Gestion de l'inadéquation de modèle dans le contrôle en boucle fermée de parcs éoliens (IFPEN Solaize ou Rueil Malmaison)

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l'industrie, l'innovation technologique est au cœur de toutes ses activités.

Dans le cadre de la mission d'intérêt général qui lui a été confiée par les pouvoirs publics, IFP Energies nouvelles (IFPEN) s'attache à :

• Apporter des solutions pour relever les défis de la société en matière d'énergie et de climat, en favorisant l'émergence d'un mix énergétique durable
• Créer de la richesse et des emplois en soutenant l'activité économique française et européenne, et la compétitivité des filières industrielles associées

Gestion de l'inadéquation de modèle dans le contrôle en boucle fermée de parcs éoliens

Le contrôle des parcs éoliens est une technologie relativement nouvelle qui consiste à contrôler les éoliennes collectivement en vue d’optimiser la production totale ou leur santé structurelle, ou tout autre critère représentant la performance globale du parc éolien. Les points de fonctionnement sont ainsi choisis de manière à réduire les effets de sillage dans « l’intérêt général » du parc et non pas pour maximiser la production individuelle de chaque turbine.

A IFPEN, nous nous intéressons plus particulièrement au contrôle par redirection de sillage (« wake steering »), réalisé en désalignant les éoliennes par rapport au vent dominant, via une modification de la consigne appliquée par le système de contrôle en lacet de la turbine. Dans l’approche de contrôle « en boucle ouverte », un calcul d’optimisation est réalisé hors ligne (i.e. sans rétroaction) sur un modèle numérique du parc éolien pour toutes les conditions de vent données, afin de calculer les consignes de désalignements en lacet à appliquer à chaque turbine, qui sont ensuite stockées dans des cartographies à utiliser en ligne sur la base des conditions de vent estimées dans le parc. On utilise généralement un modèle physique « basse fidélité » (modèle stationnaire simplifié) qui prédit les effets moyennés dans le temps d'une politique de contrôle sur la production d'énergie et les chargements mécaniques.

Pour dépasser les limites du contrôle de parc en boucle ouverte, où les cartographies de désalignement sont calculées en ligne une fois pour toutes, une autre méthodologie de contrôle de parcs éoliens, dite « en boucle fermée », commence à être étudiée. Elle consiste à utiliser des informations et mesures de terrain pour calculer des consignes de désalignement en s’adaptant dynamiquement aux conditions de fonctionnement du parc. Une manière de réaliser ce type de contrôle consiste à caler en ligne un modèle stationnaire comme celui décrit auparavant (qui devient ainsi un jumeau numérique du parc) en estimant certains paramètres incertains et de lancer une optimisation avec les conditions de vent courantes en entrée. On peut toutefois s’attendre à des imprécisions dans le modèle vu la difficulté à décrire les écoulements dans le parc de manière simple et la grande diversité des échelles spatiales et temporelles.

En présence d’une inadéquation entre modèle et système (plant-model mismatch), qui, si le modèle est structurellement incorrect, ne pourra pas être corrigée par l’estimation de paramètres plus adaptés aux conditions actuelles, il n'est pas garanti que les consignes de lacet optimales calculées à partir du modèle le soient aussi pour le système (le parc éolien).

Dans ce contexte, il peut être intéressant d’essayer de caractériser l’erreur de modèle et de l’intégrer au processus d’optimisation. C’est l’idée à la base de l’optimisation temps-réel par adaptation de modificateurs (modifier adaptation, MA) initialement proposée par des chercheurs de l’Ecole Polytechnique de Lausanne [1]. Cette technique, dont les variantes les plus courantes sont décrites dans [2], consiste à adapter directement le problème d'optimisation à l'aide de mesures pour permettre la convergence vers l'optimum global du système. La MA standard ajoute des modificateurs du premier ordre pour corriger le gradient (et les contraintes) du modèle de substitution. Plus récemment, dans [3], l’utilisation d’un processus gaussien (Gaussien Process, GP) a été proposée pour corriger le modèle, afin de remédier à certaines limites de la MA. Pour terminer la description du contexte, l’approche MA-GP a été reprise par L.E. Andersson de la Norwegian University of Science and Technology dans une série d’articles publiés en 2020 [4][5][6][7], pour être appliquée au contrôle de ferme en boucle fermée.

