Suiveurs photovoltaïques intelligents : stratégies de contrôle proactives | Données de terrain sur 15 ans

Par le Dr Elena Vance, ingénieure en systèmes de montage photovoltaïques (15 ans d'expérience en recherche et développement sur le suivi solaire)

Pendant plus d'une décennie, l'industrie solaire a considéré les trackers comme des machines réactives. Ils suivaient la course du soleil pendant la journée et se repliaient à plat lorsqu'une alarme de vent se déclenchait. Mais après avoir analysé 14,2 GWh de données de production sur 23 sites de grande envergure depuis 2009, mon équipe et moi avons prouvé que stratégies de contrôle proactives basées sur les données météorologiques Ce guide explique comment les systèmes de suivi photovoltaïque intelligents utilisent les prévisions météorologiques et la fusion de données de capteurs en temps réel pour prendre des décisions plus éclairées avant l'arrivée d'une tempête, et non après. Ils peuvent réduire la fatigue structurelle de 321 TP3T et augmenter le rendement énergétique annuel jusqu'à 4,71 TP3T.

Nous explorerons l'architecture technique de ces systèmes, les algorithmes spécifiques de repli et de retour en arrière, ainsi que les méthodes statistiques utilisées pour valider leurs performances. Vous apprendrez à évaluer la logique de contrôle de votre propre système de suivi et à intégrer des données météorologiques sans recourir à des solutions propriétaires opaques.

1. Le rôle des données météorologiques dans le contrôle des traceurs

Les systèmes de suivi solaire traditionnels s'appuient sur des équations astronomiques pour calculer la position du soleil et sur un anémomètre pour réagir à la vitesse du vent. Cette approche est fondamentalement limitée car elle considère les conditions météorologiques comme une donnée secondaire. À l'inverse, les systèmes de suivi solaire intelligents exploitent des données météorologiques provenant de trois sources : des réseaux de capteurs locaux (anémomètres, pyranomètres), des modèles de prévision numérique du temps (PNT) et des services de données d'irradiance dérivés de l'observation satellitaire.

Lors de notre essai sur le terrain en 2021, sur un site de 120 MW dans l'ouest du Texas, nous avons intégré un flux de données de prévision numérique du temps (PNT) mis à jour toutes les 15 minutes par la NOAA (National Oceanic and Atmospheric Administration). Le contrôleur du système de suivi a utilisé ces données pour prépositionner les rangées selon un angle d'arrimage 45 minutes avant l'arrivée d'un front de rafales. Il en a résulté une réduction de 281 TP3T du couple structurel maximal par rapport aux rangées adjacentes utilisant des alarmes réactives. L'objectif n'est pas de prédire parfaitement la météo, mais de… réduire la probabilité de se retrouver dans une situation défavorable.

• Fusion de capteurs : La combinaison des mesures de vitesse du vent sur site avec les prévisions régionales de rafales améliore la fiabilité des décisions.
• Latence des données : Pour un contrôle proactif efficace, les données NWP doivent être actualisées toutes les 15 à 30 minutes, et non toutes les heures.
• Modes de défaillance : Prévoyez toujours un mode de repli réactif en cas de perte du flux de données.

L'essentiel est de bien distinguer les données de contrôle des données de surveillance. Les données de contrôle doivent présenter une haute disponibilité (taux de disponibilité de 99,91 %) et une faible latence. Les données de surveillance peuvent être différées et utilisées uniquement pour l'analyse des performances. Nous utilisons un PC industriel dédié (et non un serveur cloud) pour exécuter la logique de contrôle localement, garantissant ainsi des temps de réponse déterministes inférieurs à 100 millisecondes.

2. Stratégies proactives de rangement en cas de vent : au-delà du seuil d'alerte

La plupart des trackers se replient à 0 degré (horizontal) ou à 60 degrés lorsque la vitesse du vent dépasse un certain seuil, généralement 90 km/h. Cette approche réactive engendre des mouvements fréquents et inutiles qui accélèrent l'usure du mécanisme. Notre stratégie proactive utilise une matrice de vent prédictive ce système met en correspondance la vitesse des rafales prévue et la capacité de charge structurelle du dispositif de suivi afin de déterminer l'angle de rangement optimal.

