Stage – Validation de modèles de sillage via données SCADA

Siemens Gamesa; Paris; Sur place; EUR 11 000 - 16 000; Temps partiel

Résumé du poste

Siemens Gamesa propose un stage en ingénierie axé sur l’évaluation de l’influence d’un écoulement atmosphérique instationnaire sur la validation des modèles d’ingénierie de sillage. Vous travaillerez sur un jeu de données SCADA couvrant plusieurs parcs et configurations, et vous préparerez une base de données prête à l’analyse.

Vous caractériserez l’instationnarité, quantifierez son impact sur les prédictions des modèles et contribuerez à la comparaison entre les simulations stationnaires et

Qualifications

• Étudiant(e) en dernière année d’ingénierie ou Master 2 en mécanique des fluides, énergie éolienne ou simulation numérique.
• Bonnes connaissances en mécanique des fluides et intérêt pour l’énergie éolienne.
• Expérience en traitement de données et programmation Python ou MATLAB.
• Intérêt pour la modélisation numérique et l’analyse de données à grande échelle.
• Anglais courant requis ; le français est un plus.

Responsabilités

• Characteriser l’instationnarité réelle de l’écoulement atmosphérique et ses effets sur les prédictions.
• Quantifier l’impact de l’instationnarité sur les pertes de sillage et l’erreur des modèles.
• Valider les approches stationnaires vs instationnaires avec les données SCADA et recommander les améliorations.

Connaissances

Mécanique des fluides

Python

MATLAB

Traitement de données

Anglais courant

Formation

Cycle ingénieur / Master 2 en mécanique des fluides

Outils

Python

MATLAB

Description du poste

Évaluation de l’influence d’un écoulement atmosphérique instationnaire sur la validation des modèles d’ingénierie de sillage

Évaluation de l’influence d’un écoulement atmosphérique instationnaire sur la validation des modèles d’ingénierie de sillage

Objectif

Les modèles d’ingénierie de sillage sont largement utilisés pour la conception des parcs éoliens, l’optimisation de leur fonctionnement et l’évaluation de leur production énergétique. Ils supposent néanmoins généralement un écoulement atmosphérique stationnaire et horizontalement uniforme, alors que les conditions réelles présentent des variations continues de vitesse et de direction du vent. Le stage vise à déterminer dans quelle mesure cette simplification explique les écarts observés entre les prédictions des modèles de sillage et les mesures opérationnelles. En s’appuyant sur un modèle interne d’écoulement de fond instationnaire et sur une base de données SCADA couvrant plusieurs milliers d’éoliennes, l’objectif est de :

• Caractériser l’instationnarité réelle de l’écoulement atmosphérique.
• Quantifier son impact sur les prédictions de pertes de sillage.
• Identifier les limites résiduelles des modèles de sillage une fois cet effet pris en compte.

Périmètre de travail

Comprendre les modèles de sillage utilisés, le modèle d’écoulement instationnaire et les données SCADA disponibles. Réaliser une revue ciblée des travaux relatifs aux écoulements atmosphériques transitoires, à la propagation des sillages et à la validation à partir de données opérationnelles. Préparer et qualifier une base de données SCADA représentative de différentes configurations de parcs et conditions atmosphériques. Caractériser statistiquement les variations temporelles et spatiales de la vitesse et de la direction du vent aux échelles pertinentes pour la propagation des sillages. Identifier les situations dans lesquelles les hypothèses d’écoulement stationnaire et uniforme deviennent peu représentatives. Comparer les prédictions obtenues avec un écoulement stationnaire à celles obtenues avec le modèle d’écoulement instationnaire. Valider les deux approches par comparaison avec les mesures SCADA et quantifier les gains en précision et en réduction d’incertitude. Identifier les conditions pour lesquelles l’approche instationnaire apporte le plus de valeur, notamment lors de changements rapides de direction, de rafales, de niveaux de turbulence élevés ou d’interactions de sillages multiples. Analyser les écarts résiduels en fonction de la configuration du parc, de l’alignement des turbines, de l’accumulation des sillages et des conditions atmosphériques. Formuler des recommandations pour les futurs développements des modèles d’ingénierie de sillage. Selon l’avancement, des analyses complémentaires pourront porter sur la stabilité atmosphérique, le veer, les effets tridimensionnels ou la différence entre lignes de courant et lignes d’émission en conditions transitoires.

Livrables

• Base de données SCADA préparée et documentée pour l’analyse des sillages.
• Caractérisation statistique de l’instationnarité de l’écoulement atmosphérique.
• Comparaison documentée entre simulations stationnaires, simulations instationnaires et mesures opérationnelles.
• Quantification des gains de précision apportés par le modèle d’écoulement instationnaire.
• Analyse des principales sources d’erreur résiduelles des modèles de sillage.
• Scripts Python ou MATLAB permettant d’automatiser le traitement des données, les simulations et les comparaisons.
• Rapport synthétique présentant les résultats, limites et recommandations.
• Support de présentation final pour l’équipe.
• Contribution potentielle à une conférence internationale ou à une publication scientifique.

Critères de succès

• Analyse reproductible d’un ensemble large et représentatif de données SCADA.
• Quantification claire de la fréquence et de l’intensité des conditions d’écoulement instationnaire.
• Évaluation objective du gain apporté par le modèle d’écoulement instationnaire.
• Identification des régimes atmosphériques et opérationnels pour lesquels ce gain est significatif.
• Identification des principales limites restantes des modèles d’ingénierie de sillage.
• Documentation permettant à l’équipe de réutiliser les méthodes, scripts et conclusions après le stage.

