1 Lorexp 2021 A1090 Juvet

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/356775335
Fault detection in PV array based on statistical analysis
Conference Paper · December 2021
CITATIONS READS
0 200
4 authors:
Patrick JUVET Gnetchejo Salomé Ndjakomo Essiane

University of Douala University of Douala/University of Yaounde I
16 PUBLICATIONS 148 CITATIONS 65 PUBLICATIONS 282 CITATIONS
SEE PROFILE SEE PROFILE
Pierre Ele Steve Perabi Ngoffe

Yaoundé 1 University of Douala
57 PUBLICATIONS 317 CITATIONS 31 PUBLICATIONS 132 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
comprehension of weather phenomena for African students in particular and in general for students across the world. View project
A new parallel ant colony algorithm to solve the unit commitment problem View project
All content following this page was uploaded by Patrick JUVET Gnetchejo on 04 December 2021.
The user has requested enhancement of the downloaded file.

Conférence Internationale LOREXP-2021 : « Chaines de Valeurs et Transformations Intégrales des Ressources Locales », Ngaoundéré, Cameroun, 20 au 23 Avril 2021.
The 1st International Conference on Local

Resource Exploitation
www.lorexp.org / info@ lorexp.org
REF: LOREXP_2021_A1090 Pages: 773–786
Diagnostic des défauts d'un champ photovoltaïque par analyse statistique multivariée
Fault detection in PV array based on statistical analysis
Patrick Juvet Gnetchejo1,*, Salomé Ndjakomo Essiane 1,2, Pierre Ele1, Steve Perabi Ngoffe1
1
Laboratoire des technologies et sciences appliquées, Université de Douala, Cameroun
2
Laboratoire Signal, Image et Systèmes, ENSET d’Ebolowa, Université de Yaoundé 1, Cameroun
* Auteur Correspondant : [email protected]
RÉSUMÉ :
Avec l'utilisation élevée des systèmes photovoltaïques, l'amélioration de leur efficacité est devenue un sujet de
recherche prioritaire de nos jours. De plus, les efforts remarquables déployés pour étudier différentes méthodes de
diagnostic des pannes sur les systèmes photovoltaïques se sont multipliés pour donner un avantage supplémentaire
aux recherches sur l'efficacité des systèmes PV. Dans cet article, une nouvelle approche basée sur l’analyse en
composantes principales à noyau (ACPN) est proposée pour la détection et l’identification des défauts du côté DC
d’un champ photovoltaïque. Le principe de l’ACPN est de projeter les données d’un espace réduit vers un autre
espace de dimension plus élevée appelé espaces des caractéristiques. Dans cet espace des caractéristiques, deux tests
d’indices : la statistique de Hotelling(T²), et l’indice SPE (Squared prediction error) sont appliqués pour la détection
et l’identification du défaut. Les résultats obtenus montrent que l’ACPN est capable de détecter et d’identifier avec
précision cinq états de fonctionnement d’un champ photovoltaïque (normal, string ouvert, court-circuit, ombrage
partiel, erreur au niveau de l’onduleur) pendant différentes conditions d’irradiation et de température.
Mots clés : Photovoltaïque, Modélisation, Diagnostic des défauts, Analyse en composante principale, Test d’indice.
ABSTRACT:
Improving the efficiency of photovoltaic (PV) systems has gained priority in current research due to the large volumes
of PV panels installed. Moreover, the remarkable efforts made to investigate different methods of diagnosing PV
failures have multiplied, giving additional impetus to research on the efficiency of PV systems. However, most of
these methods are limited in the number of faults that can be identified; some are expensive and complex, and others
require huge amounts of data to train. In this paper, we were concerned with developing a diagnostic system capable
of detecting and identifying faults that may arise in a photovoltaic array. Given the multitude of faults, the analysis
focused on the five most frequent faults that can appear on the DC side of a photovoltaic field. From the multitude
of data that can be collected on a PV system in operation or available on most new inverters on the market, the method
used here is based on kernel principal component analysis, which looks at and analyses the variance between these
data. Combined with the Hotelling statistic (T2) and Squared Prediction Error (SPE) index, this analysis identifies six
operating states of the PV system (Normal operation, Short-circuited panels, Open circuit panels, Partially shaded
panels, Degradation of the series resistance and The MPPT error. The various results obtained first from a Matlab-
Simulink model, demonstrate the efficiency and performance of the proposed algorithms.
Keywords: Photovoltaics, Modelling, Fault diagnosis, Principal component analysis, Index test.
LOREXP-2021 International Conference: “Value Chains and Integral Transformation of Local Resources”, April 20 to 23, 2021, Ngaoundere, Cameroon.
1. INTRODUCTION
La production d’électricité par voie solaire a explosé ces dernières années dans le monde (Gnetchejo et al.,
2019). Les installations photovoltaïques (PV) sont quittées de 89.5GW en 2012 à plus de 505 GW en 2018
(IEA, 2018). Cependant, les PVs peuvent être soumis durant leurs fonctionnements à différents défauts
conduisant à une diminution de leurs performances, et voire même à l’indisponibilité totale de leurs services
(Das et al., 2018). En effet, les systèmes PVs sont fréquemment exposés à différentes sources de défauts et
