Stagiaire - Émulateur de Charges pour éoliennes (h/f)

Siemens Gamesa; Saint-Étienne-du-Rouvray; Sur place; EUR 12 000 - 19 000; Plein temps

Résumé du poste

Siemens Gamesa recherche un stagiaire en ingénierie pour poursuivre le développement d’un outil d’estimation des charges dans le cadre de la validation 0-Series des éoliennes onshore. Le stage allie simulations, traitement de données et machine learning pour interpréter les transitoires de réduction de puissance.

Vous enrichirez le framework MLLE, réaliserez des simulations et validerai les résultats sur données réelles, avec une collaboration étroite avec les experts simulation et contrôle.

Qualifications

• Étudiant(e) en dernière année de cycle ingénieur ou Master 2 en mécanique, énergie, génie éolien, simulation numérique, data science ou domaine équivalent.
• Bonnes bases en mécanique, dynamique des structures ou systèmes énergétiques.
• Intérêt pour la modélisation physique des éoliennes et l’analyse de données expérimentales.

Responsabilités

• Réaliser des simulations aero-servo-élastiques et des cas de référence pour comprendre les charges et les contrôleurs.
• Étudier la modélisation des événements de réduction forcée de puissance (de-rating) et établir des simulations représentatives des transitoires.
• Adapter et entraîner les modèles MLLE pour estimer les charges pendant les transients de puissance.
• Utiliser des données terrains réelles pour identifier des événements représentatifs et comparer charges mesurées et estimées.

Connaissances

Python

Machine Learning

Data processing

Numerical modelling

Wind energy

Aero-servo-elastic simulations

Control systems

Fatigue analysis

Linux

Formation

Master 2 / Ingénierie

Outils

Python

MATLAB

Linux

Git

Description du poste

Extension d’un outil d’estimation des charges pour l’analyse des transitoires de réduction de puissance dans le cadre de la validation 0-Series

Le stage vise à poursuivre le développement d’un outil d’estimation des charges structurelles utilisé dans le cadre de la validation terrain 0-Series des éoliennes onshore.

Une première méthodologie basée sur le Machine Learning Load Emulator (MLLE) permet déjà d’estimer les charges d’une éolienne à partir de données opérationnelles et de bases de simulations aero-servo-élastiques.

L’objectif principal du stage est d’étendre cette méthodologie afin de pouvoir interpréter également des événements transitoires spécifiques observés sur le terrain.

Le travail se concentrera en particulier sur les transitoires de de-rating, correspondant à des réductions commandées de la puissance produite par l’éolienne.

Ces événements deviennent de plus en plus fréquents avec la participation active des opérateurs d’éoliennes aux marchés d’équilibrage du réseau électrique et aux services auxiliaires.

Le stage combinera simulations aero-servo-élastiques, traitement de données, Machine Learning et validation à partir de données réelles d’éoliennes.

L’objectif final est de démontrer la capacité du framework à estimer correctement les charges structurelles et de fatigue associées aux transitoires de puissance.

Périmètre de travail :

Comprendre le contexte de la validation 0-Series des nouvelles plateformes d’éoliennes onshore et le rôle des données terrain dans la validation des modèles de charges.

Se familiariser avec les outils internes de simulation et avec le modèle aero-servo-élastique utilisé pour simuler le comportement dynamique des éoliennes.

Réaliser des simulations de référence sur des cas de fonctionnement simples afin de comprendre les principales grandeurs physiques, les contrôleurs et les charges structurelles associées.

Étudier la modélisation des événements de réduction forcée de puissance (de-rating) et mettre en place des simulations représentatives des transitoires observés sur le terrain.

Se familiariser avec le framework Machine Learning Load Emulator (MLLE), comprenant notamment :

• la génération des bases de simulations ;
• le traitement et la préparation des données ;
• l’entraînement des modèles Machine Learning ;
• leur validation et leur déploiement pour l’estimation des charges.

Étendre la chaîne de génération des données afin d’intégrer les paramètres et scénarios nécessaires à la représentation des transitoires de puissance.

