Contribution au Développement d’un Algorithme de Détection et Diagnostic des Défauts Dans le Système Photovoltaïque fonctionnant en mode connecté au Réseau et Autonome

Abstract

En raison de la forte demande d'électricité dans le monde, les systèmes d'installations photovoltaïques (PVs) se multiplient. Par conséquent, les défauts dans les systèmes augmentent, ce qui entraîne une perte d'énergie. Afin de minimiser les pertes d'énergie dans les systèmes PV installés, le diagnostic et la surveillance du système PV jouent un rôle très important. Objectivement, notre préoccupation porte sur le système PV connecté au réseau (SPVCR) où le but de cette thèse est de construire un modèle capable de distinguer les défauts prédéfinis qui surviennent dans le système. Dans un premier temps, la modélisation du système dans son état sain est étudiée, basée sur l'algorithme de pollinisation des fleurs pour extraire les paramètres des modèles à seule et double diodes. Ensuite, les paramètres identifiés sont utilisés pour estimer le courant, la tension et la puissance au point de puissance maximale. Plus tard, une comparaison entre les données mesurées et simulées est effectuée pour évaluer les résultats du processus d'extraction. Les résultats obtenus montrent que les données simulées correspondent bien à celles mesurées. Deuxièmement, trois types de défauts sont créés artificiellement dans le générateur PV afin d'obtenir un ensemble de données. Ces données sont collectées à partir de SPVCR par le système d'acquisition dans plusieurs conditions météorologiques. Ensuite, les données sont utilisées pour construire deux modèles, l'un pour la détection des défauts et l'autre pour le diagnostic des défauts. En d'autres termes, l'un capable de reconnaître l'état du système et le second est autorisé à classer le type de défaut. A cet effet, une nouvelle approche basée sur l'algorithme d'arbre de décision C4.5 est proposée. Trois attributs numériques et deux cibles sont choisis pour être respectivement les entrées et les sorties des modèles. Les entrées choisies sont la température ambiante, l'irradiation et le rapport de puissance, ce dernier est calculé à partir de la puissance mesurée et estimée. La puissance estimée provient du modèle SANDIA qui représente le SPVCR dans son état sain. Les sorties du modèle de détection sont des états sains ou défectueux. D'autre part, le modèle de diagnostic a quatre classes à savoir: Sans défaut, défaut de chaîne, défaut de court-circuit et défaut de ligne. Les données sont divisées en deux parties, où 66% pour le processus d'apprentissage et le reste pour le test. Les résultats des tests indiquent que les modèles ont une performance de prédiction élevée dans la détection avec une grande précision tandis que le modèle de diagnostic a une précision égale à 99%.