1 s2.0 S0960148117309114 Main

Machine Translated by Google
Détection et diagnostic fiables des pannes des systèmes photovoltaïques basés sur
des approches de surveillance statistique
Type d'élément Article
Auteurs Harrou, Fouzi; Soleil, Ying ; Taghezouit, Bilal; Saïdi, Ahmed ;
Hamlati, Mohamed Elkarim
Citation Harrou F, Sun Y, Taghezouit B, Saidi A, Hamlati ME (2017)
Détection et diagnostic fiables des pannes des systèmes photovoltaïques
basés sur des approches de surveillance statistique. Énergie renouvelable.
Disponible : http://dx.doi.org/10.1016/j.renene.2017.09.048.
Version imprimée Postimpression
EST CE QUE JE
10.1016/j.renene.2017.09.048
Éditeur Elsevier BV
Journal Énergie renouvelable
Droits AVIS : il s'agit de la version de l'auteur d'un travail qui a été accepté pour
publication dans Renewable Energy. Les modifications résultant du processus de
publication, telles que l'examen par les pairs, l'édition, les corrections, la mise en
forme structurelle et d'autres mécanismes de contrôle de la qualité peuvent ne pas
être reflétées dans ce document. Des modifications peuvent avoir été apportées à
cet ouvrage depuis sa soumission pour publication. Une version définitive a ensuite
été publiée dans Renewable Energy, [, , (20170918)] DOI : 10.1016/
j.renene.2017.09.048 . © 2017. Cette version manuscrite est disponible sous la
licence CCBYNCND 4.0 http://creativecommons.org/licenses/byncnd/4.0/
Date de téléchargement 12/01/2023 17:56:18
Lien vers l'article http://hdl.handle.net/10754/625503
Manuscrit Accepté
Détection et diagnostic fiables des pannes des systèmes photovoltaïques basés sur des approches
de surveillance statistique
Fouzi Harrou, Ying Sun, Bilal Taghezouit, Ahmed Saidi, Mohamed Elkarim Hamlati
IIP : S09601481(17)309114
EST CE QUE JE: 10.1016/j.renene.2017.09.048
Référence : RENE 9246
A paraître dans : Energies renouvelables
Date de réception : 21 mars 2017
Date de révision : 29 août 2017
Date d'acceptation : 14 septembre 2017
Merci d'utiliser le titre suivant lorsque vous citez cet article : Harrou F, Sun Y, Taghezouit B, Saidi A, Hamlati ME, Détection et
diagnostic fiables des pannes des systèmes photovoltaïques basés sur des approches de surveillance statistique, Énergies
renouvelables (2017), doi : 10.1016/j.renene.2017.09 .048.
Il s'agit d'un fichier PDF d'un manuscrit non édité qui a été accepté pour publication. En tant que service à nos clients, nous
fournissons cette première version du manuscrit. Le manuscrit fera l'objet d'une révision, d'une composition et d'un examen
de la preuve résultante avant d'être publié dans sa forme finale. Veuillez noter que pendant le processus de production, des
erreurs peuvent être découvertes qui pourraient affecter le contenu, et toutes les clauses de nonresponsabilité qui s'appliquent à
la revue s'appliquent.
MANUSCRIT ACCEPTÉ
1 Détection et diagnostic fiables des pannes des systèmes photovoltaïques basés sur
2 des approches de surveillance statistique
3 Fouzi Harroua , Ying Suna , Bilal Taghezouitb , Ahmed Saïdic , Mohamed Elkarim Hamlatic
4 Université des sciences et technologies du roi Abdallah (KAUST)
5 Computer, Electrical and Mathematical Sciences and Engineering (CEMSE) Division, Thuwal 239556900, Arabie saoudite
6 Tél. : +966.12808.0602, Fax : +966.12802.1386, Email : fouzi.harrou@kaust.edu.sa
7 bCentre de Développement des Energies Renouvelables, CDER, B.P. 62, Route de l’Observatoire, Bouzaréah, Algiers, 16340,
8 Algérie, Email : b.taghezouit@gmail.com
9
c
Laboratoire Smart Grids et Energies Renouvelables (SGRE), Département de Génie Electrique, Université Tahri
dix Mohammed, BP 417 Route de Kenadsa, Béchar, Algérie
11 Résumé
MANUSCRIT
12 Cette étude rapporte le développement d'un système innovant de détection et de diagnostic des pannes pour surveiller la
13 côté courant continu (CC) des systèmes photovoltaïques (PV). A cette fin, nous proposons une approche statistique
14 qui exploite les avantages du modèle à une diode et ceux du modèle univarié et multivarié de manière exponentielle
15 cartes de moyenne mobile pondérée (EWMA) pour mieux détecter les défauts. Plus précisément, nous générons les résidus du tableau
16 du courant, de la tension et de la puissance en utilisant la température et l'irradiance mesurées. Ces résidus captent
17 différence entre les mesures et les prédictions MPP pour le courant, la tension et la puissance du
18 modèles à une diode et les utiliser comme indicateurs de défaut. Ensuite, nous appliquons l'EWMA multivariée (MEWMA)
19 tableau de surveillance aux résidus pour détecter les défauts. Cependant, un schéma MEWMA ne peut pas identifier le type
20 de faute. Une fois qu'un défaut est détecté dans le diagramme MEWMA, le diagramme EWMA univarié basé sur le courant et
ACCEPTÉ
21 indicateurs de tension sont utilisés pour identifier le type de défaut (par exemple, défauts de courtcircuit, de circuit ouvert et d'ombrage).
22 Nous avons appliqué cette stratégie aux données réelles du système PV connecté au réseau installé à la Renewable Energy
23 Centre de Développement, Algérie. Les résultats montrent la capacité de la stratégie proposée à surveiller le côté DC
24 des systèmes PV et détecte l'ombrage partiel.
25 Motsclés : détection de défauts, ombrage partiel, systèmes photovoltaïques, modèle à une diode, statistique
26 tableaux de suivi.
27 1. Introduction
28 L'énergie renouvelable est un problème clé qui attire de plus en plus l'attention dans le monde entier. Renouvelable
29 sources d'énergie, telles que le solaire et l'éolien, sont des alternatives prometteuses aux combustibles fossiles conventionnels car elles
30 sont propres, durables, sûrs et respectueux de l'environnement avec zéro émission de CO2 . Par exemple, [1] a montré
31 que 100 gigawatts d'électricité photovoltaïque (PV) en Europe en 2012 ont conservé plus de 53 millions de tonnes
MANUSCRIT ACCEPTÉ
32 de CO2 d'être émis dans l'atmosphère. En outre, l'énergie solaire photovoltaïque, qui est l'une des plus
33 sources d'énergie renouvelables durables et économiquement compétitives, augmente la sécurité énergétique d'un pays
34 en réduisant leur dépendance aux énergies fossiles.
35
Bien que les progrès considérables de la technologie des systèmes PV pour assurer leur fonctionnement optimal, dans la pratique
36 plusieurs facteurs peuvent affecter de manière significative les performances du système PV en diminuant son efficacité. En effet, PV
37 systèmes sont fréquemment exposés à différentes sources de défauts et de pannes qui affectent la puissance générée par
38 les modules PV (par exemple, défauts de courtcircuit, de circuit ouvert et d'ombrage). Ces défauts pourraient réduire considérablement
39 à la fois leur efficacité de production et leur durée de vie [2]. Ceci est principalement dû à des interférences externes ou à des défauts
40 résultant de l'accumulation de poussière sur les modules PV [3], vieillissement des modules PV [4], ombrage [5], MPPT
MANUSCRIT
41 erreur [6] et défauts onduleurs [7]. Les défauts du côté DC des systèmes PV sont souvent difficiles à éviter et peuvent entraîner
42
en cas de perte d'énergie, d'arrêt du système ou même de graves problèmes de sécurité [8, 9]. Par exemple, deux installations photovoltaïques
43
aux ÉtatsUnis (un générateur photovoltaïque de 383 KWc à Bakersfield, en Californie et une centrale électrique de 1 208 MWc à Mount Holly, en Caroline du Nord)
44 brûlés en 2009 et 2011, respectivement [8]. La source de ces accidents était un défaut du côté DC qui était
45 non identifié précocement [10, 11]. Par conséquent, il est crucial de détecter et d'identifier d'éventuels défauts ou défaillances dans le
46 systèmes PV surveillés le plus tôt possible. Par conséquent, une détection et un diagnostic précis et rapides des défauts
47 stratégie est nécessaire pour améliorer l'efficacité des systèmes PV, éviter les coûts élevés de maintenance et réduire les risques
48 des risques d'incendie pouvant affecter à la fois le personnel et les équipements installés.
49
Maintenir le bon fonctionnement et la sécurité d'un système PV et générer la puissance souhaitée reste un enjeu majeur.
50 défi dans les systèmes photovoltaïques connectés au réseau [12]. Par conséquent, la surveillance des systèmes PV a récemment fait l'objet d'une attention particulière.
ACCEPTÉ
51 l'attention des chercheurs et des praticiens dans le domaine de l'ingénierie de la sécurité. Attention accrue à la faute
52 détection et sécurité a conduit au développement de plusieurs techniques de détection de défauts qui peuvent être regroupées en
53 deux grandes familles : les techniques de détection de fautes basées sur des modèles et basées sur des données [13, 14, 15, 16, 17, 18]. Basé sur les données
54 méthodes utilisent des modèles empiriques implicites dérivés de l'analyse des données disponibles et s'appuient sur des calculs
55 méthodes d'intelligence et d'apprentissage automatique. Les approches de cette catégorie sont principalement basées sur des
56 réseau de neurones [13, 19], logique floue [18] et réseau de neurones bayésien [20]. De telles méthodes nécessitent un minimum
57 une connaissance préalable d'un système PV, mais dépend de la disponibilité de données d'entrée de qualité. De l'autre
58 part, les approches basées sur un modèle comparent les sorties calculées analytiquement avec les valeurs mesurées et le signal
59 une alarme lorsque de grandes différences sont détectées [21, 10]. Les méthodes de détection de défauts basées sur un modèle comprennent, une
60 approches de détection de défauts à base de diodes [22, 21], filtre de Kalman [23] et séries de Fourier [24]. Bien sûr, le
L' efficacité des approches de détection de défauts basées sur des modèles repose sur la précision des modèles utilisés.
62
Pour améliorer le fonctionnement du système PV, nous voulons non seulement surveiller le système de manière efficace, mais
2
MANUSCRIT ACCEPTÉ
63 permettent également d'identifier avec succès le type de défauts. Les défauts des systèmes PV peuvent entraîner une dégradation des performances de
64 installations photovoltaïques, réduction de la fiabilité et diminution de la rentabilité, il est donc très important de surveiller
65 performances des systèmes PV avec précision. Les diagrammes de suivi statistique des processus sont quelquesuns des outils qui ont
66 ont été appliqués pour atteindre ces objectifs. C'est un outil majeur de surveillance des systèmes séquentiels pour s'assurer
67 qu'ils fonctionnent de manière stable et satisfaisante.
68
Dans ce travail, nous proposons un schéma pratique et simple pour surveiller le côté DC du système PV. Un nouveau
Une méthode de détection de défauts pour la surveillance des systèmes PV basée sur des cartes de contrôle statistiques est présentée. Cette
70 fusionne la flexibilité du modèle à une diode et la plus grande sensibilité du modèle univarié et multi
71 cartes de contrôle de moyenne mobile pondérée exponentiellement (EWMA) aux changements insidieux. Spécifiquement,
MANUSCRIT
72 les résidus, qui sont les différences entre le MPP mesuré et prédit pour le courant, la tension
73 et la puissance, obtenues à partir du modèle à une diode sont utilisées comme données d'entrée du diagramme MEWMA pour révéler
74 anomalies. Les graphiques MEWMA intègrent des informations de l'historique complet du processus, plutôt que de simplement
75 en utilisant les observations les plus récentes, de sorte qu'ils sont plus sensibles aux petits changements. Ces graphiques prennent le
76 corrélations entre les variables en compte et surveiller simultanément un ensemble de variables croisées.
77 De plus, le principal avantage du diagramme MEWMA est qu'il peut être facilement mis en œuvre en temps réel car
78 du faible coût de calcul. Cependant, le principal inconvénient de la carte MEWMA est qu'elle ne peut pas identifier
79 le type de défaut. Pour pallier cet inconvénient, la méthode adoptée permet également d'identifier le type de
