Détection des défauts dans les systèmes photovoltaïques basée sur des approches d'intelligence artificielle

Abstract

Ce mémoire présente une étude pratique et comparative de techniques d’intelligence artificielle appliquées à la détection des défauts dans les systèmes photovoltaïques, en s’appuyant sur des données réelles collectées à partir d’une centrale solaire située dans le désert algérien. En l’absence de données de panne étiquetées, trois approches non supervisées ont été explorées : Autoencoder (apprentissage profond), K-Means (clustering), et SVM à une seule classe (modélisation de frontière d’anomalie). Chaque méthode a été appliquée au même jeu de données, et leur performance a été évaluée selon leur capacité à identifier des comportements anormaux, en s’appuyant respectivement sur les erreurs de reconstruction, les distances aux centroïdes, et les scores de décision. Les résultats ont montré que l’Autoencoder offre la meilleure précision, que le SVM présente une bonne robustesse, tandis que K-Means se distingue par sa simplicité et sa rapidité. Les analyses graphiques, notamment les courbes Tension-Puissance, ont confirmé la pertinence physique des anomalies détectées. Cette étude met en évidence le potentiel de l’intelligence artificielle pour la maintenance prédictive des installations solaires, en particulier dans les environnements isolés ou contraignants, où les moyens de surveillance classiques sont limités.This work presents a practical and comparative study of artificial intelligence techniques applied to fault detection in photovoltaic (PV) systems, using real operational data collected from a solar power plant in the Algerian desert. In the absence of labeled fault data, three unsupervised methods were explored: Autoencoder (deep learning), K-Means (clustering), and One-Class SVM (anomaly boundary modeling). Each method was applied to the same dataset, and their ability to detect operational anomalies was evaluated through reconstruction errors, cluster distances, and decision scores, respectively. The results demonstrate the Autoencoder's superior precision, the SVM’s robustness, and the simplicity and speed of K-Means. Graphical analyses such as voltage-power plots confirmed the physical relevance of the detected anomalies. This study highlights the potential of AI for predictive maintenance in solar plants, especially in isolated or harsh environments where traditional monitoring is limited