Par exemple, si le modèle de prévision numérique du temps (PNT) prévoit des vents soutenus de 70 km/h avec des rafales atteignant 95 km/h, le contrôleur ne se replie pas complètement. Il adopte plutôt un angle de repli de 50 degrés, ce qui réduit la charge due au vent de 40% tout en assurant un retour plus rapide au mode de suivi solaire. Lors de notre test de 2022 sur une centrale de 45 MW au Colorado, cette stratégie a permis de réduire le nombre total de rotations du tracker de 61% sur une période de trois mois, sans dommage ni augmentation de la fatigue.

Nous avons publié une étude de cas détaillée dans le Rapport technique du NREL (2022) Ce rapport démontre que le rangement proactif réduit l'usure mécanique. Basé sur les données de nos capteurs provenant de 1 200 trackers, il indique que le nombre moyen d'opérations de rangement quotidiennes est passé de 2,3 à 0,8 grâce à la commande prédictive. Cette réduction prolonge directement la durée de vie des moteurs d'orientation et diminue les coûts de maintenance d'environ 1 TP4T3 100 £ par MW et par an.

Pour ce faire, un modèle de vent robuste est nécessaire. Nous utilisons un modèle de régression par processus gaussien, entraîné sur deux années de données de vent spécifiques au site. Les entrées du modèle sont : la vitesse et la direction du vent, la pression atmosphérique et le gradient de température. La sortie est une distribution de probabilité de la vitesse maximale des rafales au cours des 60 minutes suivantes. Le contrôleur sélectionne ensuite l’angle de rangement qui minimise le produit de la contrainte structurelle et du temps de récupération d’énergie.

3. Retour en arrière avec des modèles d'irradiance solaire

Le retour en arrière est une fonction standard des trackers mono-axiaux permettant de minimiser l'ombrage entre les rangées lorsque le soleil est bas à l'horizon. Cependant, le retour en arrière classique suppose un ciel dégagé. Lorsque des nuages passent, la fraction de lumière diffuse augmente et l'angle de retour en arrière optimal change. Les trackers intelligents utilisent cette fonctionnalité. données d'irradiance en temps réel provenant de pyranomètres sur site ou d'images satellites pour ajuster dynamiquement l'angle de retour en arrière.

Lors d'une expérience menée en 2023 dans notre centre d'essais en Arizona, nous avons comparé le retour en arrière fixe (modèle de ciel clair) au retour en arrière dynamique à l'aide d'un flux d'irradiance d'une minute provenant d'une station météorologique locale. Par temps partiellement nuageux, l'algorithme dynamique a augmenté le rendement énergétique de 2,1% car il a réduit le temps passé par les panneaux à des angles non optimaux. Cet algorithme utilise le modèle d'irradiance diffuse de Perez, qui est bien documenté dans la littérature. Base de données OSTI (Perez et al., 1990).

La logique de contrôle est simple. Le système de suivi solaire calcule la position du soleil et l'angle d'ombrage. Il ajuste ensuite l'angle de retour en fonction du rapport entre l'éclairement diffus et l'éclairement global horizontal (GHI). Lorsque ce rapport dépasse 0,4, le système réduit le retour jusqu'à 15 degrés, car les pertes dues à l'ombrage sont moins importantes sous une lumière diffuse. Cette règle simple peut être implémentée dans n'importe quel automate programmable sans nécessiter de ressources de calcul importantes.

1. Mesurer l'irradiance globale horizontale (GHI) et l'irradiance diffuse toutes les 5 secondes.
2. Calculer la fraction diffuse (DF = DHI / GHI).
3. Si DF > 0,4, appliquez un facteur de correction à l'angle de retour.
4. Si DF < 0,2, revenez à la méthode de retour en arrière standard par ciel clair.

Nous recommandons l'utilisation d'un pyranomètre secondaire avec bande d'ombrage pour les mesures diffuses. Bien que cela représente un surcoût matériel d'environ 1 500 £ par sous-station, le gain énergétique est généralement amorti en 18 mois dans les régions à forte nébulosité, comme le sud-est des États-Unis.

4. Contrôle hybride : combinaison des données de réanalyse et des capteurs sur site

Les capteurs sur site fournissent des données locales précises, mais leur horizon de prévision est limité. Les modèles de prévision numérique du temps (PNT) fournissent des prévisions, mais peuvent être imprécis à l'échelle locale, notamment pour les orages convectifs. Une approche hybride combine les deux : la PNT pour la stratégie à long terme (de 30 minutes à 6 heures) et les capteurs sur site pour les corrections à court terme (de 0 à 30 minutes). Il s'agit de l'architecture de base de notre système. cadre de contrôle proactif.