80 défaut en utilisant une EWMA univariée basée sur des indicateurs de courant et de tension. Nous validons notre détection de panne
81 stratégie utilisant les mesures de la centrale photovoltaïque de 9,6 kWc du Centre de développement des énergies renouvelables de
82 Alger, Algérie.
ACCEPTÉ
83
La section suivante donne un bref aperçu de la centrale photovoltaïque connectée au réseau qui a fourni des données pour
84 cette étude et nos techniques d'acquisition de données. Dans la section 3, nous passons en revue le modèle à une diode. Section 4 brièvement
85 passe en revue les cartes EWMA univariées et multivariées. Nous introduisons ensuite de nouveaux défauts de détection et de diagnostic
86 stratégie dans la section 5. Dans la section 6, les performances des méthodes proposées sont illustrées dans une analyse de données réelles.
87 , et la section 7 se termine par une discussion.
88 2. Description des données des études de cas
89
La situation géographique de l'Algérie lui confère un fort potentiel solaire et une bonne exposition à l'énergie solaire
90 (voir Figure 14). En effet, l'Algérie avec un rayonnement solaire abondant tout au long de l'année est plus propice au solaire
91 production d'énergie. En recevant en moyenne 3000 heures/an de rayonnement solaire, l'Algérie a le taux le plus élevé
92 potentiel solaire du bassin méditerranéen (169440 TWh/an) [25]. L'Algérie entend investir encore plus dans
3
MANUSCRIT ACCEPTÉ
93 l'avenir proche aux ressources d'énergie renouvelables, bien que la production de pétrole et de gaz soit encore à un niveau élevé
niveau. D'ici 2030, plus de 37% de l'électricité nationale en Algérie devrait être produite par l'énergie solaire.
MANUSCRIT
Figure 1 : Irradiation horizontale globale en Algérie.
94
95
Dans cette étude, nous avons validé notre méthode de détection de défauts en utilisant des données pratiques collectées à partir d'un réseau connecté au réseau.
96 système photovoltaïque (GCPV) situé au Centre de Développement des Energies Renouvelables (CDER) à Alger, Algérie.
97 Ce système PV de 90 modules PV, qui est un système nominal de 9,6 kW, a une tension continue de sortie de 125450 V
et une tension alternative de sortie de 220 V. Il se compose de trois sousgroupes de 30 modules PV chacun (voir Figure 2).
ACCEPTÉ
Figure 2 : Système PV connecté au réseau du CDER composé de trois sousgroupes.
98
99
Chaque sousréseau, qui est connecté à un onduleur monophasé de 3 kW (SMA Sunny Boy TL3000) (voir
100 Figure 2), se compose de 30 modules PV Isofoton (106 W12 V) regroupés en deux chaînes parallèles de quinze PV
4
MANUSCRIT ACCEPTÉ
101 modules en série. L'irradiance sur le plan titré (27◦ ) et les mesures de température du module PV sont collectées
102 avec une SMA Sunny SensorBox. Une Sunny WebBox collecte et documente toutes les données électriques des onduleurs
103 et les données météorologiques mesurées par sensorbox, permettant ainsi une surveillance sans interruption du PV
104 usine, un coffret de sécurité et un compteur. La Sunny WebBox fournit à l'exploitant toutes les données enregistrées
105 via une connexion Internet. Lorsque le réseau électrique n'est pas sous tension, l'onduleur arrête immédiatement de fournir
puissance au réseau. Les principaux composants du système GCPV sont illustrés à la figure 3.
MANUSCRIT
Figure 3 : Les principaux composants du système photovoltaïque connecté au réseau utilisé dans cette étude.
106
107 Nous avons utilisé les données d'un sousréseau pour simuler des conditions de fonctionnement saines et défectueuses dans
108 conditions météorologiques. Les caractéristiques électriques et physiques du module PV Isofoton 10612 sont
109 résumées dans le tableau 1. Les mesures réelles (c'estàdire la tension et le courant MPP) ont été recueillies tous les cinq
110 minutes.
ACCEPTÉ
111 2.1. Défauts typiques dans les systèmes PV
112 Généralement, un système PV peut être affecté par différents types de défauts qui peuvent entraîner une perte importante de
113 puissance dans un système PV. Selon la durée du défaut, on distingue deux types de défauts : temporaire
114 et défauts permanents (voir Figure 4). Les défauts temporaires, tels que l'ombrage, disparaissent après une certaine période de
115 fois ou après avoir été nettoyé manuellement en cas de poussière, de feuilles ou de déjections d'oiseaux. Le système PV revient alors
116 à ses conditions normales de fonctionnement. D'autre part, les défauts permanents, y compris les courtscircuits et les circuits ouverts
117 circuits sont persistants ou en cours. En effet, un défaut de courtcircuit peut affecter les cellules PV, les diodes bypass ou les PV
118 modules. Elle est principalement due à l'infiltration d'eau dans les modules PV ou à un mauvais câblage entre le PV
119 et l'onduleur.
5
MANUSCRIT ACCEPTÉ
Tableau 1 : Caractéristiques électriques et physiques du module PV Isofoton 10612 dans des conditions de test standard.
Caractéristiques électriques des panneaux solaires testés dans cette étude Spécifications Évaluer
électriques Puissance crête (PMP P )
106 W
Tension au point de puissance maximale (VMP P ) 17,4 V
Courant au point de puissance maximale (IMP P ) 6,10 A
Tension en circuit ouvert (Voc) 21,6 V
Courant de courtcircuit (Icc) 6,54 A
Spécifications physiques
Dimensions Poids Nombre de 1310*654*39,5mm 11,5
cellules PV en série Nombre de kg 36
cellules PV en parallèle Température
nominale de fonctionnement des cellules PV 2
MANUSCRIT
(800 W/m2 , 20◦C, am 1.5,1m/s) 47◦C Conditions de test standard (STC)
Température du 1000W /m2 25◦C
module PV d'irradiance solaire
120 De plus, le vieillissement du module PV, causé par le fonctionnement à long terme du système PV, est l'un des
121 des principales sources de défauts de courtcircuit. Contrairement à un défaut de courtcircuit, un défaut de circuit ouvert peut se produire si
122 tout chemin de courant en série avec la charge est accidentellement supprimé ou ouvert à partir d'un circuit fermé. Tel
123 une situation se produit principalement en raison d'une rupture de fil entre les modules PV ou les cellules solaires PV. D'autre part,
124 Un défaut d'ombrage partiel se produit lorsqu'une partie du générateur photovoltaïque est ombragée tandis que l'autre partie est légèrement alimentée.
125 Cela se produit pour plusieurs raisons, notamment le passage de nuages, la saleté sur le module PV, la neige ou toute autre
126 barrière lumineuse. Les obstacles à proximité peuvent également interférer et projeter des ombres, ce qui réduit la puissance de sortie.
ACCEPTÉ
127 Même une petite quantité d'ombre peut réduire considérablement l'ampérage de sortie d'un système PV. Un autre défaut
128 se produit généralement dans les systèmes PV, ce que l'on appelle des défauts de dégradation, est essentiellement dû au vieillissement des modules PV.
129 Ce défaut peut se produire lorsque la résistance série entre les modules PV augmente avec le temps. C'est
130 principalement en raison de la réduction de l'adhérence des contacts d'un côté et de l'effet de corrosion de la vapeur d'eau .
131 3. Modélisation des modules PV
132 Le modèle à une diode (ODM) est le modèle le plus couramment utilisé pour prédire la production d'énergie à partir du PV
133 cellules [26]. Ce modèle est basé sur la modélisation de la cellule solaire PV en tant que source de courant générée par la lumière connectée
134 en parallèle avec une diode avec une résistance série et parallèle tenant compte des pertes résistives (voir Figure 5).
135 ODM détermine le courant et la tension résultants en fonction des paramètres de la cellule solaire PV [27] en
6
MANUSCRIT ACCEPTÉ
Figure 4 : Défauts dans les systèmes PV.
MANUSCRIT
Figure 5 : Un modèle de diode de cellules solaires PV et de modules PV.
136 équation (1):
q(V + RsI) V + RsI
I = Iph − I0 exp − 1 −
, (1)
nkBT Rsh
Identifiant
L'oeuvre
137 où I et V sont respectivement le courant et la tension générés par la cellule solaire PV. Iph, aussi appelé
ACCEPTÉ
138 le courant photogénéré, correspond à la quantité de courant généré par les photons entrants ; il est
139 proportionnelle à l'irradiance et à la surface de la cellule solaire PV. I0 est le courant de saturation d'obscurité, n est le
140 facteur d'idéalité de la diode. Rs et Rsh sont respectivement les résistances série et shunt. kB est celui de Boltzmann
141
constante (kB ≈ 1,38064852 × 10−23JK−1 ). T est la température de la cellule PV et q est la charge électronique
142
(q ≈ 1,60217662 × 10−19 C).
143 Les impacts des conditions météorologiques, de l'irradiation et de la température, sur le courant et la tension de sortie
144 d'un panneau PV sont pris en compte par l'OMD. Plus précisément, on peut voir à partir de l'équation (1) que l'exponentielle
q(V +RsI)
145 terme, exp nkBT , dépend de la température, T. De plus, le photocourant donné par l'équation (3)
146 dépend à la fois de l'irradiance solaire et de la température de la cellule PV [28].
g
Iph = Iph,ref + µI (T − Tref ) , (2)
Fort
7
MANUSCRIT ACCEPTÉ
147 où G est l'irradiance (W/m2 ), Gref = 1000W/m2 est l'irradiance à STC, Tref = 298.15K est la cellule PV
148 température à STC, µI est le coefficient de température du courant de courtcircuit (A/K) fourni par le PV
149 fabricant du module, et Iph,ref est le photocourant à STC. Comme indiqué dans [29, 30], l'irradiance solaire a
150 un effet dominant sur les paramètres actuels. Plus précisément, courant de courtcircuit (Isc) et maximum
151 courant de point de puissance (Impp) de la courbe I V, augmente linéairement avec l'augmentation de l'irradiance. D'autre part,
La température des cellules 152 a un impact significatif sur les paramètres de tension. En effet, la tension en circuit ouvert (Voc) et
153 la tension maximale du point de puissance (Vmpp) de la courbe I−V diminue avec l'augmentation de la température [28].
154 ODM dans l'équation (1) dépend également des valeurs de cinq paramètres inconnus (Iph, I0, n , Rs et Rsh),
155 qui déterminent les performances globales de la cellule solaire photovoltaïque. Ces paramètres ne sont pas fournis dans le fabricant
MANUSCRIT
156 fiches techniques de Turer. Plusieurs approches pour extraire ces cinq paramètres inconnus ont été développées
157 qui peuvent être regroupées en trois classes principales : les méthodes analytiques, les méthodes itératives et les calculs évolutifs
158 méthodes tationnelles [31]. Les méthodes analytiques sont basées sur un modèle analytique pour estimer la puissance électrique inconnue.
159 paramètres [32]. Les approches de cette catégorie sont simples à mettre en œuvre et rapides en calcul et elles
160 conviennent uniquement aux cellules solaires PV ou aux modules PV dans des conditions de test standard (STC). Cependant, ces
161 approches sont inefficaces dans les cas avec une forte variation des conditions météorologiques [32]. Autre ap
162 approches sont basées sur une extraction itérative des paramètres pour estimer les paramètres des cellules solaires PV. Cependant,
163 ces méthodes sont complexes et souffrent de problème de singularité en cas de choix inapproprié de
164 la condition initiale des paramètres électriques [32, 31]. D'autre part, le calcul évolutif
165 méthodes sont des méthodes d'inspiration biologique, s'appuient sur un mécanisme mimétique biologique pour résoudre une optimisation
ACCEPTÉ
166 problème. Ces méthodes ont reçu plus d'attention de la part des chercheurs en raison de leur capacité à atteindre les
167 solution globale au lieu de la solution locale et leur simplicité en terme de mise en œuvre [32].
168 En effet, l'extraction des paramètres des cellules solaires PV pourrait être définie comme un problème d'optimisation, où le coût
169 La fonction à minimiser est l'erreur quadratique moyenne (RMSE) entre les courbes I−V réelles mesurées et
170 l'estimation basée sur les paramètres identifiés, définis par l'équation (3),
L 2
je
RMSE =
L fi(Imeas, Vmes, θ) , (3)
je=1
q(Vmeas+RsImeas) − 1 − Vmeas+RsImeas

