ECOLE DOCTORALE ED587

“Diversités, Santé et développement en Amazonie”

Campus de Troubiran, 97337 Cayenne – Tel : 05 94 29 99 58 – E.mail : ecole.doctorale@univ-guyane.fr
Site : https ://univ – guyane.fr / ecole - doctorale

PROJET DE THESE pour l’ANNEE 2020-2021

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.

Discipline : Sciences et technologies

Discipline et Mention du Doctorat Mention : Informatique

Domaine scientifique principal Informatique

Domaines scientifiques secondaires Science pour l’ingénieur, Energie

Unités de rattachement UMR Espace-Dev

- Unités adossés à l’ED : UMR
EcoFoG, UMR Espace-Dev, UMR
QualiSud, UMSR LEEISA, EA EPaT,
EA MINEA, IPG)
Autre Unité de rattachement de
l’Université de Guyane (UG) ou
convention en cours.

LINGUET LAURENT, Professeur des universités,

Direction Directeur et Co-directeur Université de Guyane (linguetlaur@gmail.com)
de la thèse éventuel envisagé
Co-encadrant(s) éventuel Sara ZERMANI, MCF, UG (sara.zermani@gmail.com)
(s) envisagé(s)

Collaborations extérieures ALBIOMA

éventuelles envisagées (convention de
codirection, - de cotutelle ; entreprise…)
Analyse prédictive, apprentissage automatique (machine
Connaissances et compétences learning), langage C, Matlab
requises chez l’étudiant

Méthodes d’apprentissage automatique appliquées à la

Titre de la thèse prédiction de défauts des systèmes photovoltaïques

Résumé 1 (5-8 lignes, police Arial 10)
: Présentation explicite du projet de
thèse – Aspects scientifiques
Finalité, méthodologie et
problématique, intérêt scientifique,
caractère innovant
Le projet de thèse consiste à élaborer une méthode de
prédiction, d'identification et de localisation des défauts des
systèmes photovoltaïques, afin d'optimiser la production
d'énergie en sortie des centrales, en exploitant des approches
issues de l'intelligence artificielle. L'objectif final est de
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
10) : Présentation des enjeux de la
thèse Adéquation avec la politique
scientifique de l’Etablissement -
Intérêt de cette thèse dans le cadre
du développement régional
Le projet se situe à l’interface des domaines suivants : les
énergies renouvelables et l’intelligence artificielle.
La thèse contribuera à développer une activité de recherche
sur le thème des Télé-technologies par l'UMR Espace-Dev
(Energies renouvelables, capteurs, télédétection).
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)

Finalité et intérêt scientifique

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

Contexte général du solaire

L'énergie solaire est une ressource illimitée et chaque année le marché de l'énergie photovoltaïque gagne en
importance pour devenir de plus en plus compétitif par rapport aux autres types d'énergies. Comme tout système
de production d'énergie, les installations photovoltaïques (PV) doivent être monitorées/surveillées pour assurer et
améliorer leurs performances et leur fiabilité.

Contexte général de l'IA

L'application de l'intelligence artificielle dans la recherche photovoltaïque peut être classée en cinq grandes
catégories :
1. identification des paramètres de modèles de cellules solaires
2. dimensionnement des systèmes PV
3. contrôle des systèmes PV (suivi de point de puissance maximal, contrôle de l'onduleur, ..)
4. prévision de l'irradiance et estimation de la puissance de sortie PV
5. diagnostic de panne des systèmes photovoltaïques.

Contexte général de la maintenance/diagnostic prédictif

La majorité des systèmes photovoltaïques fonctionnent dans des environnements extérieurs difficiles, ce qui
affecte les systèmes et est à l'origine de défauts. Ces défauts peuvent être des défauts de vieillissement du
matériau, d'ombrage sur les panneaux PV, de court-circuit ou d'ouverture des circuits électriques.

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.

Méthodologie et Objectif de la thèse

Parmi les différentes méthodes disponibles pour réaliser la détection de pannes multiples, les approches
numériques basées sur l'intelligence artificielle peuvent être mises en oeuvre. C'est l'objectif du sujet de thèse
proposé qui consiste, à partir de mesures réalisées sur des installations photovoltaïques par des systèmes de
monitoring, à élaborer une méthode de prédiction, d'identification et de localisation des défauts afin d'optimiser la
production d'énergie en sortie des centrales.
Le sujet de thèse qui fait l'objet de cette fiche a pour objectif de définir et concevoir des méthodes d'analyse prédictive
basées sur les mesures de paramètres de fonctionnement faites par des systèmes de monitoring implantés sur les
centrales PV. Des méthodes d’apprentissage automatique seront développées en vue d'identifier les défauts sur les
systèmes PV. Notre contribution consistera à créer les algorithmes visant à prédire, détecter, localiser les défauts. Le
résultat obtenu permettra de réduire le temps lié à l'arrêt brutal des centrales en cas d'incident et augmenter ainsi leur
fiabilité et la production globale.

