Détection et prévision des pertes de performance dans les systèmes photovoltaïques solaires basée sur l'apprentissage profond à l'aide de données multi-capteurs

Les systèmes photovoltaïques (PV) sont soumis à une dégradation de performance non linéaire causée par des facteurs opérationnels et environnementaux, ce qui limite la production d'énergie fiable. La plupart des études existantes se concentrent sur la prévision de la production d'énergie et échouent à isoler les pertes d'efficacité intrinsèques de la variabilité météorologique. Cette étude propose un cadre d'apprentissage profond sensible à la dégradation pour prédire la perte de performance des PV en utilisant des données de séries chronologiques multi-capteurs. La dégradation des performances est formulée comme un rapport de perte de performance basé sur un référentiel dérivé de la déviation entre la production d'énergie observée et un modèle de référence idéal informé par la physique. Une architecture hybride de réseau de neurones convolutifs (CNN) et de mémoire à long terme et à court terme (LSTM) est employée pour capturer conjointement les représentations de caractéristiques locales et les dynamiques de dégradation temporelle à long terme. L'évaluation du modèle est réalisée à l'aide d'un ensemble de données généré synthétiquement mais physiquement cohérent, informé par des mesures PV réelles pour garantir la pertinence dans le monde réel. Les résultats expérimentaux montrent que le modèle CNN–LSTM proposé surpasse les approches de référence, y compris la persistance, la régression linéaire et XGBoost, en particulier en termes d'erreur absolue moyenne (MAE) et d'erreur quadratique moyenne normalisée (RMSE). Des analyses supplémentaires confirment un comportement d'erreur stable et une généralisation temporelle, soulignant la pertinence de l'approche proposée pour la surveillance de performance sensible à la dégradation et la maintenance prédictive dans les systèmes PV.