171 où f(Imeas, Vmeas, θ) = Imes − Iph − I0 exp nkBT
, Imes et
Rsh
172 Vmeas sont respectivement le courant et la tension de sortie d'un module PV (obtenus à partir d'un ensemble
173 mesures), θ est le vecteur des cinq paramètres électriques inconnus, L représente le nombre de
174 données expérimentales utilisées dans le processus d'extraction des paramètres. En effet, l'extraction des paramètres des cellules solaires est
8
MANUSCRIT ACCEPTÉ
175 basée sur la courbe statique I−V (courant vs. tension) d'un module PV de référence, qui est mesurée à l'aide d'un
176 Traceur de courbe I −V lorsque le module est isolé de l'onduleur. Ces mesures I −V seront utilisées
177 puis dans l'étape d'optimisation pour extraire les paramètres électriques inconnus du modèle à une diode. Bien sûr,
178 le but de cette optimisation est de trouver les valeurs optimales des paramètres qui minimisent la fonction objectif
179 et fournit la valeur RMSE la plus faible. Dans cet article, ces cinq paramètres sont déterminés à partir de la
180 Algorithme Bee Colony (ABC) [22, 33] basé sur les paramètres disponibles dans le tableau 1, comme le montre la figure 6.
181 Plus précisément, ces cinq paramètres sont extraits en minimisant l'erreur quadratique moyenne (RMSE)
182 du courant mesuré (I) et du courant prédit via l'algorithme ABC. Cette méthode repose sur l'accès à
mesures de l'irradiance et de la température des panneaux solaires pour prédire les coordonnées MPP.
MANUSCRIT
ACCEPTÉ Figure 6 : Organigramme de l'algorithme d'extraction des paramètres.
Tableau 2 : Paramètres extraits du module PV
Paramètres PV Iph[A] I0[A] n Rs[Ω] Rsh[Ω]
Évaluer 6.54 1.11e05 1,66 0,1474 202,6
183
184 Les paramètres extraits dans le tableau 2 sont utilisés pour estimer la courbe I −V avec la même irradiance et
185 conditions de températures que les expériences. La figure 7 montre la comparaison de la courbe I−V réelle mesurée
186 et la courbe I−V estimée en utilisant les paramètres identifiés pour le module PV utilisé. On peut voir que
187 la courbe I−V estimée avec des paramètres optimisés correspond bien à la courbe I−V expérimentale.
188 Une fois que les paramètres du module PV sont extraits via l'algorithme ABC, ils sont utilisés pour prédire le MPP
189 coordonnées du courant, de la tension et de la puissance de l'ensemble du générateur photovoltaïque. Le modèle de générateur photovoltaïque est simulé à l'aide de
9
MANUSCRIT ACCEPTÉ
Courbe IV mesurée et estimée via OMD
6
4 Courbe mesurée (IV)
Courbe OMD estimée (IV)
3
Courant(A)
0
0 5 dix 15 20 25
Tension(V)
MANUSCRIT
Figure 7 : Réel mesuré par rapport à la courbe I −V estimée pour le module PV ISOFOTON 10612.
MT
PSIMTM/Matlab 190 cosimulation. À l'aide de cette cosimulation, l'ensemble du générateur photovoltaïque est construit physiquement
191 (modules PV physiques) sous forme de deux chaînes PV parallèles, de quinze modules PV chacune. Ce modèle repose sur l'accès
192 aux mesures d'irradiance et de température du module PV pour prédire les coordonnées MPP.
193 Dans cet article, nous utilisons des données de test de ciel clair et de jours nuageux pour évaluer la précision de la simulation
Modèle 194 . Nous validons le modèle construit avec des données sans faute du système GCPV décrit par la figure 3,
195 de deux jours de conditions différentes : ciel nuageux (11 mai 2017) et ciel clair (06 mai 2017) jours'
196 conditions (voir les figures 8 et 9, respectivement). Les figures 10(ab) montrent respectivement les valeurs mesurées et prédites
197 Courant CC et alimentation CC pour une journée nuageuse, 11 mai 2017. Cette figure montre que le modèle s'adapte
198 les données mesurées, indiquant ainsi que les paramètres sélectionnés sont satisfaisants. Cette figure montre également
ACCEPTÉ
199 qu'après le coucher du soleil et pendant les périodes d'éclairement énergétique négligeable, le système s'arrête complètement. C'est
200 fait pour réduire la consommation d'énergie et ainsi augmenter l'efficacité globale. Nuage de points des valeurs mesurées et
201 courant continu et puissance CC prédits sont présentés sur la figure 11(ab). Ces tracés indiquent que la simulation
Le modèle 202 prédit bien le courant continu mesuré et la puissance continue.
203 Mesure par rapport au courant MPP estimé et à la puissance du système PV connecté au réseau algérien sous
204 jours de ciel clair (6 mai 2017) sont illustrés à la figure 12(ab). Sur la figure 12, nous pouvons voir que le
205 Le courant et la puissance MPP mesurés sont bien ajustés par le modèle simulé. De plus, pour illustrer la
206 qualité du modèle simulé, les diagrammes de dispersion du courant continu mesuré et prédit et de la puissance continue
207 sont présentés à la figure 13. Il est clair que les données mesurées sont bien ajustées par le modèle simulé.
dix
MANUSCRIT ACCEPTÉ
(un) (b)
50 1200
45
2] 1000
40
800
35
600
Température
[ oC] 30
d'éclairement
Niveau
[G/
m
400
25
20 200
15 0 2h:00 5h:00 8h:00 11h:00 14h:00 17h:00 20h:00 23h:00 0 0 2h:00 5h:00 8h:00 11h:00 14h:00 17h:00 20h:00 23h:00
Temps Temps
Figure 8 : Système PV du CDER (a) profil de jour nuageux du niveau de température et (b) profil de jour nuageux du niveau d'irradiation pour le 11
mai 2017.
(un) (b)
50 1200
45
2 ]
MANUSCRIT 1000
40
800
35
30 600
Température
[ oC]
25 d'éclairement
Niveau
[G/
m
400
20
200
15
10
0 2h:00 5h:00 8h:00 11h:00 14h:00 17h:00 20h:00 23h:00 0 0 2h:00 5h:00 8h:00 11h:00 14h:00 17h:00 20h:00 23h:00
Temps Temps
Figure 9 : Système PV du CDER (a) profil par temps clair du niveau de température et (b) profil par jour clair du niveau d'irradiation pour le 06 mai
2017.
(un) (b)
12
Courant continu mesuré Puissance CC mesurée
Courant continu prévu 2500 Puissance CC prévue
dix
2000
8
1500
Courant
continu
[A] 6 Puissance
CC
[W]
2
ACCEPTÉ 1000
500
Figure 10 : Courbe mesurée et prédite du courant continu (a) et de la puissance continue (b) pour le 11 mai 2017.
12
(un) (b)
Courant continu mesuré
Puissance CC mesurée
Courant continu prévu 2500
dix Puissance CC prévue
2000
8
Courant
(A) 1500
6
Puissance
CC
[W]
4 1000
2 500
Figure 12 : Courbe mesurée et prédite du courant CC (a) et de la puissance CC (b) pour le 06 mai 2017.
11
MANUSCRIT ACCEPTÉ
(un)
12
(b)
3000
dix
2500
8
2000
6
1500
Courant
prévu
[A]
Puissance
prévue
[W]
4 1000
2 500
0 0
0 2 4 6 8 dix 12 0 500 1000 1500 2000 2500 3000
Courant mesuré [A] Puissance mesurée [W]
Figure 11 : Nuage de points du courant CC mesuré et prévu (a) et de la puissance CC (b) pour le 11 mai 2017.
MANUSCRIT
(un) (b)
12
2500
dix
2000
8
1500
Puissance
prévue
[W]
6
Courant
prévu
[A]
1000
4
2 500
0 0
0 2 4 6 8 dix 12 0 500 1000 1500 2000 2500
Courant mesuré [A] Puissance mesurée [W]
Figure 13 : Nuage de points du courant CC mesuré et prévu (a) et de la puissance CC (b) pour le 6 mai 2017.
208
ACCEPTÉ
De plus, pour évaluer la qualité du modèle de simulation avec les paramètres sélectionnés, nous avons utilisé
209 trois critères numériques : R2 , RMSE et le pourcentage d'erreur absolu moyen (MAPE). Ceuxci ont été calculés,
210 respectivement, par les équations (46).
m 2
t=1(yt − yˆt)
R 2 = 1 m , (4)
t=1(yt − moyenne(Y ))2
211
m 2
t=1(yt − yˆt)
RMSE = , (5)
m
212
|yi − yˆi |
CARTE E = 100m ( ) /m, |yi | (6)
t=1
213 où yt sont les valeurs de courant mesurées, yˆt sont les valeurs de courant prédites correspondantes obtenues à partir de
214 le modèle de simulation et m est le nombre d'échantillons. Résultats de la qualité de l'ajustement pour les trois métriques utilisées de
215 performances sont présentées dans le tableau 3.
12
MANUSCRIT ACCEPTÉ
Tableau 3 : Métriques de validation statistique appliquées aux données de la figure 11.
Temps nuageux Jour de ciel clair
courant DC Courant d'alimentation Courant continu Courant de puissance
2 r 0,98 0,98 0,99 0,99
RMSE 0,14 0,25 0,023 0,04
CARTE 2,83 % 3,55 % 1,05 % 1,20 %
216 Les résultats du tableau 3 montrent que le modèle de simulation avec les paramètres sélectionnés capture les
2
217 Courant continu et puissance. Le r des valeurs supérieures à 0,9 et le faible RMSE de 0,14 et le faible MAPE de 2,83 %
218 démontre que le modèle de simulation offre une bonne qualité prédictive.
219 4. Approches de détection de défauts EWMA univariées et multivariées
MANUSCRIT
220 Les diagrammes de suivi statistique, tels que l'EWMA univarié et son extension multivariée MEWMA, ont
221 est largement utilisé pour surveiller les processus industriels depuis de nombreuses années [34]. En effet, la maîtrise statistique des processus
222 cartes peuvent fournir des avertissements précoces de changements anormaux dans les opérations du système, aidant les opérateurs à identifier
223 l'apparition de défauts potentiels, tels que les courtscircuits, les circuits ouverts, la polarisation du capteur et l'ombrage partiel. Cellesci
224 méthodes sont brièvement présentées ici.
225 4.1. Tableau de suivi EWMA
226 L'EWMA est construit sur la base d'une pondération exponentielle des observations disponibles, une conception qui
227 amélioration de la sensibilité aux petits changements dans la moyenne du processus. Les cartes EWMA sont capables de détecter de petits changements dans
ACCEPTÉ
228 la moyenne du processus car la statistique EWMA est une moyenne pondérée dans le temps de toutes les observations précédentes [35, 36].
229 La carte de surveillance EWMA est une technique de détection d'anomalies largement utilisée par les scientifiques et
230 disciplines diverses [34, 37, 38, 39, 40]. L'expression pour EWMA est définie par l'équation (7) [34] :
zt = λxt + 1 − λ zt−1 si t > 0
(7)
z0 = µ0, si t = 0.
231 La valeur de départ, z0, est généralement définie comme étant la moyenne des données sans erreur, µ0. Zt est la sortie de EWMA et
232 xt est l'observation du processus surveillé à l'heure actuelle. Le paramètre d'oubli, λ [0, 1]
233 détermine la vitesse à laquelle EWMA oublie l'historique des données. L'équation (7) peut également être réécrite comme dans (8),
zt = λ (1 − λ) n−txt + (1 − λ) nµ0, (8)

