Comment concilier Machine Learning et jumeau numérique pour maîtriser le flux solaire ? Ce projet, mené en partenariat avec le CNRS, vise à développer des stratégies de commande du champ d’héliostats capables de générer un flux lumineux précisément défini par l’utilisateur — qu’il soit uniforme, à gradient ou circulaire.
contexte
L’un des défis majeurs dans le secteur de l’énergie est l’optimisation de la mise en œuvre ainsi que le rendement des centrales solaires thermiques à concentration. C’est dans ce contexte que nous avons pu mettre au point le jumeau numérique d’une centrale dans le cadre d’un partenariat avec le CNRS.
Ce laboratoire travaille sur la production d’énergie en utilisant la technologie de CSP (Concentrated Solar Power). Cette technologie consiste à concentrer le flux solaire via un champ d’héliostats, pilotables, au niveau d’une tour comportant un récepteur. Ce récepteur transforme l’énergie solaire en énergie électrique. Dans le cadre du projet PEGASE, l’équipe Thémis avait pour priorité de restaurer le champ d’héliostat et d’équiper la tour du récepteur.
enjeux
Les technologies actuelles de récepteur sont des technologies robustes pouvant s’accommoder à des flux solaires peu uniformes (présence de points chauds). Afin d’augmenter les rendements, le CNRS souhaite tester des récepteurs plus performants, à base de céramique et ces derniers ont besoin d’un flux solaire ne comportant aucun point chaud.
L’enjeu principal de ce projet est de pouvoir contrôler le flux en termes de puissance totale absorbée par le récepteur mais également en termes de spatialisation et éviter à tout prix les points chauds pouvant entraîner un éclatement du récepteur.
définition
Un jumeau numérique est un modèle virtuel d’un processus ou d’un système complexe, mis à jour via un processus de capture et de traitement de données.
Chez OSE, nous avons déjà utilisé cette méthode dans un outil de smart shipping. Vous avez un projet similaire ? Notre équipe vous accompagne.
Mise au point, avec l’équipe du CNRS, d’une méthodologie de mesure du flux solaire entrant dans le récepteur, fondée sur des technologies de traitement d’image et de fusion de données avec un fluxmètre.
Modèles d’apprentissage
Développement de modèles d’apprentissage permettant de simuler le flux envoyé par un héliostat vers le récepteur, ainsi que le comportement global du champ d’héliostats.
Commandes prédictives
Conception de lois de commande prédictive pour optimiser la répartition du flux solaire et la gestion dynamique du champ d’héliostats.
retombées
AIP Conference Proceedings
_
La première phase de ce projet (méthodologie de quantification du flux solaire) a abouti à la publication d’un article dans le journal AIP Conference Proceedings.
bénéfices
Grâce à une modélisation numérique effectuée par des équations physiques et des méthodes d’apprentissage machine sur des données mesurées, nous avons pu prédire le comportement d’un système. Nous avons apporté des savoir-faire numériques en traitement d’image, modélisation et stratégie de contrôle.
équipe
1 collaborateur
durée
6 mois
partenariat
3 ans avec le CNRS
voir également
Artificial intelligence
Optimisation énergétique et logistique
Computer science
Lancer de rayons et efficacité énergétique des bâtiments
Computer science
Réduire la consommation électrique sur un site de production
