Aller au contenu principal

Centrale thermique

TAQA Morocco, opère le plus grand complexe thermique de la région Afrique du Nord et Moyen Orient. Une infrastructure industrielle de 6 Unités totalisant 2 056 MW et classée dans le quartile supérieur des centrales électriques à charbon les plus performantes au monde.

Des infrastructures performantes

- Site de production de 60 Ha
- Centrale thermique de 6 unités d’une capacité de 2 056 MW
- Terminal charbonnier
- Parc de stockage du charbon
- Station d’alimentation en eau déminéralisée
- Station d’alimentation en eau de réfrigération
- Poste de transformation THT/HT
- Carrière de stockage des cendres

Des infrastructures performantes

Un programme de maintenance rigoureux

La Centrale thermique de Jorf Lasfar enregistre en moyenne un taux de disponibilité des Unités 1 à 6 de 92%. Une performance qui reflète l’expertise et le savoir-faire des équipes, conjugués à la dynamique et la rigueur opérationnelle dans la conduite du plan de maintenance préventive.

Le bon fonctionnement de la Centrale thermique de Jorf Lasfar s’appuie, en effet, sur une politique de maintenance extrêmement rigoureuse qui améliore la fiabilité et permet un rendement optimal de la Centrale.

Un système décentralisé de Monitoring et de Diagnostic en temps réel

Lancé en 2021, le centre e-monitoring de la Centrale Thermique de Jorf Lasfar permet d’assurer un niveau additionnel de vigilance et d’anticipation d’incidents prévisibles, en recoupant les résultats du monitoring avec les données du site, en coordination avec les responsables O&M. Ce nouveau centre de M&D est doté d’outils de suivi conventionnels qui permettent de renforcer les programmes de maintenance prédictive en observant en temps réel les écarts entre les performances de la centrale et les valeurs attendues. Des alertes instantanées signalent toute anomalie pour anticiper les défaillances et planifier les actions de maintenance. Le Centre de e-monitoring intègre également une dimension dite ‘intelligente’ avec des outils de modélisation, sur la base d’outils de « Machine Learning », des procédés capables de réaliser un traitement avancé des données. Ces modèles permettent de détecter les défaillances liées aux dérives des paramètres des procédés (température, pression, vibration…).