These

Modélisation et analyse expérimentale d’une centrale
solaire photovoltaïque en milieu désertique maritime

Daha Hassan Daher
To cite this version:

Daha Hassan Daher. Modélisation et analyse expérimentale d’une centrale solaire photovoltaïque en
milieu désertique maritime. Thermique [physics.class-ph]. Université de Lyon, 2017. Français. �NNT :
2017LYSEI102�. �tel-01920874v2�
HAL Id: tel-01920874

https://tel.archives-ouvertes.fr/tel-01920874v2
Submitted on 11 Jan 2019
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
N°d’ordre NNT : 2017LYSEI102
THESE de DOCTORAT DE L’UNIVERSITE DE LYON

opérée au sein de
Institut National des Sciences Appliquées de Lyon
Ecole Doctorale N° 162

Mécanique, Energétique, Génie civil, Acoustique
Spécialité/ discipline de doctorat :

Thermique Energétique
Soutenue publiquement le 06/11/2017, par :

Daha Hassan Daher
Modélisation et analyse expérimentale

d’une centrale solaire photovoltaïque
en milieu désertique maritime
Devant le jury composé de :
LEMITI, Mustapha Professeur INSA-LYON Président

JEMNI, Abdelmajid Professeur ENIM Rapporteur
LOGERAIS, Pierre-Olivier MCF/HDR UPEC Rapporteur
PERRIN, Marion Docteur CEA-INES Examinatrice
AMARA, Mohamed Docteur/CR CNRS Examinateur
MENEZO, Christophe Professeur USMB Directeur de thèse
GAILLARD, Léon Docteur USMB Invité
Cette thèse est accessible à l'adresse : http://theses.insa-lyon.fr/publication/2017LYSEI102/these.pdf

© [D. Hassan Daher], [2017], INSA Lyon, tous droits réservés
Dédicaces
A la mémoire de mon père
A ma bien-aimée mère, Fatma Ahmed Abdallah
A ma chère et tendre épouse, Sagal Mohamed Abdi
Aux prunelles de mes yeux, mon fils Muhammad et ma fille Aïcha
Daha Hassan Daher INSA-Lyon 2017 i

Remerciements
Je souhaite par ces quelques mots, adressé mes chaleureuses remerciements à ce qui
ont de près ou de loin contribué à la réalisation de ce travail de thèse.
J’adresse tout d’abord mes remerciements à M. Mustapha LEMITI, professeur à
l’INSA de Lyon, d’avoir accepté d’être le président de mon jury ainsi que M. Abdelmajid
JEMNI, professeur à l’Ecole Nationale d’Ingénieurs de Monastir, et M. Pierre-Olivier
LOGERAIS, Maitre de conférence/HDR à l’Université Paris-Est-Créteil, d’avoir accepté
d’être rapporteurs de ces travaux. Je remercie également Mme. Marion PERRIN, chef de
service au CEA-INES d’avoir accepté d’être membre du jury.
Mes profonds remerciements vont à mon Directeur de thèse, Pr. Christophe MENEZO
pour la confiance qu’il m’a accordé tout au long de la réalisation de cette thèse. Je te remercie
pour ta disponibilité, ton ouverture et ta clairvoyance qui m’ont été un guide précieux au
cours des différentes étapes mes recherches. Merci à Léon GAILLARD, "la force tranquille"
qui m’a toujours soutenu dans mes travaux de recherche du début à la fin "Un homme
d’éthique et d’une très grande valeur morale". Merci pour les compétences que tu as su
partager. Au-delà de l’encadrement, une amitié qui va au-delà des frontières s’est développer
durant cette thèse. Merci également Mohamed AMARA pour son encadrement durant cette
thèse. Mes remerciements vont au Directeur du CETHIL, Pr. Jocelyn BONJOUR pour
m’avoir accueilli dans son laboratoire durant ces années de thèse. Merci également au
Pr. Monika WOLOSZYN, directrice du LOCIE pour m’avoir accueilli dans son laboratoire
lors de la finalisation de ma thèse.
Je remercie le Directeur Général du CERD, Dr. Jalludin MOHAMED et le Directeur
de l’IST, Dr. Mohamed OSMAN pour leur soutien toute aux long de cette thèse. Qu’ils
trouvent ici ma profonde gratitude.
A mes amis du CETHIL et du LOCIE: Nabil (sahit!), AbdelKader, Christophe, Fouad,
Soufiane, Oussama, Ankita et Shyam. Qu’ils trouvent ici mon amitié la plus sincère.
A l’ensemble de mes amis et collègues du GRE: Abdoulkader, Omar et Abdou pour
leur soutien pendant cette thèse.
Je remercie également mes meilleurs amis : Warsama-Kadar, Abdourahman,
Mahamoud, Liban et Ali pour les moments de délire qu’on a passé ensemble durant la thèse et
qui m’ont fait un peu oublié le stress de la thèse.
Finalement, je tiens à remercier du plus profond de mon cœur, ma mère, mon épouse
et mes deux enfants car ils sont l’essence même de ma réussite.
Daha Hassan Daher INSA-Lyon 2017 ii

Résumé
Résumé
L'objectif de ce travail a été de développer un modèle pour prédire le comportement d'une
installation photovoltaïque (PV) dans une zone désertique maritime, afin d'optimiser la
production instantanée et de maintenir les performances au fil du temps. Les données issues
du monitoring d’une centrale solaire ont été analysées afin d’en extraire des indicateurs de
performances et d’étudier l'impact des facteurs climatiques (température, irradiation et dépôts
de poussière). Les méthodes d'analyse de performance, telles que la "transposition aux
conditions de référence" (Ex. PVUSA) et "estimation des mesures de performance" (Ex. PR)
ont été appliquées pour évaluer le taux de dégradation annuel de l'installation. Une première
indication de la durée de vie des installations PV pour le climat de Djibouti a été obtenue,
ainsi qu'une capacité à prédire l'évolution à long terme de cette centrale et des futures
installations PV. Parallèlement, un modèle numérique de l'installation PV a été construit en
utilisant TRNSYS, incluant les modules et les onduleurs, pour retranscrire le comportement
du système PV dans son ensemble, ainsi que les conditions environnementales dans lesquelles
il évolue. Le modèle inclus dans la bibliothèque TRNSYS a été amélioré à l'aide de résultats
expérimentaux, en particulier en ce qui concerne la dépendance thermique. Un modèle
prédictif a donc été développé combinant l'accumulation de poussière, un modèle empirique
de températures et de dégradation du module. Enfin, une étude paramétrique a été réalisée
avec le modèle complet, afin d'évaluer l'impact du nettoyage pour divers scénarios
d’empoussièrement. Les résultats contribueront à l'optimisation de la conception et de
l'exploitation des centrales solaires dans ce type de climat.
Abstract
The objective of this work has been to develop a model for the behavior of a photovoltaic
(PV) plant in an arid zone, to optimize instantaneous production and maintain performance
over time. Monitoring data were collected for a solar power plant, which were then studied to
infer the impact of climatic factors (temperature, irradiation and dust deposits). Performance
analysis techniques including "transposition to reference conditions" (eg. PVUSA) and
"estimation of standard performance measures" (eg. PR) were applied to evaluate the annual
degradation rate of the facility. A first indication of expected lifetime of PV installations for
the climate of Djibouti was thus obtained, as well as a capacity to predict the long-term
evolution of the plant and future installations. In parallel, a numerical model of the
photovoltaic installation was constructed using TRNSYS, including the modules and
inverters, to transcribe the behavior of the PV system as a whole, and also the environmental
conditions in which it evolves. The model included in the standard TRNSYS library was
improved with the aid of experimental results, in particular with regards the thermal
dependence. A predictive model was thus developed combining dust accumulation, an
empirical model of module temperatures and degradation. Finally, a parametric study was
undertaken with the complete model, to evaluate the impact of cleaning schedules under
various dust scenarios. The results will contribute to the optimization of solar power plant
design and operation in this type of climate.
Daha Hassan Daher INSA-Lyon 2017 iii

Table des matières
Dédicaces .................................................................................................................................... i
Remerciements ........................................................................................................................... ii
Résumé ...................................................................................................................................... iii
Liste des figures ........................................................................................................................ ix
Liste des tableaux .................................................................................................................... xiii
Nomenclatures ......................................................................................................................... xiv
Chapitre 1 : Introduction générale .............................................................................................. 1
1.1- Contexte générale ........................................................................................................ 1
1.2- Motivations .................................................................................................................. 6
1.3- Objectives de la thèse .................................................................................................. 8
1.4- Plan de la thèse ............................................................................................................ 9
Chapitre 2 : Présentation de la centrale solaire, acquisition et analyse des données ............... 11
2.1- Introduction ............................................................................................................... 11
2.2- Description de la centrale solaire photovoltaïque ...................................................... 11
2.2.1- Les panneaux solaires PV .................................................................................. 11
2.2.2- Boîtes de jonctions ............................................................................................. 13
2.2.3- Salle de contrôle ................................................................................................. 13
2.2.4- Onduleurs photovoltaïques ("Power Conditionners") ....................................... 14
2.2.5- Armoire de commutation des charges ................................................................ 16
2.2.6- Sensibilisation / panneaux d’affichages ............................................................. 17
2.2.7- Dispositif de mesures environnementales .......................................................... 17
2.2.8- Eclairage LED et clôture .................................................................................... 18
2.2.9- Panneau de contrôle ........................................................................................... 18
2.2.10- Ordinateur d’acquisition des données ............................................................. 19
2.2.11- Fonctionnement du système solaire ................................................................ 20
2.3- Opération d’entretien et de maintenance ................................................................... 22
2.3.1- Présentation et classification de la maintenance ................................................ 22
2.3.2- Répartition des tâches ......................................................................................... 23
2.3.3- Plan d’entretien annuel ....................................................................................... 24
2.3.4- Contrôle courant ................................................................................................. 24
2.3.5- Contrôle périodique ............................................................................................ 25
2.3.6- Anomalies et réparations .................................................................................... 25
Daha Hassan Daher INSA-Lyon 2017 iv

2.3.7- Nettoyage ........................................................................................................... 26
2.3.8- Fiche de commande ............................................................................................ 28
2.4- Fouille des données issues du monitoring de la centrale solaire/ détection des
périodes de délestage du réseau électrique ........................................................................... 29
2.4.1- Nombre de valeurs disponibles par paramètres .................................................. 29
2.4.2- Détection et caractérisation du délestage réseau sur la production de la centrale
30
2.4.3- Tension de connexion au réseau (Vac) et tension continue des rangées PV (Vdc)
33
2.4.4- Critère d’identification et détection de différentes anomalies............................ 34
2.4.5- Observation avant et après filtrage des valeurs aberrantes................................. 35
2.4.6- Evolution du délestage du réseau électrique de Djibouti ................................... 38
2.5- Conditions environnementales de l’installation PV .................................................. 39
2.5.1- Analyse de la température et des rayonnements solaires sur le site ................... 39
2.5.2- Ajout d’instrumentation ..................................................................................... 40
2.5.3- Mise en place et analyse des données issues des capteurs des températures des
modules 43
2.5.4- Analyse de la vitesse et de la direction du vent du site ...................................... 44
2.5.5- Aperçu des données de vitesses de températures ............................................... 46
2.6- Conclusion ................................................................................................................. 47
Chapitre 3 : Analyse de performances réelles de la centrale solaire de 302,4 kWc raccordé au
réseau électrique de Djibouti .................................................................................................... 49
3.1- Introduction ............................................................................................................... 49
3.2- Etat de l’art sur l’analyse de performance sous différentes zones climatiques ......... 49
3.3- Etat de l’art sur l’effet de l’empoussièrement sur les performances des modules PV
53
3.4- Méthodologies ........................................................................................................... 55
3.4.1- Performances normalisées .................................................................................. 56
3.4.2- Méthode PVUSA................................................................................................ 58
3.5- Analyse des performances horaires, journalières et mensuelles ................................ 61
3.6- Analyse de l’evolution des performances d’une centrale solaire pv sous conditions
climatiques severes ............................................................................................................... 64
3.6.1- Energie générée et énergie cumulée ................................................................... 64
3.6.2- Rendement final, pertes du système et pertes diverses ...................................... 65
3.6.3- Rapport de performance ..................................................................................... 66
Daha Hassan Daher INSA-Lyon 2017 v

3.6.4- Rendement énergétique mensuelle ..................................................................... 67
3.6.5- Facteur de charge ............................................................................................... 69
3.7- Effet des conditions météorologiques sur la performance et correction par rapport à
la température ....................................................................................................................... 70
3.8- Conclusion ................................................................................................................. 75
Chapitre 4 : Evaluation de la dégradation des performances sous les conditions climatiques
désertique maritime .................................................................................................................. 77
4.1- Introduction ............................................................................................................... 77
4.2- Modes de dégradation des modules PV ..................................................................... 77
4.2.1- Décoloration ....................................................................................................... 79
4.2.2- Délamination ou décollement............................................................................. 80
4.2.3- La corrosion ........................................................................................................ 80
4.2.4- Fissure ou Craquement "Cracking" en anglais ................................................... 81
4.3- Etat de l’art des taux de dégradations ........................................................................ 82
4.4- Etudes des dégradations des performances par PVUSA et PR ................................. 85
4.5- Analyse des dégradations des modules PV in-situ ................................................... 86
4.5.1- Inspections visuelles ........................................................................................... 86
4.5.2- Mesure de Voc de quatre panneaux ................................................................... 87
4.5.3- Thermographie infrarouge.................................................................................. 88
4.5.4- Autres observations sur les modules PV ............................................................ 90
4.6- Méthodologies d’analyse et de sélection des données ............................................... 91
4.6.1- Méthode de la régression linéaire multiple ........................................................ 91
4.6.2- Analyse statistique des erreurs ........................................................................... 92
4.6.3- Méthodologie de sélection des données pour leur analyse................................. 94
4.6.4- Première et deuxième régressions multiples ...................................................... 96
4.6.5- Evaluation statistique du modèle de puissance PVUSA .................................... 96
4.6.6- Nombre de valeurs et coefficient de variation ................................................... 98
4.7- Analyse de l’évolution des performances au cours du temps .................................... 99
4.7.1- Performance ratio et rendement ......................................................................... 99
4.7.2- Modèle PVUSA avec les conditions PTC ........................................................ 101
4.7.3- Modèle PVUSA avec les conditions DTC ....................................................... 102
4.8- Evaluation du taux de dégradation .......................................................................... 104
4.8.1- Analyse statistique............................................................................................ 104
4.8.2- Calcul du taux de dégradation .......................................................................... 105
Daha Hassan Daher INSA-Lyon 2017 vi

4.8.3- Taux de dégradations par variations des conditions tests ................................ 105
4.8.4- Détermination des taux de dégradations .......................................................... 107
4.9- Influence de la vitesse du vent sur le modèle PVUSA ............................................ 108
4.9.1- Analyse de la vitesse du vent sur le site ........................................................... 108
4.9.2- Puissance calculé avec et sans vitesse de vent ................................................. 109
4.10- Correction par rapport à l’empoussièrement ........................................................ 111
4.10.1- Puissance corrigée et non corrigé ................................................................. 111
4.10.2- Estimation du taux de dégradation ............................................................... 113
4.11- Conclusion ........................................................................................................... 114
Chapitre 5 : Modélisation numérique et développement d’un outil de prédiction des centrales
solaires en milieu rigoureux ................................................................................................... 117
5.1- Introduction ............................................................................................................. 117
5.2- Etat de l’art sur le modèle I-V ................................................................................. 118
5.3- Différents outils de modélisation numérique des systèmes PV ............................... 119
5.3.1- PVFORM ......................................................................................................... 120
5.3.2- PVSIM .............................................................................................................. 121
5.3.3- Le modèle de performance "SANDIA PV ARRAY PERFORMANCE
MODEL" ......................................................................................................................... 121
5.3.4- SOLAR ADVISOR MODEL (SAM) .............................................................. 122
5.3.5- PVWatts ........................................................................................................... 122
5.3.6- PVSYST ........................................................................................................... 123
5.3.7- Modèle de performance PV à 5 paramètres ..................................................... 123
5.4- Modélisation électriques I-V des rangées photovoltaïques ..................................... 124
5.4.1- Paramètres de références .................................................................................. 125
5.4.2- Analyse des paramètres sous les conditions d’exploitation ............................. 127
5.5- Modélisation du système PV sous TRNSYS .......................................................... 129
5.6- Validation du modèle............................................................................................... 130
5.7- Développement d’un modèle empirique de températures de modules .................... 133
5.7.1- Validation des modèles de températures des modules ..................................... 135
5.8- Construction d’un modèle de simulation pour l’empoussièrement ........................ 137
5.8.1- Définition de la problématique ......................................................................... 137
5.8.2- Conception du modèle ...................................................................................... 138
5.8.3- Simulation du modèle....................................................................................... 141
5.8.4- Modèle prédictif ............................................................................................... 142
Daha Hassan Daher INSA-Lyon 2017 vii

5.8.5- Performances prédites ...................................................................................... 143
5.9- Etude de l’impact de la poussière et du nettoyage sur les performances prédites ... 144
5.9.1- Analyse paramétrique ....................................................................................... 144
5.9.2- Analyse des performances prédites .................................................................. 145
5.9.3- Analyse des pertes dues à l’empoussièrement et à la dégradation ................... 146
5.9.4- Influence de la pluie ......................................................................................... 147
5.9.5- Influence de la fréquence de nettoyage ............................................................ 149
5.9.6- Influence du taux de nettoyage......................................................................... 151
5.9.7- Influence de l’empoussièrement ....................................................................... 152
5.9.8- Discussions ....................................................................................................... 153
5.10- Conclusion ........................................................................................................... 155
Chapitre 6 : Conclusion générale et perspectives ................................................................... 157
6.1- Conclusion générale ................................................................................................ 157
6.2- Perspectives ............................................................................................................. 160
Annexe ................................................................................................................................... 163
A.1 Spécification technique de l’onduleur ......................................................................... 163
A.2 Schéma électrique de la centrale solaire photovoltaique............................................. 164
A.3 Tableau de répartition des tâches ................................................................................ 165
A.4 Plan de l’entretien annuel (exemple : Février, Mars 2012) ......................................... 166
A.5 Fiche du contrôle courant ............................................................................................ 167
A.6 Fiche du contrôle périodique ....................................................................................... 168
A.7 Fiche d'anomalie et de réparation ................................................................................ 169
A.8 Manuel pour la résolution des problèmes ................................................................... 170
A.9 Fiche de nettoyage ....................................................................................................... 171
A.10 Fiche de commande ................................................................................................. 172
A.11 Spécifications technique NRG system symphonie plus ......................................... 173
A.12 Spécifications du multiplexeur 34901A .................................................................. 174
A.13 Paramètres du type 194D ......................................................................................... 175
A.14 Différentes configurations de nettoyages et d’empoussièrement ............................ 176
Communications et publications ............................................................................................ 180
Références bibliographiques .................................................................................................. 181
Daha Hassan Daher INSA-Lyon 2017 viii