de perturbations qui affectent la puissance générée par le système (Harrou et al. 2018). Ces défauts sont
principalement dus aux interférences externes, à l'accumulation de poussière sur les modules PVs, à
l'ombrage, etc. Les pannes du côté DC des systèmes PVs sont souvent difficiles à éviter et peuvent entrainer
une perte d'énergie, un arrêt du système ou même des problèmes de sécurité graves (Alam et al., 2015). Il a
été rapporté que la perte d'énergie annuelle des PVs due à l'ombrage partiel est d'environ 10 – 20 % (Madeti
& Singh, 2017). Par conséquent, une stratégie précise et rapide de détection et de diagnostic des défaillances
est nécessaire pour non seulement améliorer l'efficacité du système, mais aussi éviter les coûts d'entretien
élevés et réduire les risques d'incendie. Mais, maintenir un système PV en douceur et en toute sécurité et
générer la puissance désirée reste un défi majeur dans les systèmes photovoltaïques raccordés au réseau
(Harrou et al. 2018). Plusieurs techniques ont été proposées dans la littérature pour la détection des défauts
dans un champ PV. Nous pouvons citer entre autres : les méthodes basées sur les caractéristiques, les
méthodes basées sur les seuils (Gokmen et al., 2013), l’intelligence artificielle (Dhimish et al., 2018), les
méthodes hybrides (Jiang & Maskell, 2015).
La réduction des coûts en utilisant un nombre minimum de capteurs a été prise en compte par Gokmen et al.
(2013) pour détecter le nombre de modules en circuit ouvert et en court-circuit, puis différencier ceux
partiellement ombragés. Le diagnostic repose sur la surveillance de la tension du réseau et la comparaison
avec des données personnalisées. Cependant, pour différentes installations de système PV et différentes
conditions ambiantes, différents ensembles de données à entrainer sont nécessaires, ce qui est lourd à
préparer. Wang et al (2016) ont utilisé la PSO (particle swarm optimization) pour l’identification des
paramètres et la détection des défauts par l’analyse de la modification des paramètres extraits du PV. Les
avantages de cette méthode sont : le diagnostic se fait en ligne sans interruption du système, le système de
détection pourra être introduit aux PVs lors de leur fabrication et l’algorithme utilise le MPPT, ce qui
identifiera le moindre changement de puissance. Cette technique présente des inconvénients tels que : le coût
(étant donné que le système sera intégré sur chaque PV), l’identification du défaut et la fiabilité du système.
Hazra et al (2017) utilisent des algorithmes métaheuristiques (AG ,TS,GWO) pour détecter , localiser et
identifier les défauts de court-circuit et de circuit ouvert dans un champ PV. L’algorithme suit le courant
dans la chaine PV en prenant en compte le rayonnement solaire et la température ambiante. Les avantages
de cette technique sont : le coût réduit du système de détection, la localisation et l’identification du défaut
sur le PV concerné. Mais l’algorithme reste limité à seulement deux types de défauts. Chen et al.(2017) ont
utilisé l’apprentissage automatique pour la détection et l’identification de cinq défauts à partir de la
caractéristique courant-tension du champ PV (Chen et al., 2017). Dhimish et al. (2018) a proposé un nouvel
algorithme de détection des défauts des systèmes PVs basés sur des réseaux de neurones artificiels (ANN)
et une interface de système de logique floue. L’algorithme de détection de défaut est basé sur l'analyse de la
tension et de la puissance. Les avantages de cette méthode sont : la détection, la localisation et l’identification
du défaut concerné, la détection du défaut au niveau du MPPT. Fadhel et al (2019) proposent une méthode
simple et robuste basée sur l’analyse en composante principale (ACP) pour détecter les défauts d’ombrage
dans un champ photovoltaïque.
Malgré la multitude des techniques proposées pour le diagnostic des défauts dans un champ PV, il existe
toujours un compromis au niveau de l’applicabilité, de temps de réponse et d’extension du nombre de défauts
identifiable.
Dans cet article, une nouvelle approche simple et robuste, basée sur l’analyse en composantes principales à
noyau (ACPN) est proposée pour la détection et l’identification des défauts du côté DC d’un champ
photovoltaïque. Le principe de l’ACPN consiste à modifier les données en provenance des capteurs grâce à
une application non linéaire pour ensuite les transposer vers un espace de dimension plus élevée appelé
espace des caractéristiques. Dans ce nouvel espace, l’APC classique est appliquée et le diagnostic s’effectue
grâce au test d’indices.
L’ACPN étant principalement basée sur le calcul matriciel (valeurs et vecteurs propres) facilitera la mise en
œuvre de la méthode dans des composants programmables tels que les FPGA et microcontrôleur qui pourra
être intégré dans les onduleurs.
A la connaissance des auteurs au moment de la rédaction de cet article, c’est la toute première fois que
l’ACPN directement utilisée est utilisée pour le diagnostic des défauts dans un champ PV.
Dans la seconde section de ce travail, nous présenterons le modèle d’une cellule PV et d’un champ PV ;
l’ACPN et le principe de détection seront présentés à la troisième section ; la quatrième section portera sur
l’application de l’ACPN pour le diagnostic des différents défauts dans un champ PV et la cinquième section
sera la conclusion.
2. MODÉLISATION DU CHAMP PHOTOVOLTAIQUE

