Thèse soutenue

Signatures de mécanismes de dégradation des centrales photovoltaïques
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Nikola Hrelja
Direction : Éric MoulinesMike Van Iseghem
Type : Thèse de doctorat
Discipline(s) : Mathématiques aux interfaces
Date : Soutenance le 06/11/2020
Etablissement(s) : Institut polytechnique de Paris
Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....)
Partenaire(s) de recherche : établissement opérateur d'inscription : École polytechnique (Palaiseau, Essonne ; 1795-....)
Laboratoire : Centre de mathématiques appliquées (Palaiseau, Essonne)
Jury : Président / Présidente : Anne Auger
Examinateurs / Examinatrices : Éric Moulines, Mike Van Iseghem, Fabrice Gamboa, Florence Forbes, Roger Kenneth French, Thierry Klein
Rapporteurs / Rapporteuses : Fabrice Gamboa, Florence Forbes, Roger Kenneth French

Résumé

FR  |  
EN

La dégradation de la performance des centrales PV (photovoltaïque) au cours de leur durée de vie est généralement déterminée par la variation de la puissance au point de puissance maximale (Power at maximum power point Pmpp). Cependant, la même quantité de pertes en Pmpp peut avoir des causes multiples, qui ont, chacune, des évolutions différentes dans le temps.Les méthodes existantes de taux de perte de performance (Performance Loss Rate) ne sont pas adaptées pour identifier ces causes et mécanismes fondamentaux à partir des données de terrain. Le modèle physique d’EDF est une version sophistiquée d’un modèle à 2 diodes. Ce modèle s dépend de paramètres dont les valeurs évoluent au cours du temps et peuvent reflètent ainsi les processus de dégradation. Lorsque les mesures des courbes courant-tension (courbes IV) sont disponibles, les paramètres du modèle physique peuvent être directement estimés. Toutefois les mesures de la courbe IV sont rarement effectuées sur les sites de production de PV et l'estimation des paramètres du modèle à 2 diodes est difficile à partir du nombre limité de variables mesurées. Le défi que nous nous attachons à relever est l'estimation des paramètres du modèle en utilisant uniquement le Pmpp, et la météo, permettant ainsi une évaluation plus précise de l'état de santé du système, plutôt que d'estimer uniquement la mesure de la perte de performance.Une analyse de sensibilité a été réalisée sur différents modèles physiques photovoltaïques, à savoir le modèle à diode unique et le code d’EDF. Les trois paramètres les plus influents identifiés par notre méthodologie sont ont la résistance-série (Rs), la résistance shunt (Rsh) et le courant de court-circuit (Isc). Ces paramètres identifiés ont été utilisés dans la calibration du modèle de performance PV.L'algorithme proposé vise à identifier la distribution a posteriori des paramètres en calibrant le code de calcul en fonction des données observées. L’inférence bayésienne a été menée à l’aide de la méthode ABC (Approximate Bayesian Computation) car la vraisemblance des observations est un code de calcul et n’a pas d’expression close. Comme l’exécution du code de calcul est chronophage, l'expansion du chaos polynomial (PCE) a été utilisée comme modèle de substitution pour remplacer le code original et accélérer l’inférence. L'algorithme a été validé sur des données synthétiques simulées (Digital Power Plant) auxquelles nous avons ajouté un bruit de mesure gaussien, une erreur systématique et un scénario d’évolution de dégradation des paramètres. Les résultats sur les données synthétiques montrent que l'évolution des paramètres peut être estimée en dépit du bruit de mesure et des fluctuations importantes.La méthode proposée a ensuite été appliquée à des données réelles collectées en fonctionnement à la centrale solaire de Bolzano (Italie, pendant la période 2011-2019). Notre méthode ne donne des résultats robustes qu'en été et en automne, la météo étant plutôt stable pour ce site pendant cette période. Au cours de ces mois, les résultats montrent que la baisse de puissance des modules exposés peut être attribuée à la baisse du Isc alors que la Rs et la Rsh ne montrent pas de changement significatif sur 8 ans. Une analyse supplémentaire sera nécessaire pour définir plus précisément les mécanismes de dégradation qui peuvent être identifiés avec l'évolution des paramètres extraits et leur corrélation avec les conditions de fonctionnement extérieures.En perspective, nous suggérons d'utiliser notre méthode pour examiner un grand nombre de jeux de données ayant des mécanismes de dégradation connus et inconnus, afin de connaître et améliorer la robustesse de la méthode et l'évolution des paramètres qui pourraient se révéler être des caractéristiques plus intéressantes, et de suggérer des explications physiques permettant d’identifier les points de rupture et les changements des mécanismes de défaillance au cours du temps.