Contribution to control and monitoring of PV system based on deep learning applied to small-scale solar farms

Abstract

تتناول هذه الأطروحة تحسين فعالية وموثوقية وكفاءة أنظمة الطاقة الشمسية(PV)التي تعد حيوية لمواجهة تحديات الطاقة العالمية. تركز الدراسة على مجالين حاسمين يؤثران على الأداء الأمثل لأنظمة الطاقة الشمسية: تتبع نقطة القدرة القصوى(MPPT) . والذكاء الاصطناعي(AI)للكشف عن الأعطال. تعتبر تقنيةMPPTالديناميكية حجر الزاوية في هذا البحث، وهي تقنية أساسية لاستخراج أقصى قدرة من وحدات الطاقة الشمسية تحت ظروف بيئية متغيرة.تفحص الدراسة بدقة طرقMPPTلتحديد نهج جديدة للتعامل مع التعقيدات الناتجة عن التظليل الجزئي.تهدف هذه الخوارزميات المبتكرة لMPPTإلى التنقل بكفاءة عبر التغيرات الناتجة عن التظليل،لضمان استخراج القدرة الأمثل. بالإضافة إلى ذلك، تستكشف الأطروحة دمج الذكاء الاصطناعي، لا سيما التعلم العميق، في الكشف عن الأعطال داخل أنظمة الطاقة الشمسية. يمكن أن تؤثر الشذوذات مثل فشل الوحدات أو التظليل الجزئي بشكل كبير على الأداء والعمر الافتراضي.يوفر التعلم العميق، وهو فرع من فروع تعلم الآلة، الكشف السريع والدقيق عن الأعطال وتشخيصها. من خلال استغلال الشبكات العصبية، يمكن لنماذج التعلم العميق تحليل الأنماط البيانية المعقدة، وتمييز العمليات الطبيعية عن الشذوذات بفعالية.لا يكتفي هذا النهج المعتمد على الذكاء الاصطناعي بتحديد الأعطال بسرعة فحسب، بل يمكّن أيضًا من الصيانة التنبؤية، مما يقلل من فترات التوقف عن العمل ويحسن أداء النظام.

This thesis investigates enhancing the effectiveness, dependability, and efficiencyof photovoltaic (PV) systems, which are crucial for addressing global energy challenges.The study focuses on two critical areas influencing optimal PV systemperformance: Maximum Power Point Tracking (MPPT) and artificial intelligence(AI) for fault detection. A cornerstone of this research is the dynamic concept of MPPT, a techniqueessential for extracting maximum power from PV modules under varying environmentalconditions. The study meticulously examines MPPT methods to identifynovel approaches for handling complexities introduced by partial shading.Theseinnovative MPPT algorithms aim to efficiently navigate shading-induced variations,ensuring optimal power extraction. Additionally, the thesis explores integrating AI, particularly Deep Learning, infault detection within PV systems. Anomalies such as module failures or partialshading can significantly impact performance and longevity. Deep Learning, a subsetof machine learning, offers rapid and precise fault detection and diagnosis. Byleveraging neural networks, deep learning models can analyze intricate data patterns,effectively distinguishing normal operations from anomalies. This AI-powered approachnot only identifies faults promptly but also enables predictive maintenance,reducing downtime and optimizing system performance.

Cette thèse examine l’amélioration de l’efficacité, de la fiabilité et de l’efficience dessystèmes photovoltaïques (PV), essentiels pour relever les défis énergétiques mondiaux.L’étude se concentre sur deux domaines critiques influençant la performanceoptimale des systèmes PV : le suivi du point de puissance maximale (MPPT) etl’intelligence artificielle (IA) pour la détection des défauts. Un aspect central de cette recherche est le concept dynamique du MPPT, unetechnique essentielle pour extraire la puissance maximale des modules PV dans desconditions environnementales variables. L’étude examine minutieusement les méthodesde MPPT pour identifier de nouvelles approches permettant de gérer les complexitésintroduites par l’ombrage partiel. Ces algorithmes MPPT innovants visentà naviguer efficacement à travers les variations induites par l’ombrage, assurant ainsiune extraction optimale de la puissance. De plus, la thèse explore l’intégration de l’IA, en particulier le Deep Learning,dans la détection des défauts au sein des systèmes PV. Les anomalies telles que lespannes de modules ou l’ombrage partiel peuvent avoir un impact significatif sur laperformance et la longévité. Le Deep Learning, une sous-catégorie de l’apprentissageautomatique, offre une détection et un diagnostic des défauts rapides et précis. Enexploitant les réseaux neuronaux, les modèles de Deep Learning peuvent analyserdes motifs de données complexes, distinguant efficacement les opérations normalesdes anomalies. Cette approche alimentée par l’IA permet non seulement d’identifierrapidement les défauts, mais aussi de faciliter la maintenance prédictive, réduisantainsi les temps d’arrêt et optimisant la performance du système.