Liste des figures
Figure 1.1 - Part estimative d'énergie renouvelable de la consommation finale mondiale

d'énergie, 2015 [2] ...................................................................................................................... 1
Figure 1. 2 - Évolution de la capacité des installations PV (GW) [3] ........................................ 2
Figure 1.3 - Part des installations connectées au réseau et hors réseau 2000-2015 [3].............. 3
Figure 1.4 - Evolution des prix des modules PV dans 3 pays indicatifs en USD/kWh [3] ........ 3
Figure 1.5 - LCOE de l'électricité PV en fonction du rendement de référence [3] .................... 4
Figure 1.6 – Fonctionnement d’une cellule PV .......................................................................... 5
Figure 1.7 - Evolution des rendements des cellules de différentes technologies de 1975 à 2017
.................................................................................................................................................... 5
Figure 1.8 - Plan d'approvisionnement en électricité (Source EdD) .......................................... 7
Figure 1.9 – Carte de Djibouti .................................................................................................... 7
Figure 2.1 - Panneaux solaires photovoltaïques de la centrale ................................................ 12
Figure 2.2 - Boîte de jonction................................................................................................... 13
Figure 2.3 - Salle de contrôle ................................................................................................... 14
Figure 2.4 - Aperçu des armoires des onduleurs ...................................................................... 16
Figure 2.5 - Armoire de commutation des charges .................................................................. 16
Figure 2.6 - Panneau d’affichage ............................................................................................. 17
Figure 2.7 - Dispositif des mesures environnementales (pyranomètre, thermomètre) ............ 17
Figure 2.8 - Eclairage LED et clôture ...................................................................................... 18
Figure 2.9 - Panneau de contrôle .............................................................................................. 19
Figure 2.10 - Ordinateur d’acquisition avec tableau de bord ................................................... 20
Figure 2.11 - Schéma synoptique de la centrale photovoltaïque.............................................. 20
Figure 2.12 - Mode connexion au réseau ................................................................................. 21
Figure 2.13 - Mode autonome "îlotage" ................................................................................... 21
Figure 2.14 - Classification de l’entretien. Source: DIN EN 13306 [26] ................................. 23
Figure 2.15 - Image illustrant les serpillères à utiliser pour le nettoyage ................................ 28
Figure 2.16 - Nombres de valeurs par paramètres ................................................................... 29
Figure 2.17 - Observation de la puissance et de l’irradiation pour plusieurs jours .................. 31
Figure 2.18 - Zoom sur la période de délestage 03/11/2017 .................................................... 32
Figure 2.19 - Vac (en haut) et Vdc (en bas) avec rectangle en pointillé rouge correspondant au
zoom sur le délestage ............................................................................................................... 33
Figure 2.20 - Procédure de prétraitement des données ............................................................ 35
Figure 2.21 - 1-min données 2014 (fig. haut) 2015 (fig.bas) ................................................... 36
Figure 2.22- Nombre de minute identifiée par les filtres par jour pour 2014 (gauche), 2015
(droite) ...................................................................................................................................... 36
Figure 2.23- Pourcentage mensuelles des valeurs aberrantes pour les années 2014-2015 ...... 37
Figure 2.24 - Nombre de point restant après filtrage des valeurs aberrantes 2014 (gauche),
2015 (droite) ............................................................................................................................. 38
Figure 2.25 - Nombre de minute de délestage du réseau par mois .......................................... 39
Figure 2.26 - Température ambiante et irradiation mensuelle enregistrée sur le site de la
centrale solaire.......................................................................................................................... 40
Daha Hassan Daher INSA-Lyon 2017 ix

Figure 2.27 - Anémomètre et girouette .................................................................................... 41
Figure 2.28 - Thermocouple sur la face arrière (gauche) et sur la face avant (droite) des
modules PV .............................................................................................................................. 41
Figure 2.29 - Montage des thermocouples ............................................................................... 43
Figure 2.30 - Systèmes d’acquisitions de vitesse et direction du vent et températures des
modules .................................................................................................................................... 43
Figure 2.31 - Mesure des températures des modules des 6 thermocouples ............................. 44
Figure 2.32 - Courbe de distribution Weibull .......................................................................... 45
Figure 2.33 - Direction de la vitesse du vent ............................................................................ 45
Figure 2.34 - Vitesse du vent moyenne mensuelle ................................................................... 46
Figure 2.35 - Séquence de mesure de la température ambiante, la température des modules et
de la vitesse de vent .................................................................................................................. 47
Figure 3.1 - Facteur influençant le dépôt de poussière............................................................. 53
Figure 3.2 - Perte par d’empoussièrement [50] ........................................................................ 55
Figure 3.3 - Chaine de conversion de l’énergie........................................................................ 55
Figure 3.4 - Méthode PVUSA appliquée à une séquence de 6 jours consécutifs .................... 60
Figure 3.5 - Puissance DC horaire avant et après filtrage ........................................................ 61
Figure 3.6 - Production énergétique journalière avant (bleu) et après (vert) filtrage .............. 62
Figure 3.7 - Rendement final en fonction du rendement de référence horaire (fig. gauche) et
journalier (fig. droite) ............................................................................................................... 63
Figure 3.8 - Rendement final avant et après filtrage ................................................................ 63
Figure 3.9 - Rapport de performance avant et après filtrage .................................................... 64
Figure 3.10 - Energie mensuelle générée et énergie cumulée .................................................. 65
Figure 3.11 - Rendement final (Yf), perte du système (LS) et diverses pertes (LC) ................. 66
Figure 3.12 - Rapport de performance DC et AC .................................................................... 67
Figure 3.13 - Rendement mensuel du champ PV ..................................................................... 68
Figure 3.14 - Facteur de charge (2012 à 2015) ........................................................................ 70
Figure 3.15 - Production énergétique horaire en fonction de l’irradiation ............................... 71
Figure 3.16 - Rapport de performance journalière en fonction de la température ambiante ... 71
Figure 3.17 - (a) PR mesuré (noir), PR corrigé pour la température ambiante (rouge), PR
corrigé pour la température des modules (vert) (b) perte par salissure (violet) et pluviométrie
journalière................................................................................................................................. 74
Figure 4.1 - Types de dégradations en fonction de l’âge des modules PV ............................. 78
Figure 4.2 - Module présentant une décoloration [72] ............................................................. 79
Figure 4.3 - Module PV avec délamination [82] ...................................................................... 80
Figure 4.4 - Module PV affecté par la corrosion sur le bord (a) et à la boite de jonction (b)
[82] ........................................................................................................................................... 81
Figure 4.5 - Module PV avec verre fissuré [82] ....................................................................... 82
Figure 4.6 - Répartition des taux de dégradations [89] ............................................................ 83
Figure 4.7 - Histogramme des taux de dégradations par méthodologies [90] .......................... 84
Figure 4.8 - Taux d'échec en %/an (axe gauche) et échec dans le temps (axe droit) des
modules et systèmes photovoltaïques au cours des 35 dernières années couleur codée par
climat et symbole codé par configuration de montage [91] ..................................................... 84
Figure 4.9 - Photographies des panneaux PV sélectionnés ...................................................... 87
Daha Hassan Daher INSA-Lyon 2017 x

Figure 4.10 - Mesure de Voc pour P1, P2, P3 et P4................................................................. 87
Figure 4.11 - Thermographie infrarouge des panneaux P1, P2, P3 et P4 ................................ 89
Figure 4.12 - Thermographie infrarouge présence de hotspot autre que le lieu des chocs ..... 90
Figure 4.13 - Autres constatations sur les panneaux PV du site .............................................. 91
Figure 4.14 – Diagramme de sélection de données .................................................................. 95
Figure 4.15 - Puissance simulée en fonction de la puissance mesurée avant et après filtrage
des écarts supérieurs à 50 kW .................................................................................................. 96
Figure 4.16 - Nombre de points et coefficients de variation à la régression ............................ 98
Figure 4.17 - Evolution du rapport de performance, DC et AC pour IRR>500 W/m2 et
IRR>800 W/m2 ....................................................................................................................... 100
Figure 4.18 - Evolution du rendement, DC et AC pour IRR>500 W/m2 et IRR>800 W/m2 100
Figure 4.19 - Moyenne mensuelle des puissances dans les conditions PTC ......................... 101
Figure 4.20 - Modèle PVUSA étudié pour différents couple de conditions tests ................. 103
Figure 4.21 - Moyenne mensuelle des puissances dans les conditions DTC ......................... 104
Figure 4.22 - Taux des dégradations, incertitudes et écart-type en fonction de la quantité
d’irradiation et de la température ........................................................................................... 106
Figure 4.23 – Profils des vitesses du vent horaires mensuelles.............................................. 109
Figure 4.24 - Puissances PVUSA dans les conditions PTC et DTC avec et sans vitesse du vent
................................................................................................................................................ 109
Figure 4.25 - Puissances PVUSA dans les conditions PTC sans correction (courbe en bleu) et
avec correction (courbe en noir) ............................................................................................. 112
Figure 4.26 - Puissances PVUSA dans les conditions DTC sans correction (courbe en bleu) et
avec correction (courbe en noir) ............................................................................................. 112
Figure 5.1 - Composantes principales d’un système PV connecté au réseau......................... 120
Figure 5.2 - Circuit équivalent d’un module PV .................................................................... 124
Figure 5.3 - Structure du code source du type 194b ............................................................... 130
Figure 5.4 - Schéma de liaison des composants TRNSYS .................................................... 131
Figure 5.5 - Puissance prédite, puissance mesurée et écart en fonction du temps ................. 131
Figure 5.6 - Observation de la séquence choisie .................................................................... 132
Figure 5.7 - Puissance prédite en fonction de la puissance mesurée ...................................... 133
Figure 5.8 – Illustrations des différents modèles de températures de modules PV ............... 135
Figure 5.9 - Ecart des températures des modules (prédites et mesurées) et des températures
ambiantes mesurées ................................................................................................................ 136
Figure 5.10 - Comparaison des températures des modules mesurées et prédites utilisant les
équations (19), (20) et (21) ..................................................................................................... 137
Figure 5.11 - Block poussière ................................................................................................ 139
Figure 5.12 - Modèle phénoménologique de simulation de poussière ................................... 141
Figure 5.13 - Simulation poussière ........................................................................................ 142
Figure 5.14 - Schéma du modèle prédictif ............................................................................. 143
Figure 5.15 - M7 et M8 en fonctions des nombres de configurations ................................... 146
Figure 5.16 - Pertes performances M9 et M10 en fonctions des nombres de configurations 147
Figure 5.17 - Performance prédite M7 pour R=1% et R=5% ................................................ 148
Figure 5.18 - M7 pour F1, F2, F3 et F4 ................................................................................. 150
Figure 5.19 - PR prédite et empoussièrement pour F1, F2, F3 et F4 ..................................... 150
Daha Hassan Daher INSA-Lyon 2017 xi

Figure 5.20 - Performance prédite M7 pour N=1, N=3, N=6 et N=9 .................................... 152
Figure 5.21 - Performance prédite M7 pour K=0,4%, K=0,6%, K=0,8% ............................. 153
Daha Hassan Daher INSA-Lyon 2017 xii

Liste des tableaux
Tableau 2.1 : Spécifications des modules PV .......................................................................... 12

Tableau 2.2 : Paramètres électriques et environnementaux ..................................................... 29
Tableau 2.3 : Délestage moyen en nombre d’heure et de jours par an : .................................. 39
Tableau 3.1 : Évaluation des performances des systèmes PV par zone climatique ................. 52
Tableau 3.2 : Conditions Test PVUSA (PTC) ......................................................................... 60
Tableau 3.3 : Coefficients de régression .................................................................................. 72
Tableau 3.4 : Différences absolues moyennes et écart-type .................................................... 73
Tableau 4.1 : Evaluation de la méthode PVUSA ..................................................................... 97
Tableau 4. 2 : Couples de conditions test ............................................................................... 102
Tableau 4. 3 : Taux de dégradation annuelle.......................................................................... 108
Tableau 4. 4 : Mesure des taux de dégradation avant et après correction par rapport à la
poussière ................................................................................................................................. 114
Tableau 5. 1 : Les options dans SAM en termes de modèles : d’irradiation solaire, de
performance de rangées PV et d’onduleur ............................................................................. 122
Daha Hassan Daher INSA-Lyon 2017 xiii

Nomenclatures
Lettres latines
a paramètre de facteur d'idéalité
Aa PV module area (m2)
AM masse d’air
CLO Courte Longueur d’Onde
DTC Djibouti Test Conditions
EAC énergie AC (kWh)
EDC énergie DC (kWh)
Eg écart de bande d'énergie (eV)
ep erreur type des estimateurs
FC Facteur de charge (%)
G0 irradiation aux conditions de références (1000 W/m2)
Gb composante directe de l'irradiation totale sur la surface horizontale (W/m2)
Gd composante diffuse de l'irradiation totale sur la surface horizontale (W/m2)
I courant (A)
IL photo-courant (A)
Io courant de saturation inverse (A)
IPOA irradiation sur le plan incline (W/m2)
ISC courant de court-circuit (A)
k constante de Boltzmann (1.381. 10-23 J/K)
Kτα modificateur d’angle incident (IAM)
Kτα,d modificateur d’angle incident pour le rayonnement diffus
Daha Hassan Daher INSA-Lyon 2017 xiv

Kτα,g modificateur d’angle incident pour le rayonnement réfléchi du sol
LCOE "Levelized Cost Of Electricity" Coût d’électricité nivelé
LC pertes diverses (h/j)
LS pertes du système par conversion (h/j)
MAM modificateur de masse d'air
NOCT température nominale de fonctionnement de la cellule (K)
nI facteur d’idéalité
NRMSE coefficient de variation (%)
Ns nombre de cellules en séries
Pp puissance prédite (W)
P puissance (kW)
P0 puissance nominale (kWc)
Pmp puissance maximale (W)
PR performance ratio ou rapport de performance (%)
PRTamb performance ratio corrigé pour la température ambiante (%)
PRTmod performance ratio corrigé pour la température de module (%)
PTC PVUSA Test Conditions
PV photovoltaïque
PVUSA Photovoltaic for Utility Scale Applications
PUSA puissance PVUSA
q charge d’électron (1.60218.10–19 Coulomb)
Rb rapport du rayonnement direct sur la surface incliné à celui sur une surface
horizontale
Daha Hassan Daher INSA-Lyon 2017 xv

RD taux de dégradation (%/an)
RMSE écart-type des estimateurs
Rs résistance série (Ω)
Rsh résistance shunt (Ω)
S irradiation totale absorbée (W/m2)
STC standard test conditions
Tamb température ambient (°C)
Tc température de module du type 194b (K)
Tmod température de module mesurée (°C)
V tension (V)
Vmp tension au point de puissance maximale (V)
VOC tension à circuit ouvert (V)
Ya rendement du champ PV (h/d)
Yf rendement final (h/j)
Yr rendement de référence (h/j)
Ws vitesse du vent (m/s)
Lettres grecques
 écart
β inclinaison des rangées de modules PV (°)
ηPV rendement des modules PV (%)
ηSYS rendement du système PV (%)
ηinv rendement de l’onduleur (%)
μIsc coefficient de température du courant de court-circuit (A/K)
Daha Hassan Daher INSA-Lyon 2017 xvi

μVoc coefficient de température de tension ouverte (V/K)
θ angle d'incidence, angle entre le rayonnement direct et la surface normale à la

surface du panneau (°)
ρ réflectance du sol
τ(θ) transmittance du vitrage à l'angle θ
Indices et exposants
AC courant alternatif
b direct
c crête
d diffus
DC courant continu
ref référence
Sigles
CERD Centre d’Etudes et de Recherche de Djibouti
EdD Electricité de Djibouti
JICA Japan International Cooperation Agency
NREL National Renewable Energy Laboratory
SNL Sandia National Laboratories
Daha Hassan Daher INSA-Lyon 2017 xvii

Chapitre 1 : Introduction générale
1.1- Contexte générale
La demande mondiale d'énergie primaire a augmenté d'une moyenne annuelle d'environ 1,8%
depuis 2011, bien que le rythme de croissance ait ralenti au cours des dernières années, avec
de grandes variations par pays [1]. La croissance de la demande d'énergie primaire s'est
accrue en grande partie dans les pays en développement, alors que dans les pays développés,
elle a stagné ou même diminué.
Figure 1.1 - Part estimative d'énergie renouvelable de la consommation finale mondiale

d'énergie, 2015 [2]
À partir de 2015, les énergies renouvelables fournissaient environ 19,3% de la consommation

finale mondiale d'énergie. De cette part totale, la biomasse traditionnelle, utilisée
principalement pour la cuisine et le chauffage dans les régions rurales et éloignées des pays en
développement, représentait environ 9,1% et les énergies renouvelables modernes (biomasse
traditionnelle non compris) ont augmenté leur part par rapport à 2014 à environ 10,2%. En
2015, l'énergie hydroélectrique représentait environ 3,6% de la consommation totale d'énergie
finale, d'autres sources d'énergie renouvelables (dont le solaire) représentaient 1,6%, l'énergie
renouvelable basé sur la production de chaleur thermique représentait environ 4,2% et les
biocarburants pour le transport représentaient environ 0,8% [2]. Nous observons que la part
des énergies conventionnelles basée sur l’énergie fossile est plus de 78%.
Daha Hassan Daher INSA-Lyon 2017 1

Introduction générale
Par conséquent, dans un contexte énergétique mondial en pleine évolution marqué par une
diminution des énergies fossiles conventionnelles et des émissions des gaz à effet de serre en
constante croissance, le développement des énergies renouvelables reste le rempart le plus
efficace.
De tous les énergies renouvelables, le solaire photovoltaïque (PV) présente un intérêt

particulier pour l’Afrique, puisqu’elle dispose d’un gisement solaire propice au
développement de cette forme d’énergie. A la fin de l’année 2015, la capacité mondiale
cumulée installée de solaire PV est estimée à 228 GW (figure 1.2) plus que le double de la
capacité de 2012 selon l’Agence International de l’Energie [3]. Cette capacité a augmenté de
75 GW, ce qui fait une capacité de 303 GW installée à la fin de 2016. En outre, la part
mondiale d’électricité produite par le solaire PV était estimée à 1,5% à la fin 2016 [2].
Figure 1. 2 - Évolution de la capacité des installations PV (GW) [3]
Dans le cadre du développement de la production d’électricité photovoltaïque à grande

échelle les centrales solaires PV sont pertinentes. Elles se développent un peu partout dans le
monde. On distingue deux grandes classes d’installations photovoltaïques :
– les installations dites autonomes "off-grid", où l’énergie produite au fil du soleil doit en
général être stockée dans des batteries si l’utilisation n’est pas immédiate ;
– les installations raccordées au réseau, capables de débiter l’énergie produite et qui se

compose en système centralisé (injection directe au réseau électrique) et décentralisé
(injection au réseau du surplus d’énergie de l’utilisateur).