t=1
13
MANUSCRIT ACCEPTÉ
n−t
234 où λ(1 − λ) est le poids de xt, qui diminue de façon exponentielle pour les observations passées. Nous pouvons voir
235 que si λ est petit, plus de poids est attribué aux observations passées et le graphique est efficace pour détecter les petites
236 changements dans le processus signifient. D'autre part, si λ est grand, plus de poids est attribué au courant
237 observation et moins de poids est attribué à ses observations précédentes. Le graphique est ainsi capable de détecter de grandes
238 équipes [34, 37]. Dans le cas particulier où λ = 1, EWMA est égal à l'observation la plus récente, xt, et
239 fournit les mêmes résultats que le diagramme de Shewhart fournit [34]. Lorsque λ approche de zéro, EWMA se rapproche
240 les critères CUSUM, qui donnent un poids égal aux observations historiques [34].
241 Dans des conditions sans défaut (saines), l'écart type de zt est défini par l'équation (9),
je
σzt = σ0 [1 (1 λ) (2 2t ], (9)
λ)
MANUSCRIT
242 où σ0 est l'écart type des données sans défaut ou préliminaires. Par conséquent, dans de tels cas, zt
243
N (µ0, p2 zt
). Cependant, en présence d'un décalage moyen à l'instant 1 ≤ τ ≤ n, zt N (µ0 + 1 − (1 −
244 l) n−τ+1 (µ1 − µ0), σ2 zt

). Les limites de contrôle supérieure et inférieure de la carte EWMA pour détecter un décalage moyen
245 sont définis par l'équation (10).
UCL/LCL = µ0 ± Lσzt , (dix)
246 où L est un multiplicateur de l'écarttype EWMA, σzt . Les paramètres L et λ doivent être réglés
247 soigneusement [34, 37]. L est généralement spécifié en pratique égal à 3, ce qui correspond à un taux de fausses alarmes de 0,27 %.
248 Si zt est dans l'intervalle [LCL UCL], alors nous concluons que le système inspecté est sous contrôle jusqu'à
249 instant t. Sinon, le système inspecté est considéré comme hors de contrôle.
ACCEPTÉ
250 4.2. Tableau de suivi MEWMA
251 Contrairement au graphique EWMA univarié, la méthode EWMA multivariée prend la corrélation entre les variables
252 en compte et étudient plusieurs variables simultanément [41]. Le graphique MEWMA a été introduit pour la première fois par
T
être un jeu de données obtenu à partir de
253
Lowry et al. dans le domaine du contrôle qualité [41, 34]. Soit Xt = (X1, X2, . . . , Xm)
254 un processus de production pdimensionnel. La statistique de cartographie MEWMA est calculée à chaque instant d'observation
255 point par la formule récursive (11) [41].
Zt = ΛXt + (Im×m − Λ)Zt−1 si t > 0
(11)
Z0 = µ0, si t = 0
256 où Λ = diag(λ1, λ2, . . . , λm) et λj (0, 1] est un indice de lissage ou facteur de pondération pour la jième composante
14
MANUSCRIT ACCEPTÉ
257 de X, pour j = 1, 2, . . . , m, et Im×m désigne la matrice identité. On voit que si λ est petit, alors
258 plus de poids est attribué aux observations passées. Ainsi, le graphique est réglé pour avoir une efficacité pour détecter de petites
259 changements dans le processus signifient. D'autre part, si λ est grand, alors plus de poids est attribué au courant
260 observations, et le graphique est plus adapté à la détection de grands changements [34]. La statistique de surveillance MEWMA
261 est donné par l'équation (12).
v2 t = Z ΣT1
t Zt Zt, (12)
262
où ΣZt est la matrice de covariance de Zt. Ensuite, le graphique MEWMA avec la statistique graphique V2 donne un t
263
signal de décalage moyen dans les cas où Vt 2 dépasse un seuil prédéfini h. Le seuil h peut être déterminé
264 par simulation pour une probabilité de fausse alarme donnée [34].
MANUSCRIT
265
266 5. Surveillance du système PV à l'aide des diagrammes EWMA et MEWMA
267
Une fois les paramètres du module PV identifiés avec précision et le modèle de simulation du générateur PV
268 est validé avec succès, nous pouvons procéder à la détection et au diagnostic des défauts. Dans cette section, nous nous concentrerons sur
269 comment détecter et isoler les défauts du système PV à l'aide de cartes de contrôle EWMA univariées et multivariées.
270 L'idée de base de l'utilisation du modèle à une diode pour la surveillance statistique des processus est de construire un modèle de référence basé sur
271 sur les données lorsque le système fonctionne à un état nominal ou normal. Le modèle de référence peut alors être
272 utilisé pour surveiller les événements anormaux possibles dans le système PV qui peuvent conduire le processus à s'écarter de
ACCEPTÉ
273 son état normal. Dans cet article, la méthodologie proposée rassemble les avantages de deux
274 approches. Plus précisément, nous combinons les avantages de la modélisation ODM avec ceux de la modélisation univariée et
275 cartes de surveillance EWMA multivariées qui se traduisent par un système de détection de défauts amélioré, en particulier pour
276 détection de petits défauts dans un système PV. Pour détecter les défauts dans le système PV surveillé, nous appliquons MEWMA
277 aux trois résidus non corrélés de courant, tension et puissance MPP définis dans le modèle de référence.
278 Une fois qu'un événement anormal est détecté dans une carte EWMA multivariée, la carte univariée basée sur
279 résiduel de courant continu et de tension peut être utilisé pour identifier le type de défauts (voir Figure 14).
280
L'estimation des résidus, qui est cruciale dans la détection et l'isolation des défauts, dépend du système approprié
281 modélisation. Les différences entre le courant MPP réel mesuré et prédit, la tension MPP et le MPP
282 puissance obtenue à partir du modèle simulé sont les résidus, décrits par l'équation (13), qui peuvent être utilisés comme
283 voyants pour détecter une éventuelle panne.
˜Ça = Ça − ̂Ça, V˜t = Vt − Vˆ t, P˜t = Pt − Pˆ t, t [1, n], (13)