Pour évaluer le fonctionnement d’un panneau photovoltaïque, un modèle précis doit être mis en œuvre afin
de prédire avec exactitude le fonctionnement normal du PV (Gnetchejo et al., 2019).
2.1. Modèle d’une cellule PV

Le modèle le plus utilisé dans la littérature pour représenter une cellule photovoltaïque est celui à une diode
(Gnetchejo et al., 2021) présenté sur la Figure 1.
Rs I
Iph Io Ip
D Rp V
Figure 1. Circuit électrique du modèle à une diode d’une cellule PV.
Le courant de sortie de la cellule exprimé à partir des lois de Kirchhoff donne la relation suivante :
  q (V + I .Rs )   V + I .Rs
I = I ph − I 0 exp   − 1 − (1)
  n.K .T   Rp
Où :
I est le courant de sortie [A], V la tension de la cellule [V], I ph le photocourant[A], I 0 le courant de
saturation de la diode [μA], n le facteur d’idéalité de la diode, Rs la résistance série [Ω], R p la résistance
parallèle [Ω] , 𝐾 la constante de Boltzmann [J/K], 𝑇 la Température [K] et 𝑞 la charge de l’électron [C].
L’ensemble  =  I ph , I0 , n, Rs , Rp  sont les paramètres intrinsèques du PV à déterminer (Gnetchejo et al.,
2019c) [16]. Dans la littérature, plusieurs méthodes ont été proposées pour la détermination de ces
paramètres (Gnetchejo et al., 2019a ; Gnetchejo et al., 2019b).
2.2. Modélisation d’un champ photovoltaique
Un panneau photovoltaïque est constitué d’un ensemble de cellules photovoltaïques. Dans un panneau
photovoltaïque, toutes les cellules sont uniformes : ce qui implique l’uniformité des courants et des tensions
pour chaque cellule du panneau. Un champ PV est à son tour constitué de plusieurs modules connectés en
série et en parallèle. Ainsi le modèle de la cellule peut directement être applicable sur un panneau PV comme
le montre l’équation 2.
  q (V + ( N s / N p ).Rs .I )   V + ( N / N ).R .I
I = N p .I ph − N p .I 0 exp   − 1 − s p s
(2)
 

Ns.n.K .T  
  ( N s / N p ) .R p
Où Ns et Np sont respectivement le nombre de cellules connectées en séries et en parallèles. En considérant

le cas d’un champ PV, l’équation (2) peut être exprimée en fonction des éléments du tableau 1 : ce qui nous
donne l’équation du modèle d’un champ PV exprimée par l’équation (3).
  q (V + I .Rs ')   V + I .Rs '

I = I ph '− I 0 ' exp   − 1 − (3)
  n '.K .T   Rp '
Tableau 1. Relation entre les paramètres d’une cellule et un champ PV

