Etudiant : SOUBAI CHAIMA

Filière : Master Systèmes Intelligents et Décisionnels (MSID)

Encadrant : Pr. BOUMHIDI JAOUAD

Annèe : 2023

Résumé : L’utilisation de l’énergie solaire pour la production d’électricité est en constante augmentation dans le monde entier. Les modules photovoltaïques sont les composants clés des installations solaires et leur performance est essentielle pour garantir un rendement optimal de ces systèmes. Cependant, les modules photovoltaïques peuvent être sujets à des anomalies, telles que des défauts de fabrication, des dommages environnementaux, des dépôts de poussière ou de saleté, des problèmes de végétation, etc. qui peuvent réduireconsidérablement leur efficacité. Dans ce contexte, la classification efficace des anomalies dans les modules photovol- taïques est d’une importance primordiale pour optimiser leur performance et minimiser les coûts de maintenance. Dans ce projet, nous proposons une méthode de classification de défauts efficace à l’aide d’un réseau de neurones à convolution. Nous avons classé les anomalies en quatre catégories : pas d’anomalie, module hors ligne, cracked,shadowing. Nous avons utilisé un ensemble de données comprenant des images thermiques et RGBainsi que des données météorologiques en format CSV. Les images thermiques et RGB sontutilisées pour capturer les caractéristiques des anomalies et les données météorologiques sont utilisées pour évaluer l’impact des conditions météorologiques sur la performance des modules photovoltaïques. L’approche proposée dans ce projet peut aider les propriétaires d’installations solaires à identifier rapidement et précisément les anomalies dans les modules photovoltaïques, cequi peut réduire considérablement les coûts de maintenance et améliorer l’efficacité des i