30 octobre 2025 2025-10-30 - Heure de fin non précisée
Sujet
Stratégies avancées pour la supervision en ligne et l’identification des défauts dans les systèmes photovoltaïques : une approche hybride combinant modèles et données
Jury
M. Jérôme BOSCHE, Professeur - Université de Picardie Jules Verne, MIS. - Rapporteur
M. Carlos M. ASTORGA ZARAGOZA, Professeur - Instituto Tecnológico de México, Cenidet - Rapporteur
Mme. Delphine RIU, Professeure - Université Grenoble Alpes, INP, Ense3, G2ELAB - Examinatrice
Mme. Ascension ZAFRA CABEZA, Professeure - Universidad de Sevilla - Examinatrice
M. Yann-Eric BOUFFARD-VERCELLI, Docteur - COE Schneider Electric - Invité
M. Ionel VECHIU, Professeur, Université de Bordeaux, ESTIA-Recherche - Directeur de thèse
Mme. Adriana AGUILERA GONZALEZ, Docteur Université de Bordeaux, ESTIA-Recherche - Encadrante-Invitée
Résumé
Le déploiement croissant des systèmes photovoltaïques (PV) soulève d’importants défis en matière de fiabilité. Bien que peu exigeants en maintenance, ces systèmes sont vulnérables à divers défauts, notamment sur le côté courant continu, où les impacts sur les performances sont les plus sévères. Ces défauts échappent souvent aux systèmes de protection classiques, surtout en cas de faible irradiation, et peuvent entraîner des pertes énergétiques importantes, voire des risques pour la sécurité.
Cette thèse propose des stratégies innovantes de détection et de diagnostic précoce (FDD) pour les défauts affectant les systèmes PV. L’approche électrique, fondée sur les mesures du point de puissance maximale (MPP), est privilégiée pour sa fiabilité, simplicité et faible coût. Deux stratégies FDD ont été développées pour identifier les défauts même naissants :
- La première, hybride, combine un modèle statistique de régression, optimisé par segmentation de courbes, avec un modèle physique intégré dans un filtre de Kalman, afin d’atténuer les bruits et incertitudes de mesure. Les défauts sont ensuite identifiés par des règles fondées sur des seuils statistiques adaptatifs.
- La seconde, basée sur des données, repose sur un réseau de neurones artificiels simplifié par transformation logarithmique et intégration de la résistance PV comme variable d’entrée. Deux schémas sont explorés : le premier consiste à comparer différents algorithmes d’apprentissage automatique en lien avec les étapes de prétraitement des données. La seconde repose sur le développement d’une approche innovante de type stacking, conçue pour améliorer la détection des classes difficiles à apprendre.
Ces deux stratégies ont été validées par simulation sous diverses conditions météorologiques et scénarios de défauts. Les résultats démontrent la robustesse et la pertinence de ces approches pour améliorer la fiabilité, la maintenabilité et la sécurité des systèmes photovoltaïques, renforçant ainsi leur contribution à la transition énergétique durable.
Mots-clés
Systèmes photovoltaïques, détection et identification des défauts, approche hybride, réseaux de neurones, filtre de Kalman.
Laboratoire d’accueil
ESTIA-Recherche
École doctorale
Sciences Physiques et de l’Ingénieur de l’Université de Bordeaux
Remerciements
Ces travaux de recherche ont été réalisés avec le soutient et financement de la Communauté d'Agglomération du Pays Basque