Paramètres de la cellule Paramètres du champs PV
N p .I ph I ph '
N p .I o Io '
N s .n n'
(N s / N p ) Rs Rs '
(N s / N p ) .Rp Rp '
3. DÉTECTION DES DÉFAUTS PAR L’ACPN
3.1. Principe de l’ACPN

Le principe général de l’ACPN consiste à projeter les données d’un espace réduit vers un autre espace de
dimension plus élevée appelé espace des caractéristiques en utilisant une fonction à noyau non linéaire
(Kwami, 2019), puis de calculer les valeurs et les vecteurs propres de la matrice du noyau dans le nouvel
espace.
Soit une matrice de données X = [ x1 , x2 , x3 ,...xN ] constituée de N observations et m variables. Après avoir
centrées et réduites les données xˆ k , une fonction non linéaire (.) doit être utilisée pour projeter les données
de l’espace non linéaire vers un espace linéaire F (Pilario et al., 2019). En supposant que la fonction :
N
  ( xˆ ) = 0
k
k =1 , l’ACPN doit retrouver l’ensemble des valeurs (  ) et vecteurs (  ) propres de la matrice de
covariance ( C F ) dans l’espace linéaire F à partir des équations suivantes :
N
1
CF =
N
  ( xˆ ). ( xˆ )
k =1
k k
T
(4)
C F  =  (5)
La fonction noyau est définie par :
K ( xi , x j ) =  ( xi ). ( x j ) (6)
Les nouvelles valeurs et vecteurs propres pourront être trouvés à partir de l’équation (7) :
N.. = K. (7)
Où  identifie le vecteur propre  après normalisation. Les vecteurs propres identifiés dans l'espace
caractéristique F peuvent être considérés comme les composants principales du noyau qui caractérisent le
système (Nguyen & Golinval, 2010). Les détails sur l’ACPN peuvent être consultés dans les références
(Kwami, 2019 ; Nguyen & Golinval, 2010).
3.2. Application de l’ACPN pour la détection des défauts.
Après construction du modèle ACPN, les nouvelles données obtenues sont projetées sur les espaces
principales et résiduels où deux tests d’indices sont généralement utilisés pour la détection des défauts.
Le premier est celui de la statistique de Hotelling(T²) basée sur l’espace des composantes principales. Il est
défini par :
l
ti2
T 2 = tˆT (k ) l−1tˆ(k ) =  (8)
i =1 i2
Où l est la matrice diagonale des l premières valeurs propres. Un défaut est détecté lorsque l’indice est
supérieur à la limite de confiance  2 définie par :
l ( N + 1)( N − 1)
2 = Fl ,( N −l ) (9)
N (N − l)
Avec Fl ,( N −l ) la distribution de Fisher.
Le second indice SPE (Squared prediction error) basé sur l’espace des résidus est défini par :
SPE (k ) = eT (k ).e(k ) (10)
Un défaut est détecté lorsque l’indice est supérieur à la limite de confiance  2

1
 c 2 h 2  2 h0 (h0 − 1)  0
h

 = 1 
2 2 0
+1+ 
 1 12 
(11)
m
i =  i
pour i = 1, 2,3 et  j est la j valeur propre de la matrice de covariance, et

j eme
j = l +1
Avec
 e 2 h0 
  .h (h − 1) 
 −1 − 2 0 0
 1  1 
h0 = 1 −
2.1 .3
et c =   
3. 22 2. 2 .h02
(12)
L’organigramme de l’ACPN est donné à la figure 2.
Figure 2. Algorithme de diagnostic par l’ACPN.
4. APPLICATION DE L’ACPN POUR LA DETECTION DES DEFAUTS DANS UN CHAMP PV

Le principe de détection est basé sur l’analyse de la caractéristique courant tension (I-V) en fonctionnement
normal. À partir des données réelles mesurées (température et irradiance), la caractéristique courant tension
( I est , Vest ) est estimée à partir des équations (3), (13), (14) et (15) : ce qui constitue la base d’entrainement
des données (fonctionnement normal).
La caractéristique réelle (Imes ,Vmes ) du champ PV est mesurée à partir des capteurs de courant et de tension
(voir figure 3). Les données réelles Imes ,Vmes  et celle estimées  Iest ,Vest  après être centrées et réduites sont
toutes deux évaluées par l’ACPN et projetées dans un espace des caractéristiques de dimension élevée. Dans
cet espace des caractéristiques, deux tests d’indices : la statistique de Hotelling(T²) et l’indice SPE sont
appliqués pour la détection et l’identification du défaut.
4.1. Modèle Simulink du champ PV
Le système à étudier est constitué de six (6) panneaux photovoltaïques du modèle GL-M100 dont les
spécifications techniques du module sont disponibles dans le tableau 2.
Tableau 2. Spécification technique du panneau PV GL-M100
Paramètres Valeur
Pmpp 100W
Voc 21.5 V
Isc 6.03 A
Vmpp 17.5 V
Impp 5.71 A
Coefficient de température de Isc 0.06 % /k
( )
Coefficient de température de Voc ( -78mV
)
Coefficient de température de Pmpp -0.5 %K