Les systèmes centralisés connectés au réseau, majoritairement composés de centrales solaires

PV au sol occupe plus de 60% de la part des installations PV à la fin de 2015. Alors que les
systèmes décentralisés reculent au fur et à mesure des années devant les systèmes centralisés
et sont de l’ordre de 30% en 2015. Les systèmes autonomes occupent la plus faible part
(figure 1.3).
Dans un contexte de développement des installations connectées au réseau, des

expérimentations sur des solutions hybrides sont réalisées et combinent connexion au réseau
et grande capacités de stockage afin d’une part d’optimiser la vente et l’achat en fonction de
l’évolution dynamique des prix du kilowatt-heure et d’autre part de contribuer au maintien de
la fréquence du réseau (à 50Hz).
Figure 1.3 - Part des installations connectées au réseau et hors réseau 2000-2015 [3]
Figure 1.4 - Evolution des prix des modules PV dans 3 pays indicatifs en USD/kWh [3]

En termes de prix (figure 1.4), le plus bas est enregistré en Chine avec 0,6 USD/Wc.
Cependant, les prix des modules pour les centrales solaire PV à grande échelle ont été
reportés en dessous de ces valeurs moyennes, jusqu'à 0,45 USD/Wc à la fin de 2015. En 2006
le prix des modules était entre 3,5 USD/Wc et 5,5 USD/Wc (figure 1 .4).
La compétitivité du PV est définie par le fait qu’il peut produire de l’électricité à coût plus
faible que d’autres sources d’électricité à un instant donné. Elle est déterminée par le LCOE
"Levelized Cost of Electricity" (coût d'électricité nivelé). Par conséquent, la compétitivité
d'un système photovoltaïque est liée à son emplacement, à la technologie mise en œuvre et au
coût du système photovoltaïque lui-même qui dépend fortement de la nature de l'installation
et de sa taille. Cependant, cela dépendra également des conditions climatiques dans lequel le
système fonctionnera (figure 1.5). En raison de ces conditions climatiques proches de celui de
Dubaï, Djibouti peut être sur le LCOE 2.
Figure 1.5 - LCOE de l'électricité PV en fonction du rendement de référence [3]
Les cellules PV sont basées sur l’effet photoélectrique qui permet la conversion de l’énergie
solaire en énergie électrique. Lorsque qu’un rayonnement lumineux (photon) atteint la surface
d’une cellule solaire, la cellule crée des porteurs de charges comme des électrons et des trous.
Les paires électron-trou qui sont créées dans la zone de charge d’espace de la jonction p- n
sont immédiatement séparées par le champ électrique qui règne dans cette région et entraînées
dans les zones neutres de chaque côté de la jonction. Si le dispositif est isolé, il apparaît une
différence de potentiel aux bornes de la jonction et s’il est connecté à une charge électrique

extérieure, les électrons libres doivent traverser la charge pour se recombiner avec des trous
positifs; le courant peut ainsi être produit à partir des cellules sous éclairage.
Figure 1.6 – Fonctionnement d’une cellule PV
Figure 1.7 - Evolution des rendements des cellules de différentes technologies de 1975 à 2017
En parallèle à l’augmentation des capacités installées et de la diminution du coût, la recherche

sur des cellules PV plus performantes avec des rendements de plus en plus élevés se
développe [4]. Les graphiques de la figure 1.7 représentent l’évolution au cours du temps des
rendements des cellules de différentes technologies. Le classement des rendements montre

que les cellules multi-jonctions et simple-jonction (en violet) ont les rendements les plus
élevées suivi des cellules à base de silicium cristallin (en bleu), des cellules en couches
minces (en vert) et des cellules émergentes (en rouge). Parmi les technologies les plus
présentent dans le marché économique, le multi-cristallin a atteint la barre de 21,9% et le
monocristallin a atteint 25,3%.
1.2- Motivations
En 2014, le taux d'électrification de Djibouti était d'environ 55%. La capacité de production

d'électricité actuellement installée est de 126 MW avec une capacité effective limitée à
57 MW, en raison du manque de fiabilité des anciennes centrales thermiques. La capacité
installée est vouée à doubler en 2020 et à tripler en 2032 avec une capacité prévisionnelle de
355 MW principalement produite par les énergies renouvelables [5]. Le pays ne possède pas
de ressources fossiles locales et dépend essentiellement des importations de combustibles
fossiles et son économie dépend du secteur tertiaire dont les ressources proviennent
principalement des activités commerciales et portuaires dans le pays. La consommation
d'électricité a augmenté de 75% au cours de la dernière décennie, tandis que la production
d'électricité a augmenté de 57% sur la même période [6-7]. Cela a entraîné des délestages du
réseau électrique pendant les périodes des pics de la demande spécialement durant les mois
d'été en raison de l’augmentation de la climatisation. Depuis 2011, le réseau djiboutien est
interconnecté au réseau électrique éthiopien qui possède une importante capacité
hydroélectrique. Cela a permis de réduire les délestages du réseau, mais ceux-ci se produisent
lorsque l'interconnexion est confrontée à des problèmes techniques et ne permet pas de
résoudre la dépendance énergétique du pays. Face à ces enjeux et à l'énorme potentiel des
ressources renouvelables (géothermie, éolien, solaire), Djibouti s'intéresse à la diversification
de son mix énergétique et à la définition d’une feuille de route énergétique pour atteindre
l'autonomie énergétique et une production d'énergie à 100% renouvelable d'ici à 2020 [8]. De
plus, le pays s'est engagé à réduire de 40% ses émissions de gaz à effet de serre d'ici à 2030
lors de la Conférence des Nations Unies sur le changement climatique tenue à Paris en 2015
[9]. En raison de l'énorme potentiel solaire de Djibouti d'environ 2200 kWh/m2 par an [10],
les systèmes photovoltaïques suscitent un grand intérêt, principalement pour la production
d'électricité à grande échelle. La capacité PV installée dans le pays était d'environ 12 kWc au
début de l’année 1987 [10] et est estimée à environ 800 kWc répartis sur tout le territoire.
Cette capacité est principalement composée de la centrale de 302,4 kWc raccordée au réseau
et de deux autres centrales photovoltaïques en zone rurale, une de 100 kWc et une autre de

60 kWc. Cependant, le déploiement massif de cette technologie fait actuellement face à des
défis économiques, technologiques et scientifiques liés en particulier aux conditions
environnementales peu connues et contraignantes.
Figure 1.8 - Plan d'approvisionnement en électricité (Source EdD)
Figure 1.9 – Carte de Djibouti

Djibouti est situé sur la Corne de l'Afrique à 11°30' de latitude nord et 43°00' de longitude est
(figure 1.9). Il se caractérise par un climat maritime désertique [11], avec des températures
élevées tout au long de l'année. Toutefois, il y a deux saisons : une saison «fraîche» d'octobre
à avril, avec de petites pluies et des températures variant de 21°C à 33°C et une saison chaude
de mai à septembre avec des températures variant de 35°C à 45°C et un vent sec chargé de
poussière (Khamsin). Les mois de mai et septembre sont des périodes de transition pendant
lesquelles opèrent des inversions de vents, ce qui provoque une augmentation de l'humidité.
Les précipitations sont basses et irrégulières. Il tombe principalement dans les premières
saisons froides et chaudes.
1.3- Objectives de la thèse
L’objectif principal de ce travail de thèse consiste à développer un modèle pour prédire le

comportement d’une centrale photovoltaïque dans une zone aride pour l’optimisation de la
production instantanée et la préservation des performances dans le temps. Cet objectif peut
être atteint par une évaluation précise de la performance du système photovoltaïque sans sous-
estimer l’impact des facteurs climatiques et environnementaux (température, irradiation
solaire, empoussièrement). Il s’en suit une analyse des taux de dégradations des performances
au cours du temps et l’élaboration d’un modèle de centrale solaire.
En conséquence, les principaux objectifs au cours des différentes étapes de ce travail de thèse
sont résumés comme suit :
1) Analyser les performances de la centrale solaire

 A partir des données issues du monitoring le travail consiste tout d’abord à les
analyser et détecter les valeurs aberrantes telles que le délestage du réseau électrique,
les défauts de fonctionnement des onduleurs, etc
 Présenter les conditions environnementales du site telles que la température ambiante,
la quantité d’irradiation reçue, la vitesse et la direction du vent. Cela va nous permettre
de mieux interpréter les performances de la centrale solaire.
 Analyser les performances sur une longue durée
 Evaluer l’impact des facteurs climatiques sur les performances pour en extraire les
pertes dues à l’empoussièrement
A partir des données issues du monitoring, le travail consiste tout d’abord à analyser l’impact
des facteurs environnementaux sur les performances de la centrale : climatiques (température,
humidité) et dépôts de poussières. Cette étape doit aboutir à la réalisation d’une
instrumentation adaptée permettant de renseigner notamment : la qualité du rayonnement,
l’influence du vent et l’influence du niveau d’empoussièrement.
2) Estimer le taux de dégradation du système PV

Un deuxième aspect de ce travail de thèse porte sur la dégradation des performances du

système PV. Par conséquent, l'évaluation expérimentale des taux de dégradation des
performances dans le temps va impliquer des méthodes de type "transposition aux conditions
de référence" (ex. PVUSA) ainsi que l’estimation d’indices de performances normalisés (ex.
performance ratio). Ceci permettra de déterminer une première estimation du taux de
dégradation des performances dans le contexte climatique Djiboutien. Cependant ces
méthodes ne sont pas pleinement adaptées à ce type de climat très mal connu qualitativement
et pour lequel, il n’existe pas à notre connaissance d’étude. Au-delà de ces estimations de
dégradation de performances, la durée de vie même de ces installations est aujourd’hui
inconnue sous nos climats. Il s’avère alors nécessaire de vérifier, à partir des données issues
du monitoring qui a débuté en janvier 2012, la validité de ces méthodes et le cas échéant de
les modifier pour les adapter à la condition climatique du site. La mise au point de ces
méthodes permettra de prévoir l’évolution de la production de la centrale sur le long terme.
De plus, ce travail portera sur les modes de défaillances rencontrées, l’étude des défauts et
leur fréquence qui sont autant de points mal connus.
3) Développer un modèle prédictif
En outre, il est nécessaire de pouvoir atteindre une modélisation du champ PV incluant les
modules mais aussi l’ensemble du système PV (onduleurs, rangées PV,…etc). Cette
modélisation sous l’environnement TRNSYS doit permettre de retranscrire le comportement
du système PV dans son ensemble mais également les conditions environnementales dans
lesquelles il évolue. Dans ce sens, les modèles existants seront améliorés, notamment en ce
qui concerne la dépendance thermique et les corrections des effets spectraux. Un modèle
prédictif combinant un modèle d’empoussièrement des panneaux, un modèle empirique des
températures de modules et un modèle de dégradation sera développé. A partir de ce modèle,
une étude paramétrique permettra de mettre en évidence l’influence des paramètres
(empoussièrement, du taux de nettoyage, de la fréquence de nettoyage et la pluie). Cela va
contribuer à l’optimisation de la production de la centrale solaire dans ce type de climat.
1.4- Plan de la thèse
Pour atteindre les objectifs susmentionnés et faciliter la présentation des résultats obtenus
dans ce travail de recherche, la thèse est organisée comme suit:
1- Le chapitre 2 donne un aperçu général des différentes composantes (des panneaux

solaires jusqu’à la connexion au réseau) du système photovoltaïque de 302,4 kWc
connecté au réseau. Dans ce chapitre, on examine les données collectées à l’aide d’une
fouille de données pour distinguer les données aberrantes des données utilisables. Les
données environnementales du site sont également analysées en termes de quantités
d’irradiations reçues, de la température ambiante, de la température des modules et de
la vitesse et la direction du vent.

2- Le chapitre 3 permet de comprendre comment une centrale photovoltaïque raccordée

au réseau fonctionne dans des conditions climatiques potentiellement difficiles (arides,
poussiéreuses et très faibles précipitations) de Djibouti. Dans un premier temps, nous
effectuons un état de l’art des performances des centrales solaires PV sous différentes
zones climatiques et l’influence de l’empoussièrement sur les performances. Dans un
second, nous présentons les méthodologies d’analyse de performance. Dans un
troisième temps, nous analysons les données prétraitées issues du monitoring afin
d'évaluer les tendances de performance du système solaire PV sous les conditions
climatique désert maritime. Enfin, nous estimons l’impact des paramètres climatiques
ainsi que les pertes dues l’empoussièrement.
3- Dans le chapitre 4, nous analysons les modes de dégradations observés pour le cas de
la centrale solaire installé au CERD. Par ailleurs, on évalue la performance opérante
du système PV par la méthode de régression multiple PVUSA et par la méthode PR.
L’évolution dans le temps de ces indices de performance sera utilisée pour
l’évaluation de la dégradation des performances et l’estimation des taux de
dégradations durant les cinq années d’opération de la centrale solaire.
4- Le chapitre 5 consiste au développement d’un modèle prédictif de centrale solaire
prenant en considération les conditions du site tel que l’empoussièrement, le
nettoyage, et la dégradation au cours du temps. Pour cela, nous effectuons une
modélisation de la centrale solaire sous l’environnement TRNSYS. De plus, nous
allons développer un modèle de température de module basé sur les mesures in-situ et
un modèle phénoménologique d’empoussièrement. Finalement, nous allons utiliser le
modèle prédictif développé à travers des études paramétriques pour mettre en évidence
l’influence des paramètres (empoussièrement, du taux de nettoyage par technicien, de
la fréquence de nettoyage et la pluie) sur les quantités d’énergies prédites par le
système solaire PV.
5- Dans le dernier chapitre (chapitre 6), la conclusion et les perspectives de la thèse sont
présentées. En outre, ce chapitre décrit les contributions de la présente recherche.

