Académique Documents
Professionnel Documents
Culture Documents
IMPORTANT : Les étudiants titulaires de Master ou équivalent doivent envoyer leur dossier complet
au porteur du projet de thèse et au laboratoire indiqué, et pas à l’Ecole Doctorale
Date limite de dépôt par le laboratoire du dossier du candidat sélectionné, à l’Ecole Doctorale :
le, vendredi 12 juin 2020, 18 h heure de Guyane.
Résumé 1 (5-8 lignes, police Arial 10) Le projet de thèse consiste à élaborer une méthode de
: Présentation explicite du projet de prédiction, d'identification et de localisation des défauts des
thèse – Aspects scientifiques systèmes photovoltaïques, afin d'optimiser la production
Finalité, méthodologie et d'énergie en sortie des centrales, en exploitant des approches
problématique, intérêt scientifique, issues de l'intelligence artificielle. L'objectif final est de
caractère innovant concevoir et de réaliser un système de supervision des
défauts des installations photovoltaïques qui allie prédiction,
identification et localisation des défauts.
Résumé 2 (5-8 lignes, police Arial Le projet se situe à l’interface des domaines suivants : les
10) : Présentation des enjeux de la énergies renouvelables et l’intelligence artificielle.
thèse Adéquation avec la politique La thèse contribuera à développer une activité de recherche
scientifique de l’Etablissement - sur le thème des Télé-technologies par l'UMR Espace-Dev
Intérêt de cette thèse dans le cadre (Energies renouvelables, capteurs, télédétection).
du développement régional La collaboration avec notre partenariat ALBIOMA donnera un
caractère valorisable économiquement et un intérêt régional
au projet.
Explicitation du Projet de thèse
1°) Présentation des aspects scientifiques du projet de thèse (½ page à 1 page environ, police Arial 10)
Le projet s’inscrit dans le cadre d’une collaboration avec l’entreprise (ALBIOMA), en vue de proposer une
nouvelle approche pour la prédiction des défauts des systèmes photovoltaïques (PV) afin d'améliorer le
rendement et la fiabilité des centrales PV.
Problématique
La détection des défauts dans les panneaux solaires photovoltaïques (PV) est une tâche fondamentale pour
accroître la fiabilité, l'efficacité et la sécurité des systèmes PV. Sans détection appropriée, l'apparition de défauts
dans les centrales photovoltaïques peut provoquer non seulement des pertes de performance, mais peuvent
également entraîner des problèmes de sécurité et des risques d'incendie.
Depuis quelques années la recherche sur la technologie photovoltaïque (PV) se concentre sur l'étude des défauts, la
fiabilité des installations et la dégradation des systèmes photovoltaïques afin d'améliorer les performances des
systèmes photovoltaïques. L'identification précise des défauts des systèmes photovoltaïques conditionne la rentabilité
des installations en réduisant les coûts opérationnels. En outre la mise en place d'outils de diagnostic prédictif des
pannes sur des installations photovoltaïques permet d'assurer une production d'énergie optimale en permettant à
l'opérateur de prendre suffisamment tôt les mesures correctives nécessaires en vue de minimiser les pertes de
production en cas de panne.
Etat de l’art
Il existe plusieurs méthodes de surveillance des défauts des centrales photovoltaïque, elles sont principalement
basées sur le suivi du rendement de la centrale. Ces méthodes mesurent la production en sortie de la centrale et
le comparent à un rendement théorique ou modélisé, elles se concentrent également sur le suivi du bon
fonctionnement des convertisseurs et des dispositifs de communication.
Cependant ces méthodes ne sont pas fiables, par exemple des études montrent que dans certaines conditions
environnementales (rayonnement et température), le générateur photovoltaïque défectueux peut avoir la même
tension et le même courant de fonctionnement que le générateur photovoltaïque normal, ce qui rend difficile la
détection et la classification des défauts des installations solaires photovoltaïques.
A ce jour, peu de méthodes de diagnostic des défauts des composants et systèmes PV basées sur l'intelligence
artificielle ont été développées. Cependant, compte tenu de l'évolution des installations photovoltaïques, des
techniques de surveillance plus avancées sont constamment à l'étude.
Nouveauté de la thèse :
La finalité de cette thèse consiste à proposer une approche d’apprentissage automatique pour la
prédiction, la détection, et la localisation des défauts des systèmes PV adaptée aux conditions
environnementales de la Guyane.
Travaux futurs
FFig. 2 : Intégration du sujet de thèse dans les travaux de la thématique
Planification
Caractère innovant
Le caractère innovant de ce projet consiste en l’introduction des méthodes d’apprentissage automatique et de
prédiction, considérée comme travaux de recherches théoriques, dans le domaine industriel afin d'améliorer la
productivité et la fiabilité des centrales de production d'énergie PV.