Profil du candidat

• Étudiant(e) en dernière année de cycle ingénieur ou Master 2 en mécanique des fluides, sciences atmosphériques, énergie éolienne, mathématiques appliquées ou simulation numérique.
• Bonnes connaissances en mécanique des fluides et intérêt pour l’énergie éolienne.
• Expérience en traitement de données et programmation Python ou MATLAB.
• Intérêt pour la modélisation numérique et l’analyse de données à grande échelle.
• Connaissance de l’aérodynamique des éoliennes ou des modèles de sillage appréciée.
• Connaissance des données SCADA, des statistiques ou du machine learning appréciée.
• Rigueur, autonomie et capacité à analyser et documenter clairement les résultats.
• Anglais courant requis ; le français est un plus.

ENGLISH

Assessment of Unsteady Atmospheric Background Flow Effects on Engineering Wake Model Validation

Objective

Engineering wake models are widely used for wind farm design, operational optimization and energy-yield assessment. However, they generally assume a steady and horizontally uniform atmospheric background flow, while real operating conditions continuously vary in wind speed and direction. The internship aims to determine to what extent this simplified inflow representation explains the discrepancies observed between engineering wake model predictions and operational measurements. Using an internal unsteady background-flow model and a large SCADA database covering several thousand wind turbines, the work will:

• Characterize atmospheric inflow unsteadiness under real operating conditions.
• Quantify its impact on wake-loss predictions.
• Identify the remaining limitations of engineering wake models once this effect has been accounted for.

Scope of Work

Understand the engineering wake models, the unsteady background-flow model and the available SCADA datasets. Perform a focused review of atmospheric inflow transients, wake propagation and wake-model validation using operational data. Prepare and qualify a representative SCADA dataset covering different wind farms, layouts and atmospheric conditions. Statistically characterize temporal and spatial variations in wind speed and wind direction at the scales relevant for wake propagation. Identify the operating conditions under which steady and uniform inflow assumptions become insufficiently representative. Compare wake predictions obtained using conventional steady-flow assumptions with predictions obtained using the unsteady background-flow model. Validate both approaches against SCADA measurements and quantify improvements in accuracy and uncertainty reduction. Identify the conditions where the unsteady approach provides the greatest value, such as rapid wind-direction changes, gusts, high turbulence or multiple-wake interactions. Analyse residual prediction errors as a function of wind farm layout, turbine alignment, wake accumulation and atmospheric conditions. Provide recommendations for future developments of engineering wake models. Depending on progress, complementary investigations may address atmospheric stability, wind veer, three-dimensional flow effects or the distinction between streamlines and streaklines under transient inflow conditions.

Deliverables

• Prepared and documented SCADA dataset for wake-model analysis.
• Statistical characterization of atmospheric background-flow unsteadiness.
• Documented comparison between steady simulations, unsteady simulations and operational measurements.
• Quantification of the accuracy improvement provided by the unsteady background-flow model.
• Analysis of the main residual sources of error in engineering wake models.
• Python or MATLAB scripts to automate data processing, simulations and model-to-measurement comparisons.
• Concise report summarizing results, limitations and recommendations.
• Final presentation material for the team.
• Potential contribution to an international conference or peer-reviewed publication.

Success Criteria

• Reproducible analysis of a large and representative SCADA dataset.
• Clear quantification of the frequency and magnitude of unsteady inflow conditions.
• Objective assessment of the benefit provided by the unsteady background-flow model.
• Identification of the atmospheric and operational regimes where this benefit is significant.
• Identification of the main remaining limitations of engineering wake models.
• Documentation enabling the team to reuse the methods, scripts and conclusions after the internship.

Candidate Profile

• Final-year engineering school or Master 2 student in fluid mechanics, atmospheric sciences, wind energy, applied mathematics or numerical simulation.
• Good knowledge of fluid dynamics and strong interest in wind energy.
• Experience in data analysis and Python or MATLAB programming.
• Interest in numerical modelling and large-scale operational data analysis.
• Familiarity with wind turbine aerodynamics or wake modelling is an advantage.
• Experience with SCADA data, statistics or machine learning is an advantage.
• Rigorous, autonomous and able to clearly analyse and document results.
• Fluent English required; French is an advantage.

Qui est Siemens Gamesa

Siemens Gamesa fait partie de Siemens Energy, leader mondial des technologies de l’énergie, fort de plus de 150 ans d’innovation. Ensemble, nous œuvrons pour rendre l’énergie durable, fiable et abordable, en repoussant constamment les limites du possible. Acteur majeur de l’industrie éolienne et fabricant de turbines, Siemens Gamesa est pleinement engagé dans la transition énergétique et le développement de solutions innovantes pour répondre à la demande énergétique croissante à l’échelle mondiale. Nous recherchons en permanence des talents pour soutenir notre mission de transformation énergétique. Découvrez comment vous pouvez faire la différence chez Siemens Energy : [1] https://www.siemens-energy.com/employeevideo

Notre engagement en faveur de la diversité

Heureusement pour nous, nous sommes tous différents. La diversité est notre moteur. Il fonctionne à l’inclusion, et notre énergie créatrice combinée est alimentée par plus de 130 nationalités. Siemens Energy célèbre la personnalité de chacun - quels que soient son origine ethnique, son genre, son âge, sa religion, son identité ou son handicap. Nous donnons de l’énergie à la société, à toute la société, et nous ne discriminons pas sur la base de nos différences.