Chapitre 2 : Présentation de la centrale solaire, acquisition
et analyse des données
2.1- Introduction
Dans ce chapitre, nous présentons les différents composants de la centrale solaire PV ainsi
que l’instrumentation pour l’acquisition des données. Puis dans un deuxième, nous nous
penchons sur les données collectées afin de pouvoir les analyser à l’aide d’une approche de
type « fouille de données ». Cela permet notamment de distinguer les données aberrantes des
données à garder pour la suite de notre analyse. Enfin, nous présentons les conditions
environnementales dans lesquelles évolue la centrale en termes d’irradiations reçues, de
températures ambiantes et températures opérantes des modules, de vitesse et la direction du
vent.
2.2- Description de la centrale solaire photovoltaïque
Une centrale solaire photovoltaïque a été installée en 2012 sur le terrain du Centre d’Etudes et
de Recherche de Djibouti dans le cadre d’une coopération de la République de Djibouti avec
le gouvernement Japonais pour le projet de promotion de l’énergie solaire photovoltaïque.
Elle a été financée par le gouvernement Japonais par le biais de l’Agence Japonaise de la
Coopération Internationale (JICA). Cette centrale solaire photovoltaïque (302,4 kWc) est la
première raccordée au réseau en République de Djibouti et dans la région de la corne
d’Afrique.
2.2.1- Les panneaux solaires PV
Le parc solaire occupe une superficie de 2138,4 m² avec 1440 panneaux photovoltaïques
(KYOCERA-silicium poly-cristallin) installés (figure 2.1). Chaque panneau est caractérisé par
une puissance crête de 210 Wc. Les caractéristiques des modules PV sont résumées dans le
tableau 2.1. Les panneaux sont agencés en trente rangées. L’assemblage des modules
photovoltaïques est fait suivant une architecture électrique connue : assemblage en série et en
parallèle. Chaque rangée est composée de quatre chaînes de douze panneaux en série. Les
quatre chaînes sont connectées en parallèle pour former une rangée. Chaque rangée est
constituée de quarante-huit panneaux, soit 10,08 kWc par rangée. L’ensemble des panneaux
délivre une puissance totale de 302,4 kWc. Les rangées du champ PV sont dirigés vers le sud

Présentation de la centrale solaire, acquisition et analyse des données
et inclinés de 12°. Le courant ainsi produit par chaque rangée est collecté par les boîtiers de
jonction.
Figure 2.1 - Panneaux solaires photovoltaïques de la centrale
Tableau 2.1 : Spécifications des modules PV

Type de module PV KD210GH-2P
Données électriques
Puissance maximale (Pmax) 210 W
Tension pour puissance maximale (Vmp) 26.6 V
Courant pour puissance maximale (Imp) 7.90 A
Tension à l’ouverture (VOC) 33.2 V
Courant de court-circuit (ISC) 8.58 A
Coefficient de température de VOC -1.20x10-1 V/°C
Coefficient de température de ISC 5.15x10-3 A/°C
Coefficient de température de Pmax -9.67x10-1
W/°C
NOCT 49 °C
Réduction du rendement de 1000 W/m² à 200 W/m² 6%
Dimensions
Longueur 1.5 m
Largeur 0.99 m
Poids 18.5 kg
Cellules
Nombre par module 54
Technologie de cellule Poly-cristalline
Taille de cellule (carré) (0.156*0.156)
m²
Rendement de cellule 16 %
Liaison des cellules 3 busbars

2.2.2- Boîtiers de jonctions
La centrale dispose de trente boîtiers de jonctions. Ces boîtiers sont placés à l’amont de
l’onduleur photovoltaïque (section 2.2.4) et permettent la mise en parallèle des chaînes
photovoltaïques. Chaque boîtier de jonction est composé de cinq disjoncteurs. Quatre
disjoncteurs sont reliés aux quatre chaînes et un disjoncteur principal à la sortie. Ces
disjoncteurs (inter-sectionneurs) disposent d'un pouvoir de coupure et de sectionnement. Ces
boîtiers sont équipés de parafoudre permettant la protection contre les surtensions. Les bornes
positives et les bornes négatives des boitiers de jonction sont raccordées respectivement aux
bornes positives et négatives des modules PV en série.
Figure 2.2 - Boîtier de jonction
Un collecteur disposé à l’intérieur de la salle de contrôle collecte le courant électrique issu des
boîtiers de jonctions et les regroupent par dix rangées (100 kW) avant de transmettre
l’ensemble aux trois onduleurs.
2.2.3- Salle de contrôle
Les équipements de la centrale solaire PV (hormis l’armoire de commutation des charges et

les panneaux d’affichages) sont installés dans une cabine de type conteneur ou salle de
contrôle. Cette cabine est isolée de la chaleur extérieure (température externe pouvant allée
jusqu’à 47°C en juillet) afin d’assurer le bon fonctionnement des onduleurs photovoltaïques.
Elle respecte les normes standardisées CEI 60529 [12] avec un indice de protection IP 54. Cet
indice correspond à une protection contre la pénétration de corps étrangers (tel que le dépôt de
poussière) et les effets nuisibles dus à la pénétration de l’eau. La salle de contrôle est équipée
de quatre climatiseurs fonctionnant en alternance permettant de garder une température

ambiante suffisamment basse, afin d’éviter toute surchauffe des onduleurs en évacuant la
charge thermique produite par les pertes de transformation à l’intérieur de la salle de contrôle.
Figure 2.3 - Salle de contrôle
2.2.4- Onduleurs photovoltaïques ("Power Conditionners")
Dans une installation photovoltaïque, l'onduleur (ou inverseur de courant) occupe une place
centrale. Il transforme le courant continu délivré par les panneaux solaires photovoltaïques en
un courant alternatif. Dans une installation raccordée au réseau, l’appareil de conditionnement
de la puissance (onduleur) est l’élément clé, le plus délicat de l’installation. Situé à l’interface
entre le champ PV et le réseau, il doit être adapté aux impératifs techniques et doit assurer la
sécurité de deux sous-systèmes électriques très différents. La centrale dispose de quatre
armoires à onduleurs dont trois fonctionnent continuellement, le quatrième sert de réserve en
cas de panne de l’un des trois onduleurs. Chaque armoire comprend différents éléments
principaux :
- D’un dispositif divisionnaire du courant continu installé dans une autre armoire et
directement lié à la sortie des boîtes de jonctions. Ce dispositif permet de regrouper les
boîtes de jonction par groupe de 10 (100 kW) avant de transmettre le courant continu
aux trois onduleurs ;
- Un dispositif de suivi du point de puissance maximum (MPPT "Maximum Power
Point Tracking" en anglais) qui permet de contrôler la tension et le courant de sortie
des rangées PV pour générer la puissance maximale possible à une certaine irradiation
et à une température donnée. Par ailleurs, il existe de nombreuses techniques MPPT
présentés dans la littérature. La comparaison qualitative entre 19 techniques MPPT est
décrite par Esram et Chapman [13].

- Un dispositif d’onduleur de courant photovoltaïque servant à transformer le courant

continu issu des panneaux solaires en courant alternatif ;
- Un dispositif d’injection au réseau à basse tension (fréquence : 50 Hz, tension : 230 V
permettant le raccordement pour l’injection au réseau électrique (EdD). L’application
de techniques de contrôle avancées pour contrôler la qualité de l'énergie injectée et le
facteur de puissance à l'interface du réseau électrique sont proposés dans différentes
études [14] à [16].
- Un autre dispositif est la détection et la protection contre l’îlotage. On dit qu’il y’a
îlotage quand une partie de réseau électrique comprenant des moyens de production
(ex. centrale PV) et des charges (ex. CERD) est déconnecté du réseau principal. La
plupart des normes [17]-[18] exigent que les onduleurs des systèmes photovoltaïques
cessent l'injection d'énergie dans le réseau dans des conditions de fonctionnement
anormales spécifiques au réseau (par exemple : le délestage), y compris celles qui
conduisent à l'îlotage.
Les onduleurs peuvent être équipés d’autres dispositifs pouvant effectuer le filtrage des
harmoniques [19], la correction du facteur de puissance [20], la commande de puissance
réactive [21].
Les systèmes PV ont différentes architectures en fonction de la connexion des modules

photovoltaïques avec les onduleurs. Dans la littérature, nous distinguons les architectures à :
onduleur centralisé [22], onduleur maitre-esclave [23] et onduleur rangée [24]. Notre système
PV est connecté au réseau suivant le montage d’onduleur centralisé. Plusieurs rangées PV
sont connectées à chacun des trois onduleurs. Les avantages de l’architecture à onduleur
centralisée résident du fait qu’elle est peu coûteuse et simple à surveiller et à maintenir. En
outre, il existe une perte de puissance significative dans les cas de "mismatch" entre les
modules ou d’ombrage partiel, en raison de l'utilisation d'un onduleur pour le suivi du MPPT
[25].
La figure 2.4 montre une photographie des onduleurs dans la salle de contrôle. Les
spécifications techniques des onduleurs sont données dans l’annexe A.1.
Par ailleurs, les armoires sont équipées d’un panneau de contrôle qui est installé sur la façade
de chacune des armoires afin de permettre la visualisation des informations tel que la tension,
le courant, la puissance délivrée, les températures interne et externe, l’irradiation en temps
réel et le mode de fonctionnement.

Figure 2.4 - Aperçu des armoires des onduleurs
2.2.5- Armoire de commutation des charges
Il s’agit de l’appareil assurant la fonction de branchement à chaque bâtiment alimenté et la

fonction de commutation des sources énergétiques entre le réseau et l’installation
photovoltaïque (figure 2.5). Les principaux dispositifs qui sont installés dans cette armoire
sont :
- des disjoncteurs de distributions installés avec des verrous mécaniques pour la
commutation des sources énergétiques : réseau / PV ou réseau / groupe électrogène
(moteur diesel de 100 kVA);
- deux compteurs d’énergies : un compteur mesurant l’énergie électrique injectée au
réseau par le système solaire PV et un second compteur mesurant l’énergie reçue du
réseau ;
- cinq compteurs affichant respectivement les puissances instantanées : consommées par
les différentes charges (les trois bâtiments du CERD alimentés directement par
l’énergie photovoltaïque), injectée au réseau de l’EdD et reçue du réseau.
Figure 2.5 - Armoire de commutation des charges

2.2.6- Sensibilisation / panneaux d’affichages
Il existe deux panneaux d'affichages (figure 2.6), l’un dans la cour du CERD et l’autre dirigé
vers la route. Ils affichent les informations suivantes :
- la production instantanée d’énergie électrique (kW) ;
- la production d’énergie électrique (kWh/jour) ;
- l’estimation de la réduction des émissions de CO2 ;
- la position de fonctionnement du système solaire PV (en panne, en service, en attente
et à l’arrêt) ;
Figure 2.6 - Panneau d’affichage
2.2.7- Dispositif de mesures environnementales
Des appareils de mesures environnementales, incluant des instruments de mesures des

rayonnements solaires (pyranomètre) et un capteur de température sont installés dans
l’enceinte de la centrale solaire. Ces instruments permettent d’enregistrer les conditions
climatiques dans la zone de l’installation des modules PV. Les données collectées sont
enregistrées dans l’ordinateur installé dans la salle de contrôle.
Thermomètre Pyranomètre
Figure 2.7 - Dispositif des mesures environnementales (pyranomètre, thermomètre)

Plus récemment en janvier 2015, nous avons installé des capteurs des mesures de la vitesse du
vent et de la température des modules (Voir section 2.5.2).
2.2.8- Eclairage LED et clôture
La centrale est aussi équipée de 14 poteaux (figure 2.8) utilisant des LED pour l’éclairage
pendant la nuit. Ces poteaux ont une hauteur de 2,5 m et les horaires de démarrage et d’arrêt
sont réglés au niveau du panneau de contrôle (figure 2.9).
L’ensemble des composantes (à l’exception de l’armoire de commutation de charge) de

l’installation solaire photovoltaïque est entouré par une clôture de 2 m de hauteur, afin
d’éviter toute intrusion et de préserver le bon fonctionnement de cette dernière.
Eclairage LED
Figure 2.8 - Eclairage LED et clôture
2.2.9- Panneau de contrôle
Le panneau de contrôle est un écran tactile placé dans la salle de commande qui permet
d’effectuer certaines tâches telles que :
- La sélection du mode de fonctionnement de la centrale solaire (connecté au réseau ou

autonome) ;
- Le réglage des heures de fonctionnement (heure de démarrage et d’arrêt de la centrale
solaire) ;
- Le réglage des horaires d’allumage et d’arrêt des éclairages LED.
Les horaires de fonctionnement sont réglés en fonction de la durée d’insolation fournit par la
météo nationale. De plus, le tableau de contrôle permet l’affichage du mode de

fonctionnement de la centrale et le réglage de la limite supérieure de production d’énergie

électrique.
Figure 2.9 - Panneau de contrôle
Les horaires de fonctionnement sont réglés en fonction de la durée d’insolation fournit par la
météo nationale. De plus, le tableau de contrôle permet l’affichage du mode de
fonctionnement de la centrale et le réglage de la limite supérieure de production d’énergie
électrique.
2.2.10- Ordinateur d’acquisition des données
Un ordinateur placé dans l’enceinte de la salle de contrôle permet l’acquisition et le traitement

des données des divers équipements de la centrale solaire photovoltaïque. Ces données sont
composées de :
- La quantité du rayonnement solaire reçue par les panneaux ;

- La température d’air extérieur ;
- La production énergétique des panneaux en DC et des onduleurs en AC ;
- La tension en DC et AC ;
- Le courant en DC et AC ;
- La fréquence des onduleurs;
- La réduction des émissions de CO2.
L’ordinateur permet d’observer ces données en temps réel à l’aide du logiciel « Solar View
System ». Les données sont enregistrées sous forme de registre par : minute, heure, jour,
semaine, mois et année. Cet ordinateur est équipé d’une alimentation sans interruption afin de
prévenir contre toute perte de données lors des délestages du réseau.

Figure 2.10 - Ordinateur d’acquisition avec tableau de bord
Le câblage entre les différentes installations qui composent la centrale solaire photovoltaïque
est montré dans le schéma électrique dans l’annexe A.2. Plus globalement, le schéma
synoptique présenté sur la figure 2.11 montre la chaine de connexion des différentes
installations de la centrale solaire PV.
Figure 2.11 - Schéma synoptique de la centrale photovoltaïque
2.2.11- Fonctionnement du système solaire
La centrale fonctionne suivant deux principaux modes : le mode connectée au réseau et le

mode autonome. Les modes de fonctionnement sont gérés par le panneau de contrôle. En
général, le système fonctionne sur le mode «connecté au réseau ». Pour ce mode, le surplus de
l’énergie produite est injecté au réseau de distribution de l’EdD (Electricité de Djibouti).

Figure 2.12 - Mode connexion au réseau
Lorsque l’alimentation du réseau EdD (Electricité de Djibouti) est coupée du fait d’un
délestage dans la journée, la centrale solaire bascule en mode de fonctionnement
« autonome » de façon automatique. Ce fonctionnement correspond à l’îlotage, définit
précédemment. L’onduleur PC-3 fournit l’énergie nécessaire au fonctionnement des bâtiments
connectés du CERD et ceci en cas de condition d’ensoleillement favorable. Pendant cette
phase, les onduleurs PC-1 et PC-2 sont en attente que l’alimentation du réseau soit rétablie.
Une fois le réseau rétablit le système reprend son fonctionnement normal (raccordement au
réseau).
Figure 2.13 - Mode autonome "îlotage"

2.3- Opération d’entretien et de maintenance
2.3.1- Présentation et classification de la maintenance
La maintenance est définie comme "la combinaison de toutes les actions techniques,
administratives et de gestion pendant le cycle de vie d'un élément destiné à maintenir ou à le
restaurer, un état dans lequel il peut effectuer la fonction requise" [26]. La stratégie de
maintenance et d’entretien décrit la manière dont ces actions sont exécutées et combinées
pour atteindre les objectifs de maintenance. Les objectifs possibles sont l'augmentation de la
disponibilité, la minimisation du coût total, l'amélioration de la qualité des produits, la
préservation de l'environnement ou une sécurité améliorée [26]-[27]. L'entretien se divise en
maintenance préventive et corrective (figure 2.14). L'objectif du premier est de conserver la
fonctionnalité d'un élément et d'éviter ainsi les échecs, alors que la maintenance corrective a
lieu après la survenue d'une défaillance et rétablit la fonctionnalité de l'élément.
La maintenance corrective est lancée après la reconnaissance des défauts. L'action corrective
peut avoir lieu immédiatement ou elle peut être reportée conformément aux règles données.
La maintenance périodiquement programmée est une forme de maintenance corrective
différée, puisque les fonctionnalités de l'élément ne seront pas restaurées immédiatement mais
la prochaine fois qu'un événement de maintenance est programmé [26]. Cette stratégie
contribue à éviter les inspections et les réparations inutiles du système et les coûts et les temps
d'arrêt qui en résultent [28].
La maintenance préventive est effectuée pour réduire le risque d'échec ou la dégradation de la
fonctionnalité d'un élément. Il peut être divisé en maintenance prédéterminée et une
maintenance basée sur l'état ("Condition-Based Maintenance"). Une maintenance préventive
prédéterminée peut être effectuée à des intervalles fixes de calendrier ou de temps de
fonctionnement ou selon un autre paramètre d'utilisation [29]. La maintenance préventive
basée sur l’état est exécutée lorsque les indicateurs de détérioration dépassent les seuils
prédéfinis. Une condition préalable est la capacité de surveiller la condition du composant
[28]. Une connaissance suffisante des caractéristiques d'échec des composants est également
nécessaire pour pouvoir anticiper les pannes.
Un plan d’exploitation et d’entretien de la centrale solaire photovoltaïque a été mis en place.
Ce plan de maintenance et d’entretien a été établi avec les différents partenaires du projet
d’installation de la centrale solaire et retranscrit dans le rapport [30]. Ce plan comporte des
fiches permettant de définir un certain nombre de protocoles à mettre en œuvre :
- Répartition des tâches ;

- Plan d’entretien annuel ;

- Contrôle courant ;
- Contrôle périodique ;
- Nettoyage des modules PV;
- Anomalies et réparation ;
- Commandes ;
- Manuel pour la résolution des problèmes.
Maintenance et entretien
Maintenance préventive Maintenance corrective
Maintenance basée Maintenance

sur la condition prédéterminée
Planifié sur Programmé Reporté (ex. Immédiate

demande ou continu périodique)
Figure 2.14 - Classification de l’entretien. Source: DIN EN 13306 [26]
Toutes les fiches citées précédemment sont répertoriées dans un classeur, afin de garder une
trace de tous les activités d’exploitation et d’entretien de la centrale. L’objectif principal
consiste à pérenniser et optimiser les performances de la centrale solaire photovoltaïque
installée au CERD d’où la nécessité d’établir un plan d’exploitation et d’entretien. Les
mesures prises dans ce plan permettront de prévenir toutes pannes.
2.3.2- Répartition des tâches
Le tableau présenté en A.3 regroupe les tâches à effectuer par les différentes organisations en
charge de la centrale. Ce tableau a été établi par des consultants japonais et les représentants
de différentes organisations en charge du projet de la centrale solaire photovoltaïque.

Il contient certains éléments tels que : le nettoyage, les équipements, l’inspections, les pièces
de rechange, le budget… etc. La gestion des pannes est aussi inclut dans ce tableau.
2.3.3- Plan d’entretien annuel
Le plan d’entretien comporte les prévisions annuelles des différents contrôles à effectuer sur
la centrale solaire : à savoir les contrôles courant, périodique et les nettoyages. Une fiche
(A.4) a été élaborée, elle comporte les dates de déroulement de différentes inspections de la
centrale, le planning et les résultats. Ces derniers consistent à observer si le planning s’est
bien déroulé à la date mentionnée. Ce planning est renouvelable chaque année.
2.3.4- Contrôle courant
Le contrôle courant consiste à l’inspection visuelle des différentes installations de la centrale

solaire. Ce contrôle s’effectue au début de chaque semaine et il sert à observer le bon
fonctionnement du système et à anticiper d’éventuels problèmes. Il est réalisé par les
techniciens en charge de la centrale. Une fiche (A.5) récapitulative détaillée sert à noter les
constatations de ce contrôle. Elle comprend les sections à inspecter, les points de contrôle et
les résultats (présence ou absence de défaut) de l’inspection. En cas de présence d’un
quelconque défaut observé lors de ce contrôle, il sera signalé dans cette même fiche le type
d’anomalie et le numéro de la composante en panne. Les sections à contrôler sont :
- les rangées des modules photovoltaïques ;

- les boites de jonctions ;
- les armoires dans la salle de contrôle ;
- le commutateur de charge ;
- les panneaux d’affichage.
Dans chacune de ces sections, on observe s’il y a des tâches, des détériorations, de la rouille
ou s’il y a un dysfonctionnement des équipements inspectés. Ce type de contrôle se fait de
manière régulière ou irrégulière, par exemple après une pluie ou un vent violent qui pourrait
causer des dégâts.
Cette fiche est placée dans un classeur répertoriant tous les problèmes visuels survenus sur le
système. Ceci permet d’agir sur l’équipement indiqué lors de l’entretien et de la maintenance.