( )
Nombre de cellules en série 36
Il est constitué de 2 strings en parallèle comportant chacun 3 PV en série comme le montre le schéma de la
figure 3.
Figure 3. Modèle Simulink du champ PV
Chaque PV est modélisé grâce au circuit de la figure 4 et les paramètres intrinsèques sont configurés
comme indiqué dans le tableau 1.
Figure 4. Modèle Simulink d’un panneau photovoltaïque
Certains des cinq paramètres  =  I ph , I0 , n, Rs , Rp  dépendent fortement des conditions atmosphériques (la
température et l’irradiation). Leurs relations doivent donc être exprimées en fonction de ces conditions. Les
valeurs du modèle seront ajustées comme suit :
G
I ph (G, T ) = I ph 0 1 + TIPH1(T − T0 ) (13)
G0
3/ n
T   q.Eg q.Eg 
I o (T ) = I o 0   exp  −  (14)
 T0   nkT0 nkT 
n(T ) = n0 [1 +  (T − T0 )] (15)
Avec :
T2
Eg = 1.16 − 7.02x10−4 x (16)
T − 1108
Où :
TIPH 1 est le coefficient de température du photocourant ; G l’irradiation , T la température ; G0 et T0 sont

respectivement l’irradiation et la température dans les conditions de fonctionnement standard
(G 0 = 1000w / m2 ;T0 = 25o C ) ; 0 =  I ph0 , Io0 , n0 , Rs 0 , Rp0  sont des paramètres en fonctionnement standard qui
peuvent être obtenus par plusieurs méthodes disponibles dans la littérature (Gnetchejo et al., 2019a ;
Gnetchejo et al., 2019b).
4.2. Expérimentation
Pour l’étude expérimentale, le schéma de la figure 3 réalisé dans la plateforme Matlab/Simulink a été utilisé
pour recueillir les données de la caractéristique courant-tension (Imes ,Vmes ) . Pour ce faire, quatre étapes de
simulation ont été effectuées :
- 1ere étape : fonctionnement normal.
- 2ième étape :circuit ouvert

- 3ième étape : court-circuit
- 4ième étape : ombrage partiel

Les courbes de la figure 5 présentent les 4 états de fonctionnement de notre système
Figure 5. Caractéristique I-V des différents états de fonctionnement.

