Le reporting mensuel et trimestriel est l’une des tâches les plus chronophages de l’exploitation d’un portefeuille de centrales solaires de grande taille. Cette étude de cas décrit comment un portefeuille solaire de 100 MW en Inde a utilisé ClearSpot pour réduire de 90 % le temps que son équipe consacre au reporting et à l’analyse.
En bref : ClearSpot est une plateforme d’IA et d’automatisation par drone pour l’exploitation et maintenance (O&M) photovoltaïque de centrales solaires de grande taille, qui transforme automatiquement les images d’inspection par drone et les données de supervision en constats de défauts, ordres de travail et rapports. Pour un portefeuille solaire de 100 MW en Inde, le remplacement de la préparation manuelle des rapports par le reporting automatisé de ClearSpot a réduit de 90 % le temps de reporting et d’analyse.
Vous gérez un portefeuille similaire ? Réservez une démo pour voir le même flux de travail sur vos propres données.
Résumé du cas
| Élément | Détail |
|---|---|
| Client | Un portefeuille de centrales solaires de grande taille de 100 MW en Inde (anonymisé) |
| Défi | Reporting et analyse manuels |
| Approche | Inspection par drone et IA ClearSpot, données de supervision et rapports automatisés |
| Résultat | Réduction de 90 % du temps de reporting et d’analyse |
Le défi : un reporting et une analyse manuels
Un portefeuille de grande taille produit plusieurs flux de données : exports d’onduleurs et de supervision, constats d’inspection, historiques de maintenance et notes de site. Pour ce portefeuille, transformer ces données en rapports attendus par les propriétaires, les gestionnaires d’actifs et les prêteurs relevait en grande partie d’un travail manuel.
Ce schéma est courant dans le secteur :
- Les données arrivent dans des formats différents depuis des sites et systèmes différents, et doivent être collectées et nettoyées avant toute analyse.
- Les résultats d’inspection sont livrés sous forme d’images et de tableurs que les ingénieurs doivent examiner et synthétiser à la main.
- L’analyse est refaite à chaque cycle de reporting : des ingénieurs qualifiés passent donc du temps à assembler des rapports au lieu d’agir sur ce que montrent les données.
- À mesure que le portefeuille grandit, l’effort de reporting grandit avec lui.
Pour en savoir plus sur ce que cherchent les lecteurs de rapports, voir ce que les prêteurs attendent d’un rapport de performance solaire.
Les lacunes de données identifiées sur le portefeuille et comment nous les avons comblées
Avant que le reporting automatisé puisse fonctionner, les données sous-jacentes devaient être fiables. Voici les lacunes de données que nous avons identifiées sur le portefeuille, et la façon dont ClearSpot les a comblées. Combler ce type de lacunes est une étape standard du déploiement en six phases de ClearSpot.
Les lacunes identifiées
- Données SCADA et d’onduleurs manquantes ou interrompues : des coupures de communication laissaient des trous dans l’historique d’exploitation.
- Formats et noms de tags incohérents : selon les sites et les portails des fabricants, les mêmes équipements et signaux étaient décrits de manières différentes.
- Données de capteurs peu fiables : des capteurs d’irradiance et de température non calibrés ou absents rendaient peu fiables les calculs de ratio de performance et de productible attendu.
- Constats d’inspection déconnectés des actifs : les résultats se trouvaient dans des tableurs et des PDF non reliés à des équipements précis.
- Aucune vue unique de l’état : il n’existait aucun endroit où voir quels problèmes étaient déjà corrigés et lesquels restaient ouverts.
Comment nous les avons comblées
- Signalement automatique des lacunes : ClearSpot signale les données manquantes, figées ou hors plage dès leur arrivée, de sorte que les lacunes sont visibles au lieu de fausser silencieusement les rapports.
- Un seul modèle d’actifs : les données issues de portails différents sont normalisées dans un modèle d’actifs unique, avec une nomenclature cohérente sur l’ensemble des sites.
- Inspection par drone pour les angles morts : l’inspection par drone thermique et RVB couvre ce que la supervision ne peut pas voir, jusqu’au niveau du module.
- Contrôles de productible attendu et réel : la production réelle est recoupée avec le productible attendu pour que la sous-performance ressorte.
- Constats reliés aux ordres de travail : chaque constat est rattaché à un actif et à un ordre de travail, et son statut est suivi jusqu’à la clôture.
L’approche : un seul flux de données, de l’inspection au rapport
Le portefeuille a adopté la plateforme d’exploitation solaire automatisée ClearSpot afin que les données d’inspection, les données de supervision et le reporting passent par un seul système plutôt que par plusieurs étapes manuelles.