2.3.5- Contrôle périodique
C’est un contrôle qui se déroule une fois tous les deux mois et il consiste à réaliser une
inspection visuelle et électrique des différents composants de la centrale solaire
photovoltaïque. Au cours de ce contrôle, il s’agit d’intervenir sur les différentes sections qui
composent la centrale solaire photovoltaïque. Nous effectuons sur les différents points de
contrôle des mesures et des essais tels que :
- la mesure des résistances d’isolement et de la tension d’ouverture des boites de

jonctions ;
- l’essai de fonctionnement de la minuterie d’arrêt et d’injection.
En cas de défaillance d’une des composantes de la centrale, nous le signalons dans la fiche de
contrôle périodique (A.6) afin de procéder au remplacement. Par comparaison au contrôle
courant, le contrôle périodique est effectué comme mesures préventives à long terme pour se
saisir de l'état de l'installation photovoltaïque avec plus de précision.
Au Japon, la fréquence du contrôle périodique [31] est définie suivant la capacité de

génération:
- de 100 kW ou plus, connectée au réseau avec une moyenne tension de 6,6 kV ou avec
une haute tension de 22/33 kV ou plus : une fois tous les deux mois ;
- inférieure à 100 kW, connectée au réseau avec une moyenne tension de 6,6 kV : deux
fois par ans ou plus ;
- de moins de 20 kW, connecté au réseau avec une basse tension 100/200 V : pas
d’intervalle requis.
Ces contrôles permettent d’anticiper des problèmes éventuels. Après la détection d’un défaut
ou d’une anomalie d’un des éléments de la centrale solaire nous procédons directement à une
maintenance corrective qui peut être immédiate ou différée suivant la gravité du défaut
observé.
2.3.6- Anomalies et réparations
Au cours de son fonctionnement, la centrale peut être sujette à une défaillance engendrant une
panne. Par conséquent, nous avons établi une fiche (A.7) répertoriant les anomalies détectées
ainsi que les réparations effectuées. Cette fiche comprend :

- La date de détection de la panne ;

- Les intervenants ;
- Les équipements utilisés ;
- La nature de l’anomalie ;
- Les causes de l’anomalie ;
- La date de réparation ;
- Les intervenants pour la réparation ;
- Et les mesures prises pour la réparation.
 Manuel pour la résolution des problèmes :
Au cours de la première année d’exploitation de la centrale, nous avons rencontré certaines

anomalies et pannes mais aucune n’a causé l’arrêt total de la centrale. Les anomalies
rencontrées sont :
- Arrêt de l’affichage des données sur les panneaux d’affichages ;

- Arrêt de la climatisation de la salle ;
- Décalage horaire de l’ordinateur de la salle de contrôle qui induit un décalage des
données collectées.
A chaque fois, nous avons cherché les solutions adéquates dans le manuel d’exploitation et
d’entretien afin de corriger la panne. Les anomalies et les solutions apportées sont répertoriées
dans la fiche du manuel pour la résolution des problèmes (A.8). Ce manuel résume tous les
problèmes rencontrés et résolus durant l’exploitation de la centrale.
2.3.7- Nettoyage
D'une manière générale, les méthodes de nettoyage de la surface des modules photovoltaïque
n'ont pas été au centre de l’attention des chercheurs [32]. Ce manque d'attention peut résulter
de l'idée que la quantité de pluie dans la région où le système PV est installé, est suffisante
pour nettoyer la surface des modules PV. Les méthodes de nettoyage des modules PV peuvent
être classées comme suit:
- Nettoyage par la pluie : Cette méthode de nettoyage est très volatile et dépend de la
pluviométrie du site. La fiabilité de cette méthode de nettoyage est discutable, en
particulier lorsque la salissure est intensive et que les précipitations ne suffisent pas en
quantité ou en intensité pour laver la salissure des modules [33] ;

- Nettoyage manuel : Cette méthode suit la même procédure que celle utilisée pour
nettoyer les fenêtres des bâtiments. Pour nettoyer la surface de modules PV, des
brosses avec des poils spéciaux sont utilisées pour éviter les rayures des
modules [32] ;
- Nettoyage par une machine mobile : Cette méthode utilise des machines pour effectuer
le nettoyage et un stockage pour l'approvisionnement en eau ou un système d'arrosage
est l'une des meilleures façons de nettoyer la surface des modules PV [34].
Dans cette partie du travail, nous proposons la méthodologie de nettoyage mise en place avec
l’installation de la centrale solaire suite à des tests grandeur nature.
Un nettoyage des panneaux se fait pratiquement chaque début de mois. Ce nettoyage est
enregistré dans la fiche de nettoyage (A.9). Cette fiche comprend la date du nettoyage, la
personne qui a supervisé le nettoyage, les constats avant et après le nettoyage et les matériels
et les équipements utilisés. Un protocole de nettoyage a été érigé dans ce sens après des tests
grandeurs nature.
Deux méthodes sont proposées pour le nettoyage des panneaux solaires photovoltaïques :
- La première consiste en un nettoyage à sec ;

- La seconde consiste en un nettoyage avec l’eau distillée ou minéralisée.
 Nettoyage à sec
Le nettoyage à sec consiste à nettoyer les panneaux à l’aide des serpillères à coton permettant
d’enlever la poussière. Pour enlever les tâches incrustées sur les panneaux (guano des
corbeaux), il faut utiliser une deuxième serpillère imbibé d’eau.
Pour cette opération de nettoyage à sec, il est décidé de mettre 10 personnes dont chacune
nettoiera 3 rangées. La durée estimée pour le nettoyage de l’ensemble des panneaux pour une
seule personne est de 15 h. Après un test grandeur nature, la durée de travail pour 10
personnes, a été estimé à environ 1 h 30. Après un second test grandeur nature de nettoyage à
sec et en prenant en considération le facteur fatigue des nettoyeurs, cette durée a été revue à la
hausse à 2h. Ce nettoyage doit se faire suivant la direction du vent afin que la poussière ne se
propage pas sur les panneaux déjà nettoyés.

Figure 2.15 - Serpillères à utiliser pour le nettoyage
 Nettoyage avec l’eau distillée ou minéralisée
L’eau distillée étant trop chère pour nettoyer les rangées solaires PV de 2138,4 m 2, il est
envisagé de collecter l’eau des climatiseurs. L’eau du réseau n’est pas utilisable car elle est
saumâtre ce qui risquerait de favoriser les phénomènes de corrosion. Cette méthode n’est pas
encore expérimentée, mais le temps prévu pour le nettoyage sera le même que le nettoyage à
sec.
Le nettoyage est prévu tous les mois sauf les mois contenant des jours à forte pluviométrie. Le
nettoyage à sec se fera dix des douze mois de l’année et le nettoyage à l’eau distillée se fera
en principe deux fois par an.
2.3.8- Fiche de commande
Tous les achats de matériels pour l’entretien et le remplacement de certains équipements de la

centrale sont enregistrés dans la fiche de commande (A.10). Elle contient les références de
l’équipement, le nom du responsable de la commande, la date de commande, la quantité, le
prix et la date de livraison.
Après une présentation des différents équipements de la centrale solaire PV ainsi que les
opérations d’entretien et de maintenance, il est nécessaire de se pencher sur l’acquisition et le
traitement des données issues du monitoring pour déceler les anomalies observées au cours du
temps.

2.4- Fouille des données issues du monitoring de la centrale solaire/ détection des
périodes de délestage du réseau électrique
2.4.1- Nombre de valeurs disponibles par paramètres
Dans les fichiers donnés issus du monitoring de la centrale solaire photovoltaïque plusieurs
paramètres sont enregistrés à savoir des paramètres environnementaux et électriques. Chacun
des paramètres générés est collecté par un système d’acquisition. Toutes les données
électriques sont disponibles pour les trois onduleurs photovoltaïques.
Tableau 2.2 : Paramètres électriques et environnementaux

Paramètres électriques
Idc(A), Vdc(V), Pdc(kW),Edc (kWh) Intensité, tension et énergie continue
Iac(A), Vac(V), Pac(kW), Eac (kWh) Intensité, tension et énergie alternatif
F (Hz) Fréquence
Paramètres environnementaux
IPOA (kWh/m2) Irradiation solaire
Tamb (°C) Température ambiante
Tmod (°C) Température des cellules
Vwind (m/s) Vitesse et direction du vent
Figure 2.16 - Nombres de valeurs par paramètres
La figure 2.16 représente le nombre de valeurs disponibles par paramètre et par mois durant
les cinq années d’exploitation de la centrale solaire. On remarque sur cette figure que pour
chaque mois, on collecte pratiquement le même nombre de points. A part le mois d’octobre
2014 où la centrale solaire PV était à l’arrêt pendant quelques jours. Les nombre de valeurs

disponibles de données présentées sur la figure 2.16 englobent toutes les données de la
centrale solaire y compris les points de données contenant des valeurs aberrantes. Ces
dernières contiennent les délestages et tous autres bugs des instruments et du système
d’acquisition. Dans ce qui suit, nous essayerons d’identifier et de filtrer les valeurs aberrantes
du jeu de données, afin d’obtenir des données fiables et reflétant les conditions réelles
d’exploitation de l’installation solaire PV.
2.4.2- Détection et caractérisation du délestage réseau sur la production de la centrale
A Djibouti, le réseau électrique est caractérisé par des délestages assez fréquents et cela se
répercute sur la fiabilité des données issues de la centrale solaire. Sachant que le délestage est
un phénomène très compliqué à déceler, nous allons dans cette partie de notre travail essayé
d’identifier et d’évaluer les périodes de délestages afin de pouvoir mieux les cerner et les
éliminer de notre jeu de données. Pour cette étude, nous travaillons avec des données
recueillies avec un pas de temps d’une minute. Dans un premier temps, nous allons observer
les paramètres électriques mis en jeux lors de la connexion au réseau et lors d’une coupure
d’électricité. Lors de la connexion au réseau électrique, les onduleurs photovoltaïques doivent
être compatibles avec les caractéristiques de la tension des réseaux publics de distribution
d’électricité à basse tension, à savoir :
- Tension nominale : 230 Volts en monophasé ou 400 Volts en biphasé et triphasé

- Fréquence nominale : 50 Hz
Pour le cas de cette centrale, on est en triphasé avec des tensions 400 ≤Vac ≤ 420 et une
fréquence variant légèrement entre 49 et 50 Hz. La tension continue (Vdc) est inférieure à
300 V.
Lors de la coupure du réseau électrique, la tension Vac est inférieure à la tension nominale et
la fréquence de l’onduleur 3 se stabilise à 50 Hz. Ceci est le mode de fonctionnement hors
réseau de la centrale qui prévoit que l’onduleur 3 soit actif et que les onduleurs 1 et 2 soient à
l’arrêt. Idc et Iac liés à la variation de l’ensoleillement du site, sont des paramètres assez
fluctuants et ne pourront pas être pertinents pour la détection des délestages (coupure du
réseau électrique). A l’issue de cette première étape, nous distinguons que certains
paramètres électriques sont plus pertinents que d’autre paramètres et vont nous permettre de
détecter ces périodes de délestage du réseau.

Dans un premier temps, nous allons observer les paramètres électriques mis en jeu lors de la
connexion au réseau et lors d’une coupure d’électricité. Pour cela, une sélection de quelques
jours avec et sans coupures d’électricité a été choisie pour détecter les périodes de délestages.
Les jours sélectionnés sont basés sur des observations prises sur le terrain.
Jour ensoleillée
400 1 Jour avec délestage
Puissance 250 1
Irradiation Puissance
Irradiation
200 0.8
Puissance (kW)
150 0.6
Puissance (KW)
200 0.5
100 0.4
50 0.2
0 0 0 0
7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627
Temps 5 Temps (min) 5
x 10 x 10
Jour ensoleillée (14/12/2015) Jour avec délestage (03/11/2015)

Jour nuageux avec délestage Jour avec double délestage
400 1 400 1
Puissance
Irradiation
Puissance (kW)
Puissance (kW)
200 0.5 200 0.5
0 0 0 0
7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627 7.3627
Temps (min) 5 Temps (min) 5
x 10 x 10
Jour nuageux et avec délestage (16/12/2015) Jour avec délestage (29/11/2015)

Figure 2.17 - Observation de la puissance et de l’irradiation pour plusieurs jours
Afin de cerner au mieux le comportement de la production énergétique lors d’un délestage

quatre jours préalablement identifiés ont été sélectionnés. Ces jours correspondent à:
- Un jour ensoleillé (figure en haut à gauche), où on observe que l’allure de production

énergétique suit celle de la quantité d’irradiation solaire reçu par les panneaux solaires
PV.
- Un jour (figure en haut à droite) où on observe une chute brusque de la production
énergétique pendant un certain temps sans lien directe avec la quantité d’irradiation
observé.

- Un jour nuageux en matinée (figure en bas à gauche) où on observe une fluctuation

des quantités d’irradiation et de la puissance de sortie des modules. Dans l’après-midi
on observe une chute brusque de la puissance.
- Un jour (figure en bas à droite) où on a une double chute brusque de la puissance de
sortie des panneaux.
Ces quatre jours permettent de différencier le comportement de la puissance de sortie en lien

avec un passage nuageux et en lien avec une coupure de réseau électrique. La courbe
d’irradiation nous sert de référence. Nous avons constaté que les chutes brusques des
puissances correspondent aux périodes de délestage. Nous avons également constaté que les
fluctuations de la quantité d’irradiation correspondent à un passage nuageux et en aucun cas à
une anomalie quelconque du système PV (allure de la courbe de puissance en parfaite
harmonie avec les fluctuations des quantités d’irradiations).
Figure 2.18 - Zoom sur la période de délestage 03/11/2017
Sur la figure 2.18, on peut distinguer que la période de début de délestage, la puissance
électrique de la centrale ne s’annule pas. Cela s’explique par le fait que la centrale solaire
passe en mode autonome dans les 11 secondes (donnée installateur) qui suivent la coupure.
L’onduleur 3 prend le relai ce qui implique que même lors du délestage on a une quantité de
puissance produite. A la reprise du réseau, on identifie sur la figure 2.18 que la puissance de
sortie des panneaux PV s’annule pendant 4 min. Cette période correspond aux temps
nécessaire pour que la centrale PV se reconnecte sur le réseau électrique. Ces informations

sont détaillées sur le zoom effectué sur l’évolution de la puissance pendant la période de
délestage et de reconnexion au réseau de la journée du 3/11/2015.
2.4.3- Tension de connexion au réseau (Vac) et tension continue des rangées PV (Vdc)
Pour valider ces observations et identifier ces périodes de délestages électriquement, on s’est
intéressé au comportement de la tension de connexion au réseau, Vac et la tension du champ
PV, Vdc, présenté dans la figure 2.19. Le carré en pointillé rouge désigne la partie sur
lesquelles on a zoomé pour obtenir les figures de droites. Sachant que les caractéristiques du
délestage sont les mêmes à chaque fois, nous avons choisi le jour avec un délestage
(3/11/2015). Nous remarquons que pour l’ensemble de la journée, la tension Vac reste
supérieure à 390 V, c’est la connexion au réseau. On constate également une chute de tension
du réseau qui provoque le délestage à partir de 10h49. On peut voir sur le zoom de droite que
cette coupure a duré pendant 17 min (les cercles en vert sur le graphique de gauche), le retour
du réseau a eu lieu à 11h05. Le comportement de Vdc est différent de Vac face au délestage,
Vdc augmente et se stabilise autour 330 V.
Figure 2.19 - Vac (en haut) et Vdc (en bas) avec rectangle en pointillé rouge correspondant au
zoom sur le délestage
Maintenant que nous arrivons à distinguer la caractéristique électrique d’un délestage sur la
centrale solaire, d’un passage nuageux ou d’un autre phénomène, nous pouvons élaborer une

identification de différentes anomalies que peut subir de la centrale solaire PV à partir des
données issues du monitoring.
2.4.4- Critère d’identification et détection de différentes anomalies
Eu égard de la section précédente, un premier critère (Ct1) de détection de délestage

correspond à une tension inférieure à la tension nominale et la puissance de l’onduleur 3
(PC3) différente de zéro alors que les autres onduleurs (PC1 et PC2) ont des puissances nulles
(Vac < 390 V et PC1dc= 0, PC2dc= 0, PC3dc≠ 0). Egalement comme indiqué précédemment,
la reconnexion au réseau de la centrale solaire prend 4 min. Pour détecter cette période de
reconnexion, on a croisé la tension Vdc et la puissance Pdc, ce qui nous donne le deuxième
critère (Ct2) de détection (Vdc > 320 et Pdc = 0). Un troisième critère (Ct3) non conforme au
bon fonctionnement de la centrale solaire correspond à la période où les quantités
d’irradiation sont disponibles et que les panneaux PV de la centrale ne délivrent aucune
production (IPOA ≠ 0 et Pdc = 0). Cela se traduit par un délai entre la courbe d’irradiation et
celle de la puissance de sortie des panneaux (figure 2.19). Les pics observés sur la figure en
bas à gauche de Vdc en début et en fin de journée correspondent également à ce critère.
Le quatrième critère correspond à un bug au niveau du pyranomètre où on a pour certaines
périodes des puissances non nulles pour des quantités d’irradiations nulles. Ce critère de
détection (Ct4) correspond à (IPOA=0 et Pdc≠0). Un cinquième et dernier critère de détection
correspond à l’arrêt d’un onduleur alors que les deux autres fonctionnent, cette anomalie se
produit surtout lors de la reconnexion des onduleurs 1, 2 et 3 au réseau électrique après un
délestage. Pour ce critère nous croisons les puissances d’entrées de chaque onduleur en
prenant à chaque fois une puissance nulle et les deux autres différents de zéro.
Un dernier critère correspond aux périodes d’arrêts de la centrale. Cela peut être un arrêt
volontaire de la centrale pendant un certain temps pour dépannage ou d’autres arrêts
involontaires. Ce critère correspond dans notre jeu de donnée à (Pdc = *). Ce critère n’est pas
comptabilisé car il est d’office supprimé.
Dans le code MATLAB qu’on a établi pour l’analyse des données issues du monitoring, ces
différents critères sont utilisés pour indexer et identifier les valeurs aberrantes. Les données
que nous possédons étant des données journalières à la minute, nous les avons concaténé afin
d’avoir des données à la minute pour les cinq années du monitoring de la centrale solaire PV.
Les étapes pour les prétraitements des données sont montrées sur la figure 2.20.

