Détection de défauts dans un système photovoltaïque par l’intelligence artificielle

Abstract

Les caractéristiques électriques (I-V) et (P-V) des panneaux solaires photovoltaïques ne sont pas linéaires et varient avec la température des cellules et le rayonnement solaire. La méthode de suivi du point de puissance maximale (MPPT) est utilisée pour maximiser la puissance de sortie d'un générateur photovoltaïque grâce au suivi continu du point de puissance maximale (MPP). De toutes les méthodes MPPT trouvées dans la littérature, la perturbation et l’observation (P&O) est la plus largement utilisée en raison de sa simplicité et de sa facilité de mise en œuvre, cependant, elle est perturbé par certains inconvénients tels qu'une réponse lente, et même un mauvais suivi peut se produire avec des conditions atmosphériques changeantes (notre exemple d'ombrage partiel). À cet égard, les effets négatifs associés à de tels les défauts peuvent être considérablement réduits si des concepts d'intelligence artificielle (IA) sont utilisés. À l'aide d’un apprentissage automatique et profond, nous détecterons et localiserons l'ombrage partiel et le court-circuit. Mots-clés: Système PV, commande MPPT, intelligence artificielle, apprentissage automatique, apprentissage profond, réseaux de neurones, régression logistique, modélisation, simulation, caractéristiques, performance.. Summary : The electrical characteristics (I-V) and (P-V) of photovoltaic solar panels are not linear and vary with cell temperature and solar radiation. The maximum power point tracking (MPPT) method is used to maximize the output power of a photovoltaic array through continuous maximum power point tracking (MPP). Of all the MPPT methods found in the literature, Perturbation and Observation (P&O) is the most widely used due to its simplicity and ease of implementation, however, it is plagued by some drawbacks such as slow response, and even poor tracking can occur with changing atmospheric conditions (our example of partial shading). In this regard, the negative effects associated with such defects can be significantly reduced if artificial intelligence (AI) concepts are used. Using deep machine learning, we will detect and locate partial shading and short circuiting. Keywords: PV system, MPPT control, artificial intelligence, machine learning, deep learning, neural networks, logistic regression, modeling, simulation, characteristics, performance.. ملخص : لأللواح الشمسية الكهروضوئية ليست خطية وتختلف باختالف درجة حرارة الخلية (V-P (و (V-I (الخصائص الكهربائية لزيادة طاقة الخرج للمصفوفة الكهروضوئية من (MPPT (واإلشعاع الشمسي. يتم استخدام طريقة تتبع نقطة الطاقة القصوى الموجودة في األدبيات، يعد االضطراب MPPT من بين جميع طرق .(MPP (خالل التتبع المستمر لنقطة الطاقة القصوى هو األكثر استخدا ًما على نطاق واسع نظ ًرا لبساطته وسهولة تنفيذه، ومع ذلك، فإنه يعاني من بعض العيوب (O&P (والمراقبة مثل االستجابة البطيئة، وحتى التتبع السيئ يمكن أن يحدث مع التغيير الظروف الجوية )مثالنا للتظليل الجزئي(. وفي هذا الصدد، يمكن تقليل اآلثار السلبية المرتبطة بهذه العيوب بشكل كبير إذا تم استخدام مفاهيم الذكاء االصطناعي. باستخدام التعلم اآللي العميق، سنكتشف ونحدد التظليل الجزئي وقصر الدائرة الكلمات المفتاحية : النظام الكهروضوئي، التحكم MPPT ،الذكاء االصطناعي، التعلم اآللي، التعلم العميق، الشبكات العصبية، االنحدار اللوجستي، النمذجة، المحاكاة، الخصائص، األداء..