SERVICE CLOUD ET APPLICATION WEB BASÉE SUR SCADA POUR LA SURVEILLANCE DES SYSTÈMES D'ÉNERGIE RENOUVELABLE
DOI :
https://doi.org/10.59277/RRST-EE.2025.1.10Mots-clés :
Énergie renouvelable, Application Web, Contrôle de supervision, Acquisition de données, Analyse de données, Visualisation de données, Service de stockage en nuage, Suivi et surveillanceRésumé
Cet article présente une application web de surveillance des énergies renouvelables permettant de suivre, de surveiller et d'analyser les performances des systèmes d'énergie renouvelable, tels que l'éolien. Son objectif principal est de fournir aux utilisateurs des informations en temps réel sur la production et la consommation d'énergie de leurs systèmes. L'application vise à fournir une visualisation de données claire et intuitive. Pour ce faire, elle doit disposer de graphiques, de diagrammes et de tableaux adaptés pour une analyse rapide des données. L'application utilise un système de contrôle et d'acquisition de données (SCADA) pour la collecte et la surveillance des données. Amazon Simple Storage Service (S3), proposé par Amazon Web Services (AWS), est utilisé pour le stockage des données, car l'application doit gérer de grandes quantités de données et d'utilisateurs. Face à l'augmentation du nombre d'utilisateurs et de points de données, AWS S3 permet une évolutivité sans dégradation des performances. Le système de gestion des énergies renouvelables proposé vise à développer une application web de surveillance et d'analyse des énergies renouvelables avec un tableau de bord convivial.
Références
(1) M.L. Hossain, A. Abu-Siada, S.M. Muyeen, Methods for advanced wind turbine condition monitoring and early diagnosis: A literature review, Energies, 11, 5, pp. 1309 (2018).
(2) Y. Wang, Q. Hu, L. Li, A.M. Foley, D. Srinivasan, Approaches to wind power curve modeling: A review and discussion, Renewable Sustainable Energy Rev., 116 (2019).
(3) T.N. Santelo, C.D. de Oliveira, C.D. Maciel, J.R.B. de A. Monteiro, Wind turbine failures review and trends, Engineering Journal of Control, Automation and Electrical Systems, 33, pp. 505–521 (2021).
(4) S. Cascianelli, D. Astolfi, F. Castellani, R. Cucchiar, Wind turbine power curve monitoring based on environmental and operational data, Environmental Science, IEEE Transactions on Industrial Informatics, 18, 8, pp. 5209–5218 (2022).
(5) A. Kusiak, A. Verma, Monitoring wind farms with performance curves, IEEE Trans. Sustain. Energy, 4, 1, pp. 192–199 (2013).
(6) D. Astolfi, F. Castellani, F. Natili, Wind turbine multivariate power modeling techniques for control and monitoring purposes, J. Dynamic. System Measurement and Control-Transactions. ASME, 143, 1 (2020).
(7) M.S. Ulaganathan, R. Muniraj, R. Vijayanand, D. Devaraj, Novel solar photovoltaic emulation for validating the maximum power point algorithm and power converter, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 68, 4, pp. 407–412 (2023).
(8) S. Seba, M. Birane, K. Benmouizaa, Comparative analysis of boost converter topologies for photovoltaic systems using MPPT (P&O) and Beta methods under partial shading, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 68, 4, pp. 375–380 (2023).
(9) B. Yang, R. Liu, X. Chen, Fault diagnosis for a wind turbine generator bearing via sparse representation and shift-invariant K-SVD, IEEE Trans. Ind. Informat., 13, 3, pp. 1321–1331 (2017).
(10) S. Cascianelli, D. Astolfi, G. Costante, F. Castellani, M.L. Fravolini, Experimental prediction intervals for monitoring wind turbines: an ensemble approach, Proc. IEEE Int. Conf. Control Automat. Diagnosis, pp. 1–6 (2019).
(11) E. Stone, S. Giani, D. Zappalá, C. Crabtree, Convolutional neural network framework for wind turbine electromechanical fault detection, Wind Energy, 26, 10, pp. 1082–1097 (2023).
(12) P. Babu, C. Christopher, R.L. Sree, C. Jeyanthi, Wind turbine fault modeling and classification using cuckoo-optimized modular neural networks, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 68, 4, pp. 369–374 (2023).
(13) E. Gonzalez, B. Stephen, D. Infield, J.J. Melero, Using high-frequency SCADA data for wind turbine performance monitoring: A sensitivity study, Renewable Energy, 131, pp. 841–853 (2019).
(14) J. Maldonado-Correa, S. Martín-Martínez, E. Artigao, E. Gómez-Lázaro, Using SCADA data for wind turbine condition monitoring: A systematic literature review, Energies, 13, 12, pp. 3132 (2020).
(15) R. Yan, S. Dunnett, L. Jackson, Impact of condition monitoring on the maintenance and economic viability of offshore wind turbines, Reliability Engineering and System Safety, 238, pp. 109475 (2023).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2025
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