Import des fichiers Concaténation des Sélection des

de données (1-min) fichiers journalier en variables à utiliser
annuel
Identification des
valeurs aberrantes
Analyse des paramètres Filtrages des valeurs

de performances aberrantes identifiés
Figure 2.20 - Procédure de prétraitement des données
2.4.5- Observation avant et après filtrage des valeurs aberrantes
La figure 2.21 représente la puissance produite en 1 min en fonction de la quantité

d’irradiation pour les années 2014 et 2015. Nous distinguons également sur cette figure les
différents critères de détection discutés dans la section précédente, avec :
- En noir : qui correspond aux données à sauvegarder,

- Ct1 : les périodes de délestage correspondant au premier critère (Vac<390 V et
PC1dc= 0, PC2dc= 0, PC3dc≠ 0)
- Ct2 correspond à (Vdc > 320 et Pdc = 0)
- Ct3 correspond à (IPOA ≠ 0 et Pdc = 0)
- Ct4 correspond à (IPOA = 0 et Pdc ≠ 0)
- Ct5 : correspond à l’arrêt d’un des trois onduleurs alors que les deux autres
fonctionnent ou bien à l’arrêt de deux onduleurs alors que le troisième fonctionne.
Nous observons une masse de point moins dense (en violet) qui se décroche de la masse de
points principaux (en noir). Elle correspond aux périodes ou un et/ou deux onduleurs sont à
l’arrêt parmi les trois onduleurs qui composent la centrale.
A l’issue de l’observation de l’ensemble des données et des différents critères de détection,

nous allons dans un premier temps évaluer ces critères de manière journalière pour l’année
2014 et 2015 (figure 2.22).

Figure 2.21 - 1-min données 2014 (fig. haut) 2015 (fig.bas)
Figure 2.22- Nombre de minutes identifiées par les filtres par jour pour 2014 (gauche), 2015
(droite)
Dans le graphique ci-dessus nous estimons les coupures d’électricité moyenne journalière
représentées par Ct1 à 19.89 min et 14.11 min par jour respectivement pour 2014 et 2015. Ct3
correspond au délai entre lever/coucher du jour et démarrage/arrêt de la centrale solaire. Ct3
est de 46.39 min et 39.91 min par jour respectivement pour 2014 et 2015.

Ct2 (Vdc > 320 et Pdc = 0) reste moins significatif avec une moyenne journalière annuelle de
3.41 min et de 2.41 min respectivement pour 2014 et 2015. Le critère Ct4 est pratiquement
nul pour le deux années, ce qui montre que le pyranomètre est très efficient. Le dernier critère
Ct5 est de 5,61 et de 3,03 min par jour pour 2014 et 2015. Les pics de Ct5 qu’on peut
observer sur les deux graphes montrent la durée maximum que l’un des trois onduleurs soit
éteint. Elle est de 662 min (11h) pour 2014 et de 477 min (8h). Cela est dû aux chutes de
tension assez fréquentes pendant l’été qui surviennent avant ou après un délestage et qui
peuvent affecter les onduleurs.
Dans cette partie, nous avons évalué le pourcentage des valeurs mensuelles moyennes
identifiées comme aberrantes par types de critères pour les années 2014 et 2015 (figure 2.23).
Ce pourcentage correspond au pourcentage relatif à chaque critère par rapport à l’ensemble
des données.
Figure 2.23- Pourcentage mensuelles des valeurs aberrantes pour les années 2014-2015
Par comparaison des trois critères d’identification des valeurs aberrantes (n’ayant pas à être
comptabiliser pour l’évaluation des performances en fonctionnement normal), Ct2 restent très
inférieure à Ct1 (période de délestage) et Ct3 (délai entre levée du soleil et la mise en marche
de la centrale solaire et le coucher du soleil et l’arrêt de la centrale). Elle est de 0,24% et de
0,17% respectivement pour 2014 et 2015. La moyenne mensuelle de Ct3 est de 3.3% en 2014
et de 2.8% en 2015. La moyenne annuelle des délestages Ct1 est de 1.4 % en 2014 et 0.97 %
en 2015. Ct4 est pratiquement nulle pour les 2 années. Ct5 est de l’ordre de 0,38% en 2014 et
de 0.21% en 2015.
Dans ce travail, nous remarquons que le maximum des données à filtrer dépasse très rarement
les 5% pour l’ensemble des mois. La moyenne totale des valeurs aberrantes est de 5,32% en
2014 et de 4,13% en 2015. Le maximum est atteint pour les mois de mai et juillet 2014 avec
des valeurs de 10,2% et 11,7%. Les principales anomalies observées sont le délestage, le délai

de démarrage et d’arrêt de production (Ct3) et l’arrêt d’un des onduleurs (ex. le mois de juillet
2014).
Afin de minimiser Ct3, nous devons rectifier les périodes de démarrage et d’arrêt de la
centrale solaire et les caler à la minute près au lever et au coucher du soleil. Les critères Ct1 et
Ct2 dépendent très largement du réseau électrique et ne peuvent être maîtrisés.
Les deux graphiques suivant représentent les données restant après filtrage des valeurs
aberrantes identifiées par les critères 1 à 5. Ainsi, nous obtenons des données ne présentant
aucune anomalie pour les années 2014 et 2015. La masse de points éparpillés collés à la
masse principale correspond à l’effet du Khamsin (vent de sable brûlant) qui contribue à la
diminution de la quantité d’irradiation par soulèvement de poussière et donc de la quantité
d’énergie produite. Cet effet est constaté pour les mois de juin à août pour 2014 et 2015.
Figure 2.24 - Nombre de points restant après filtrage des valeurs aberrantes 2014 (gauche),
2015 (droite)
2.4.6- Evolution du délestage du réseau électrique de Djibouti
Le délestage est un phénomène qui affecte la stabilité du réseau qui est soit due à une
surconsommation (déséquilibre entre la production et la consommation électrique) soit à un
problème technique d’interconnexion comme c’est le cas souvent depuis l’interconnexion
entre le réseau djibouto-éthiopien.
Comme on peut observer sur la figure 2.25, le délestage est présent sur toute l’année. Il existe
malgré tout un effet saisonnier car il est plus fréquent en saison chaude qu’en saison fraîche.
Le mois de mai est le mois où le taux de délestage est le plus élevé avec une moyenne pour
les cinq années de 28 h. Ce mois correspond au début de l’été où la stabilité du réseau est
fortement impactée par la hausse de la demande d’électricité pour la climatisation en été.

Figure 2.25 - Nombre de minute de délestage du réseau par mois
Au fur des années, on remarque une diminution du délestage, il est passé d’environ 8 jours de
délestage par an en 2012 à environ 3 jours par an en 2016 avec un total de 27 jours par an. Par
ailleurs, nous constatons une amélioration du réseau djiboutien face au phénomène de
délestage certainement due à l’interconnexion. Le tableau 2.3 résume l’évolution du délestage
moyen au cours des 5 années d’exploitation de la centrale solaire.
Tableau 2.3 : Délestage moyen en nombre d’heures et de jours par an :

Délestage en heure/an Délestage en jours/an
2012 201,8 8,4
2013 170,7 7,1
2014 121 5
2015 85,8 3,6
2016 74,6 3,1
2.5- Conditions environnementales de l’installation PV
Pour réaliser l’analyse des conditions environnementales du site, dans cette partie nous
interprétons les données issues des différents capteurs (pyranomètre, thermomètre,
anémomètre et girouette).
2.5.1- Analyse de la température et des rayonnements solaires sur le site
Afin de comprendre l'environnement dans lequel évolue l'installation solaire photovoltaïque,

nous avons illustré sur la figure 2.26 le rayonnement solaire global mensuel sur le plan des
modules (IPOA) et la température ambiante (Tamb) enregistrés pendant les heures

d’ensoleillement durant les quatre premières années (février 2012-août 2015) d’exploitation
de la centrale. IPOA est mesuré par un pyranomètre à thermopile (large sensibilité spectrale).
Sur ce graphique, nous observons une alternance entre Tamb et IPOA avec une augmentation de
Tamb et une diminution de IPOA en période estivale et une diminution de Tamb et une
augmentation de IPOA en saison fraîche. La température se situe entre un minimum de 29,4 °C
en janvier 2015 et un maximum de 40,6 °C en juillet 2013. La quantité de rayonnement
solaire reçue varie entre 4,6 kWh/m2 par jour pour juillet 2013 et 6,4 kWh/m2 par jour pour le
mois d'avril 2015. La température ambiante moyenne sur site et l'irradiation reçue sont
respectivement de 34 °C et 5,6 kWh/m2 par jour, avec une variation saisonnière respective de
l'ordre de 11 °C pour Tamb et de 1,8 kWh/m2 par jour pour IPOA. La température ambiante
maximale est atteinte pendant les périodes de rayonnement solaire les plus faibles. Pendant les
mois de juin à août, la réduction du taux de rayonnement solaire atteignant les modules
solaire PV est due à la nébulosité du ciel induit par la levée de poussière causée par le
Khamsin (vent chaud et sec se déroulant pendant 50 jours entre juin et août).
Figure 2.26 - Température ambiante et irradiation mensuelle enregistrées sur le site de la

centrale solaire
2.5.2- Ajout d’instrumentation
En janvier 2015, nous avons complété les instrumentations existantes de la centrale solaire
avec des instruments pour la mesure de la vitesse et la direction du vent et la température des
modules. Les modules centraux ont été choisis afin d’éviter les effets de bords.
L’instrumentation préétablie de la centrale solaire était insuffisante pour approfondir nos

recherches quant à la compréhension des phénomènes environnementaux du site de la centrale

solaire. L’ajout de cette nouvelle instrumentation, nous a permis de confronter le modèle
existant de température intégré au sein du modèle numérique de base avec les données
expérimentales, puis de développer un modèle empirique de température de module
(chapitre 5). Pour la mesure du vent, nous avons utilisé un anémomètre et une girouette que
nous avons installés sur un mât de 6 m de hauteur à côté de la salle de contrôle (figure 2.27).
Pour la mesure des températures des modules, nous avons utilisé 6 thermocouples de type K
sur quatre modules d’une rangée PV de la centrale solaire (figure 2.28). Quatre thermocouples
sont placés sur la face arrière et deux thermocouples sont placés sur la face avant des modules
PV.
Figure 2.27 - Anémomètre et girouette
Figure 2.28 - Thermocouple sur la face arrière (gauche) et sur la face avant (droite) des
modules PV

Pour des mesures fiables de température des surfaces des modules PV, il est important
d’assurer un bon contact thermique avec les sondes, et de protéger des sondes d’autres sources
de chaleur (telle que le rayonnement solaire) tout en évitant de modifier les propriétés
thermiques de la surface (notamment concernant l’émissivité à grande longueur d’onde). Au
lieu d’utiliser des thermocouples préfabriqués, les jonctions de fil de thermocouple ont été
soudées puis collées sur les modules. Pour le collage des thermocouples sur les modules, nous
avons utilisé un ruban adhésif de Kapton 92 (figure 2.28). Nous avons choisi ce type de ruban
pour le collage car il est résistant à des températures extrêmes de (-50°C à +180°C), il assure
un bon contact mécanique avec les modules PV, et l’impact concernant l’émissivité est moins
important que des scotchs métalliques. Pour les sondes installées sur la face avant des
modules, les jonctions ont été protégées par un carré de scotch aluminium pour les mettre à
l’abri du rayonnement de courte longueur d’onde (CLO). Nous avons positionné les fils des
thermocouples sur la face avant en suivant l’espacement entre les cellules et les connexions
afin d’éviter de couvrir les cellules, ce qui réduirait le rendement des modules concernés.
Le montage choisi pour la mesure est représenté sur la figure 2.29. Sachant qu’un
thermocouple est un montage exploitant l'effet Seebeck pour la détermination de la
température. Les points de mesures (soudures chaudes) des thermocouples sont directement
collés à la surface des quatre modules PV comme indiqué précédemment. Nous avons placé
les jonctions froides des thermocouples dans un bloc isotherme (boîte de référence), afin que
les températures des jonctions froides soient plus stables et homogènes. Afin de déterminer la
température de la soudure chaude, il est nécessaire de connaitre la température des « soudures
froides ». Pour cela nous avons installé une PT100 qui permet de contrôler la température des
jonctions froides au sein de la boîte de référence. Puis nous avons reporté les soudures froides
aux bornes de l’appareil de mesure à l’aide de câbles de compensation en cuivre. L’ensemble
bloc isotherme et système d’acquisition est installé dans la salle de contrôle. Le PC dédié à
l’acquisition communique avec le châssis Agilent via une interface Labview VI se composant
d’une simple boucle d’acquisition.
Chacun de ces capteurs est relié à des systèmes d’acquisition. "NRG system symphonie plus"
(annexe A.11) pour l’acquisition des données de la vitesse et la direction du vent et d’un
multiplexeur 34901A (annexe A.12) intégré à un "Agilent 34970A" pour l’acquisition des
données de la température des modules (figure 2.30).

Figure 2.29 - Montage des thermocouples
Figure 2.30 - Systèmes d’acquisitions de vitesse et direction du vent et températures des

modules
2.5.3- Mise en place et analyse des données issues des capteurs des températures des
modules
Les capteurs de température sont étalonnés par rapport à une PT100 dans un bain à 0°C et un
autre à 40°C. Les différentes mesures des thermocouples ont été corrigées par rapport à
l’étalon et ainsi nous appliquons ces corrections à toutes les mesures prises sur les modules

PV. L’enregistrement se fait avec un pas de 1 minute pour chaque thermocouple. La figure
2.31, représente les mesures après correction des six thermocouples pour une période de six
jours consécutifs (1 février au 5 février 2015). TC1 et TC5 sont installés sur la face avant des
modules et TC2, TC3, TC4 et TC6 sur la face arrière des modules.
Figure 2.31 - Mesure des températures des modules des 6 thermocouples
2.5.4- Analyse de la vitesse et de la direction du vent du site
 Caractéristiques de la distribution de la vitesse du vent

La présentation des données du vent utilise souvent la distribution de Weibull comme outil
pour représenter la distribution de fréquence de la vitesse du vent sous une forme compacte.
La distribution de Weibull à deux paramètres (k et c) s'exprime mathématiquement comme
suit:
k V −V (2.1)
f(V) = ( ) ( )k−1 exp(( )k )
c c c
où f(V) est la fréquence de distribution de la vitesse du vent (V). Les deux paramètres de
Weibull sont habituellement désignés comme le paramètre d'échelle c (exprimé en m/s) et le
paramètre de forme k (adimensionnel).
La distribution Weibull cumulée F (V) donne la probabilité que la vitesse du vent dépasse la
valeur V et est donnée par l'expression:
−V k (2.2)
F(V) = 1 − exp(( )
c

 Fréquence de distribution
La figure 2.32 représente la fréquence de distribution annuelle de la vitesse du vent et la
probabilité de distribution de Weibull de la vitesse du vent. Les paramètres k et c caractérisent
le potentiel du vent du site étudié. Ils sont de 1,7 et 3,1 m/s respectivement pour k et c. Les
vitesses comprises entre 4 et 5 ont la plus grande fréquence de distribution de l’ordre de 23%.
Figure 2.32 - Courbe de distribution Weibull
 Direction du vent
La direction du vent sur le site indique un vent dominant sud-est tout au long de l’année avec
un vent de sud-ouest principalement pendant l’été dominé par le Khamsin : vent chaud et sec
soufflant de l’ouest.
Figure 2.33 - Direction de la vitesse du vent

 Vitesse du vent mensuelle

Sur la figure 2.34, nous montrons la vitesse du vent mensuelle mesurée à une hauteur de 6 m
sur le site de la centrale solaire pour l’année 2015. La vitesse moyenne du vent sur le site de la
centrale solaire est de 2,6 m/s avec un minimum de 2,3 m/s atteint en avril et un maximum de
2,8 m/s en février. Ces constations de la vitesse du vent montre que le site de la centrale
solaire PV est bien ventilé.
Figure 2.34 - Vitesse du vent moyenne mensuelle
2.5.5- Aperçu des données de vitesses et de températures
Sur la figure 2.35, nous observons l’évolution horaire de la température ambiante (Tamb), de la
température des modules (Tmod) et de la vitesse du vent. On observe sur cette figure que la
température des modules et linéairement corrélée à la température ambiante. La température
des modules est plus élevée en période de journée que la température ambiante avec un écart
d’environ 20°C pendant les périodes de pics. Par contre, en soirée c’est Tamb qui plus élevée
que Tmod. On observe également que la vitesse de vent est plus élevée en journée qu’en soirée
où elle est inférieure à 1,5 m/s.
Les différentes observations de conditions environnementales du site vont nous permettre de

mieux comprendre l’évolution des performances dans les prochains chapitres.

