Détails du sujet
Prédiction des défauts dans les systèmes photovoltaïques avec la modélisation par
L’Extrême Learning Machine(ELM)
Résumé
Auteur : MASTAKI Anuarite
Niveau: G3
Département: Genie Electrique
Année Ac: 2024-2025 , | 2025-03-14 15:20:25
Mots clés
Prédiction,Machine learning(LM),Photovoltaïque (PV),Matlab,défauts
Intérêt
Le photovoltaïque faisant partie des énergies renouvelables, les sources d'énergie dont le renouvellement est suffisamment rapide pour être considérées comme inépuisable à l'échelle de temps humaine ; Les systèmes photovoltaïques en particulier exploitent l'énergie solaire à diverses fins. Ils se distinguent par leur fiabilité et leur caractère écologique, offrant une électricité non polluante adaptée à de nombreuses applications.
Ainsi, les énergies renouvelables représentent une alternative intéressante aux énergies fossiles pour plusieurs raisons (2) :
- Elles ont un impact environnemental limité, n'émettent pas de gaz à effet de serre et ne génèrent pas de déchets.
- Elles sont inépuisables par nature.
- Elles permettent une production d'énergie décentralisée, adaptée aux besoins et aux ressources locales.
- Elles contribuent à renforcer l'indépendance énergétique des régions qui les utilisent.
Et donc comme pour tout autre système de production d'énergie, la détection des pannes et le dépannage rapide sont essentiels pour une performance optimale dans les systèmes photovoltaïques (PV) également. Car l'objectif de toute entreprise de production d'énergie commerciale est de maximiser la production d'énergie, de minimiser les pertes d'énergie et les coûts de maintenance, et d'assurer le fonctionnement sûr de l'installation. Étant donné que les systèmes PV sont aussi sujets des divers défauts et pannes, la détection précoce de ces défauts et pannes est donc très importante pour atteindre cet objectif.
Problématique
Comme tous les autres processus industriels, un système photovoltaïque peut être soumis, au cours de son fonctionnement, à différents défauts et anomalies conduisant à une baisse de la performance du système, voir à son l'indisponibilité totale. Toutes ces conséquences défavorables occasionnent une réduction de la productivité de l'installation, ainsi qu'une réduction du profit, sans compter également le coût de maintenance pour remettre le système en état normal.
Localement, en République Démocratique du Congo , toujours dans l'optique de garantir une maintenance fiable, une étude trop approfondie sur la détection des défauts dans les systèmes photovoltaïques, basée sur les nouvelles technologies: l’utilisation le machine learning prend tout son sens, surtout en cette période où on assiste à une augmentation très significative du nombre des centrales photovoltaïques décentralisées (off-grid) dans les milieux ruraux du pays. Plan provisoire
Mis à part l’introduction et la conclusion ,on aura:
Le premier chapitre : Généralités
Le deuxième chapitre :défauts et anomalies dans les systèmes photovoltaïques
Le troisième chapitre : défauts, anomalies et technique de détection des défauts dans les systèmes photovoltaïques.
Le quatrième chapitre : simulation s'un cas type de système photovoltaïque pour la génération des données.
Le cinquième chapitre: détection et localisation des défauts du système sur les données générées avec la technique de machine learning choisie. Hypothèses
Nous supposons que la localisation des défauts dans un système PV à l'aide du machine learning, la mise en place de cette dernière doit reposer sur les étapes essentielles suivantes : l'analyse des défauts courants des systèmes photovoltaïques, la collecte et l'exploitation de données pertinentes (provenant de simulations ou de l'expérimentation), le choix d'une architecture de machine learning adaptée, ainsi que le développement et l'évaluation d'un modèle performant pour détecter et localiser les défauts avec précision.
Méthodes
Nous allons utiliser :
La recherche documentaire
L’expérimentation par simulation
Bibliographie
Rapport Annuel 2023, L'électrification Rurale Résolument en Marche en RDC, Agence Nationale de l'électrification et services Energétique en milieux Rural et périurbain (ANSER RDC).https://anser.gouv.cd/bibliotheque/;https://www.victronenergy.fr/upload/documents/The_Wiring_Unlimited_book;Mulenga Nzungu Amos, Géneration, Complète (Simulée) de données Artificielles couvrant toutes les conditions opérationnelles réalistes, à utiliser pour un entrainement Machine Learning Efficace pour la détection de défauts Dans un Moteur Asynchrone, Travail de fin d'étude, Université de Kinshasa, Mars 2023.
Abdelhadi. B., Identification et détection de défauts dans les installations photovoltaïques. Thèse de doctorat, Université de Perpignan Via Domitia, France, Soutenue 25 juin 2021.