Inspection par drone et IA
Les vols de drone ont capturé des images thermiques et visuelles des champs de modules. L’IA de ClearSpot a analysé ces images pour détecter et classer les défauts : les constats sont donc arrivés sous forme de données structurées, et non de dossiers d’images à examiner. La méthode est décrite plus en détail dans notre guide sur la détection de défauts par IA dans l’inspection solaire par drone.
Données de supervision
Les données d’exploitation des sites ont été intégrées à la même plateforme, afin de consulter les constats d’inspection en regard de la performance des centrales sur l’ensemble du portefeuille. Notre guide de supervision de portefeuilles solaires explique cette approche pour les exploitants multi-sites.
Rapports automatisés
Les données d’inspection et de supervision étant réunies au même endroit, ClearSpot a généré automatiquement les rapports du portefeuille. Les ingénieurs sont passés de la compilation de données et de la construction de rapports à l’examen des résultats et à la décision des actions. Voir le reporting de performance solaire automatisé pour la structure de ces rapports.
Le résultat : 90 % de temps en moins sur le reporting et l’analyse
Le temps que l’équipe consacrait au reporting et à l’analyse a diminué de 90 %. Le travail effectué manuellement à chaque cycle de reporting, comme la collecte des données, l’examen des résultats d’inspection et l’assemblage des rapports, a été remplacé par un traitement automatisé, laissant à l’équipe le soin de vérifier les résultats et d’agir.
Ce changement vient de la suppression d’étapes manuelles répétées, et non d’une demande faite à l’équipe de travailler plus vite. La collecte des données s’est faite automatiquement, les constats d’inspection sont arrivés déjà classés, et les mises en page des rapports n’ont plus eu à être reconstruites à chaque cycle. Comme le même processus s’applique à chaque site, les rapports deviennent aussi plus cohérents d’un site et d’une période à l’autre, ce qui facilite leur comparaison par les gestionnaires d’actifs et les autres lecteurs.
Concrètement, une réduction de cette ampleur change la façon dont une équipe d’O&M occupe sa semaine : moins de temps à préparer des rapports, et plus de temps pour les défauts et les problèmes de performance que ces rapports font ressortir.
Les résultats ClearSpot en un coup d’œil
Au-delà de ce cas, voici les résultats que ClearSpot rapporte sur l’ensemble de ses déploiements :
| Indicateur | Résultat ClearSpot |
|---|---|
| Détection de défauts | 99 % |
| Réduction des coûts d’O&M | 30–50 % |
| Réduction des arrêts | 65 % |
| Disponibilité de la centrale | 97 % et plus |
| Temps de reporting et d’analyse (portefeuille de 100 MW, Inde) | Réduction de 90 % |
Votre portefeuille est-il un cas similaire ?
La même approche s’applique à la plupart des portefeuilles de grande taille où le reporting est manuel et où les données sont réparties dans plusieurs systèmes. Elle est particulièrement utile lorsque :
- Votre portefeuille compte plusieurs sites, généralement entre 50 MW et 1 GW au total.
- Les ingénieurs consacrent une part importante de chaque cycle de reporting à compiler des données.
- Les résultats d’inspection sont examinés manuellement avant d’atteindre un rapport ou un ordre de travail.
Questions fréquentes
Qu’a mesuré cette étude de cas d’O&M solaire ?
Elle a mesuré le temps que l’équipe du portefeuille consacrait au reporting et à l’analyse. Après l’adoption de ClearSpot, ce temps a diminué de 90 %.
Qui était le client ?
Un portefeuille de centrales solaires de grande taille de 100 MW en Inde. Le client est anonymisé, son nom n’est donc pas publié.
Comment ClearSpot a-t-elle réduit le temps de reporting ?
L’inspection par drone et IA a produit des données de défauts structurées, les données de supervision ont été intégrées à la même plateforme, et ClearSpot a généré les rapports automatiquement, en remplaçant la collecte manuelle des données et l’assemblage des rapports.
Cela ne fonctionne-t-il que pour les portefeuilles en Inde ?
Non. La difficulté du reporting manuel et multi-sites est courante dans le solaire de grande taille, et le même flux de travail s’applique aux portefeuilles d’autres marchés.
Quels autres résultats ClearSpot rapporte-t-elle ?
Sur l’ensemble de ses déploiements, ClearSpot rapporte 99 % de détection de défauts, une réduction de 30–50 % des coûts d’O&M, une réduction de 65 % des arrêts et une disponibilité de centrale de 97 % et plus.
Comment voir cela sur mon propre portefeuille ?
Réservez une démo via la page get-a-demo et nous parcourrons le flux de travail à partir de données similaires à celles de vos sites.
Prochaine étape
Si le reporting manuel éloigne vos ingénieurs de la centrale, réservez une démo ClearSpot pour voir comment l’inspection et le reporting automatisés fonctionneraient sur l’ensemble de votre portefeuille.