4.3. Résultats
Les courbes de la figure 6 montrent les projections des premiers composants principales retenus pour le
fonctionnement normal et pour chaque type de défaut. La figure 6.a montre une représentation
bidimensionnelle des deux premières composantes principales tandis que la figure 6.b montre la
représentation 3D des trois premières composantes principales. Ces différentes composantes nous montrent
que chaque type de défaut a une signature particulière dans l'espace des caractéristiques qui sont facilement
identifiés par l'algorithme.
Nomenclature :
CO : Circuit ouvert
RS : dégradation de la résistance série
CC : Court-circuit
Ombrage= ombrage partiel
MPPT : Maximum Power Point Tracking
a. Représentation 2D de PC1 et PC2. b. Représentation 3D de PC1, PC2 et PC3.
Figure 6. Représentation des composantes principales
La figure 7.a présente les caractéristiques I-V en fonctionnement normal du système. Dans ce type de
fonctionnement, les données ( Iest ,Vest ) estimées représentées en bleu coïncident avec celles mesurées
( I mes ,Vmes ) représentées en rose.
a. Caractéristique I-V b. Test d’indices
Figure 7. Caractéristique I-V et test d’indices du système en fonctionnement normal.
Les courbes d’indices et de seuils en fonctionnement normal sont représentées à la figure 7.b. Ces deux
courbes d’indices (estimées et Mesurées) sont superposées et inférieures à la limite (en rouge) : ce qui montre
l’absence de défaut.
La Figure 8.a met en évidence la caractéristique I-V lorsqu’un PV est partiellement ombragé. On peut
observer la déformation de la courbe originale qui est principalement due à l’activation des diodes placées
en parallèle avec les PVs concernés.
Les courbes d’indices et de seuils du fonctionnement normal et défectueux sont représentées à la figure 8.b.
Nous pouvons observer entre les instants [80 et 140], une dissimilarité entre les données mesurées et celles
estimées. On observe également que le seuil d’indice SPE a été franchi durant cet intervalle : ce qui signale
la présence du défaut.
Figure 8. Caractéristique I-V et test d’indices du système dans le cas de l’ombrage partiel.
La Figure 9.a présente l’état du système lorsqu’un PV est en court-circuit. On note une diminution de la
tension en circuit ouvert, ce qui traduira également une baisse de la puissance totale du système. Sur les
courbes d’indices et de seuils de la figure 9.b, on observe une dissimilarité entre les données mesurées et
celles estimées à partir de l’instant 80. Cette dissimilarité conduit au débordement des seuils d’indices SPE
et T2 aux instants 90 et 110 respectivement.
Figure 9. Caractéristique I-V et test d’indices du système dans le cas d’un court-circuit.
La caractéristique I-V du système lorsqu’un PV est ouvert est illustrée à la figure 10.a. On peut observer une
diminution considérable du courant de court-circuit et également une légère diminution de la pente ; ce qui
conduit à une réduction de la puissance. On remarque une dissimilarité sur la courbe d’indice T sur
l’ensemble des données (figure 10.b) : ce qui s’explique par la dimunition du courant de court-circuit et la
pente de la caractéristique. L’indice SPE quant à lui connait un débordement à partir de l’instant initial
jusqu’à l’instant 120 qui représente le début de la pente.
a) Caractéristique I-V
b. Test d’indices
Figure 20. Caractéristique I-V et test d’indices du système dans le cas d’un circuit ouvert
Selon que l’erreur MPPT soit au niveau d’un capteur (figure 11.a) ou au niveau du contrôleur (figure 11.b),
deux cas de figure se présentent avec deux signatures différentes. Dans le cas où l’erreur MPPT provient de
la déconnexion d’un capteur, on remarque une constante de la courbe d’indice représentant le défaut à l’ordre
de 90 %. Dans le cas où l’erreur provient du contrôleur, tous les capteurs étant déconnectés, la constante est
de l’ordre de 100 %. Cette constante est facilement identifiable à partir du calcul de la contribution depuis
le script Matlab.
a. au niveau d’un capteur b. au niveau du contrôleur
Figure 31. Tests d’indices dans le cas d’erreur MPPT.
Le tableau 3 présente une étude comparative avec d’autres méthodes de la littérature.
Tableau 3. Comparaison des différentes méthodes.
Nombre Complexité Application