15
MANUSCRIT ACCEPTÉ
MANUSCRIT
ACCEPTÉ
Figure 14 : Un organigramme du schéma de détection de défaut proposé.
284 où It et ̂It sont les courants MPP mesurés et prédits, respectivement, et Vt et Vˆ t sont les courants mesurés
285 et la tension MPP prédite ; et Pt et Pˆ t sont la puissance
de crête mesurée et prédite. Dans ce travail, le
286 résidus sont utilisés comme indicateurs de défaut. En effet, en fonctionnement normal, les résidus sont proches de zéro du fait
287 au bruit et aux erreurs de mesure, alors qu'ils s'écartent significativement de zéro en présence de
288 événements. La mise en œuvre des méthodes de surveillance développées comprend deux étapes : modélisation hors ligne
289 et surveillance en ligne. Dans la phase de modélisation hors ligne, le modèle de simulation, qui est développé principalement sur la base
290 sur les paramètres identifiés par l'ODM, est utilisé pour imiter le fonctionnement du générateur photovoltaïque dans un état sain (sans défaut).
291 Les résidus, qui sont la différence entre les résultats du MPP du modèle de référence et les mesures réelles du MPP, sont
16
MANUSCRIT ACCEPTÉ
292 calculé. Ensuite, la procédure de détection de défaut est exécutée en utilisant le modèle de référence avec le MEWMA
293 graphique dans la phase de surveillance en ligne. Dans cette approche, le schéma de surveillance MEWMA est appliqué en utilisant
294 les résidus de courant, de tension et de puissance. Si la matrice des résidus est définie comme
X1 ˜I1 V˜ 1 P˜1

x2
˜I2 V˜ 2 V˜2
X = =

..
.. .. ..
. . . .