Adapter et entraîner les modèles MLLE afin qu’ils puissent estimer les charges pendant les événements de de-rating, en complément des conditions de fonctionnement classiques.

Analyser la sensibilité des prédictions aux principales caractéristiques des transitoires : niveau de puissance initial et final, vitesse de réduction de puissance, conditions de vent et état opérationnel de l’éolienne.

Utiliser des données terrain provenant d’éoliennes réelles pour identifier des événements représentatifs et comparer les charges mesurées aux charges estimées par le framework MLLE.

Évaluer en particulier la capacité de la méthode à reproduire les charges de fatigue structurelles associées aux événements de réduction de puissance, puis documenter les limites et pistes d’amélioration.

Livrables :

• Ensemble de cas de simulation aero-servo-élastiques représentatifs des événements de de-rating.
• Extension documentée du pipeline de génération de données MLLE afin d’inclure les transitoires de puissance.
• Modèles Machine Learning entraînés et évalués pour l’estimation des charges pendant ces événements.
• Méthodologie d’identification et de traitement des événements de de-rating à partir des données terrain.
• Comparaison documentée entre les charges structurelles mesurées sur les éoliennes et les charges estimées par le MLLE.
• Évaluation des performances de la méthode pour l’estimation des charges de fatigue.
• Scripts ou notebooks permettant de reproduire la génération des données, l’entraînement, la validation et les principales analyses.
• Rapport de synthèse et support de présentation final décrivant la méthodologie, les résultats, les limitations et les recommandations pour la poursuite du développement.
• Mise en place d’une stratégie de simulation reproductible des principaux scénarios de réduction de puissance.
• Intégration des transitoires de de-rating dans le pipeline de données MLLE existant.
• Démonstration de la capacité des modèles Machine Learning à estimer les charges structurelles pendant ces événements.
• Validation de la méthodologie sur des événements réels issus de données terrain 0-Series.
• Quantification de la précision obtenue pour les charges de fatigue mesurées et estimées.
• Identification claire des limites actuelles du framework et des améliorations nécessaires pour une utilisation plus large dans les activités de validation terrain.
• Documentation suffisante pour permettre à l’équipe de poursuivre et réutiliser les développements après le stage.

Profil du candidat :

• Étudiant(e) en dernière année de cycle ingénieur ou Master 2 en mécanique, énergie, génie éolien, simulation numérique, data science, Machine Learning ou domaine équivalent.
• Bonnes bases en mécanique, dynamique des structures ou systèmes énergétiques.
• Intérêt pour la modélisation physique des éoliennes et l’analyse de données expérimentales.
• Connaissances en Python requises ; MATLAB est un plus.
• Une première expérience en Machine Learning, traitement de données ou modélisation numérique est appréciée.
• Des connaissances en éolien, contrôle des systèmes, fatigue ou simulations aero-servo-élastiques constituent un plus.
• Familiarité avec Linux, Git ou les environnements de calcul scientifique est appréciée.
• Capacité à analyser de grands jeux de données, comparer simulations et mesures et documenter clairement les résultats.
• Rigueur, autonomie, curiosité technique et capacité à échanger régulièrement avec des experts simulation, contrôle et validation.
• Anglais courant requis ; le français est un plus.

Qui est Siemens Gamesa ?

Siemens Gamesa fait partie de Siemens Energy, leader mondial des technologies énergétiques avec plus de 150 ans d’innovation. Ensemble, nous nous engageons à rendre l’énergie durable, fiable et abordable en repoussant les limites du possible.

Acteur majeur de l’industrie éolienne et fabricant d’éoliennes, nous sommes engagés dans la transition énergétique et proposons des solutions innovantes pour répondre à la demande énergétique croissante à l’échelle mondiale.

Chez Siemens Gamesa, nous sommes constamment à la recherche de talents pour soutenir notre mission de transformation énergétique.

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, son 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.

Extension of a Load Estimation Tool for Power De-Rating Transients in Onshore Wind Turbine 0-Series Field Validation

The internship aims to continue the development of a structural load estimation tool used in the context of 0-Series field validation of onshore wind turbines.