Figure 2.35 - Séquence de mesure de la température ambiante, la température des modules et

de la vitesse de vent
2.6- Conclusion
L’intérêt principal de ce chapitre était de cerner la centrale solaire PV, son environnement et
les données qui en découlent. Pour cela, une présentation des différentes installations de la
centrale solaire PV connectée au réseau a été faite, afin de montrer le cheminement du courant
photovoltaïque des panneaux jusqu’à la connexion au réseau et présenter les différents modes
de fonctionnements. Par la suite, les opérations de maintenance et d’entretien sont présentées.
Par ailleurs, les données issues du monitoring de la centrale solaire ont été analysées à l’aide
d’une technique de fouille de données. Les valeurs considérées comme aberrantes (niveaux de
flux solaires, températures physiquement impossibles, valeurs non mesurées en raison d’une
défaillance temporaire du système d’acquisition ou du réseau électrique, etc.) ont été
identifiées et supprimées afin d’obtenir des données fiables et reflétant les conditions réelles
d’exploitation de l’installation solaire PV. Le comportement du délestage du réseau sur la
centrale a été caractérisé et l’analyse de son évolution au cours des cinq années a montré qu’il
a diminué en passant de 8,4 jours en 2012 à 3,1 jours en 2016. Ceci est en partie lié
à l’interconnexion du réseau électrique Djibouto-Ethiopien. Les données environnementales
du site sont également analysées en termes des quantités d’irradiations reçues et de la
température ambiante. Il a été constaté que la température ambiante maximale est atteinte

pendant les périodes de rayonnement solaire le plus faible et vice versa. Des capteurs de
mesures de la vitesse du vent et de la température des modules ont été ajoutés pour compléter
l’instrumentation de la centrale solaire. Ce qui nous va permettre d’établir un modèle de
température des modules (chapitre 5).
Dans les chapitres suivants, nous analyserons les différents paramètres de performances de la
centrale solaire, ensuite nous allons évaluer le taux de dégradation au cours du temps suivant
les méthodes PR et PVUSA, pour enfin atteindre un modèle de centrale solaire.

Chapitre 3 : Analyse de performances réelles de la centrale
solaire de 302,4 kWc raccordé au réseau électrique de
Djibouti
3.1- Introduction
Afin de comprendre d’une part, les performances des systèmes de génération d’électricité à
base d'énergie solaire et, d’autre part, l'impact du climat local, l’installation pilote
photovoltaïque de 302,4 kWc raccordée au réseau va être étudiée. Cette installation est unique
dans cette région et représente un outil de recherche et de développement pour le Laboratoire
des Energies Nouvelles et Renouvelables (LENR) du CERD.
Etant donné que cette centrale photovoltaïque est la première installation photovoltaïque
reliée au réseau électrique de Djibouti, aucune donnée n'est disponible sur les performances
réelles des systèmes photovoltaïques à Djibouti ou dans les mêmes conditions climatiques des
régions côtières de la corne africaines. Le but de ce chapitre est de comprendre le
fonctionnement d’une centrale photovoltaïque raccordée au réseau, dans des conditions
climatiques potentiellement préjudiciables et la tenue de ses performances dans le temps
(arides, poussiéreuses, avec de très faibles précipitations et une latitude faible et donc une
inclinaison faible des panneaux) de Djibouti.
Pour ce faire, nous allons dans un premier temps effectuer un état de l’art des études portant
sur l’analyse des performances de centrales solaires PV sous différentes zones climatiques
ainsi que de l’influence de l’empoussièrement sur les performances. Dans un second temps,
nous présentons les méthodologies d’analyse de performance qui seront implémentées et
adaptées à notre cas d’étude. Dans un troisième temps les données issues du monitoring
pendant quatre années consécutives (2012 à 2015) ont été analysées sur une base horaire,
journalière et mensuelle afin d'évaluer les tendances de performance du système solaire PV
sous les conditions climatiques de type désert maritime. Enfin, l’impact des paramètres
climatiques ainsi que les pertes dues à l’empoussièrement seront estimés.
3.2- Etat de l’art sur l’analyse de performance sous différentes zones climatiques
La performance des centrales photovoltaïques est liée aux conditions météorologiques in-situ
telles que l'irradiation, la température ambiante, l'humidité et la vitesse du vent. Au cours des

Analyse de performances réelles de la centrale solaire de 302,4 kWc raccordé au
réseau électrique de Djibouti
dix dernières années, les centrales solaires au sol tendant à se développer, un certain nombre
d'études ont été menées sur l'évaluation de la performance de centrales raccordées au réseau et
installées dans le monde. Ces études examinent les performances des systèmes
photovoltaïques raccordés au réseau dans différentes conditions climatiques, configurations
de montage et technologies PV [35-47].
L'analyse des performances des centrales photovoltaïques sous les conditions climatiques
tempérées ont été rapportées dans [35-36]. Mondol et al. [35] ont analysé la performance d'un
système photovoltaïque de 13 kWc installé en toiture et raccordé au réseau en Irlande du
Nord. Le rendement moyen final (Yf) et le rapport de performance (PR) du système sur la
période de suivi étaient respectivement de 1,69 heure par jour (h/j) et 61%. Dans la même
zone climatique, un autre système PV connecté au réseau de 1,72 kWc installé sur un toit plat
d'un bâtiment à Dublin en Irlande est présenté par L.M. Ayompe et al. [36]. Les résultats de
cette étude indiquent que le rendement final annuel et le rapport de performance étaient
respectivement de 2,41 h/j et 81,5%. Le facteur de charge annuel moyen du système était de
10,1%. Une comparaison de performances avec des systèmes PV provenant d'autres pays
européens (Irlande du Nord [35], Allemagne [37], Pologne [38]) a montré que le rendement
final annuel est plus élevé pour le système installé à Dublin. Cela est en partie lié à la
température ambiante basse et à la forte vitesse du vent spécifique du site.
D'autres études ont rapporté les performances sous climat méditerranéen. Kymakis et al. [39]
ont évalué la performance d’une centrale solaire raccordée au réseau de 171,36 kWc sur l'île
de Crète. Après une année de surveillance, le rapport de performance et les différentes pertes
de puissance (température, salissure et disponibilité du réseau) ont été déterminés. Yf varie
entre 1,96 et 5,07 h/j et PR de 58 à 73% avec un taux de PR annuel de 67,36%. Le facteur de
charge annuel moyen était de 15,26%. Makrides et al. [40] ont analysé les performances de
treize technologies photovoltaïques différentes à deux endroits (Nicosie, Chypre et Stuttgart,
Allemagne), toutes reliées au réseau avec une puissance nominale de 1 kWp. Après
évaluation, les systèmes photovoltaïques installés à Nicosie ont affiché les rendements
énergétiques les plus élevés (4,33 h/j) par rapport à ceux installés à Stuttgart (3,27 h/j). Ceci
est corrélé au niveau d'irradiation annuelle plus élevé à Chypre (1997 kWh/m2) par rapport à
Stuttgart (1460 kWh/m2). En considération des performances des systèmes PV liées aux
recherches susmentionnées, les systèmes PV évoluant sous le climat méditerranéen sont plus

performant que ceux évoluant en climat tempéré. Cela montre que le taux d'irradiation prend
le dessus sur la température de fonctionnement.
Plusieurs études sur l'évaluation de la performance ont été entreprises dans des conditions
climatiques tropicales et chaudes [41-47]. L’analyse de la performance d'un système
photovoltaïque intégré au bâtiment (BIPV) de 142,5 kWc sous le climat tropical de Singapour
a été réalisée par Wittkopf et al. [41]. Le PR était de 81%, le rendement du champ PV (Ya) et
le rendement final (Yf) étaient respectivement de 3,86 h/j et 3,12 h/j. Les rendements du
système et des rangées PV étaient de 11,2% et de 11,8%. De plus, l'impact de l'ombrage,
l'orientation, l'inclinaison et la température du module PV sont également présentés dans cette
étude. La comparaison de performances de différentes technologies PV sous les mêmes
conditions climatiques montre que les modules PV à base de silicium hétérojonction à couche
mince intrinsèque (HIT) et de silicium amorphe (a-Si) sont plus performantes que les modules
à silicium poly-cristallin (p-Si) sous un climat composite (froid en hiver et chaud et humide en
été) [42]. Par ailleurs, une étude de Tripathi et al. [43] a montré que les rangées PV basées sur
du p-Si sont plus performantes sous un climat chaud que les rangées basées sur du silicium
amorphe. Padmavathi et al. [44] ont évalué la performance d'une centrale solaire PV
raccordée au réseau de 3 MWp au Karnataka en Inde. Il a été constaté que PR varie entre
61% et 78% respectivement pour les mois de juin et février 2011. Le rendement de référence
(Yr) et Yf étaient respectivement de 5,36 h/j et de 3,73 h/j. Le facteur de charge de cette
centrale PV est de 12,38% pour 2010 et de 15,69% pour l'année 2011. Les performances des
systèmes PV ont été évaluées dans les conditions climatiques chaudes et désertiques de Sohar
à Oman et Abu Dhabi aux Émirats Arabes Unis [45-46]. Ces travaux ont révélé que le
rendement final est respectivement de 5,14 h/j pour Sohar et varie entre 4,5 h/j et 5,57 h/j pour
Abu Dhabi. En outre, dans la même région de la péninsule arabique, Al-Otaibi et al. [47] ont
présenté une évaluation de la performance sur 12 mois de deux systèmes photovoltaïques
(85,05 kWc et 21,6 kWc) connectés au réseau au Koweït. Le rapport de performance varie
entre 74% et 85% et le rendement final moyen des systèmes PV est de 4,5 h/j. Pour maintenir
ce niveau de performances les rangées PV ont été équipées d'un système de nettoyage
automatisé, ce qui a minimisé l'effet de salissures. Le tableau 3.1 résume les paramètres de
performance des systèmes photovoltaïques dans les différentes conditions climatiques des
travaux susmentionnés. Grâce à ces diverses études, il est possible d'inférer les performances
attendues par zone climatique, bien qu'il soit également évident que des niveaux très variables
peuvent être observés pour différents systèmes PV dans des zones climatiques similaires.

Dans l'ensemble, les centrales solaires PV opérant dans des zones climatiques chaudes et
ensoleillées atteignent les performances les plus élevées en raison des conditions favorables
du rayonnement solaire.
Tableau 3.1 : Évaluation des performances des systèmes PV par zone climatique
Location Type PV - Yf (h/d) ηPV (%) ηsys (%) PR - (FC) Référence

(montage) (%)
Climat tempéré
Ballymena, mc-Si 1,69 7,54 6,39 61 [35]
Irlande du (toiture)
Nord
Dublin, p-Si 2,4 14,9 12,6 81,5 [36]
Irlande (toiture) (10,1)
Allemagne --- 1,86 ----- ---- 66,5 [37]
du Nord (toiture)
Varsovie, a-Si 2,27 4,5-5,5 4,0-5,0 60-80 [38]

Pologne (toiture)
Climat méditerranéen
Île de Crète, p-Si 1,96- ----- ----- 67,36 [39]
Grèce (sol) 5,07 (15,26)
Nicosie, ----- 4,33 ----- ----- ----- [40]
Chypre
Climat tropical et chaud
Singapour p-Si 3,12 11,8 11,2 81 [41]
(toiture,
BIPV)
Gandhinagar p-Si 2,79- 11,07 10,52 75,3 [43]
, Inde (sol) 5,14
Gandhinagar a-Si 2,62- 6,56 6,06 70,8 [43]
, Inde (sol) 4,84
Karnataka, mc-Si 3,73 10,1-13,25 9,8-12,3 70 (12,38- [44]
Inde (sol) 15,69)
Sohar, p-Si 5,14 ----- ----- 84,6 [45]
Oman (toiture) (21)
Abu-Dubai p-Si 4,507- 10,3-11,1 ----- ----- [46]
5,571
Koweit CIGS 4,5 ----- ----- 70-85 [47]
(toiture)

3.3- Etat de l’art sur l’effet de l’empoussièrement sur les performances des modules
PV
La quantité d’empoussièrement des panneaux est très variable et est corrélée à des multitudes
de facteurs (figure 3.1) : caractéristique du site d’installation, l’inclinaison des panneaux,
météorologie du site (température ambiante, humidité et vitesse du vent), les propriétés de la
poussière, …etc. [48].
Angle d’inclinaison et Surface du module PV :

orientation texture et revêtement
L’encrassement
de la poussière
Température ambiante Vitesse du vent
est influencé
et humidité
par :
Caractéristiques du site : Propriétés de poussière :

végétation, désertique, chimique, la forme, la
axe routier taille et le poids
Figure 3.1 - Facteur influençant le dépôt de poussière
L'étude de l'effet de l’empoussièrement (ou salissure) sur les modules PV sur une période de
temps nécessite de surveiller les performances des modules PV pendant cette période de
temps. En faisant cela, l'effet de l’empoussièrement au fil du temps pourra être quantifié. Des
études antérieures ont été menées pour évaluer la perte de performance due à la salissure des
modules PV dans différentes régions [49-54]. Dans une étude conduite par Kleissel et al. [49]
sur 186 systèmes PV en Californie, il a été révélé que le taux d’empoussièrement moyen, en
période sèche, est de 0,051% par jour pour les 186 sites et 7% par an [50]. Kimber et al. [33] a
mené une étude de suivi de l’empoussièrement pour les systèmes PV en Californie et dans la
région sud-ouest des États-Unis. En utilisant des données issues du monitoring toutes les 15
minutes à partir des sites PV, ils ont considéré la perte due à l’empoussièrement comme la
réduction de performance des modules PV dans le temps, après avoir corrigé les performances
par rapport à la température du module. Les auteurs ont également constaté que sans la pluie,
le rendement des modules PV a diminué de 0,1% à 0,3% par jour en raison de la salissure,

avec un taux moyen des salissures de 0,2% par jour pendant les périodes sèches. Cette
constatation de perte journalière équivaut à une perte annuelle d'énergie entre 1,5 et 6,2%
selon l'emplacement du système. Une autre conclusion importante de cette étude a été que la
perte due à la salissure sur les périodes sèches augmente presque linéairement. Caron et
Littmann [51] ont étudié la perte de salissure au cours d’une année pour deux catégories
environnementales différentes: une zone désertique et une zone densément agricole. L'étude a
révélé que dans la région densément agricole, le taux d’empoussièrement mensuel était de
11,5%, contre 1% dans la région faiblement désertique. Dans une étude plus récente, effectué
dans le désert d'Atacama (Chili) sur différentes technologies, il a été rapporté par Fuentealba
et al. [52] que le rapport de performance (PR) a diminué de 4,8% par mois pour la technologie
de couche mince et à un taux de 6,2% par mois pour la technologie multi-cristalline, en raison
de l'accumulation de poussière et des températures extrêmes.
Les études de suivi des salissures sont des études à court terme pour un mois ou deux, et elles
pourraient également être à long terme pour un an ou plus. Un exemple à court terme est une
étude menée dans la campagne du sud de l'Italie par Pavan et al. [53] où deux centrales
solaires de 1 MWc ont été surveillées pendant 8 semaines. Des pertes des performances
résultantes de 6,9% et 1,1% ont été constatées pour la centrale construite sur un sol
sablonneux et la centrale construite sur un sol plus compact, respectivement.
Les études à long terme de l’encrassement (empoussièrement) ont l'avantage de réaliser la

différence de l'effet de salissure d'année en année, comme cela a été noté dans une étude
menée par Townsend et Hutchinson [50] à Davis en Californie. La figure 3.2 montre la
salissure de trois années de météorologie différentes: normale, sèche "Dry" et humide "Wet".
Un autre avantage des études à long terme de l’empoussièrement est qu'elles montrent une
image claire de la tendance commune de la salissure, permettant de trouver une moyenne
raisonnablement précise pour le taux de salissure. D’autres exemples d'études intéressantes
menées sur une longue période et concernant la salissure ont été révélés dans un article écrit
par Scott Canada [54]. La perte de performance due à la salissure a été surveillée dans deux
endroits différents en Arizona pendant 20 ans et les taux quotidiens d’empoussièrement des
modules PV ont été estimés dans cette zone entre 0,04% et 0,07%.

Figure 3.2 - Perte par d’empoussièrement à Davis, Californie [50]
3.4- Méthodologies
La chaine de conversion du flux d'énergie dans un système photovoltaïque raccordé au réseau

se présente suivant l’enchainement illustré sur la figure 3.3. D’où la nécessité de collecter
certains facteurs environnementaux tels que l’ensoleillement sur le plan inclinée des
panneaux, la température ambiante, la température des modules et la vitesse du vent. La
tension, le courant et la puissance à l’entrée et à la sortie de l’onduleur sont aussi nécessaire
lors d’un monitoring.
Figure 3.3 - Chaine de conversion de l’énergie

3.4.1- Performances normalisées
Afin d’analyser les performances d’un système solaire PV, des paramètres de performance ont
été spécifiés par l’Agence Internationale de l’Energie (IEA) et sont décrits dans les normes
standardisées (Commission Electrotechnique Internationale) CEI 61724 [55]. Ces paramètres
sont le rendement de référence (Yr), le rendement du champ PV (Ya), le rendement final du
système PV (Yf), le rapport de performance (PR), les pertes du système (LS) et les pertes
diverses (LC). Ces paramètres sont utilisés pour définir les performances du système dans son
ensemble par rapport à la production d'énergie, les ressources solaires et l'effet global des
pertes du système photovoltaïque. L'ensemble des mesures de rendement examinées dans
cette étude est résumé dans la suite.
 Rendement de référence : Yr
Le rendement de référence est le rapport entre la quantité totale de rayonnement solaire IPOA
(kWh/m2) arrivant à la surface des panneaux solaires PV et la quantité de rayonnement de
référence G0 (1kW/m2). Ce paramètre représente le nombre d'heures durant lesquelles
l’éclairement est égal à celui de référence, Yr définit la ressource solaire pour le système PV.
IPOA (3.1)
Yr =
G0
 Rendement du champ PV : Ya
Le rendement du champ PV est défini comme le rapport entre l’énergie totale générée EDC
(kWh) par les rangées PV pour une période définie (jour, mois ou année) et la puissance
nominale P0 (kWc) des rangées sous les conditions standard (STC : irradiation : 1000 W/m2,
25°C température ambiante et spectre de référence AM 1.5-G).
EDC (3.2)
Ya =
P0
 Rendement final du système PV : Yf
Le rendement final correspond à l’énergie totale produite par le système PV, E AC (kWh) par
rapport à la puissance nominale installée P0 (kWc). Cette quantité représente le nombre
d’heures pendant lesquelles le champ PV devrait fonctionner à sa puissance nominale.

