La détection des défauts dans les systèmes photovoltaïques (PV) représente un enjeu crucial pour assurer leur fiabilité et leur efficacité. L'une des méthodes prédominantes demeure l'analyse des courbes I-V/P-V théoriques. Cet article explore une approche novatrice basée sur l'algorithme d'Optimisation basée sur l'Enseignement-Apprentissage (TLBO), visant à améliorer et optimiser le processus de reconstitution des caractéristiques PV. Dans cette présentation générale, nous aborderons le processus de détection/diagnostic des défauts en mettant l'accent sur l'analyse des courbes, ainsi que le processus d'estimation des paramètres PV grâce à l'algorithme TLBO amélioré.

2.1.Différentes familles de détection/diagnostiques des défauts PV

Il existe plusieurs approches pour détecter les défauts PV, allant des méthodes basées sur la surveillance visuelle aux méthodes utilisant l'intelligence artificielle (IA) ou l'analyse des modèles thermiques. L'analyse des courbes I-V se démarque par ses faibles exigences matérielles et sa grande capacité à détecter une variété de défauts. La Figure 1 illustre différents phénomènes obtenus après la reconstitution des caractéristiques I-V d'un système endommagé.

2.2. Présentation de l'algorithme TLBO

Fig. 2 schéma bloc de l'approche proposé

 Les avantages de cette approche sont discutés, mettant en évidence sa capacité à améliorer la fiabilité et l'efficacité des systèmes PV tout en réduisant les coûts associés à la perte de puissance.

2.3. Discussion

L'approche proposée promet une avancée significative dans l'amélioration de la détection des défauts dans les systèmes photovoltaïques (PV), tant sur le plan théorique que pratique.

Sur le plan théorique, l'algorithme TLBO utilisé repose sur des fondements robustes, renforçant la phase d'enseignement et apportant une solidité conceptuelle à notre approche novatrice. De plus, sa capacité à ajuster avec précision les paramètres PV accroît l'efficacité de la détection des défauts, offrant ainsi des résultats plus fiables.

Sur le plan pratique, l'association de l'analyse des courbes I-V avec l'algorithme TLBO présente des avantages concrets pour les applications sur le terrain des installations solaires. Cette approche améliore la fiabilité et l'efficacité des systèmes PV, contribuant directement à réduire les coûts liés à la perte de puissance, ce qui constitue un avantage financier significatif.

Cependant, malgré ses avantages, l'algorithme TLBO présente des défis théoriques potentiels, notamment en termes de complexité et de sensibilité aux paramètres, nécessitant une expertise approfondie en optimisation et en apprentissage pour son application à des problèmes spécifiques.

D'un autre côté, son utilisation peut être entravée par des défis pratiques tels que le besoin accru en puissance de calcul et les limitations dans la diversité des défauts détectables, en particulier pour des systèmes PV complexes ou des ensembles de données massifs.

La détection des défauts à travers l'analyse des courbes I-V requiert une approche pointue pour caractériser et estimer avec précision les paramètres PV, assurant ainsi la reconstitution fiable de ces courbes. Notre travail propose un outil novateur qui garantit une fiabilité accrue dans l'utilisation et l'exploitation des centrales solaires, comme démontré par des comparaisons approfondies avec des algorithmes de pointe.

Comme perspectives, dans le but d'optimiser l'idée proposée dans des approches novatrices, il sera essentiel de tirer profit de la capitalisation des connaissances pratiques en s'appuyant sur les expériences de diagnostic des défauts PV par les experts sur le terrain. Cela permettra de renforcer l'efficacité de l'algorithme en intégrant une compréhension approfondie des défis réels auxquels sont confrontés les systèmes photovoltaïques.

Références

[1] MELLIT, Adel, TINA, Giuseppe Marco, et KALOGIROU, Soteris A. Fault detection and diagnosis methods for photovoltaic systems: A review. Renewable and Sustainable Energy Reviews, 2018, vol. 91, p. 1-17.

[2] RAO, Sunil, SPANIAS, Andreas, et TEPEDELENLIOGLU, Cihan. Solar array fault detection using neural networks. In : 2019 IEEE international conference on industrial cyber physical systems (ICPS). IEEE, 2019. p. 196-200.

[3] [R. V. Rao, V. J. Savsani, and D. P. Vakharia, “Teaching–learning-based optimization: an optimization method for continuous non-linear large scale problems,” Information Sciences,
vol. 183, no. 1, pp. 1–15, 2012.