Utilisation des réseaux de neurones artificiels pour l'optimisation de la commande mppt et la détection des défauts des panneaux solaires

Aloulou, Oussema (2024). Utilisation des réseaux de neurones artificiels pour l'optimisation de la commande mppt et la détection des défauts des panneaux solaires. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Repéré dans Depositum à https://depositum.uqat.ca/id/eprint/1621

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

RÉSUMÉ

Ce projet vise à améliorer les performances et la fiabilité des systèmes photovoltaïques en intégrant les technologies avancées d'intelligence artificielle, spécifiquement à travers l'utilisation de réseaux de neurones artificiels (RNA) et de réseaux de neurones convolutifs (CNN). Nous avons appliqué les RNA pour optimiser la stratégie de commande du point de puissance maximale (MPPT) où ils ont été comparés à la méthode traditionnelle de Perturbation et Observation (P&O). Cette optimisation a été réalisée par la mise en oeuvre de modèles de RNA qui ajustent dynamiquement la tension pour répondre aux fluctuations des conditions atmosphériques, modélisée et simulée à l'aide de MATLAB Simulink.

En parallèle, nous avons exploré l'application des CNN pour détecter et classifier les défauts des panneaux solaires, une étape essentielle pour la maintenance préventive et la gestion de l'efficience des systèmes. Ces réseaux ont été entraînés et testés dans MATLAB Simulink, où ils ont démontré une capacité supérieure à identifier divers types de défauts photovoltaïques avec précision et rapidité.

ABSTRACT

This project aims to improve the performance and reliability of photovoltaic systems by integrating advanced artificial intelligence technologies, specifically using artificial neural networks (ANN) and convolutional neural networks (CNN). We applied ANNs to optimize the Maximum Power Point Tracking (MPPT) strategy, where they were compared with the traditional Perturb and Observe (P&O) method. This optimization was achieved by implementing ANN models that dynamically adjust the voltage to respond to fluctuations in atmospheric conditions, modeled and simulated using MATLAB Simulink.

In parallel, we explored the use of CNNs to detect and classify defects in solar panels, an essential step for preventive maintenance and system efficiency management. These networks were trained and tested in MATLAB Simulink, where they demonstrated superior ability to identify various types of photovoltaic defects with accuracy and speed.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur de mémoire/thèse:	Slaoui Hasnaoui, Fouad
Codirecteurs de mémoire/thèse:	Erchiqui, Fouad
Mots-clés libres:	Photovoltaïque, Convertisseur DC-DC Boost, MPPT, P&O, Intelligence artificielle, RNA, CNN, MATLAB Simulink, Photovoltaic, DC-DC Boost Converter, MPPT, P&O, Artificial Intelligence, ANN, CNN, MATLAB Simulink.
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	05 déc. 2024 13:13
Dernière modification:	05 déc. 2024 13:13
URI:	https://depositum.uqat.ca/id/eprint/1621

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt