Big Data and Artificial Intelligence for Improving the Performance and Efficiency of Large-Scale Grid-Connected PV Power Plant.
| dc.contributor.author | Amiri Ahmed Faris | |
| dc.contributor.author | enca/Oudira Houcine | |
| dc.date.accessioned | 2024-12-08T09:51:13Z | |
| dc.date.available | 2024-12-08T09:51:13Z | |
| dc.date.issued | 2024-12-08 | |
| dc.description.abstract | Cette thèse propose des solutions efficaces et simples pour la détection et le diagnostic des défauts dans les systèmes photovoltaïques (PV). Le travail est organisé autour de trois méthodes principales : Première méthode repose sur une approche en deux étapes : d ans la première étape, un modèle précis des panneaux photovoltaïques est développé en utilisant le modèle à une diode (One Diode Model ODM), avec l'identification des paramètres inconnus grâce à l'algorithme amélioré du loup gris (Modified Grey Wolf Opti mization MGWO), et l'extraction des coordonnées du point de puissance maximale (MPP). La deuxième étape consiste à développer deux classificateurs basés sur la méthode des forêts aléatoires (Random Forest Classifiers RFCs), l'un destiné à détecter les défauts et l'autre à diagnostiquer leur nature. Deuxième méthode repose sur l’utilisation du modèle de performance des panneaux photovoltaïques Sandia (SAPM) pour simuler avec précision le comportement des panneaux photovoltaïques. Les paramètres du mod èle sont extraits à l'aide de l'algorithme de l'abeille artificielle (ABC), afin d’optimiser les paramètres et réduire les erreurs entre les données mesurées et les données simulées. Cette méthode combine également l'apprentissage profond avec un réseau ne uronal convolutif (CNN) et une unité récurrente à portes bidirectionnelles (Bi GRU) pour analyser les sorties dynamiques des systèmes photovoltaïques au point de MPP, permettant ainsi de détecter et de diagnostiquer les défauts avec une grande précision. Troisième méthode : Elle est axée sur la modélisation prédictive de la production photovoltaïque et l’évaluation des performances du système. Cette méthode inclut la suppression des données aberrantes, la sélection rigoureuse des caractéristiques pertin entes et l’optimisation des hyperparamètres pour améliorer les modèles prédictifs. Elle est intégrée dans une interface MATLAB pour faciliter son application dans des scénarios réels. L’efficacité de ces méthodes a été évaluée à l’aide de données réelles p rovenant de systèmes photovoltaïques, prouvant leur capacité à améliorer la performance des systèmes tout en détectant et diagnostiquant les défauts de manière précise et rapide. Mots | |
| dc.identifier.other | EL/2024 | |
| dc.identifier.uri | https://dspace.univ-msila.dz/handle/123456789/45087 | |
| dc.language.iso | fr | |
| dc.publisher | University of M'sila | |
| dc.relation.ispartofseries | 2024 | |
| dc.subject | photovoltaïque | |
| dc.subject | fautes | |
| dc.subject | Classificateurs Forest Random | |
| dc.subject | optimisat ion | |
| dc.subject | réseau neuronal convolutif | |
| dc.subject | unité récurrente à portes bidirectionnelles | |
| dc.subject | deep learning. | |
| dc.title | Big Data and Artificial Intelligence for Improving the Performance and Efficiency of Large-Scale Grid-Connected PV Power Plant. | |
| dc.type | Thesis |