Xn ˜En V˜ n P˜n
MANUSCRIT
295 alors la fonction MEWMA peut être calculée en utilisant la matrice des résidus donnée par l'équation (14).
Zt = λXt + (1 − λ)Zt−1, t [1, n]. (14)
296 La fonction de décision MEWMA, V2 t , peut être calculé récursivement par la formule (15) [41].
J −1
v2 t = Z t S Zt Zt (15)
297
où ΣZt est la matrice variancecovariance de Zt.
298 Dans ce cas, étant donné que le schéma de contrôle MEWMA est appliqué sur la matrice de données résiduelles, un MEWMA
299 fonction de décision sera calculée pour surveiller le processus. Cependant, cette approche ne peut détecter que
ACCEPTÉ
300 présence d'anomalies, c'estàdire qu'il ne peut déterminer leur type. Cette approche est résumée ciaprès.
301
1) Donné :
302 • Mesure réelle de l'irradiance et de la température du module PV
303
• Mesure réelle des valeurs du point de puissance maximale (MPP) du courant, de la tension et de la puissance collectée
304 de la centrale photovoltaïque dans des conditions normales de fonctionnement.
305
• Paramètres du module obtenus à partir de la fiche technique du module PV (voir Tableau 1).
306
2) Construire le modèle de référence à l'aide des données d'apprentissage sans erreur
307 • Extraire les paramètres électriques pour le modèle à cinq paramètres en fonction du tempérament mesuré de la cellule PV
308 ature et irradiance collectées à partir du système PV surveillé dans des conditions de fonctionnement normales
309
(voir section 2) en utilisant l'algorithme de la colonie artificielle d'abeilles (ABC) [22]. Les paramètres extraits
310 sont ensuite utilisés pour simuler le système PV en fonctionnement sain.
17
MANUSCRIT ACCEPTÉ
311 • Calculer les résidus entre le courant continu mesuré et le courant continu, la tension continue et le courant continu
312 puissance (Impp, Vmpp et Pmpp) à partir du modèle construit en utilisant des données sans défaut.
313 • Calculez les limites de contrôle de la carte MEWMA.
314 3) Testez les nouvelles données
315 • Générer des vecteurs résiduels, ̃I, V˜ et P˜ ,
316 • Calculer la statistique de surveillance MEWMA pour les nouvelles données à l'aide de l'équation (11).
317 4) Vérifiez les défauts
318 • Déclarer un défaut lorsque la statistique de décision MEWMA pour les nouvelles données dépasse les limites de contrôle.
319
MANUSCRIT
320 Une fois que le défaut a été détecté à l'aide du diagramme MEWMA, l'étape suivante devrait déterminer son type.
321 L'objectif de la localisation des pannes est de déterminer quelles variables système ont contribué à la
322 comportement incontrôlable, permettant ainsi aux opérateurs et aux ingénieurs de se concentrer sur le soussystème où le défaut
323 se sont produits. De cette façon, l'isolation des défauts peut aider efficacement les opérateurs et les ingénieurs dans la surveillance du système
324 et donc réduire significativement les risques de problèmes de sécurité ou de pertes de rentabilité. Pour améliorer le système
325 opérations, nous voulons non seulement surveiller le système de manière efficace, mais aussi identifier le type
326 d'un défaut qui entraîne une dégradation du système PV, y compris une baisse de la fiabilité de fonctionnement, et
327 rentabilité, de sorte que nous puissions réagir en conséquence en apportant toute correction et maintenance nécessaires à
328 le système. Après l'apparition d'une alarme dans le graphique MEWMA, le graphique EWMA univarié peut être utilisé pour
329 identifier le type de défaut. À cette fin, nous appliquons l'EWMA sur le résiduel du courant continu de sortie et
ACCEPTÉ
330 tension. Ensuite, nous identifions le type de défaut en analysant les résultats de surveillance de la carte EWMA. Les
La procédure de diagnostic de panne 331 est résumée à la Figure 14.
332 6. Résultats et discussion
333 6.1. Résultats de la détection
334 Notre schéma de détection des défauts est validé à l'aide de données pratiques collectées à partir du système GCPV de 9,6 kWc
335 installés au CDER en Algérie (voir section 2). Dans cette section, nous évaluons la capacité des variables univariées et
336 cartes EWMA multivariées pour détecter la présence de défauts dans les données et identifier le type de défauts détectés
337 faute. Pour évaluer la force du tableau de suivi basé sur l'EWMA, trois études de cas impliquant différents
338 types de failles ont été conduites. Dans la première étude de cas, on suppose que le système PV contient un ou
18
MANUSCRIT ACCEPTÉ
339 module plus courtcircuité (cas A). Dans la deuxième étude de cas, une branche PV en circuit ouvert est considérée
340 (cas B). Dans la troisième étude de cas, le système PV surveillé est exposé à un ombrage partiel (cas C). Dans le
Dans la quatrième étude de cas, un défaut de dégradation dans le système PV surveillé est considéré (cas D).
342 6.1.1. Conditions normales de fonctionnement
343
Les résultats de surveillance du diagramme MEWMA dans des conditions de fonctionnement normales sont illustrés à la Figure 15.
344 On peut voir que les points de données du graphique MEWMA se situent également dans les limites de confiance de 95 % (voir
345 Figure 15). Nous pouvons conclure que le modèle de référence décrit bien les données lorsqu'aucun défaut n'est présent.
8
MEWMA statistique Seuil MEWMA
statistique
MEWMA
4
MANUSCRIT
2
0
0 50 100 150 200 250 300 350 400 450 500
Numéro d'observation
Figure 15 : Résultats de la surveillance du diagramme MEWMA dans des conditions de fonctionnement normales.
346
Une fois qu'un modèle de processus a été identifié avec succès, nous pouvons procéder à la détection et au diagnostic des défauts.
347 Nous avons conclu précédemment que le modèle simulé basé sur l'ODM donne une estimation appropriée du courant MPP,
348 tension et puissance. Dans cette section, nous nous concentrerons sur la façon de détecter et d'identifier les défauts dans le système PV algérien
349 en utilisant le modèle identifié. A l'aide du modèle simulé, nous avons introduit des failles en utilisant le solaire mesuré
350 rayonnement et température comme entrée (Figure 16). Les résidus, qui sont la différence entre les valeurs mesurées
ACCEPTÉ
351 et le courant MPP prévu, la tension MPP et la puissance MPP du modèle simulé sont utilisés comme entrée
352 pour le schéma MEWMA afin de détecter les défauts potentiels.
353 6.1.2. Cas A exemples de circuits ouverts
354
Dans cette étude de cas, nous étudions les performances des deux graphiques de surveillance lorsqu'il y a un
355 défaut de circuit dans un générateur photovoltaïque. Pour ce faire, un défaut de circuit ouvert dans un générateur photovoltaïque est introduit en déconnectant
356 la deuxième chaîne du système PV surveillé (voir défaut n° 1 sur la Figure 17). La faute s'est introduite entre
357 échantillons fois 300 à 500 données de test.
358
Pour surveiller le système PV, nous calculons d'abord les résidus (c'estàdire, ̃I, V˜ et P˜ ). Ensuite, nous utilisons MEWMA
Tableau 359 pour la détection des défauts et tableau EWMA pour le diagnostic des défauts. Le graphique MEWMA basé sur les résidus
360 du courant continu de sortie, de la tension et de la puissance sont présentés sur la figure 18(a).
19
MANUSCRIT ACCEPTÉ
(un) (b)
1000 35
]
2
800 30
600 25
Température
[ oC]
400 20
d'éclairement
Niveau
[G/
m
200 15
Temps Temps
MANUSCRIT
Figure 16 : (a) Niveau d'irradiation du profil, et (b) Profil du niveau de température.
ACCEPTÉ
Figure 17 : Défauts de circuit ouvert et de courtcircuit.
361 La zone ombrée est la région où la faille est introduite. Les figures 18(a) indiquent qu'avant la
362 occurrence du défaut, la statistique MEWMA est inférieure au seuil de décision, ce qui signifie que le système PV est
363 fonctionne donc normalement. On peut voir sur les figures 18(a) que le diagramme MEWMA basé sur la puissance de sortie
364 résidus, P˜ , augmenter significativement et dépasser le seuil de décision une fois le défaut introduit,
365 indiquant qu'il y a une perte de puissance importante. Étant donné que l'une des deux chaînes d'un générateur photovoltaïque est déconnectée
366 au défaut, une grande quantité de puissance (près de 50% de la puissance nominale) est perdue. Après l'apparition d'une alarme dans
367 la carte MEWMA, la carte EWMA univariée peut être utilisée pour diagnostiquer le type de défaut. Surveillance
20
MANUSCRIT ACCEPTÉ
368 résultats du graphique EWMA appliqués sur les résidus de courant et de tension sont présentés sur les figures 18(bc). Les deux
369 lignes pointillées indiquent les limites de contrôle supérieure et inférieure du graphique EWMA univarié. La figure 18(b) montre
370 la présence de diminution anormale sur les résidus courants. On peut voir sur la Figure 18(c) que le DC
371 tension est presque la même après l'apparition de ce défaut de circuit ouvert. À partir de cette étude de cas, il peut être
372 vu que le défaut de circuit ouvert dans un générateur photovoltaïque diminue la puissance de sortie CC, réduit le courant du générateur
373 et donne presque la même tension de générateur que le générateur PV sain. Ces résultats indiquent la capacité de
la stratégie proposée pour détecter et diagnostiquer les défauts de circuit ouvert dans un système PV.
(un)
80 MEWMA statistique
60
40
Seuil MEWMA MANUSCRIT
statistique
MEWMA
20
0
0 50 100 150 200 250 300 350 400 450 500
(b) (c)
0,3
0
UCL\LCL
0,2
UCL\LCL
Statistique
EWMA
0,5 Statistique
EWMA
0,1
0
1
0.1
0 100 200 300 400 500 0 100 200 300 400 500
Numéro d'observation Numéro d'observation
Figure 18 : Surveillance des résultats d'un diagramme MEWMA (a), surveillance des résultats d'une EWMA pour le courant continu (b) et la tension
continue (c) en présence d'un défaut de circuit ouvert.
374
ACCEPTÉ
375 6.1.3. Cas B exemples de courtcircuit
376 Dans cette étude de cas, la détection de modules courtcircuités dans le système PV surveillé est étudiée.
377 Quatre situations différentes sont considérées (voir Figure 17, défauts #2#5).
378
1) Un module PV en courtcircuit : dans le premier exemple, le deuxième module de la première chaîne est contourné
379 depuis l'observation numéro 300 jusqu'à la fin des données de test (voir Figure 17, défaut #2). Utilisons d'abord
380 le diagramme MEWMA pour surveiller simultanément le courant continu de sortie, la tension et la puissance. Dans le graphique, λ
381 est choisi égal à 0,25. Le graphique est présenté à la Figure 19(a), à partir de laquelle nous pouvons voir qu'un signal de défaut est
382 données au 300e point dans le temps. Le système PV devient incontrôlable au point temporel 300e. MEWMA peut
383 détectent facilement les défauts de courtcircuit. Pour identifier le type de défaut, nous appliquons la carte EWMA sur les résidus de
384 le courant continu et la tension. Les résultats de surveillance de l'EWMA univarié avec λ = 0,25 lorsqu'il est appliqué
385 aux résidus du courant et de la tension CC de sortie sont illustrés à la Figure 19(bc). Dans ce scénario, le
386 Les résidus de courant CC sont dans les limites de contrôle, comme illustré à la Figure 19(b). La figure 19(c) montre que l'EWMA
21
MANUSCRIT ACCEPTÉ
387 statistique basée sur le résidu de la tension continue pourrait apparaître et dépasser la limite de contrôle inférieure indiquant
388 l'apparition de certaines anomalies. Ainsi, nous pouvons conclure que le défaut détecté est lié à un
module dans la chaîne (module PV en courtcircuit).
(un)
30
MEWMA statistique
Seuil MEWMA
20
statistique
MEWMA
dix
0
0 50 100 150 200 250 300 350 400 450 500
0,2
(b)
MANUSCRIT 0,3
UCL\LCL
(c)
0,2
0,1
UCL\LCL
Statistique
EWMA Statistique
EWMA
0,1
0
0
0,1
0,1
0,2
0 100 200 300 400 500 0 100 200 300 400 500
Figure 19 : Résultats de surveillance d'un diagramme MEWMA (a), résultats de surveillance d'un EWMA pour le courant continu (b) et la
tension continue (c) en présence d'un module courtcircuité.
389
390
2) Trois modules PV courtcircuités : Dans le deuxième exemple, trois modules ont été courtcircuités
391 la première chaîne (voir Figure 17, défaut n°3). Pour surveiller le système PV, nous calculons d'abord les résidus MPP. Puis
392 , nous utilisons des cartes EWMA univariées et multivariées pour la détection et l'isolation des défauts. La performance de
393 le diagramme MEWMA lorsqu'il est appliqué aux résidus du courant continu de sortie, de la tension et de la puissance est présenté
394
ACCEPTÉ
dans la figure 20(a), qui montre que la statistique MEWMA viole clairement le seuil de décision. Ce court
395 défaut de circuit dégrade les performances des systèmes surveillés et entraîne une perte de puissance importante (c'estàdire,
396 environ 15% de perte de puissance). Après l'apparition de l'alarme dans le graphique MEWMA, le graphique EWMA univarié
397 peut être utilisé pour isoler le défaut. La figure 20(bc) montre les résultats de la surveillance de la carte EWMA lorsqu'elle
398 est appliqué aux résidus du courant continu et de la tension de sortie. Le courant continu de sortie du réseau ne
399 ne change pas beaucoup (voir Figure 20(b)). La figure 20(c) montre les signaux de défaut parce que la diminution du courant continu de sortie
400 tension dans ce cas est assez grand. Parce que la tension continue de sortie diminue par rapport à la tension continue de sortie
401 tension du générateur photovoltaïque sain et le courant continu de sortie ne change pas beaucoup, nous concluons alors
402 que ce défaut est un courtcircuit dans le générateur photovoltaïque.
403
3) Cinq modules PV en courtcircuit : dans le troisième exemple, cinq modules de la première chaîne sont déconnectés
404 (Figure 17, défaut #4). Ce défaut entraîne une perte de puissance de 30 % par rapport au générateur photovoltaïque sain. Les
405 Le diagramme MEWMA est appliqué aux résidus de la puissance continue, dans lesquels λ = 0,25 et α = 0,05, et donc le
22
MANUSCRIT ACCEPTÉ
(un)
50
MEWMA statistique
40 Seuil MEWMA
30
statistique
MEWMA
20
dix
0
0 50 100 150 200 250 300 350 400 450 500
(b) (c)
0,2 0,2
0,1
UCL\LCL 0
Statistique
EWMA Statistique
EWMA
0
0,2 LCL/UCL
0,1
0,4
0,2
0 100 200 300 400 500 0 100 200 300 400 500
Numéro d'observation MANUSCRIT Numéro d'observation
Figure 20 : Surveillance des résultats d'un diagramme MEWMA (a), surveillance des résultats d'une EWMA pour le courant continu (b) et la tension continue
(c) en présence de trois modules courtcircuités dans un générateur photovoltaïque.
406 le seuil de décision h est de 6,46. Le diagramme MEWMA est illustré à la figure 21(a). Ce graphique peut détecter cela tout à fait
407 grand défaut comme indiqué sur les figures 21(a). Comme dans les cas cidessus, pour identifier ce défaut, on regarde le
408 résultats de surveillance liés à la tension et au courant du générateur photovoltaïque (voir Figures 21(bc)). En fait, c'est une faute
409 correspond à un module PV courtcircuité, puisque le courant ne change pas beaucoup (voir Figure 21(b)),
410 et la statistique EWMA basée sur la tension est inférieure à la limite de contrôle (voir Figure 21(c)).
(un)
60
MEWMA statistique
Seuil MEWMA
40
ACCEPTÉ statistique
MEWMA
20
0
0 50 100 150 200 250 300 350 400 450 500
(b) (c)
0,2
UCL\LCL 0,2
0,1 0
0,2
Statistique
EWMA Statistique
EWMA
ULC/LCL
0
0,4
0,1 0,6
0,8
0,2
0 100 200 300 400 500 0 100 200 300 400 500
Figure 21 : Résultats de surveillance d'un diagramme MEWMA (a), résultats de surveillance d'un EWMA pour le courant continu (b) et la tension continue (c)
en présence de cinq modules courtcircuités dans un générateur photovoltaïque.
411
4) Dix modules PV en courtcircuit : Dans le quatrième exemple, dix modules de la deuxième chaîne du
23
MANUSCRIT ACCEPTÉ
412 générateurs photovoltaïques surveillés ont été courtcircuités (voir Figure 17, défaut n° 5). En effet, la faute a entraîné de gros
413 chutes de tension et perte de puissance importante (soit près de 63%). Les cartes MEWMA et EWMA univariées peuvent
414 détectent et identifient clairement ce défaut assez important (voir Figures 22(ac)). Cela démontre l'efficacité
415 de la stratégie proposée pour détecter et identifier les défauts liés aux modules en courtcircuit.
(un)
60 MEWMA statistique
Seuil MEWMA
40
statistique
MEWMA
20
0
0 50
MANUSCRIT
100 150 200 250 300 350 400 450 500
(b) (c)
0,2
UCL\LCL 0
0,1
0,5
UCL\LCL
Statistique
EWMA
Statistique
EWMA
0
1
0,1
1.5
0,2 2
0 100 200 300 400 500 0 100 200 300 400 500