Salah. Muhamed Ait-chiekh, Etude, Investigation et conception d'algorithmes de commande appliqués aux systèmes photovoltaïques. Thèse de doctorat, Ecole National Polytechnique, 2007.
https://www.energymagazinedz.com/wp-content/uploads/2022/07/Guide-
Directeur & Encadreur
Directeur: BARAKA Olivier MUSHAGE
Encadreur: MOLO Joaquim MBASA
Status
Décision ou observation:
Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON
Prédiction des défauts dans les systèmes photovoltaïques avec la modélisation par L’Extrême Learning Machine(ELM)
Résumé
Auteur : MASTAKI Anuarite
Niveau: G3
Département: Genie Electrique
Année Ac: 2024-2025 , | 2025-03-14 15:20:25
Mots clés
Prédiction,Machine learning(LM),Photovoltaïque (PV),Matlab,défautsIntérêt
Le photovoltaïque faisant partie des énergies renouvelables, les sources d'énergie dont le renouvellement est suffisamment rapide pour être considérées comme inépuisable à l'échelle de temps humaine ; Les systèmes photovoltaïques en particulier exploitent l'énergie solaire à diverses fins. Ils se distinguent par leur fiabilité et leur caractère écologique, offrant une électricité non polluante adaptée à de nombreuses applications.Ainsi, les énergies renouvelables représentent une alternative intéressante aux énergies fossiles pour plusieurs raisons (2) :
- Elles ont un impact environnemental limité, n'émettent pas de gaz à effet de serre et ne génèrent pas de déchets.
- Elles sont inépuisables par nature.
- Elles permettent une production d'énergie décentralisée, adaptée aux besoins et aux ressources locales.
- Elles contribuent à renforcer l'indépendance énergétique des régions qui les utilisent.
Et donc comme pour tout autre système de production d'énergie, la détection des pannes et le dépannage rapide sont essentiels pour une performance optimale dans les systèmes photovoltaïques (PV) également. Car l'objectif de toute entreprise de production d'énergie commerciale est de maximiser la production d'énergie, de minimiser les pertes d'énergie et les coûts de maintenance, et d'assurer le fonctionnement sûr de l'installation. Étant donné que les systèmes PV sont aussi sujets des divers défauts et pannes, la détection précoce de ces défauts et pannes est donc très importante pour atteindre cet objectif.
Problématique
Comme tous les autres processus industriels, un système photovoltaïque peut être soumis, au cours de son fonctionnement, à différents défauts et anomalies conduisant à une baisse de la performance du système, voir à son l'indisponibilité totale. Toutes ces conséquences défavorables occasionnent une réduction de la productivité de l'installation, ainsi qu'une réduction du profit, sans compter également le coût de maintenance pour remettre le système en état normal.Localement, en République Démocratique du Congo , toujours dans l'optique de garantir une maintenance fiable, une étude trop approfondie sur la détection des défauts dans les systèmes photovoltaïques, basée sur les nouvelles technologies: l’utilisation le machine learning prend tout son sens, surtout en cette période où on assiste à une augmentation très significative du nombre des centrales photovoltaïques décentralisées (off-grid) dans les milieux ruraux du pays.
Plan provisoire
Mis à part l’introduction et la conclusion ,on aura:Le premier chapitre : Généralités
Le deuxième chapitre :défauts et anomalies dans les systèmes photovoltaïques
Le troisième chapitre : défauts, anomalies et technique de détection des défauts dans les systèmes photovoltaïques.
Le quatrième chapitre : simulation s'un cas type de système photovoltaïque pour la génération des données.
Le cinquième chapitre: détection et localisation des défauts du système sur les données générées avec la technique de machine learning choisie.
Hypothèses
Nous supposons que la localisation des défauts dans un système PV à l'aide du machine learning, la mise en place de cette dernière doit reposer sur les étapes essentielles suivantes : l'analyse des défauts courants des systèmes photovoltaïques, la collecte et l'exploitation de données pertinentes (provenant de simulations ou de l'expérimentation), le choix d'une architecture de machine learning adaptée, ainsi que le développement et l'évaluation d'un modèle performant pour détecter et localiser les défauts avec précision.Méthodes
Nous allons utiliser :La recherche documentaire
L’expérimentation par simulation
Bibliographie
Rapport Annuel 2023, L'électrification Rurale Résolument en Marche en RDC, Agence Nationale de l'électrification et services Energétique en milieux Rural et périurbain (ANSER RDC).https://anser.gouv.cd/bibliotheque/;https://www.victronenergy.fr/upload/documents/The_Wiring_Unlimited_book;Mulenga Nzungu Amos, Géneration, Complète (Simulée) de données Artificielles couvrant toutes les conditions opérationnelles réalistes, à utiliser pour un entrainement Machine Learning Efficace pour la détection de défauts Dans un Moteur Asynchrone, Travail de fin d'étude, Université de Kinshasa, Mars 2023.Abdelhadi. B., Identification et détection de défauts dans les installations photovoltaïques. Thèse de doctorat, Université de Perpignan Via Domitia, France, Soutenue 25 juin 2021.
Salah. Muhamed Ait-chiekh, Etude, Investigation et conception d'algorithmes de commande appliqués aux systèmes photovoltaïques. Thèse de doctorat, Ecole National Polytechnique, 2007.
https://www.energymagazinedz.com/wp-content/uploads/2022/07/Guide-
Directeur & Encadreur
Directeur: BARAKA Olivier MUSHAGEEncadreur: MOLO Joaquim MBASA
Status
Décision ou observation:Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON