La détection des défauts dans les cellules photovoltaïques et classification par une approche intelligente

Abstract

La croissance rapide du photovoltaïque (PV) comme source d’énergie renouvelable s’accompagne de défis techniques majeurs liés à la détection et à la gestion des défauts affectant les modules, cellules et systèmes. Ces défauts – tels que l’ombrage, les fissures, la décoloration, les points chauds ou les déconnexions – entraînent une perte significative de performance et de fiabilité des installations. Ce mémoire vise à développer une méthodologie automatique de diagnostic des anomalies dans les systèmes PV en s’appuyant sur l’intelligence artificielle, notamment l’apprentissage profond. Après une étude approfondie des défauts courants et des méthodes de détection classiques (analyse I-V, imagerie infrarouge, réflectométrie), l’approche proposée utilise des images thermographiques et un modèle de Vision Transformer (ViT). Cette architecture, issue des techniques de traitement de séquences, permet une meilleure compréhension globale de l’image, et donc une détection plus fine des défauts. Le modèle a été entraîné sur une base de données de 20 000 images infrarouges collectées dans 25 pays, représentant 12 classes (défauts divers + modules sains). Grâce à un prétraitement par filtrage et équilibrage des classes (SMOTE), et à une stratégie d’apprentissage supervisé, le modèle a atteint une précision de 98,2 % en détection binaire (défaut / pas de défaut) et 96,1 % en classification multi- classes, surpassant les performances des réseaux CNN traditionnels tels que ResNet50 et EfficientNet- B0. Ce travail ouvre des perspectives prometteuses pour le développement de systèmes PV intelligents, capables d’assurer un autodiagnostic rapide et fiable, favorisant ainsi leur maintenance prédictive et leur intégration dans une transition énergétique durable.