Détection et diagnostic de défauts et des pertes de performances dans les centrales photovoltaïques de forte puissance

Detection and diagnosis of faults and performance losses in high-power photovoltaic power plants

• Auteur / Autrice : Edgar Hernando Sepulveda Oviedo
• Direction : Corinne Alonso, Louise Travé-Massuyès
• Type : Thèse de doctorat
• Discipline(s) : Génie électrique
• Date : Soutenance le 16/02/2023
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Génie électrique, électronique, télécommunications et santé : du système au nanosystème (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse ; 1968-....)
• Jury : Président / Présidente : Nadia Yousfi Steiner
• Jury : Examinateurs / Examinatrices : Marko Pavlov, Audine Subias, Victor Hugo Grisales Palacio
• Jury : Rapporteurs / Rapporteuses : Ghaleb Hoblos, Claude Delpha

Mots clés

Mots clés contrôlés

Intelligence artificielle

Détection de défaut (ingénierie)

Centrales photovoltaïques flottantes

Mots clés libres

Détection de défauts

Diagnostic

Supervision

Centrales photovoltaïques

Intelligence artificielle

Apprentissage automatique

Fault detection,Diagnosis

Photovoltaic plants

Supervision

Artificial intelligence

Machine learning

Résumé

L'augmentation de l'utilisation de l'énergie photovoltaïque dans le monde a montré que la durée de vie et la maintenance d'une centrale photovoltaïque sont fortement liées à sa capacité à détecter les pannes qui peuvent survenir dans le temps. Ainsi, plus un défaut est détecté, pour effectuer une maintenance corrective voire préventive de la pièce défectueuse, plus la production du système photovoltaïque est maintenue optimale, réduisant ainsi le coût de la maintenance. Le diagnostic de défaut nécessite un contrôle strict par un système d'acquisition de données qui constitue une base de données conséquente. Cette approche dite « pilotée par les données » doit être associée à un système d'extraction de caractéristiques pour constituer un système de diagnostic des pertes de performances voire des défauts. Actuellement, le développement de ce type de plate-forme est limité par la grande complexité de construction d'un système d'acquisition visant à diagnostiquer des pannes qui peuvent varier en fonction des conditions météorologiques, des performances des onduleurs ou des optimiseurs, entre autres. Cette thèse est consacrée au développement de méthodes de diagnostic de défauts d'installations photovoltaïques embarquées dans un système physique d'acquisition de données, de traitement et de détection de pannes en temps réel, respectant les contraintes industrielles et prenant en compte le compromis coût/bénéfice en productivité ou en disponibilité. Au-delà de la détection précoce du défaut, l'identification du type de défaut est recherchée pour établir une classification en fonction de l’impact en termes de perte de productible et de coût de réparation. Pour résoudre les problèmes évoqués et en tant que contribution à un diagnostic efficace des pannes dans les systèmes photovoltaïques, une nouvelle approche pour l'extraction de caractéristiques et la prédiction de l'état de santé dans les systèmes photovoltaïques est proposée. L’approche repose sur cinq étapes : i) acquisition et prétraitement des données ; ii) regroupement hiérarchique dynamique à distorsion temporelle ; iii) extraction de caractéristiques ; iv) sélection des caractéristiques et v) prédiction de l'état de santé. L'approche est appliquée à des données réelles issues d’une plateforme commerciale d'acquisition de données puis à des données obtenues par une plateforme d'acquisition conçue durant cette thèse avec un échantillonnage à haute fréquence et des traitements de données spécifiques. Le tout a été testé et validé expérimentalement dans plusieurs centrales photovoltaïques réelles.

The increase in the use of photovoltaic energy in the world has shown that the life and maintenance of a PV plant are strongly linked to its ability to detect failures that may occur over time. Therefore, the more a defect is detected, to carry out corrective or even preventive maintenance of the defective part, the more optimal the production of the photovoltaic system is maintained, thus reducing the cost of maintenance. Fault diagnosis requires strict control by a data acquisition system that constitutes a substantial database. This so-called ''data''-driven approach must be associated with a feature extraction system to constitute a system for diagnosing performance losses or even failures. Currently, the development of this type of platform is limited by the high complexity of building an acquisition system aimed at diagnosing faults that can vary depending on weather conditions, the performance of inverters or optimizers, among others. The objective of this thesis is the development of fault diagnosis methods for photovoltaic installations embedded in a physical system for data acquisition, treatment and detection of faults in real time, respecting industrial limitations and taking into account the cost/benefit compromise in productivity or uptime. Beyond the early detection of the failure, an attempt will be made to identify the type of failure to establish a classification of the latter based on their impact in terms of damage and repair cost. To address the issues discussed above and as a contribution to effective fault diagnosis in photovoltaic systems, this paper proposes a new approach for feature extraction and health state prediction in photovoltaic systems. Our approach is based on five stages: i) data acquisition and preprocessing; ii) dynamic time warp hierarchical clustering; iii) feature extraction; iv) selection of characteristics and v) prediction of health status. The approach is applied on real data based on a commercial data acquisition platform and on data acquisition and its specific treatment with a high sampling frequency obtained by a specific platform designed and validated during this thesis. The experimental tests have been made in several real PV power plants.