Détection de défauts des photovoltaïqueparMachine Learning

Abstract

The performance and durability of photovoltaic (PV) systems depend heavilyontheefficiency of Maximum Power Point Tracking (MPPT) algorithms, which allowpanels tooperateat their optimal power despite variations in weather conditions. Among the most widelyusedmethods, the Perturbation and Observation (P&O) algorithm stands out for its simplicityofimplementation. However, its performance degrades in the presence of partial shadingor rapidvariations in irradiance, leading to oscillations around the maximum power point andaslowerresponse time. To address these limitations, this work proposes an approach based onartificialintelligence for diagnosing the condition of photovoltaic panels. The method exploitstheelectrical quantities of the panels, which are processed and classified using machine learninganddeep learning techniques, notably Support Vector Machines (SVM), Artificial Neural Networks(ANN), and Convolutional Neural Networks (CNN). The results show that this approachenablesreliable detection of critical faults, such as partial shading and short circuits, thereby contributingto improving the performance of photovoltaic systems and strengthening predictive maintenancestrategies. Keywords: PV systems; MPPT ; P&O ;IA ; ML ; DL ; ANN; CNN; SVM. IV الملخصتعتمد كفاءة النظمة الكهروضوئية (PV (وديمومتها بشكل كبير على فعالية خوارزميات تتبع نقطة الطاقة القصوى (MPPT(، والتي تتيح تشغيل اللواح عند قدرتها المثالية على الرغم من تقلبات الظروف الجوية. ومن بين الطرق الكثر استخداماا، تمتازخوارزمية "الضطراب والملحظة" (O&P (ببساطة تطبيقها. ومع ذلك، تتراجع كفاءتها في وجود الل جزئية أو تغيرات سريعة في شدة الشعاع الشمسي، مما يؤدي إلى حدوث تذبذبات حول نقطة الطاقة القصوى وتباطؤ في يعتمد على الذكاء الصطناعي لتشخيص حالة اللواح الكهروضوئية. وتعتمد هذه الطريقة على استغلل الكميات الكهربائية لللواح، ومعالجتها وتصنيفها باستخدام تقنيات التعلم الليسرعة الستجابة ولمعالجة هذه القيود، يقترح هذا العمل أسلوباا والتعلم العميق، ول سيما الت ناقلت الدعم (SVM(، والشبكات العصبية الصطناعية (ANN(، والشبكات العصبية اللتفافية للعيوب الحرجة، مثل التظليل الجزئي والدوائر القصيرة (الماس (CNN(.وتظهر النتائج أن هذا السلوب يتيح كشفاا موثوقاا الكلمات المفتاحية: النظمة PV؛ تتبع نقطة الطاقة القصوى (MPPT(؛ الضطراب والملحظة (O\&P(؛ الذكاء الكهربائي)، مما يساهم في تحسين أداء النظمة الكهروضوئية وتعزيز استراتيجيات الصيانة التنبؤية. الصطناعي؛ التعلم اللي؛ التعلم العميق؛ الشبكات العصبية الصطناعية (ANN(؛ الشبكات العصبية اللتفافية (CNN(؛ الت ناقلت الدعم (SVM( V Résumé La performance et la durabilité des systèmes photovoltaïques (PV) dépendent fortementde l'efficacité des algorithmes de suivi du point de puissance maximale (MPPT), qui permettentd'exploiter les panneaux à leur puissance optimale malgré les variations des conditionsmétéorologiques. Parmi les méthodes les plus utilisées, l'algorithme Perturbation et Observation(P&O) se distingue par sa simplicité de mise en œuvre. Toutefois, ses performances se dégradenten présence d'ombrage partiel ou de variations rapides de l'irradiance, entraînant des oscillationsautour du point de puissance maximale et une réponse plus lente. Pour remédier à ces limitations,ce travail propose une approche basée sur l'intelligence artificielle (IA) pour le diagnosticdel'étatdes panneaux photovoltaïques. La méthode exploite les grandeurs électriques des panneaux,traitées et classifiées à l'aide de techniques d'apprentissage profond (Deep Learning: DL)d'apprentissage automatique (Machine Learning ; ML) notamment les machines à vecteursdesupport (SVM), les réseaux de neurones artificiels (ANN) et les réseaux de neurones convolutifs(CNN). Les résultats montrent que cette approche permet une détection fiable des défautscritiques, tels que l'ombrage partiel et les courts-circuits, contribuant ainsi à améliorer lesperformances des systèmes photovoltaïques et à renforcer les stratégies de maintenanceprédictive. Mots-clés : Systèmes PV ; MPPT ; P&O ;IA ; ML ; DL ; ANN; CNN; SVM