2°) Présentation des enjeux de la thèse (½ page à 1 page environ, police Arial 10)
Ce projet de thèse vise à développer des outils numériques pour optimiser la production d’énergie via des
systèmes de monitorings. Ces algorithmes d'apprentissage automatique de nouvelle génération, seront mis à
l’épreuve ainsi que les outils de suivi et de pilotage chargés d'offrir de nouvelles flexibilités pour expérimenter de
nouveaux modes de maintenance (prédictive notamment).
Ce sujet contribue au développement des télé-technologies car les travaux de la thèse autorisent le pilotage à
distance une centrale PV en rapatriant les données de monitoring via une liaison téléphonique/internet sur un
poste de contrôle distant. Ce type de technologie est indispensable sur un territoire complexe comme celui de la
Guyane compte tenu de l'aménagement contraint et de la dispersion de la population.
Ce sujet contribue au développement des télé-technologies car les travaux de la thèse autorisent le pilotage à
distance une centrale PV en rapatriant les données de monitoring via une liaison téléphonique/internet sur un poste
de contrôle distant. Ce type de technologie est indispensable sur un territoire complexe comme celui de la Guyane
compte tenu de l'aménagement contraint et de la
L'expérience acquise à travers cette thèse pourra être transférée pour le "Smart monitoring" d’infrastructures,
ce "smart-monitoring" assurera :
o la maintenance intelligente et prédictive – et le contrôle à distance ‐ de tous types de structures
consommant ou produisant de l'énergie (hôpitaux, écoles, secteur énergétique, cabines de
télémédecine, télé‐éducation, relais hertziens , sites isolés etc.)
Cette thématique de recherche contribuera aussi à mettre en lumière quelques métiers porteurs pour l'avenir et à
développer : ingénieur projet, développeur informatique, technicien réseaux, installateur de système de
monitorings, …
- Syafaruddin & Zinger, Donald. (2019). Review on Methods of Fault Diagnosis in Photovoltaic System
Applications. Journal of Engineering Science and Technology Review. 12. 53-66. 10.25103/jestr.125.07.
- Triki-Lahiani, Asma & Bennani-Ben Abdelghani, Afef & Slama-Belkhodja, Ilhem. (2017). Fault detection and
monitoring systems for photovoltaic installations: A review. Renewable and Sustainable Energy Reviews. 82.
10.1016/j.rser.2017.09.101
- Livera, Andreas & Theristis, Marios & Makrides, George & Georghiou, George. (2019). Recent advances in
failure diagnosis techniques based on performance data analysis for grid-connected photovoltaic systems.
Renewable Energy. 133. 126-143. 10.1016/j.renene.2018.09.101.
- Coleman, Andon & Zalewski, Janusz. (2011). Intelligent fault detection and diagnostics in solar plants. 948-
953. 10.1109/IDAACS.2011.6072914.
- Daliento, Santolo & Aissa, Chouder & Guerriero, Pierluigi & Massi Pavan, Alessandro & Mellit, Adel & Moeini,
Rana & Tricoli, and. (2017). Monitoring, Diagnosis, and Power Forecasting for Photovoltaic Fields: A Review.
International Journal of Photoenergy. Volume 2017. 13. 10.1155/2017/1356851.
- Rodrigues, Sandy & Ramos, Helena & Morgado-Dias, F.. (2017). Machine Learning in PV Fault Detection,
Diagnostics and Prognostics: A Review.
- Abdulmawjood, Kais & S. Refaat, Shady & Morsi, Walid. (2018). Detection and prediction of faults in
photovoltaic arrays: A review. 1-8. 10.1109/CPE.2018.8372609.
- Rosvold, G. I. (2017). PV monitoring and fault detection: Evaluation of machine learning for prediction of PV
soiling in Northern Cape, South-Africa
- S.Zermani, L. Linguet, and V. Reboul, ”A Bayesian Network Model for Health Management applied
to Combustion Turbines”, ACADEMICS WORLD 138th INTERNATIONAL CONFERENCE, 2019
- S. Zermani, C. Dezan, C.Hireche, R. Euler, and J. Diguet, ”Embedded Context Aware Diagnosis
for a UAV SoC Platform”, Elsevier Embedded Hardware Design Journal (MICPRO’ 16), 2017.
- S. Zermani, C. Dezan, and R. Euler, ”Embedded Decision Making for Unmanned Aerial Vehicle
(drone) Missions”, 6th Mediterranean Conference on Embedded Computing (MECO’ 17),
Montenegro, juin 2017 ;
- S. Zermani, C. Dezan, C.Hireche, R. Euler, and J. Diguet, ”Embedded and Probabilistic Health
Management for the GPS of Autonomous Vehicles”, 5th Mediterranean Conference on Embedded
Computing (MECO’ 16), Montenegro, juin 2016 ;
- S. Zermani, C. Dezan, R. Euler, and J. Diguet, ”Bayesian network based framework for the design
of reconfigurable health management monitors”, NASA/ESA Conference on Adaptive Hardware
and systems (AHS’15), Montreal, juin 2015 ;