La Tâche en charge de la Performance, de l’Exploitation et de la Fiabilité des Systèmes Photovoltaïques (Tâche 13) de l’IEA PVPS a récemment publié un nouveau rapport sur les dysfonctionnements des centrales PV liés à l’utilisation d’algorithmes avancés. Enquête !
Ce rapport fournit une introduction au domaine émergent de la surveillance des performances statistiques des systèmes photovoltaïques (PV) et une étude du développement de ces systèmes de détection de défauts et de leurs applications. Cette enquête a trouvé quatre méthodes principales utilisées pour identifier les défauts :
-                     identifier les signatures électriques défectueuses,
-                     comparer les performances historiques aux performances réelles,
-                     comparer les performances prévues aux performances réelles
-                     comparer les relations entre les différents PV systèmes ou sous-systèmes. Les quatre approches utilisées pour identifier les défauts comprennent l’application d’algorithmes d’apprentissage automatique, des tests statistiques, la spécification de règles de calcul et la génération de simulations à l’aide de modèles
L’Asie est le leader mondial dans l’étude et le développement de systèmes de détection de défauts photovoltaïques, suivi par l’Europe. La popularité des différents paramètres utilisés par les systèmes de détection de défauts par les développeurs comprend le courant et/ou la tension (AC ou DC) (25 %), l’irradiance (19 %), la température (17 %) et les données de courbe IV (12 %). L’étude a également révélé des préférences claires en matière d’algorithmes d’apprentissage automatique. Parmi les articles étudiés, les réseaux de neurones artificiels sont les plus populaires (30 %), suivis par les K voisins les plus proches (10 %), les systèmes flous (8 %) et les machines à vecteurs de support et la régression linéaire (7 %).
En plus d’expliquer les algorithmes statistiques en vigueur et d’étudier les approches utilisées pour identifier les défauts, cet article a également passé en revue les différentes sources de données utilisées par les systèmes de détection de défauts PV. La recherche a montré que les données d’entrée de détection de défaut PV proviennent d’une variété d’appareils et de sources, y compris des capteurs connectés sur le site, des stations météorologiques commerciales, des onduleurs, des optimiseurs et des traceurs de courbe IV. Selon l’architecture du système de l’appareil, différents paramètres sont disponibles à différentes fréquences et précisions.
Il ressort de cette étude qu’une stratégie de formation en apprentissage automatique utilisant des données d’apprentissage proches des données de test fournit de meilleurs résultats et que les données de performance et les données environnementales semblent être à égalité pour certains algorithmes d’apprentissage automatique en ce qui concerne la précision du résultat.
En comparant 8 des 22 algorithmes résumés dans une compétition face à face où chacun a reçu les mêmes données d’un système PV en direct, il a été constaté que différents algorithmes ont des sensibilités très différentes.
iea-pvps.org/wp-content/uploads/2021/10/Final-Report-IEA-PVPS-T13-19_2021_PV-Failure-Monitoring.pdf
