Par PV tech . Des scientifiques de la Sorbonne Université en France , de l’ École normale supérieure de Rennes (ENS Rennes) et de l’Université Paris-Saclay ont proposé une nouvelle technologie d’apprentissage automatique conçue pour faciliter la planification des opérations de nettoyage des modules photovoltaïques.
Image: IBC Solar
La technologie a été conçue pour les projets solaires de faible puissance et les panneaux photovoltaïques autonomes dans les zones rurales sans connexion au réseau. Dans de tels endroits, un manque d’entretien peut entraîner une dégradation des performances, des dommages ou un abandon.
Les universitaires ont déclaré qu’ils visaient à combler une lacune mise en évidence dans les projets de recherche antérieurs. En particulier dans les régions éloignées, l’efficacité des panneaux solaires dans les systèmes autonomes peut se dégrader de 6% en une journée et jusqu’à 18% sur une période d’un mois si la poussière n’est pas régulièrement nettoyée des modules.
«La quantification des salissures est cruciale car elle permet de calculer des intervalles économiquement optimaux pour les interventions de nettoyage», ont déclaré les chercheurs.
Les scientifiques ont décrit la technologie comme une solution à faible coût. «I l utilise des signaux déjà surveillés dans des installations solaires autonomes et nécessite des capteurs à faible coût», a déclaré le chercheur Matthias Heinrich au magazine pv .
Nettoyage des modules photovoltaïques
La technologie proposée est basée sur un classificateur binaire pour la détection de nettoyage qui repose sur des capteurs de température, de tension et de courant à faible coût . L’équipe a testé différents classificateurs en utilisant des ensembles de données étiquetés fournis par un système de pompage d’eau solaire à distance dans un village rural du Burkina Faso.
Le système autonome est basé sur un panneau solaire de 620 W, une motopompe équipée d’un onduleur avec suivi du point de puissance maximale (MPPT) et un réservoir d’eau de 11,4 m 3 . Les opérations de nettoyage sont généralement exécutées manuellement et sont plus fréquentes tout au long de la saison sèche, de novembre à mai, que pendant la saison des pluies d’avril à octobre.
«Le nettoyage manuel à l’eau est utilisé car il s’agit d’un bon compromis entre des jets d’eau coûteux et des nettoyages manuels à sec à faible efficacité», ont déclaré les chercheurs. «L’eau étant un solvant peu coûteux, aucune eau déminéralisée ni aucun détergent coûteux n’est utilisé.»
Ils ont construit un ensemble de données en menant des opérations de nettoyage. Celles – ci ont été uniformément réparties de 6 h 00 à 18 h 00 sur une période de 10 jours , le nettoyage étant effectué quotidiennement avec des nettoyages espacés de 20 minutes. Les chercheurs ont évalué 57 séances de nettoyage, dont 34 en mode pompage et 23 sans activité de pompage.
Forêt aléatoire
Les chercheurs ont mis en œuvre plusieurs modèles d’apprentissage automatique pour extraire les caractéristiques des signaux pour une résolution temporelle inférieure à 300 secondes. La technologie d’apprentissage automatique la plus précise est basée sur un modèle de forêt aléatoire combiné à la température du module, à la tension du réseau et aux signaux de courant. Ce modèle a fourni le classificateur le plus précis , avec un taux de précision de 95%.
«Cela démontre que seuls quelques signaux (courant et tension du générateur, température du module) doivent être surveillés avec une résolution temporelle relativement faible (300 s soit une fréquence de 3,5 mHz) pour avoir une bonne image de l’entretien régulier d’une installation photovoltaïque à distance et de son état de saleté », ont déclaré les universitaires.
La forêt aléatoire est un algorithme d’apprentissage supervisé qui peut produire des arbres de décision sur des échantillons de données, faire des prédictions à partir de chacun d’eux, puis sélectionner les prédictions les plus votées comme résultat final. Il est connu pour fournir une grande précision, tout en s’exécutant efficacement sur de grandes bases de données et en estimant les variables importantes dans la classification, entre autres.
«L’objectif final est de proposer des solutions aux entreprises qui leur permettent d’améliorer la maintenance des panneaux photovoltaïques dans les zones rurales», a déclaré Heinrich. «Pour atteindre cet objectif, nous travaillons actuellement sur la robustesse et la fiabilité de notre modèle.»
Les chercheurs ont présenté leurs résultats dans « Détection des interventions de nettoyage sur les modules photovoltaïques avec apprentissage automatique », publié dans Applied Energy .
