, transposée au parc d’éoliennes existant dans le monde, une amélioration énergétique globale de 1,2 % produirait plus de 31 térawattheures d’électricité supplémentaire par an, soit environ l’équivalent de l’installation gratuite de 3 600 éoliennes supplémentaires. Cela se traduirait par quelque 950 millions de dollars de revenus supplémentaires par an pour les exploitants de parcs éoliens, dit-il.
La quantité d’énergie à gagner variera considérablement d’un parc éolien à l’autre, en fonction d’un éventail de facteurs, notamment l’espacement des unités, la géométrie de leur disposition et les variations des modèles de vent à cet endroit au cours d’une an. Mais dans tous les cas, le modèle développé par cette équipe peut fournir une prédiction claire de ce que sont exactement les gains potentiels pour un site donné, explique Howland. « La stratégie de contrôle optimale et le gain potentiel d’énergie seront différents pour chaque parc éolien, ce qui nous a motivés à développer un modèle de parc éolien prédictif qui peut être largement utilisé, pour l’optimisation de l’ensemble du parc éolien », ajoute-t-il.
Mais le nouveau système peut potentiellement être adopté rapidement et facilement, dit-il. « Nous n’avons besoin d’aucune installation matérielle supplémentaire. Nous ne faisons en fait qu’un changement de logiciel, et il y a une augmentation potentielle significative de l’énergie qui y est associée. » Même une amélioration de 1%, souligne-t-il, signifie que dans un parc éolien typique d’environ 100 unités, les opérateurs pourraient obtenir le même rendement avec une éolienne de moins, économisant ainsi les coûts, généralement des millions de dollars, associés à l’achat, à la construction et l’installation de cette unité.
De plus, note-t-il, en réduisant les pertes de sillage, l’algorithme pourrait permettre de placer les éoliennes plus près les unes des autres dans les futurs parcs éoliens, augmentant ainsi la densité de puissance de l’énergie éolienne, économisant sur les empreintes terrestres (ou maritimes). Cette augmentation de la densité de puissance et la réduction de l’empreinte pourraient aider à atteindre les objectifs urgents de réduction des émissions de gaz à effet de serre, qui nécessitent une expansion substantielle du déploiement de l’énergie éolienne, à la fois sur terre et en mer.
De plus, dit-il, le plus grand nouveau domaine de développement de parcs éoliens est offshore, et « l’impact des pertes de sillage est souvent beaucoup plus élevé dans les parcs éoliens offshore ». Cela signifie que l’impact de cette nouvelle approche pour contrôler ces parcs éoliens pourrait être considérablement plus important.
Le Howland Lab et l’équipe internationale continuent d’affiner les modèles et travaillent à améliorer les instructions opérationnelles qu’ils dérivent du modèle, en évoluant vers un contrôle autonome et coopératif et en s’efforçant d’obtenir la plus grande puissance de sortie possible à partir d’un ensemble de conditions donné, explique Howland. .
Michael F. Howland et al, L’exploitation d’un parc éolien collectif basée sur un modèle prédictif augmente la production d’énergie à l’échelle des services publics, Énergie naturelle (2022). DOI : 10.1038/s41560-022-01085-8