Modelisation of photovolatic panels and an adaptation of cyclostationarity to diagnostic

Les systèmes photovoltaïques (PV) peuvent être exploités dans différents lieux. L'exposition extérieure des panneaux PV mets en jeu une combinaison complexe de facteurs (le vent, la pluie, la neige, la chaleur, la foudre, ombrage, …) qui provoquent leurs dégradations au cours du temps et réduit leurs rendement. Le diagnostic est parmi les solutions intéressantes en vue de faire fonctionner des panneaux PV à leur puissance optimale et afin de maximiser l'efficacité de la conversion PV dans le but de réduire les coûts de maintenance. Dans ce travail de thèse, nous nous intéressons uniquement au diagnostic des générateurs PV. L'objectif de cette thèse est de proposer des outils de traitement de signal permettant de détecter et de localiser des défauts conduisant à une baisse de rendement. Pour mener ce travail, nous faisons tout d'abord un état de l'art sur les panneaux photovoltaïques de l'aspect microscopique (cellule) à l'aspect macroscopique (champs). Pour commencer, nous présentons le principe de fonctionnement d'une cellule photovoltaïque. Parallèlement à cela, nous décrivons les différents types de défauts et présentons un panorama des méthodes de leur détection. La seconde partie, consacrée aux outils théoriques. On rappelle la définition de la cyclostationnarité et des outils associés à la cyclostationnarité à l'ordre 1 (moyenne synchrone) et l'ordre 2 (corrélation spectrale). Les performances des panneaux PV dépendant principalement des conditions météorologiques (irradiance, température), ces conditions présentent des propriétés cyclostationnaires (CS) et permettent de décomposer les signaux en un motif cyclique (CSI) et un motif aléatoire cyclostationnaire à l'ordre 2 (CS2). La CS2 est associée à des phénomènes météorologiques comme les passages nuageux. À l'aide d'exemples, nous montrons que les outils classiques (Moyenne Synchrone,Cepstre) utilisés dans le domaine de la CS ne permettent pas une bonne séparation de la composante cyclique et la partie aléatoire pour le signal d'ensoleillement à cause de la variation d'amplitude d'un cycle à un autre engendré par l'effet de la saisonnalité. C'est pourquoi nous introduisons dans ce travail une méthode originale appelée ATSA adapté à ce type de signaux. Une troisième partie traitant de la modélisation de défauts indique comment construire une base de données de signaux électriques par simulation. De nombreux modèles électriques sont utilisés dans la littérature pour comprendre le fonctionnement des panneaux PV. Le modèle de Bishop a été retenu dans cette étude, car il représente bien la caractéristique courant tension (1-V) du fonctionnement des cellules PV dans régime direct ainsi que dans le régime inverse dans le cas où une cellule est occultée. Les signaux électriques des indicateurs (puissance maximale, courant court circuit et tension circuit ouvert) sont ensuite calculés à partir de la caractéristique I-V du panneau PV obtenue pour des conditions spécifiques (irradiance, température, défaut de mismatch, défaut de diode de bypass) L'originalité de notre travail est de simuler les signaux en utilisant des caractéristiques d'ensoleillement réelles obtenu par mesure satellite. Nous introduisons ainsi la notion de saisonnalité dans la caractéristique I-V qui dépend alors du temps. La fonction d'autocorrélation cyclique est appliquée sur les parties aléatoires des signaux afin de travailler sur la CS à l'ordre2 (CS2). Dans la quatrième partie, on montre comment combiner les outils tels que l'ATSA pour faire du diagnostic sur les signaux que nous avons simulés. Dans cette étude, la CS2 des signaux a donné de bons résultats pour faire du diagnostic en comparant par l'analyse temporelle et fréquentiellePhotovoltaic (PV) systems can be operated in different locations. The exhibition (Wind, rain, snow, heat, lightning, shading, etc.) which cause their degradation over time and reduc their efficiency. Diagnosis is one of the interesting solutions to make PV panels work at their optimum power and in order to maximize the efficiency of PV conversion in order to reduce maintenance costs. In this thesis work, we are interested only in the diagnosis of PV generators. The aim of this thesis is to propose signal processing tools to detect and locate faults leading to a drop in efficiency. To carry out this work, we first make a stateof the art on the panels. Photovoltaic cells of microscopic appearance (cell) with macroscopic appearance (fields). To begin, we present the principle of operation of a photovoltaic cell as well as the various parameters affecting its performance. The combination of cells to create a photovoltaic panel, panels to create fields, are the studied. It is then shown how to connect these elements to a Load and network. At the same time, we describe the different types of defects and present an overview of the methods of their detection. A third part dealing with the modeling of defects shows how to build a database of electrical signals by simulation. Many electrical models are used in the literature to understand the functioning of PV panels. The Bishop model has been chosen in this study because it represents the current voltage characteristic (I-V) of the functioning of the PV cells in direct regime as well as in the inverse regime in the case where a cell is occulted. We explain how the different types of defects affect the I-V characteristic of solar panels. The electrical signals of the indicators (maximum power, short circuit current and open circuit voltage) are then calculated from the characteristic [V of the PV panel obtained for specific conditions (irradiance, temperature, mismatch defect, bypass diode fault). .). The originality of our work is to simulate the signals using real sunlight characteristics obtained by satellite measurements. We introduce the notion of seasonality into the characteristic I-V which then depends on time. We then analyze the first signals obtained by simulation. The time evolution of these indicators shows a CS aspect and the ATSA method is applied for these signals to have a good separation of the cyclic pattern and the random pattern of the time signals. The separation of these two components. To work on different CS commands. The cyclic autocorrelation function is applied to the random parts of the signals to work on the CS to order2 (CS2). In the fourth part, we show how to combine tools such as ATSA to diagnose the signals we simulated. We first present our choice of types of defects and severity used to build our database. Next, we describe and illustrate the various indicator in detail for a shading defect. A larger study is then carried out on all the simulated defects. In this study, the CS2 of the signals gave good results to make the diagnosis by comparing by the time and frequency analysi