L’Ecole doctorale : Electrical, Optical, Bio-physics and Engineering et le Laboratoire de recherche Laboratoire de Génie Electrique et Electronique de Paris
présentent l’AVIS DE SOUTENANCE de Monsieur BAOJIE LI
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Université Paris-Saclay, préparé à l’Université Paris-Saclay GS Sciences de l’ingénierie et des systèmes en :
Génie électrique « Surveillance de l’état de santé des modules photovoltaïques à partir des mesures électriques »
le VENDREDI 8 OCTOBRE 2021 à 13h30
Amphi sc.071, Batîment Bouygues
CentraleSupélec, 3 Rue Joliot Curie, 91190 Gif-sur-Yvette, France
Lien Teams :
Membres du jury :
M. Demba DIALLO, Professeur, Université Paris-Saclay, Laboratoire GeePs, CNRS UMR 8507, FRANCE – Directeur de thèse
M. Éric LABOURE, Professeur des universités, Université Paris-Saclay, Laboratoire GeePs, CNRS UMR 8507, FRANCE – Examinateur
M. Mohamed BENBOUZID, Professeur des universités, Université de Brest, IRDL, UMR CNRS 6027 IRDL – Institut de Recherche Dupuy de Lôme, FRANCE – Examinateur
Mme Tianzhen WANG, Professeure, Shanghai Maritime University, College of Logistics, CHINE -Examinateur
M. Maxime DARNON, Professeur associé, CNRS-LN2, Université de Sherbrooke, CANADA – Rapporteur
M. Bertrand RAISON, Professeur des universités, Laboratoire de Génie Electrique de Grenoble – G2Elab, (Grenoble-INP / UGA / CNRS UMR 5269, FRANCE – Rapporteur
Invités :
Mme Anne-Migan DUBOIS, Professeure, Université Paris-Saclay, Laboratoire GeePs, co-encadrante
M. Claude DELPHA, MCF HDR, Université Paris-Saclay, L2S, co-encadrant
Vous êtes conviés au pot qui suivra : Bâtiment Bouygues, devant l’Amphi Peugeot.
« Surveillance de l’état de santé des modules photovoltaïques à partir des mesures électriques »
présenté par Monsieur BAOJIE LI
Résumé :
La détection et le diagnostic des défauts sont des éléments essentiels pour la maintenance conditionnelle des panneaux photovoltaïques (PV). Cette thèse propose une nouvelle stratégie en quatre étapes (modélisation, prétraitement, extraction et analyse des signatures) basée sur l’utilisation des caractéristiques courant-tension (courbes I-V) complètes. La modélisation s’appuie sur une approche pilotée par les données simulées ou mesurées. Pour le prétraitement, afin d’atténuer les effets des différentes conditions de mesure, nous avons proposé une procédure de correction améliorée des courbes I-V qui est mieux adaptée aux panneaux défectueux que celles de la norme, ainsi qu’un ré-échantillonnage du vecteur courant pour toujours disposer du même nombre de points. Pour l’extraction des caractéristiques après ce prétraitement, trois méthodes sont développées : l’utilisation directe de la courbe I-V ou sa transformation par la technique Gramian Angular Difference Field (GADF) ou celle de Recurrence Plot (RP). L’analyse en composantes principales (ACP) est également appliquée pour réduire la dimension de la matrice des caractéristiques. Pour l’analyse des caractéristiques, six techniques courantes d’apprentissage automatique sont évaluées: le réseau de neurones artificiels (ANN), la machine à vecteurs de support (SVM), l’arbre de décision (DT), la forêt aléatoire (RF), les k-plus proches voisins (kNN) , et le classifieur naïf bayésien (NBC). Pour évaluer les différentes combinaisons entre les signatures et les classifieurs, les critères de performances retenues sont la précision de la classification et la complexité du calcul. Huit conditions (une saine et sept défectueuses) des panneaux photovoltaïques sont étudiées à partir de courbes I-V simulées et mesurées pour constituer la base de données. Les résultats montrent que l’utilisation des caractéristiques issues de la transformation GADF des courbes I-V comme entrées du classifieur ANN permet d’obtenir une précision de classification de 100 %, aussi bien pour les données simulées que celles mesurées sur um banc de test développé au laboratoire. La robustesse aux perturbations, l’impact de l’ACP et de la transformation des caractéristiques sont également traités. La stratégie proposée est également comparée à celles qui n’utilisent que partiellement les informations de la courbe I-V.
Abstract :
Fault detection and diagnosis are essential elements for the condition monitoring of photovoltaic (PV) panels. This thesis proposes a new four-step strategy (modelling, pre-processing, extraction and analysis of signatures) based on full current-voltage characteristics (I-V curves). The modelling is based on an approach driven by simulated or measured data. For the pre-processing, to mitigate the effects of the different measurement conditions, we proposed an improved I-V curve correction procedure that is better adapted to defective panels than the standard ones and resampling of the current vector always to have the same number of points. For feature extraction after this pre-processing, three methods are developed: direct use of the I-V feature or its transformation by the Gramian Angular Difference Field (GADF) or Recurrence Plot (RP) technique. Principal component analysis (PCA) is also applied to reduce the dimension of the feature matrix. For feature analysis, six common machine learning techniques are evaluated: artificial neural network (ANN), support vector machine (SVM), decision tree (DT), random forest (RF), k-nearest neighbour (kNN), and Bayesian naive classifier (NBC). To evaluate the different combinations of signatures and classifiers, the performance criteria used are classification accuracy and computational complexity. Eight conditions (one healthy and seven defective) of the photovoltaic panels are studied using simulated and measured I-V curves to build the database. The results show that using the features from the GADF transformation of the I-V curves as inputs to the ANN classifier achieves 100% classification accuracy for both simulated and measured data on a test bench developed in the laboratory. The robustness to perturbations, the impact of PCA and the feature transformation are also addressed. The proposed strategy is also compared to those that only partially use the information from the I-V curve.