Optimisation des modèles de prédiction et de maintenance intelligente pour améliorer l'efficacité de la production d'énergie éolienne

Intelligent Operation and Maintenance and Prediction Model Optimization for Improving Wind Power Generation Efficiency

June 19, 2025

Auteurs: Xun Liu, Xiaobin Wu, Jiaqi He, Rajan Das Gupta

cs.AI

Résumé

Cette étude explore l'efficacité des modèles de maintenance prédictive et l'optimisation des systèmes intelligents d'exploitation et de maintenance (O&M) pour améliorer l'efficacité de la production d'énergie éolienne. À travers une recherche qualitative, des entretiens structurés ont été menés avec cinq ingénieurs et responsables de maintenance de parcs éoliens, chacun disposant d'une expérience approfondie dans les opérations de turbines. En utilisant une analyse thématique, l'étude a révélé que si les modèles de maintenance prédictive réduisent efficacement les temps d'arrêt en identifiant les pannes majeures, ils peinent souvent à détecter les défaillances plus petites et graduelles. Les principaux défis identifiés incluent les faux positifs, les dysfonctionnements des capteurs et les difficultés d'intégration des nouveaux modèles avec les systèmes de turbines plus anciens. Les technologies avancées telles que les jumeaux numériques, les systèmes SCADA et la surveillance de l'état ont considérablement amélioré les pratiques de maintenance des turbines. Cependant, ces technologies nécessitent encore des améliorations, notamment dans le raffinement de l'IA et l'intégration des données en temps réel. Les résultats soulignent la nécessité d'un développement continu pour optimiser pleinement les performances des éoliennes et soutenir l'adoption plus large des énergies renouvelables.

English

This study explores the effectiveness of predictive maintenance models and the optimization of intelligent Operation and Maintenance (O&M) systems in improving wind power generation efficiency. Through qualitative research, structured interviews were conducted with five wind farm engineers and maintenance managers, each with extensive experience in turbine operations. Using thematic analysis, the study revealed that while predictive maintenance models effectively reduce downtime by identifying major faults, they often struggle with detecting smaller, gradual failures. Key challenges identified include false positives, sensor malfunctions, and difficulties in integrating new models with older turbine systems. Advanced technologies such as digital twins, SCADA systems, and condition monitoring have significantly enhanced turbine maintenance practices. However, these technologies still require improvements, particularly in AI refinement and real-time data integration. The findings emphasize the need for continuous development to fully optimize wind turbine performance and support the broader adoption of renewable energy.