An existing methodology based on the Machine Learning Load Emulator (MLLE) already enables wind turbine loads to be estimated using operational data and databases generated from aero-servo-elastic simulations. The main objective of the internship is to extend this framework towards the interpretation of specific transient events observed in field data.

The work will focus in particular on de-rating transients, during which the turbine operator commands a reduction in the turbine output power. Such events are becoming increasingly frequent as wind turbine operators actively participate in electricity balancing and grid ancillary services markets.

The internship will combine aero-servo-elastic simulations, data processing, Machine Learning and validation against measurements from real wind turbines. The final objective is to demonstrate the capability of the framework to correctly estimate structural and fatigue loads generated during power transients.

Scope of Work:

Understand the context of 0-Series field validation for new onshore wind turbine platforms and the role of field measurements in validating structural load models.

Become familiar with the internal simulation environment and the aero-servo-elastic tool used to simulate wind turbine dynamic behaviour.

Run reference simulations for simple operating conditions to understand the main physical quantities, controller behaviour and associated structural loads.

Investigate the modelling of forced power reduction and de-rating events and establish representative simulations of the power transients observed in the field.

Become familiar with the existing Machine Learning Load Emulator (MLLE) framework, including:

• simulation database generation;
• data preparation and processing;
• Machine Learning model training;
• validation and deployment for load estimation.

Extend the simulation and data-generation pipeline to include the parameters and operating scenarios required to represent power transients.

Adapt and train the MLLE models so that structural loads can also be estimated during de-rating events, in addition to conventional operating conditions.

Investigate the sensitivity of the predicted loads to the main characteristics of the transients, including initial and final power levels, power reduction rate, wind conditions and turbine operating state.

Use field data from real wind turbines to identify representative de-rating events and compare measured structural loads with the corresponding MLLE load estimates.

Assess in particular the capability of the methodology to reproduce structural fatigue loads associated with power reduction events, and document remaining limitations and potential improvements.

Deliverables:

• Set of representative aero-servo-elastic simulation cases covering power de-rating events.
• Documented extension of the MLLE data-generation pipeline to include power transients.
• Machine Learning models trained and evaluated for structural load estimation during de-rating events.
• Methodology for identifying and processing de-rating events from wind turbine field data.
• Documented comparison between measured turbine structural loads and loads estimated using the MLLE framework.
• Quantitative assessment of the methodology for fatigue load estimation.
• Scripts or notebooks enabling the simulation-data generation, model training, validation and main analyses to be reproduced.
• Final technical report and presentation summarising the methodology, results, limitations and recommendations for further development.

Success Criteria:

• Reproducible simulation strategy covering the main power reduction scenarios relevant for field operation.
• Successful integration of de-rating transients into the existing MLLE simulation and data pipeline.
• Demonstration that the Machine Learning models can estimate structural loads during these transient events.
• Validation of the methodology against representative real events from 0-Series field data.
• Quantified agreement between measured and estimated fatigue loads.
• Clear identification of the current limitations of the framework and the developments required for wider use in field-validation activities.
• Documentation enabling the team to maintain, reuse and further develop the methodology after the internship.

Candidate Profile:

• Final-year engineering school or Master 2 student in mechanical engineering, energy, wind energy, numerical simulation, data science, Machine Learning or a related field.
• Good fundamentals in mechanics, structural dynamics or energy systems.
• Strong interest in wind turbine modelling and analysis of experimental or field data.
• Python programming skills required; MATLAB is a plus.
• Previous experience with Machine Learning, data processing or numerical modelling is appreciated.
• Knowledge of wind energy, control systems, fatigue analysis or aero-servo-elastic simulations is a plus.
• Familiarity with Linux, Git or scientific computing environments is appreciated.
• Ability to analyse large datasets, compare simulation and measurement results and clearly document conclusions.
• Rigorous, autonomous and technically curious, with the ability to regularly interact with simulation, control and field-validation experts.
• Fluent English required; French is an advantage.