L’approche semble prometteuse, mais il reste à vérifier quels sont ses réels avantages par rapport aux approches model-based à deux étapes et aux approches model-free (en considérant que l’utilisation d’un processus gaussien permet aussi de se passer complètement d’un modèle physique du parc éolien, dans un contexte d’optimisation bayésienne, comme proposé dans [6]).

Plus particulièrement, on se demande :

• Comment traiter efficacement les dynamiques induites par le contrôle de lacet bas niveau, et surtout celles due à la propagation des sillages dans le parc (retards dans les effets d’une modification de consigne de lacet).
• Comment garantir qu’il y ait suffisamment d’information pour permettre l’estimation des hyperparamètres du processus gaussien.

Le stage consistera à approfondir ces questions sur des cas d’études proposés par IFPEN. Les modèles physiques simplifiés seront basés sur des simulateurs stationnaires de parcs éoliens tels que FLORIS ou FarmShadow. L’approche sera validée en utilisant des simulateurs moyenne-fidélité tels que WFSim, FLORIDyn ou l’extension dynamique de FarmShadow. 

La·le stagiaire aura la chance de travailler dans un domaine porteur et d’une grande richesse scientifique et technique.

•  Marchetti, A. G., Chachuat, B., and Bonvin, D.: Modifier adaptation methodology for real-time optimization, Indust. Eng. Chem. Res., 48, 6022–6033, 2009.
• Marchetti, A. G., François, G., Faulwasser, T., and Bonvin, D.: Modifier Adaptation for Real-Time Optimization – Methods and Applications, Processes, 4, 55, 2016.
• de Avila Ferreira, T., Shukla, H. A., Faulwasser, T., Jones, C. N., and Bonvin, D.: Real-Time optimization of Uncertain Process Systems via Modifier Adaptation and Gaussian Processes, in: IEEE 2018 European Control Conference (ECC), 12–15 June 2018, Limassol, Cyprus, 465–470, 2018.
• Andersson, Leif Erik; Bradford, Eric Christopher; Imsland, Lars (2020): Distributed learning for wind farm optimization with Gaussian processes. In : 2020 American Control Conference (ACC). 2020 American Control Conference (ACC). Denver, CO, USA, 7/1/2020 - 7/3/2020: IEEE, pp. 4058–4064.
• Andersson, Leif Erik; Bradford, Eric Christopher; Imsland, Lars (2020): Gaussian processes modifier adaptation with uncertain inputs for distributed learning and optimization of wind farms. In IFAC-PapersOnLine 53 (2), pp. 12626–12631. DOI: 10.1016/j.ifacol.2020.12.1833.
• Andersson, Leif Erik; Doekemeijer, Bart; van der Hoek, Daan; van Wingerden, Jan-Willem; Imsland, Lars (2020): Adaptation of Engineering Wake Models using Gaussian Process Regression and High-Fidelity Simulation Data. In J. Phys.: Conf. Ser. 1618 (2), p. 22043. DOI: 10.1088/1742-6596/1618/2/022043.
• Andersson, Leif Erik; Imsland, Lars (2020): Real-time optimization of wind farms using modifier adaptation and machine learning. In Wind Energ. Sci. 5 (3), pp. 885–896. DOI: 10.5194/wes-5-885-2020.

Profil recherché 

• Etudiant·e en 3^ème année d’école d’ingénieur ou équivalent, idéalement Master 2 recherche.
• Très bonnes bases en automatique, mathématiques appliquées et sciences des données.
• Des bonnes connaissances en mécanique seraient un plus.
• La·le candidat·e saura se montrer force de proposition.
• Aptitude à lire des publications scientifiques en anglais, pour appréhender l’état de l’art sur le sujet.

Localisation :  IFPEN Lyon, Solaize (69) ou IFPEN Rueil-Malmaison (92)