Quand le Machine Learning et le jumeau numérique contribuent à la maîtrise du flux solaire

Optimiser la mise en œuvre et le rendement des centrales solaires thermiques à concentration (CSP) est l’un des défis majeurs du secteur de l’énergie. Depuis 2015, OSE Engineering, bureau d’études spécialisé dans la digitalisation et l’intelligence artificielle au service des processus industriels, participe au développement de la compétitivité de ce procédé de production d’électricité. En partenariat avec le CNRS, les experts d’OSE Engineering ont ainsi mis au point le jumeau numérique d’une centrale. « L’objectif est de pouvoir prédire le comportement d’un système en le modélisant numériquement à partir d’équations de physique mécanique ou à partir de données », précise Mikaël Volut, co-fondateur de la société OSE Engineering.

Contrôler le flux solaire

Concrètement, la technologie CSP consiste à disposer en éventail une myriade de miroirs héliostats – des centaines, voire des centaines de milliers – au pied de tours, dans lesquelles circule un fluide caloporteur qui converti l’énergie thermique en énergie électrique. Amovibles et dirigés automatiquement pour gérer le degré de luminosité, ces héliostats réfléchissent les rayons du soleil en direction de récepteurs.

Certaines limites du système ont toutefois été identifiées au sein des centrales actuellement en production, comme l’explique le dirigeant du bureau d’études : « D’une part, on observe une concentration non uniforme de la lumière créant des points chauds sur les surfaces des récepteurs et d’autre part, une approximation quant à l’orientation des héliostats. »

Objectif du projet de recherche : étudier ces problématiques de production d’énergie via les techniques de concentration solaire, dans le but de contrôler le flux – en termes de valeur et de distribution – entrant dans le récepteur situé dans la tour de la centrale. L’intérêt est aussi simple que crucial : en calculant la position des héliostats tout au long de la journée, le flux solaire peut alors être optimisé.

Comprendre, simuler, optimiser

Pour y parvenir, les experts d’OSE Engineering se sont employés en premier lieu à pouvoir piloter les héliostats. En appliquant la théorie de la commande prédictive, un modèle du champ d’héliostats de la centrale a été développé. Il s’agit d’un modèle d’apprentissage élaboré à partir d’une base de données de flux capté au niveau du récepteur en fonction de la position de chaque héliostat ou groupe d’héliostats.

À partir de là, un modèle de Machine Learning est utilisé pour apprendre et simuler le comportement d’un héliostat en fonction de la position du soleil (en azimut et en élévation). Le modèle de simulation final consiste alors à choisir les héliostats à utiliser, leur ciblage afin de simuler, à une date donnée, le flux total reçu au niveau du récepteur.

Cet algorithme d’optimisation permet ainsi de piloter tout au long de la journée le champ d’héliostats afin de fournir un flux solaire optimal au niveau du récepteur. En outre, s’il répond spécifiquement à la problématique identifiée d’optimisation, cet algorithme permet également d’assurer la sécurité des équipements. « Le contrôle du flux est primordial pour les nouvelles technologies de récepteur, résume Mikaël Volut, car il faut éviter les points chauds, mais aussi avoir une distribution particulière du flux afin d’augmenter les performances de production électrique. »

Si cette technologie de contrôle est encore à tester et à éprouver en conditions réelles sur la centrale, le modèle peut s’appliquer à différentes industries. Un autre projet mené par OSE Engineering est par ailleurs en cours avec Elogen, un concepteur d’électrolyseurs PEM¹ pour la production d’hydrogène.

Contenu proposé Ose Engineering