CONTRIBUTION AU DÉVELOPPEMENT DE PROCÉDURES MONITORING TEMPS RÉELS DE DIAGNOSTIC ET DE DÉTECTION DES PANNES DANS LES SYSTÈMES PHOTOVOLTAÏQUES

Abstract

Les défauts dans les systèmes photovoltaïques autonomes provoquent une perte de puissance significative et mettent le système dans des situations critiques et dangereuses. Afin d'apporter plus de sécurité et d'augmenter l'efficacité, la fiabilité et la durée de vie des composants du système, cette thèse vise à proposer de nouvelles méthodes de détection et de classification des défauts dans les systèmes photovoltaïques autonomes et les batteries. Ces méthodes permettraient de surmonter iv les limites des analyses de défauts existantes ainsi que les lacunes des dispositifs de protection électrique tels que les fusibles. Deux types de défauts uniques sont traités dans cette thèse, celui qui se produit dans les modules PV et celui qui évolue dans les cellules de la batterie, qui n'ont pas été étudiés dans la littérature. La quantité de données disponibles du système ainsi que l'intérêt croissant pour les techniques d'apprentissage automatique encouragent l'application de ces méthodes comme détection de défauts dans les systèmes photovoltaïques autonomes. Plusieurs techniques sont adoptées pour la détection et la classification des défauts, telles que le réseau neuronal artificiel, la détection d'anomalies et la machine à vecteurs de support. Leurs performances ont été validées en utilisant des données provenant de plateformes de simulation et expérimentales. À cette fin, une simulation adéquate a été développée pour la recherche de défauts dans un système photovoltaïque autonome, et un système de référence a été mis en place pour expérimenter les défauts dans des conditions de travail réelles. Les résultats des tests démontrent la faisabilité des méthodes d'apprentissage automatique proposées pour détecter et classer les défauts dans les systèmes photovoltaïques autonomes qui pourraient être orientés vers une application pratique.