 Description des méthodes :

La mise en œuvre de ces méthodes se fera selon les étapes suivantes : analyse des données,
diagnostic, prédiction et prise de décision.

1. Système de monitoring 2. Diagnostic predectif 3. Prise de décision

• Analyse des données • Construction du •Construction du

• définition des modèle modèle de prise de
paramètres les plus d'apprentissage décision pour un
pertinents automatique pour la fonctionnement
détection, la automatique et
localisation et la adaptatif
prédiction des défauts

Fig. 1 : Les différents objectifs du projet de thèse et les attendus

 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.

Les méthodes existantes permettent, généralement, de faire du monitoring, de la détection et de la

localisation des défauts en comparant une mesure réelle (ex : production d'énergie mesurée à
l’instant t) avec une valeur prédite ou estimée. Dans ce travail de thèse nous proposons une
approche qui combine diagnostic des défauts et algorithme d’apprentissage automatique pour
pouvoir faire du diagnostic prédictif des défauts. Pour cela, nous utiliserons un réseau bayésien
dynamique, dans lequel les données de monitoring permettront dans un premier temps la
construction d’un modèle d’état de santé statique de la centrale PV, ensuite nous utiliserons
l’historique des données de monitoring pour obtenir un réseau dynamique capable de prédire les
états futurs de la centrale PV (fonctionnement correct ou en défaut). Nous utiliserons aussi d'autres
méthodes comme la combinaison d’un réseau bayésien naïf pour construire l’état de santé de la
centrale PV avec un réseau de neurones pour la prédire les défauts. La combinaison de ces deux
méthodes semble prometteuse dans la mesure où les méthodes basées sur les réseaux de
neurones ne fournissent pas de mesure de l'incertitude liées à la prédiction. Cette mesure
d'incertitude très importante dans le cadre des systèmes de monitoring qui sera fournie par le
réseau bayésien.

La contribution de cette thèse s’intégrera dans la thématique du labo ‘Gestion intelligente de la

production PV’ afin d’optimiser et améliorer la maîtrise de la production d’énergie renouvelable
intermittente.

Observation (in-situ, spatiale)

Prédiction des Prédiction Prédiction de

pannes d’ensoleillement stockage
Travaux de thèse Travaux existants Travaux de cours

Gestion intelligente de la production PV

Travaux futurs
FFig. 2 : Intégration du sujet de thèse dans les travaux de la thématique
 Planification

Le projet se décompose en 3 parties principales :

1. Etude bibliographique et travail de recherche (6 mois) :

- étude du fonctionnement des systèmes photovoltaïques,
- exploration des défauts sur les PVs et les méthodes de maintenances existantes,
- acquisition des données de mesures des systèmes de monitoring des PVs et les analyser.

2. Conception et développement de l’approche prédictive (18 mois):

- proposition d’une approche d’apprentissage automatique et de prédiction des défaillances des centrales
PV.
- conception du modèle de l’approche proposée,
- développement du modèle,
- tests sur des données aléatoires.

3. Validation des résultats avec des données réelles (6 mois):

- test et validation sur les vraies données des systèmes de monitoring, fournies par le partenaire et collectées
sur une longue durée.

4. Publication et valorisation des résultats (6 mois) :

- rédaction d’articles, rédaction du rapport de thèse
- valorisation industrielle des résultats

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, …

Adéquation avec la politique scientifique de l’Etablissement

Ce projet de thèse est en adéquation avec la thématique "Technologies innovantes, Télétechnologies" qui est
l'un des axes prioritaires de la politique de recherche de l'université de Guyane.
3°) Références (5 à 10 références bibliographiques) :

- SYSTEMES ENERGETIQUES INSULAIRES GUYANE BILAN PREVISIONNEL DE L’EQUILIBRE OFFRE /

DEMANDE D’ELECTRICITE Juillet 2017
https://www.edf.gf/sites/default/files/SEI/producteurs/guyane/edf_sei_bp2017_guyane.pdf

- 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

Nos Références sur la thématique du sujet de thèse

- 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 ;