Méthodes Méthode diagnostic
de défaut d’intégration temps réels
Proposée ACPN 5 Simple oui
Chen et al. (2017) Apprentissage automatique 5 Très complexe non
Harrou et al. (2018) Statistique 4 Difficile oui
Dhimish et al. (2018) Réseaux de neurones artificiel 3 Très complexe non
Das et al. (2018) Métaheuristique 2 Complexe oui
Gokmen et al. (2013) Seuil 2 Simple oui
Hazra et al. (2017) Métaheuristique 2 Complexe oui
Fhadel et al. (2019) ACP 1 Simple oui
5. CONCLUSION
Dans cet article, l’analyse en composante principale à noyau (ACPN) appliquée sur les données de la
caractéristique courant tension des panneaux photovoltaïques a été utilisée pour le diagnostic d’un champ
PV en fonctionnement normal et défectueux. Grâce aux deux tests d’indices à savoir la statistique de
Hotelling(T²) et l’indice SPE (Squared prediction error), nous avons pu identifier cinq états de
fonctionnement du système (fonctionnement normal, PV partiellement ombragé, PV en court-circuit et
circuit ouvert, erreur MPPT). Les résultats obtenus montrent l’efficacité de la méthode pour l’identification
des défauts dans un champ PV. Avec le développement des nouveaux systèmes d’enregistrement des
données de la caractéristique I-V, et vue la simplicité de l’algorithme de détection, la méthode proposée
pourra facilement être implémentée sur de simples microcontrôleurs.
6. CONFLIT D’INTÉRÊTS
Les auteurs ne déclarent aucun conflit d'intérêts concernant la publication de cet article.
7. RÉFÉRENCES
Alam M.K., Khan F., Johnson J. and Flicker J., 2015. A Comprehensive Review of Catastrophic Faults in
PV Arrays: Types, Detection, and Mitigation Techniques. IEEE J. Photovoltaics, 5(3), 982–997, doi:
10.1109/JPHOTOV.2015.2397599.
Chen Z., Wu L., Cheng S., Lin P., Wu Y. and Lin W., 2017. Intelligent fault diagnosis of photovoltaic
arrays based on optimized kernel extreme learning machine and I-V characteristics. Applied Energy,
204, 912–931, doi: 10.1016/j.apenergy.2017.05.034.
Das S., Hazra A. and Basu M., 2018. Metaheuristic optimization based fault diagnosis strategy for solar
photovoltaic systems under non-uniform irradiance. Renewable Energy, 118, 452–467, doi:
10.1016/j.renene.2017.10.053.
Dhimish M., Holmes V., Mehrdadi B. and Dales M., 2018. Comparing Mamdani Sugeno fuzzy logic and
RBF ANN network for PV fault detection. Renewable Energy, 117, 257–274, doi:
10.1016/j.renene.2017.10.066.
Fadhel S., Delpha C., Diallo D., Bahri I., Migan A., Trabelsi M., Mimouni, M.F., 2019. PV shading fault
detection and classification based on I-V curve using principal component analysis: Application to
isolated PV system. Solar Energy, 179, 1–10, doi: 10.1016/j.solener.2018.12.048.
Gnetchejo P.J., Essiane S.N., Ele P., Wamkeue R., Wapet D.M. and Ngoffe S.P., 2019a. Enhanced
Vibrating Particles System Algorithm for Parameters Estimation of Photovoltaic System. Journal of
Power and Energy Engineering, 07(8), 1–26, doi: 10.4236/jpee.2019.78001.
Gnetchejo P.J., Ndjakomo Essiane S., Ele P., Wamkeue R., Mbadjoun Wapet D. and Perabi Ngoffe S.,
2019b. Important notes on parameter estimation of solar photovoltaic cell. Energy Conversion and
Management, 197, p. 111870, doi: 10.1016/j.enconman.2019.111870.
Gnetchejo P.J., Ndjakomo Essiane S., Ele P., Wamkeue R., Mbadjoun Wapet D. and Perabi Ngoffe S.,
2019c. Reply to comment on ‘Important notes on parameter estimation of solar photovoltaic cell’, by
Gnetchejo et al. [Energy Conversion and Management,
https://doi.org/10.1016/j.enconman.2019.111870.]. Energy Conversion and Management, 201, p.
112132, doi: 10.1016/j.enconman.2019.112132.
Gnetchejo Patrick Juvet, Ndjakomo Essiane Salomé and Ele Pierre, 2021. A Self-adaptive Algorithm with
Newton Raphson Method for Parameters Identiication of Photovoltaic Modules and Array.
Transactions on Electrical and Electronic Materials, (312), doi: https://doi.org/10.1007/s42341-021-
00312-5.
Gokmen N., Karatepe E., Silvestre S., Celik B. and Ortega P., 2013. An efficient fault diagnosis method
for PV systems based on operating voltage-window. Energy Conversion and Management, 73, 350–
360, doi: 10.1016/j.enconman.2013.05.015.
Harrou F., Sun Y., Taghezouit B., Saidi A. and Hamlati M.-E., 2018. Reliable fault detection and diagnosis
of photovoltaic systems based on statistical monitoring approaches. Renewable Energy, 116, 22–37,
doi: 10.1016/j.renene.2017.09.048.
Hazra A., Das S. and Basu M., 2017. An efficient fault diagnosis method for PV systems following string
current. Journal of Cleaner Production, 154, 220–232, doi: 10.1016/j.jclepro.2017.03.214.
IEA, 2018. Photovoltaic power systems technology collaboration, A Snapshot of Global PV Markets 2018.
International Energy Agency Photovoltaic Power System Programme (IEA PVPS).
Jiang L.L. and Maskell D.L., 2015. Automatic fault detection and diagnosis for photovoltaic systems using
combined artificial neural network and analytical based methods. International Joint Conference on
Neural Networks (IJCNN), Killarney, 1–8, doi: 10.1109/IJCNN.2015.7280498.
Kwami A., 2019. Diagnostic de systèmes non linéaires par analyse en composantes principales à noyau,
Thèse, Automatique / Robotique, Université de Lorraine.
Madeti S.R. and Singh S.N., 2017. Monitoring system for photovoltaic plants: A review. Renewable and
Sustainable Energy Reviews, 67, 1180–1207, doi: 10.1016/j.rser.2016.09.088.
Nguyen V.H. and Golinval J.-C., 2010. Fault detection based on Kernel Principal Component Analysis.
Engineering Structures, 32(11), 3683–3691, doi: 10.1016/j.engstruct.2010.08.012.
Pilario K.E.S., Cao Y. and Shafiee M., 2019. Mixed kernel canonical variate dissimilarity analysis for
incipient fault monitoring in nonlinear dynamic processes. Computers & Chemical Engineering, 123,
143–154, doi: 10.1016/j.compchemeng.2018.12.027.
Wang W., Liu A.C.-F., Chung H.S.-H., Lau R.W.-H., Zhang J. and Lo A.W.-L., 2016. Fault Diagnosis of
Photovoltaic Panels Using Dynamic Current–Voltage Characteristics. IEEE Trans. Power Electron.,
31(2), 1588–1599, doi: 10.1109/TPEL.2015.2424079.
View publication stats

