Advanced strategies for Online Monitoring, Fault Detection, and Identification in Photovoltaic Systems : A Hybrid Model and Data-Driven Approaches

La montée en puissance des systèmes photovoltaïques (PV) dans le mix énergétique mondial, en réponse aux défis climatiques, soulève des problématiques majeures en matière de fiabilité opérationnelle. En particulier, les défauts affectant le côté courant continu (DC) constituent une source critique de dégradation des performances, souvent indétectables par les dispositifs de protection conventionnels, notamment en conditions de faible irradiation. Ces défaillances, si elles ne sont pas détectées de manière précoce, peuvent entraîner des dysfonctionnements graves, compromettant la sécurité des installations et engendrant des pertes énergétiques substantielles.Dans ce contexte, la présente thèse propose le développement de stratégies avancées de détection et de diagnostic des défauts (FDD) adaptées aux systèmes PV, s'appuyant exclusivement sur les mesures disponibles au niveau du point de puissance maximale (MPP). Ces mesures sont exploitées pour concevoir deux approches : hybride etdata-driven, chacune optimisée pour traiter un large spectre de défauts, allant des dégradations progressives aux pannes brusques.La première stratégie, de nature hybride, combine un modèle de surveillance basé sur la régression statistique avec une représentation physique intégrée dans un filtre de Kalman, permettant une atténuation efficace des bruits de mesure et des incertitudes. Une logique décisionnelle fondée sur des règles adaptatives est ensuite utilisée pour identifier les signatures des défauts à partir des résidus générés.La seconde stratégie, résolument data-driven, repose sur un réseau de neurones artificiel (ANN) simplifié par l’utilisation de la résistance PV comme variable d’entrée, et par l’application d’une transformation logarithmique. Deux schémas sont explorés :Le premier s’appuie sur l’utilisation de classifieurs supervisés (arbres de décision, SVM, Naïve Bayes, K-NN), enrichis par plusieurs variantes structurelles (noyaux, distances), ainsi que des techniques d’ensemble (Bagging, Random Forest, AdaBoost, RUBoost, Subspace K-NN).Le second adopte une architecture de type Stacking, intégrant les meilleurs classifieurs précédents au sein d’un méta-apprenant, avec une stratégie originale de rappel pondéré pour maximiser la diversité et la précision globale.L’efficacité de ces approches est rigoureusement évaluée à travers des simulations multi-scénarios couvrant divers types de défauts (ombrages partiels, courts-circuits intra/inter-branches, ouvertures, dégradations série/parallèle) et conditions climatiques. Les résultats mettent en évidence la robustesse de l’approche hybride (taux de détection de 90,12 %) malgré ses limitations face à certaines confusions de classes. En revanche, les approches data-driven, notamment le schéma Stacking, se distinguent par leur capacité d’adaptation et leur haute précision (jusqu’à 95 %), à condition d’un prétraitement adéquat des données (nettoyage, équilibrage, normalisation).Ainsi, cette étude démontre la pertinence de stratégies data-driven et apprenantes pour la surveillance avancée des systèmes photovoltaïques, en particulier dans des contextes marqués par des conditions environnementales fluctuantes et des dynamiques de défauts complexes.