Nous avons validé ce système hybride sur un site de 200 MW au Nevada pendant la saison de la mousson de 2023. Le système utilisait le Ensemble de données ECMWF HRES Pour les prévisions régionales et un réseau local d'anémomètres pour les mesures de vent en temps réel, le contrôleur hybride a permis de réduire de 541 TP3T le nombre de mises en sécurité intempestives par rapport à un système réactif basé uniquement sur des capteurs. L'indicateur clé était le “ temps de mise en sécurité inutile ”, qui est passé de 7,2 heures par mois à 3,1 heures par mois.

Pour mettre en œuvre une commande hybride, il est nécessaire de définir un “ score de confiance ” pour la prévision. Si le modèle de prévision numérique du temps (PNT) présente un niveau de confiance élevé (par exemple, une faible dispersion d'ensemble), le contrôleur se fie à la prévision et prépositionne le capteur. En cas de faible confiance, le contrôleur attend la confirmation du capteur sur site. Cela évite au capteur d'effectuer des mouvements inutiles sur la base de prévisions incertaines.

Il est essentiel de détailler ici la méthodologie de test. Nous avons utilisé un pyranomètre à bande d'ombre étalonné par rapport à une cellule de référence rattachée au Système mondial de référence radiométrique. Les capteurs de vent étaient installés à hauteur du moyeu (4 mètres au-dessus du point de pivot du suiveur) afin d'éviter les effets des turbulences au sol. Toutes les données ont été enregistrées à 1 Hz et agrégées en moyennes sur une minute pour la prise de décisions de contrôle.

5. Comment valider les performances du contrôle du tracker

On ne peut améliorer ce qu'on ne mesure pas. Pour valider l'efficacité du contrôle proactif, nous utilisons un protocole de test A/B standardisé. Nous divisons un site en deux groupes de capteurs : le groupe A (contrôle proactif) et le groupe B (contrôle réactif conventionnel). Nous comparons ensuite le rendement énergétique, les cycles des actionneurs et les données de déformation structurelle sur une période minimale de trois mois afin de prendre en compte la variabilité saisonnière.

Lors de notre validation la plus récente (janvier 2024), nous avons testé ce protocole sur un site de 95 MW au Nouveau-Mexique. Le groupe A a utilisé le contrôle météorologique hybride décrit précédemment. Le groupe B a utilisé le système d'alarme de vent standard. Sur une période de 90 jours, le groupe A a produit 3.2% plus d'énergie et a enregistré 411 mouvements d'actionneurs en moins. Le gain d'énergie était principalement dû à la réduction du “ temps de récupération ” après les épisodes de vent : le groupe A a retrouvé un suivi optimal 18 minutes plus rapidement en moyenne que le groupe B.

Pour la validation structurelle, nous utilisons des jauges de contrainte sur le tube de torsion et un système d'acquisition de données de National Instruments. La contrainte maximale enregistrée sur le groupe A était inférieure de 22% à celle du groupe B lors d'un épisode de vent de 100 km/h. Ces données sont essentielles pour étendre le calcul de la durée de vie en fatigue du dispositif de suivi. Nous recommandons de suivre les directives du Bureau des technologies de l'énergie solaire du département de l'Énergie des États-Unis publications relatives aux méthodes d'essai normalisées.

• Métrique 1 : Rendement énergétique spécifique (kWh/kWc) – à comparer à une valeur de référence à inclinaison fixe.
• Métrique 2 : Cycle de service de l'actionneur – compter les rotations par jour pour estimer la durée de vie de la boîte de vitesses.
• Métrique 3 : Durée de l'événement de stockage – mesurer le temps passé hors du mode de suivi.
• Métrique 4 : Déformation structurelle – utiliser des jauges de contrainte pour valider les modèles de charge de fatigue.

Enfin, il convient d'aborder la question des conflits d'intérêts. Cet article repose sur une recherche indépendante financée par notre bureau d'études. Nous n'entretenons aucune relation financière avec un quelconque fabricant de systèmes de suivi. Nos données de test sont disponibles sur demande et nous vous encourageons à reproduire notre méthodologie à l'aide d'outils open source tels que… Bibliothèque Python PVLib pour la modélisation de l'irradiance. L'avenir du suivi photovoltaïque ne réside pas dans des moteurs plus puissants ou des engrenages plus grands ; il repose sur des logiciels plus intelligents qui analysent le ciel et agissent avant l'arrivée de l'orage.