1 Lorexp 2021 A1090 Juvet

Transféré par

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

1 Lorexp 2021 A1090 Juvet

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

1 Lorexp 2021 A1090 Juvet

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Fault detection in PV array based on statistical analysis

Conference Paper · December 2021

Patrick JUVET Gnetchejo Salomé Ndjakomo Essiane

SEE PROFILE SEE PROFILE

Pierre Ele Steve Perabi Ngoffe

SEE PROFILE SEE PROFILE

The user has requested enhancement of the downloaded file.

The 1st International Conference on Local

2. MODÉLISATION DU CHAMP PHOTOVOLTAIQUE

2.1. Modèle d’une cellule PV

Figure 1. Circuit électrique du modèle à une diode d’une cellule PV.

I est le courant de sortie [A], V la tension de la cellule [V], I ph le photocourant[A], I 0 le courant de

2.2. Modélisation d’un champ photovoltaique

Où Ns et Np sont respectivement le nombre de cellules connectées en séries et en parallèles. En considérant

  q (V + I .Rs ')   V + I .Rs '

Tableau 1. Relation entre les paramètres d’une cellule et un champ PV

3. DÉTECTION DES DÉFAUTS PAR L’ACPN

3.1. Principe de l’ACPN

La fonction noyau est définie par :

N.. = K. (7)

3.2. Application de l’ACPN pour la détection des défauts.

Avec Fl ,( N −l ) la distribution de Fisher.

SPE (k ) = eT (k ).e(k ) (10)

Un défaut est détecté lorsque l’indice est supérieur à la limite de confiance  2

pour i = 1, 2,3 et  j est la j valeur propre de la matrice de covariance, et

L’organigramme de l’ACPN est donné à la figure 2.

Figure 2. Algorithme de diagnostic par l’ACPN.

4. APPLICATION DE L’ACPN POUR LA DETECTION DES DEFAUTS DANS UN CHAMP PV

4.1. Modèle Simulink du champ PV

Tableau 2. Spécification technique du panneau PV GL-M100

Coefficient de température de Pmpp -0.5 %K

Nombre de cellules en série 36

Figure 3. Modèle Simulink du champ PV

Figure 4. Modèle Simulink d’un panneau photovoltaïque

TIPH 1 est le coefficient de température du photocourant ; G l’irradiation , T la température ; G0 et T0 sont

- 2ième étape :circuit ouvert

- 4ième étape : ombrage partiel

Figure 5. Caractéristique I-V des différents états de fonctionnement.

a. Représentation 2D de PC1 et PC2. b. Représentation 3D de PC1, PC2 et PC3.

Figure 6. Représentation des composantes principales

( I mes ,Vmes ) représentées en rose.

a. Caractéristique I-V b. Test d’indices

Figure 7. Caractéristique I-V et test d’indices du système en fonctionnement normal.

a. Caractéristique I-V b. Test d’indices

a. Caractéristique I-V b. Test d’indices

a. au niveau d’un capteur b. au niveau du contrôleur

Figure 31. Tests d’indices dans le cas d’erreur MPPT.

Le tableau 3 présente une étude comparative avec d’autres méthodes de la littérature.

Tableau 3. Comparaison des différentes méthodes.

Nombre Complexité Application

Harrou et al. (2018) Statistique 4 Difficile oui

Dhimish et al. (2018) Réseaux de neurones artificiel 3 Très complexe non

Das et al. (2018) Métaheuristique 2 Complexe oui

Gokmen et al. (2013) Seuil 2 Simple oui

Hazra et al. (2017) Métaheuristique 2 Complexe oui

Fhadel et al. (2019) ACP 1 Simple oui

View publication stats