Figure 22 : Résultats de surveillance d'un diagramme MEWMA (a), résultats de surveillance d'un EWMA pour le courant continu (b) et la tension continue (c)
en présence de dix modules courtcircuités dans un générateur photovoltaïque.
ACCEPTÉ
24
MANUSCRIT ACCEPTÉ
416 6.1.4. Cas C exemple d'ombrage partiel
417
Le but de cette étude de cas était d'évaluer le potentiel de la méthode proposée pour détecter et diagnostiquer
418 défauts d'ombrage partiel dans un système PV. A cette fin, les quatre premiers modules de la chaîne 2 du PV
419 ont été temporairement exposés à un ombrage partiel (voir Figure 23, défaut n° 6). Ce défaut a été introduit
420 entre les échantillons 150 et 250. D'après les figures 24(ac) montre qu'en utilisant à la fois univariée et multivariée
421 cartes nous permettent de détecter et d'identifier ce défaut. Ce type de défaut peut provoquer des baisses de courant et de tension
et perte de puissance importante.
MANUSCRIT
Figure 23 : Défauts typiques dans un générateur photovoltaïque : ombrage partiel et modules défectueux.
422
ACCEPTÉ (un)
40
MEWMA statistique
30 Seuil MEWMA
20
statistique
MEWMA
dix
0
0 50 100 150 200 250 300 350 400 450 500
(b) (c)
0,2
0,2
UCL\LCL
0
0
Statistique
EWMA Statistique
EWMA
0,2
0,2
UCL\LCL
0,4 0,4
0 100 200 300 400 500 0 100 200 300 400 500
Figure 24 : Résultats de surveillance d'un diagramme MEWMA (a), résultats de surveillance d'un EWMA pour le courant CC (b) et la tension CC (c) en présence de 4
modules PV partiellement ombragés dans le système PV.
25
MANUSCRIT ACCEPTÉ
423 6.1.5. Cas D Défaut de dégradation dans un générateur photovoltaïque
424
Dans cette étude de cas, la détection d'un défaut de dégradation dans un générateur photovoltaïque est étudiée. Défaut de dégradation
425 se produit en raison de nombreux facteurs, tels que (i) une augmentation de la résistance série entre les modules due à
426 diminution de l'adhérence des contacts ou corrosion causée par la vapeur d'eau, et (ii) encrassement de la surface avant (c'estàdire
427 tache de saleté adhère aux surfaces des modules). A cet effet, un défaut de dégradation a été simulé en insérant un
428 résistance de 5 Ω au cinquième module de la chaîne n° 1 (voir défaut n° 7 sur la figure 23), entre les échantillons 200 et
429 500. Les résultats du diagramme MEWMA basés sur les résidus du courant continu de sortie, de la tension et de la puissance sont
430 illustré à la Figure 25. La Figure 25 montre que le diagramme MEWMA peut détecter ce défaut. Par conséquent, un
Un défaut de dégradation 431 dans un module PV peut entraîner une dégradation de la puissance crête. La figure 25(bc) montre que
432 le diagramme EWMA ne peut pas identifier le type de défaut détecté.
MANUSCRIT
(un)
20
MEWMA statistique
15 Seuil MEWMA
dix
statistique
MEWMA
0
0 50 100 150 200 250 300 350 400 450 500
(b) (c)
0,2 0,3
Statistique EWMA
0,15 LCL\UCL
0,2
0,1
0,1
Statistique
EWMA Statistique
EWMA
Statistique EWMA
0,05
LCL\UCL
0
0
0.05 0,1
0 100 200 300 400 500 0 100 200 300 400 500
ACCEPTÉ Numéro d'observation
Figure 25 : Résultats de surveillance d'un diagramme MEWMA (a), résultats de surveillance d'un EWMA pour le courant CC (b) et la tension CC
(c) en présence d'un défaut de dégradation dans le module PV.
433 Lors de l'examen de données multivariées (c'estàdire les résidus du courant et de la tension MPP), le graphique EWMA univarié
434 ignorera l'interaction entre les variables corrélées et entraînera donc une analyse trompeuse,
435 surtout pour les petits défauts. Plusieurs variables clés doivent être surveillées simultanément. Carte MEWMA
436 a détecté ce défaut de dégradation car il nécessite une interaction entre les variables corrélées et le moniteur
437 eux simultanément. En outre, le diagramme MEWMA a une capacité appropriée pour détecter de petits défauts dus à de vastes
438 mémoire du processus.
439
En résumé, notre schéma de détection de défauts développé fournit des résultats satisfaisants dans la détection et le diagnostic
440 défauts de courtcircuit de nez, défauts de circuit ouvert dans les chaînes PV, ombrage temporaire et défaut de dégradation dans un
26
MANUSCRIT ACCEPTÉ
441 générateur photovoltaïque.
442 7.Conclusion
443 Détecter et identifier les défauts et les pannes à temps peut considérablement améliorer l'efficacité et la fiabilité
444 dans les systèmes photovoltaïques. La détection et le diagnostic précis des défauts dans les systèmes PV sont des éléments clés pour la maintenance
445 économies de coûts et, surtout, amélioration du rendement. Dans cet article, une nouvelle détection et identification de défauts
Une méthode 446 dans la partie DC du système PV a été proposée. Cette méthode peut se résumer en trois
447 étapes principales : (i) identifier les paramètres du modèle à une diode, (ii) simuler l'ensemble du champ PV et le valider
MANUSCRIT
448 expérimentalement, et (iii) appliquer la carte MEWMA pour détecter les défauts potentiels et EWMA univariée pour identifier
449 type de défauts détectés. Pour être plus explicite, une fois le modèle de simulation construit, il est utilisé pour surveiller la
450 événements anormaux (défauts) dans le système PV surveillé qui peuvent amener le système à s'écarter de son état normal
451 état. Le schéma MEWMA, qui est basé sur une statistique de décision qui prend en compte les informations du passé
452 observations avec celle des observations actuelles, est utilisé comme schéma de détection de défauts, en particulier dans la détection
453 failles de petites magnitudes. Un autre avantage de ce schéma est qu'il peut être facilement mis en œuvre dans des conditions réelles
454 temps en raison de son faible coût de calcul. Ici, nous avons appliqué le graphique MEWMA aux trois résidus de MPP
455 courant, tension et puissance obtenus à partir du modèle simulé. Une fois le défaut détecté, le prochain
L'étape 456 est censée déterminer son type en utilisant la carte EWMA univariée. Pour vérifier les performances,
457 la méthode proposée a été appliquée à des données pratiques collectées à partir d'un système PV connecté au réseau au CDER en
458 Algérie.
459
ACCEPTÉ
Tout d'abord, ce travail a démontré à travers des données pratiques, l'avantage significatif des modèles simulés
460 sur ODM pour fournir une estimation précise du courant, de la tension et de la puissance MPP. Ce modèle simulé peut être
461 combiné avec les techniques bien établies de surveillance pour une détection plus précise des défauts. Seconde,
462 ce travail montre que les techniques EWMA et MEWMA se révèlent être des approches complémentaires pour
463 détection et diagnostic de défauts dans les systèmes PV. Alors que MEWMA concerne la détection d'un défaut dans le
464 système de surveillance basé sur , EWMA s'intéresse à l'identification du type de défauts détectés. L'expérience
465 résultats ont montré que la méthode proposée pouvait détecter et identifier les défauts (c'estàdire, circuit ouvert, courtcircuit,
466 défauts d'ombrage temporaire et de dégradation du module PV) dans le système PV avec succès.
467 Les perspectives importantes suivantes sont obtenues à travers ce travail.
468 • L'identification précise des défauts, tels que la dégradation et l'ombrage de petites parties du module PV, ne peut pas
469 être garanti en utilisant uniquement les coordonnées MPP du courant et de la tension. Une direction pour les recherches futures
470 peut donc consister à incorporer plus d'entrées de données (c'estàdire des indicateurs), telles que la tension en circuit ouvert
27
MANUSCRIT ACCEPTÉ
471 (Voc), courant de courtcircuit (Isc), facteur de remplissage (FF), résistance série (Rs) et tension thermique (Vte) à
472 discriminer les défauts temporaires d'ombrage et de dégradation.
473 • La procédure proposée dépend du courant, de la tension et de la puissance MPP mesurés du GCPV
474 système. Par conséquent, la qualité de l'algorithme dépend de la qualité des données mesurées et
475 instrumentation utilisée dans les centrales photovoltaïques. Les travaux futurs viseront à évaluer plus en détail la
476 fiabilité de l'approche proposée en présence de données fortement bruitées. De plus, nous envisageons de développer
477 une approche robuste pour gérer les données bruitées. Pour ce faire, la représentation multiéchelle par ondelettes, qui est un
478 outil puissant pour une séparation efficace des caractéristiques de bruit dans les données, sera intégré à la proposition
479 approche statistique. MANUSCRIT

480 • Si nous connaissons déjà les caractéristiques défectueuses ou si nous avons suffisamment de données défectueuses à des fins de formation, il serait
481 un essai enrichissant pour nous d'utiliser les techniques de regroupement ou les techniques de reconnaissance de formes conjointement avec
482 la technique statistique proposée pour détecter les défauts complexes.
483 Accusé de réception
484 Cette publication est basée sur des travaux soutenus par l'Université des sciences et technologies du roi Abdallah
485 (KAUST), Office of Sponsored Research (OSR) sous le numéro de prix : OSR2015CRG42582. Nous voudrions
486 pour remercier les relecteurs de cet article pour leurs commentaires avisés, qui nous ont permis d'améliorer considérablement son
487 qualité.
ACCEPTÉ
488 références
489 [1] G. Masson, M. Latour, M. Rekinger, I.T. Theologitis, et M. Papoutsi, « Perspectives du marché mondial du photovoltaïque 2013
490 2017 », Association européenne de l'industrie photovoltaïque, pp. 12–32, 2013.
491 [2] Y. Hu, B. Gao, X. Song, G. Tian, K. Li et X. He, "Détection de défauts photovoltaïques à l'aide d'un modèle basé sur des paramètres",
492 Énergie, vol. 96, p. 96–102, 2013.
493 [3] B. Marion, R. Schaefer, H. Caine et G. Sanchez, « Mesure et modélisation des pertes d'énergie des systèmes photovoltaïques dues à la neige
494 pour les sites du Colorado et du Wisconsin », Solar Energy, vol. 97, p. 112–121, 2013.
495 [4] S. Potnuru, D. Pattabiraman, S. Ganesan et N. Chilakapati, « Positionnement des panneaux PV pour la réduction des pertes en ligne et
496 pertes d'inadéquation dans le réseau photovoltaïque », Renewable Energy, vol. 78, p. 264–275, 2015.
497 [5] K. Ishaque et Z. Salam, "Un examen des techniques de suivi du point de puissance maximale du système PV pour une insolation uniforme
498 et condition d'ombrage partiel », Renewable and Sustainable Energy Reviews, vol. 19, p. 475–488, 2013.
499 [6] A. Reisi, M. Moradi et S. Jamasb, « Classification et comparaison des techniques de suivi du point de puissance maximale pour
500 système photovoltaïque : une revue », Renewable and Sustainable Energy Reviews, vol. 19, p. 433–443, 2013.
28
MANUSCRIT ACCEPTÉ
501 [7] O. Perpiñán, J. Marcos et E. Lorenzo, "Les fluctuations de puissance électrique dans un réseau d'onduleurs DC/AC dans un grand
502 plante : Relation entre corrélation, distance et échelle de temps », Solar Energy, vol. 88, p. 227–241, 2013.
503 [8] B. Brooks, « The bakersfield fireA leson in groundfault protection », SolarPro Mag, pp. 62–70, 2011.
504 [9] M. Alam, F. Khan, J. Johnson et J. Flicker, "Un examen complet des défauts catastrophiques dans les panneaux photovoltaïques : types,
505 techniques de détection et d'atténuation », IEEE Journal of Photovoltaics, vol. 5, non. 3, p. 982–997, 2015.
506 [10] S. Vergura, G. Acciani, V. Amoruso, G. Patrono et F. Vacca, «Descriptive and inferential statistics for supervising and
507 surveillance du fonctionnement des centrales photovoltaïques », IEEE Transactions on Industrial Electronics, vol. 56, non. 11, p. 4456–4464,
508 2009.
509 [11] R. Hariharan, M. Chakkarapani, G. Ilango et C. Nagamani, « A method to detect photovoltaic array faults and partial
510 ombrage dans les systèmes PV », IEEE Journal of Photovoltaics, vol. 6, non. 5, p. 1278–1285, 2016.
511 [12] I. Yahyaoui et M. Segatto, « Une technique pratique de surveillance en ligne d'une centrale photovoltaïque connectée à un
512
MANUSCRIT
réseau de phases », Conversion et gestion de l'énergie, vol. 132, p. 198–206, 2017.
513 [13] H. Mekki, A. Mellit et HH Salhi, « Modélisation basée sur un réseau de neurones artificiels et détection de défauts
514 modules photovoltaïques », Simulation Modeling Practice and Theory, vol. 67, p. 1–13, 2016.
515 [14] S. Shrikhande, P. Varde et D. Datta, "Pronostics and health management: Methodologies & soft computing techniques,"
516 dans Tendances actuelles en matière de fiabilité, de disponibilité, de maintenabilité et de sécurité. Springer, 2016, p. 213–227.
517 [15] J. Hare, X. Shi, S. Gupta et A. Bazzi, "Fault diagnostics in smart microgrids: A survey," Renewable and Sustainable
518 Revues énergétiques, vol. 60, p. 1114–1124, 2016.
519 [16] L. Suganthi, S. Iniyan et A. Samuel, "Applications de la logique floue dans les systèmes d'énergie renouvelable une revue," Renewable and
520 Examens de l'énergie durable, vol. 48, p. 585–607, 2015.
521 [17] S. Silvestre, M. daSilva, A. Chouder, D. Guasch et E. Karatepe, « Nouvelle procédure de détection des défauts
522 Systèmes PV basés sur l'évaluation d'indicateurs de courant et de tension », Energy Conversion and Management, vol. 86, p.
523 241–249, 2014.
524 [18] M. Tadj, K. Benmouiza, A. Cheknane et S. Silvestre, « Améliorer les performances des systèmes PV par la détection des défauts
525
ACCEPTÉ
en utilisant l'approche GISTEL », Conversion et gestion de l'énergie, vol. 80, p. 298–304, 2014.
526 [19] W. Chine, A. Mellit, V. Lughi, A. Malek, G. Sulligoi et A. Pavan, « Une nouvelle technique de diagnostic des
527 systèmes basés sur des réseaux de neurones artificiels », Renewable Energy, vol. 90, p. 501–512, 2016.
528 [20] A. Pavan, A. Mellit, D. Pieri et S. Kalogirou, « Une comparaison entre BNN et les méthodes polynomiales de régression pour
529 évaluation de l'effet de l'encrassement dans les centrales photovoltaïques à grande échelle », Applied energy, vol. 108, p. 392–401, 2013.
530 [21] A. Chouder et S. Silvestre, « Supervision automatique et détection des défauts des systèmes PV basées sur l'analyse des pertes de puissance »,
531 Conversion et gestion de l'énergie, vol. 51, non. 10, p. 1929–1937, 2010.
532 [22] E. Garoudja, K. Kara, A. Chouder et S. Silvestre, « Parameters extraction of photovoltaic module for longterm pre
533 diction utilisant l'optimisation des colonies d'abeilles artificielles », dans la 3e Conférence internationale sur le contrôle, l'ingénierie et l'information
534 Technologie (CEIT). IEEE, 2015, p. 1–6.
535 [23] B. Kang, S. Kim, S. Bae et J. Park, « Diagnostic de la baisse de la puissance de sortie dans un générateur photovoltaïque en utilisant le filtre de Kalman
536 algorithme », IEEE Transactions on Energy Conversion, vol. 27, non. 4, p. 885–894, 2012.
537 [24] J. Johnson, S. Kuszmaul, W. Bower et D. Schoenwald, « Utilisation des données de réponse en fréquence du module PV et de la ligne pour créer
538 détecteurs de défauts d'arc robustes », dans Actes de la 26e conférence et exposition européenne sur l'énergie solaire photovoltaïque,
539 2011, p. 05–09.
29
MANUSCRIT ACCEPTÉ
540 [25] Z. Bouzid, N. Ghellai, et T. Mezghiche, « Panorama du potentiel solaire, état de l'art et avenir des installations photovoltaïques
541
tations en Algérie », International Journal Of Renewable Energy Research, vol. 5, non. 2, p. 427–434, 2015.
542 [26] J. Duffie et W. Beckman, Ingénierie solaire des procédés thermiques. Wiley New York, 2013, vol. 3.
543 [27] A. McEvoy, L. Castaner et T. Markvart, Cellules solaires : matériaux, fabrication et fonctionnement. Presse académique, 2012.
544 [28] E. Saloux, A. Teyssedou, et M. Sorin, « Modèle explicite de panneaux photovoltaïques pour déterminer les tensions et courants aux
545
point de puissance maximale », Énergie solaire, vol. 85, non. 5, p. 713–722, 2011.
546 [29] I. Karki, "Effet de la température sur les caractéristiques IV d'une cellule solaire polycristalline", Journal of Nepal Physical Society,
547
voyage en avion. 3, non. 1, p. 35–40, 2016.
548 [30] S. Chander, A. Purohit, A. Sharma, S. Nehra et M. Dhaka, « Impact of temperature on performance of series and parallel
549
cellules solaires en silicium monocristallin connectées », Energy Reports, vol. 1, p. 175–180, 2015.
550 [31] B. Subudhi et R. Pradhan, « Évaluation des caractéristiques et extraction des paramètres d'un générateur solaire basé sur des
551
analyse », dans la neuvième conférence internationale de l'IEEE sur l'électronique de puissance et les systèmes d'entraînement (PEDS). IEEE, 2011, p.
552 340–344. MANUSCRIT
553 [32] R. Tamrakar et A. Gupta, « Une revue : extraction des paramètres de modélisation des cellules solaires », Int. J. Innovation Res. Électr.,
554
Électron., Instrument. Control Eng., vol. 3, non. 1, p. 55–60, 2015.
555 [33] D. Karaboga et B. Basturk, "Sur la performance de l'algorithme de colonie d'abeilles artificielles (abc)", Applied soft computing, vol. 8,
556
non. 1, pages 687–697, 2008.
557 [34] DC Montgomery, « Introduction au contrôle statistique de la qualité », John Wiley & Sons, New York, 2005.
558 [35] JS Hunter, "La moyenne mobile à pondération exponentielle." Journal de la technologie de la qualité, vol. 18, non. 4, p. 203–210,
559 1986.
560 [36] J. Lucas et M. Saccucci, "Schémas de contrôle de moyenne mobile à pondération exponentielle : propriétés et améliorations",
561
Technométrie, vol. 32, non. 1, p. 1–12, 1990.
562 [37] F. Kadri, F. Harrou, S. Chaabane, Y. Sun et C. Tahon, « Saisonal armabased spc charts for anomaly detection :
563
Application aux systèmes des services d'urgence », Neurocomputing, vol. 173, p. 2102–2114, 2016.
564 [38] N. Zerrouki, F. Harrou, Y. Sun et A. Houacine, « Accéléromètre et stratégie basée sur caméra pour améliorer la chute humaine
565
détection », Journal of medical systems, vol. 40, non. 12, p. 284, 2016.
ACCEPTÉ
566 [39] F. Harrou, M. Nounou, H. Nounou et M. Madakyaru, « Stratégie de détection de défauts EWMA basée sur PLS pour
567
ing », Journal of Loss Prevention in the Process Industries, vol. 36, p. 108–119, 2015.
568 [40] F. Harrou et M. Nounou, « Surveillance des réseaux d'antennes linéaires à l'aide d'une analyse de défaut basée sur la moyenne mobile
569
schéma de détection », Systems Science & Control Engineering: An Open Access Journal, vol. 2, non. 1, p. 433–443, 2014.
570 [41] C. Lowry, X. Woodall, C. Champ et S. Rigdon, « Une carte de contrôle de moyenne mobile à pondération exponentielle multivariée »,
571
Technométrie, vol. 34, non. 1, p. 46–53, 1992.
30
MANUSCRIT ACCEPTÉ
Détection et diagnostic fiables des pannes des systèmes photovoltaïques basés sur
des approches de surveillance statistique
Points forts
• Une nouvelle technique de surveillance des systèmes PV est
développée. • Les diagrammes EWMA et MEWMA sont utilisés pour surveiller les performances
des systèmes PV. • Les données pratiques du système PV connecté au réseau sont utilisées
pour la validation. • Cette technique surveille avec succès le côté DC des systèmes PV et détecte les
MANUSCRIT
ombres.
ACCEPTÉ

1 s2.0 S0960148117309114 Main

Transféré par

Droits d'auteur :

Formats disponibles

1 s2.0 S0960148117309114 Main

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

1 s2.0 S0960148117309114 Main

Transféré par

Droits d'auteur :

Formats disponibles

Machine Translated by Google

3 Fouzi Harroua , Ying Suna , Bilal Taghezouitb , Ahmed Saïdic , Mohamed Elkarim Hamlatic

q(Vmeas+RsImeas) − 1 − Vmeas+RsImeas

zt = λ (1 − λ) n−txt + (1 − λ) nµ0, (8)

244 l) n−τ+1 (µ1 − µ0), σ2 zt

˜Ça = Ça − ̂Ça, V˜t = Vt − Vˆ t, P˜t = Pt − Pˆ t, t [1, n], (13)

Zt = λXt + (1 − λ)Zt−1, t [1, n]. (14)

296 La fonction de décision MEWMA, V2 t , peut être calculé récursivement par la formule (15) [41].

364 résidus, P˜ , augmenter significativement et dépasser le seuil de décision une fois le défaut introduit,

Numéro d'observation MANUSCRIT Numéro d'observation

0 100 200 300 400 500 0 100 200 300 400 500

479 approche statistique. MANUSCRIT

Vous aimerez peut-être aussi

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.