EAC (3.3)
Yf =
P0
Les mesures ci-dessus sont combinées pour fournir un deuxième ensemble d'indicateurs de
performance.
 Rapport de performance : PR
Le rapport de performance PR indique l'effet global des pertes sur la production énergétique
des rangées d'un système PV. Les valeurs de PR indiquent à quel point un système PV
approche les performances idéales dans des conditions réelles d'exploitation. PR est défini par
le ratio entre le rendement final et le rendement de référence, c’est une quantité
adimensionnelle.
Yf (3.4)
PR =
Yr
 Les pertes du système par conversion : LS
Les pertes du système LS sont dues aux pertes par conversion des onduleurs (courant continu-
courant alternatif) et elles sont définies par la différence entre le rendement du champ PV (Ya)
et le rendement final Yf.
LS = Ya − Yf (3.5)
 Les pertes diverses : LC
Les pertes diverses LC sont définies par la différence entre le rendement de référence et le
rendement du champ PV. Elles représentent les pertes dues aux : températures des panneaux,
câblages, ombrage partiel, pertes spectrales, la salissure, erreurs dans la recherche du point de
puissance maximale, de conversions (DC-AC), etc.
LC = Yr − Ya (3.6)
Le rendement de l'installation peut être évalué en fonction des rendements distincts du champ
PV, du système et de l'onduleur.

 Rendement du champ PV : ηPV
Le rendement du champ photovoltaïque est le rapport de l’énergie totale générée par les
rangées PV (EDC) au produit de la quantité d’irradiation sur le plan des panneaux et de la
surface globale du champ photovoltaïque.
EDC (3.7)
ηPV = × 100%
IPOA × Aa
 Rendement du système PV : ηSYS
Le rendement du système PV est le rapport de l’énergie totale générée par le système PV

(EAC) au produit de la quantité d’irradiation sur le plan des panneaux et de la surface globale
du champ photovoltaïque.
EAC (3.8)
ηSYS = × 100%
IPOA × Aa
 Rendement de l’onduleur photovoltaïque : ηinv
L'efficacité de l'onduleur (ηinv) est le rapport de l’énergie totale générée par le système PV à
l'énergie totale générée par les rangées photovoltaïques.
EAC (3.9)
ηinv = × 100%
EDC
 Facteur de charge : FC
Enfin, le facteur de charge (FC) est défini comme le rapport de la production annuelle
d'énergie réelle à la quantité d'énergie générée par la centrale solaire photovoltaïque si elle
fonctionnait à puissance nominale maximale (P0) pendant 24 h par jour pendant une année.
EAC Yf Yr × PR (3.10)
FC = = =
P0 × 24 × 365 8760 8760
3.4.2- Méthode PVUSA
Les modèles linéaires peuvent être utilisés pour évaluer la performance réelle des installations
PV en transposant la puissance crête aux conditions de référence. Ces modèles comprennent

généralement des coefficients de corrélation pour chaque facteur environnemental qui doivent
être estimés par la régression. Il existe d'autres modèles, tel que SANDIA [56] qui suppose
des corrélations plus élaborées. Le modèle d’évaluation de PVUSA est couramment utilisé
pour évaluer les installations, et a été initialement développé pour les zones climatiques de
l'Amérique du Nord [57]. PVUSA est une méthode de transposition aux conditions de
référence pour l’évaluation des performances d’un système PV. Elle utilise des données météo
du site (irradiation sur le plan des panneaux, température et vitesse de vent) pour l’évaluation
de la puissance aux conditions test (PTC= " PVUSA Test Conditions" en anglais ou
"Conditions Test d’utilisation de PVUSA") définies dans le tableau 3.2. L’évaluation
comprend un modèle simple de puissance en fonction des quantités de rayonnement, de la
température ambiante et de la vitesse du vent (équation 3.11).
P = IPOA × (A + B × IPOA + C × Tamb + D × WS ) (3.11)
L'analyse du modèle PVUSA rapporté dans cette étude ne tient pas compte de la vitesse du
vent, qui contribue généralement à 0,4% du total de la puissance PVUSA calculée [58].
P = IPOA × (A + B × IPOA + C × Tamb ) (3.12)
L'équation (3.13) représente une autre mesure de performance qui décrit la puissance de sortie
en fonction de l'irradiation sur le plan des rangées PV et de la température du module.
P = IPOA × (K1 + K2 × Tmod ) (3.13)
où:
P: puissance de sortie (kW)
IPOA: Irradiation sur le plan incliné (W/m2)
Tamb: temperature ambient (°C)
WS: vitesse du vent (m/s)
Tmod: temperature des modules (°C)
A, B, C, D, K1 et K2: constantes de régression
Une régression linéaire est effectuée afin de déterminer les constantes A, B, C, D, K1 et K2,
et la puissance attendue peut alors être prédite.

Tableau 3.2 : Conditions Test PVUSA (PTC)

Irradiation Température Vitesse du vent
1000 W/m2 20 °C 1 m/s
Afin de limiter les effets spectraux, seuls les points correspondant à un rayonnement supérieur
à 500 W/m2 sont utilisés pour l’évaluation du modèle empirique. Cette méthode exploite les
données d’instants pendant lesquels la production est importante. Conséquemment, très peu
de données sont retenues pour le calcul pour les jours nuageux et donc, la signifiance
statistique des résultats est très discutable pour ces jours. Pour une série de donnée étendues
de l’ordre d’une à plusieurs années, ceci peut introduire un biais pour les jours ensoleillés.
Afin d'analyser la performance de l’installation solaire photovoltaïque de 302,4 kWc

raccordée au réseau, les données recueillies pendant quatre années de monitoring (du 1er
février 2012 au 31 décembre 2015) sont utilisées. Ces données sont enregistrées avec un pas
d’une minute et contiennent des paramètres électriques (EDC et EAC) et environnementaux
(IPOA et Tamb). Avant leur analyse, ces données ont été prétraitées pour supprimer tous les
valeurs aberrantes qui ne correspondent pas au bon fonctionnement de l'installation solaire
(voir chapitre 2, section 2.4). De tels comportements anormaux incluent l'échec de
l'instrumentation, les délestages du réseau électrique et les arrêts volontaires de l'installation
photovoltaïque pour maintenance ou autre interruption involontaire. Les paramètres de
performance calculés sont normalisés sur une base journalière.
Figure 3.4 - Méthode PVUSA appliquée à une séquence de 6 jours consécutifs

Dans ce qui suit, nous allons tout d’abord présenter les performances avant et après filtrage
des valeurs aberrantes. En sus, nous allons présenter l’analyse des performances sur les quatre
premières années d’exploitation afin de ressortir les performances réelles de la centrale PV
sous la condition climatique désertique maritime.
3.5- Analyse des performances horaires, journalières et mensuelles
Suite au travail réalisé dans le chapitre 2 (section 2.4) sur la fouille de données effectuées sur
les données à la minute pour détecter les périodes de délestage ou les autres périodes
correspondant à d’autres anomalies du système PV. Dans cette partie, on se propose
d’effectuer l’agrégation des données sur des registres horaires, journaliers et mensuels. Nous
observerons également l’impact du filtrage sur les performances de la centrale solaire.
Dans un premier temps nous observons les données horaires des puissances avant et après
filtrage des valeurs aberrantes.
300 200
Pdc
Pdc
Pdca
Pdca 200 100
Pdca-Pdc
Pdca-Pdc
250
150
200 100
Pdc & Pdca
Pdca-Pdc
Pdc & Pdca
Pdca-Pdc
150 100 0
100 0
50
50
0 -100
0 -100 7340 7350 7360 7370 7380 7390 7400 7410

0 1000 2000 3000 4000 5000 6000 7000 8000 9000
Hour-2015
Hour-2015
Figure 3.5 - Puissance DC horaire avant et après filtrage
La figure de gauche représente l’évolution de la puissance des modules PV avant

prétraitement de données (Pdc), après filtrage des valeurs aberrantes (Pdca) et l’écart entre Pdca
(courbe en vert) et Pdc (courbe en bleu). L’écart moyen estimé est de 0,7 kW avec un
minimum |-77| kW et un max de 147 kW.
La figure de droite correspond à un zoom sur trois jours des puissances horaires Pdc et Pdca
présentées sur la figure de gauche. Ces jours correspondent du 03/11/2015 au 05/11/2015. Sur
le premier jour, on observe que la centrale solaire a subi un délestage du réseau électrique
entre 10h49 et 11h05 (voir figure 2.17 du chapitre 2). Pour ce jour, on observe un léger
décrochage de la courbe bleu dû au délestage. En même temps, nous observons que ce
décrochage est inexistant sur la courbe verte (Pdca) après qu’on ait filtré et moyenné par
rapport au nombre de minutes où le réseau est disponible. Suivant les constatations du site,

le deuxième jour correspond à un jour normal et le troisième jour à un jour pluvieux. Pour
l’ensemble des trois jours, nous observons un délai au début et en fin de journée entre Pdca et
Pdc dû au délai entre le lever et le coucher du soleil et les périodes de démarrage et d’arrêt de
la centrale solaire comme observer dans le chapitre 2 section 2.4.
La figure 3.6 montre l’agrégation des données sur une base journalière. La production
énergétique journalière maximale de la centrale après filtrage atteint 1906 kWh avec une
moyenne annuelle de 1499 kWh pour 2015. L’écart maximal journalier entre Pdca et Pdc est de
284 kWh avec un écart moyen de 48.51 kWh.
2000 300
1800 250
1600 200
1400 150
Pdca & Pdc
Pdca - Pdc
1200 100
1000 50
800 0
600 -50
0 50 100 150 200 250 300 350 400
Day-2015
Figure 3.6 - Production énergétique journalière avant (bleu) et après (vert) filtrage
Les figures 3.7 représentent le rendement final en fonction du rendement de référence horaire
(figure de gauche) et journalier (figure de droite) pour l’année 2015. Nous représentons
également 3 paliers du rapport de performance (PR=1, PR=0,7, PR=0,6). D’après ces deux
figures, nous pouvons constater que les données après filtrage ont des PR supérieures à 0,7.
Un PR qui tend vers 1 correspond à un système qui s’approche des performances sous les
conditions STC et un PR inférieur à 0,7 doit être suspecté de dysfonctionnement de certains
composants de la centrale solaire (panneaux ou onduleurs), d’ombrage ou d’empoussièrement
excessif des panneaux solaires, etc.
La figure 3.8 représente les données mensuelles du rendement final avant filtrage (Yf) et après
filtrage (Yfa) des valeurs aberrantes. Ces données mensuelles ont été normalisées par rapport
au nombre de jour. Le rendement final est le rapport de l’énergie produite sur la puissance
nominale. Ce rendement a été évalué pour les années 2014 et 2015. La courbe en rouge
correspond l’écart entre Yfa et Yf. Pour l’année 2014, Yf varie entre un minimum de

3.5 heures par jour (h/j) et un maximum de 4.9 h/j. Yfa varie de 3.7 à 5.1 h/j. L’écart moyen
entre Yfa et Yf est d’environ 0.18 h/j. L’écart maximum entre Yf et Yfa est atteint en mai 2014
ce qui correspond au mois où il a eu le plus de délestages (chapitre 2, figure 2.24). Pour 2015,
Yf varie entre un minimum de 3.75 h/j et un max de 4.99 h/j et Yfa varie de 3.9 h/j à 5.14 h/j.
L’écart moyen entre Yfa et Yf est d’environ 0.15 h/j. L’écart maximum entre Yfa et Yf est
atteint en mai 2015. D’où, nous récupérons environ 0.15 à 0.2 h/j pour ces deux années après
prétraitement des données.
1 8
Yfda vs Yrda
0.9 Yrh vs. Yfh Yfd vs Yrd
Yrha vs. Yfha PR=1
7 PR=1
0.8
0.7
6
PR=0.7
Yfh & Yfha (kWh/kWp)
0.6
Yfd & Yfda (h/d)

PR=0.7
5
0.5 PR=0.6
0.4
4
PR=0.6
0.3
3
0.2
0.1
2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 2 3 4 5 6 7 8
Yrh & Yrha (kWh/m2) Yrd & Yrda (h/d)
Figure 3.7 - Rendement final en fonction du rendement de référence horaire (fig. gauche) et
journalier (fig. droite)
5.5 0.4 5.5 0.2

Yfa YfD Yfa
5 Yf 5 Yf
YfD
4.5 4.5
4 4
0.3
3.5 3.5
Yf & Yfa (h/d)
Yf & Yfa (h/d)

YfD(h/d)
3 3
YfD
0.15
2.5 2.5
2 2
0.2
1.5 1.5
1 1
0.5 0.5
0 0.1 0 0.1
0 1 2 3 4 5 6 7 8 9 10 11 12 14 0 1 2 3 4 5 6 7 8 9 10 11 12 14
Months-2014 Months-2015
Figure 3.8 - Rendement final avant et après filtrage
Nous avons également évalué le rapport de performance avant (PR) et après filtrage (PRa) des
valeurs aberrantes pour 2014 et 2015. L’écart minimum entre PRa et PR est observé pour les
mois de janvier 2014-2015 (figure 3.9). C’est un mois où l’intensité de délestage est très
faible avec des conditions environnementales optimales. Les écarts sont optimaux avec 4.7%
(mai-14) et 2.5% (sept-15). La moyenne annuelle PR après filtrage est de 83.42 % et de 81.62
% respectivement pour l’année 2014 et 2015. On observe qu’on a une légère diminution de
PR entre 2014 et 2015 d’environ 2%, nous allons vérifier si nous avons toujours ce

mouvement descendant des PR en analysant les performances de l’ensemble des années de

monitoring.
Dans un premier temps, la fouille de données nous a permis de définir certains critères
d’identification des valeurs aberrantes (chapitre 2). Après identification, les données
aberrantes ont été supprimées du jeu de données. Ensuite, l’évaluation des performances avant
et après filtrage a montré des performances plus élevées après filtrage des valeurs aberrantes.
Pour cela, nous allons utiliser les données prétraités (après filtrage) dans le reste de ce travail
de thèse.
0.05 0.04
0.8 0.8
PRa 0.04 PRa

PR
PRD PR
0.6 0.6
PRa-PR
0.03
PR & PRa
PRa & PR
PRD
0.02
0.4 0.4
0.02
0.2 0.2
0.01
0 0 0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 14 0 1 2 3 4 5 6 7 8 9 10 11 12 14
Months-2014 Months-2015
Figure 3.9 - Rapport de performance avant et après filtrage
Dans ce qui suit, nous allons évaluer l’évolution des performances pour les quatre premières
années. En sus, nous allons évaluer l’impact des paramètres environnementaux du site sur les
performances.
3.6- Analyse de l’évolution des performances d’une centrale solaire pv sous conditions
climatiques sévères
3.6.1- Énergie générée et énergie cumulée
L'énergie mensuelle générée par le système photovoltaïque et l’énergie cumulée sont

représentées sur la figure 3.10. Le pic de la production d'énergie est atteint pour le mois
d'octobre 2015 avec 46,7 MWh et le minimum d'énergie a été généré pour le mois de juillet
2013 avec 31,3 MWh. L'énergie maximale générée est 1,5 fois supérieure à l’énergie
minimale générée. La production moyenne mensuelle d'énergie est de 41 MWh. La
production totale d'énergie accumulée pour les 47 mois (fév-12 à déc-15) d'exploitation est de
1,92 GWh. La production d'énergie cumulée pour les 12 premiers mois est de 494 MWh.
Alors qu’au cours de l'étude de préfaisabilité, la production d'énergie a été estimée

à 460 MWh pour la première année. La centrale solaire PV a généré 7,4% de plus
qu’initialement prévu. La baisse de l’énergie générée pour la période de juin à août de chaque
année est liée à la diminution de la quantité d'irradiation reçue par le champ PV et à
l'augmentation de température sur site (voir figure 2.26 du chapitre 2).
Figure 3.10 - Energie mensuelle générée et énergie cumulée
3.6.2- Rendement final, pertes du système et pertes diverses
La figure 3.11 illustre le rendement final moyen (Yf), les pertes de système (LS) et les pertes
diverses (LC) pendant les quatre années d'exploitation de la centrale photovoltaïque. Yf, LS et
LC sont exprimés en heure par jour (h/j). Le rendement final mensuel varie avec un minimum
de 3,68 h/j en juillet 2014 et un maximum de 5,43 h/j en février 2013 avec une moyenne de
4,69 h/j. Yf étant la productibilité de la centrale solaire PV est très influencée par la variation
des rayonnements solaires. Nous notons également que Yf est faible pendant les mois d'été de
juin, juillet et août. Bien que non représentée, la variabilité du rendement de référence (Yr) est
similaire à Yf, en raison de la dépendance de Yf à l’ensoleillement du site. Le rendement de
référence est compris entre un minimum de 4,59 h/j (juillet 2013) à 6,36 h/j (avril 2015). Les
pertes LS du système sont relativement stables avec une moyenne de 0,37 h/j, allant d'un
minimum de 0,31 h/j en juillet 2013 à un maximum de 0,41 h/j en février 2013. La différence
entre les pertes du système maximale et minimale est d'environ 0,1 h/j, cela montre que les
onduleurs du système PV sont performants lors de la conversion DC-AC et cela quel que soit
la période de l’année.

Les pertes diverses mensuelles sont beaucoup plus prononcées et se situent entre 0,12 h/j en
décembre 2012 et 1,22 h/j en juillet 2015, avec une moyenne de 0,54 h/j. Ces pertes sont
supérieures à 0,6 h/j pendant environ 20 mois sur les 47 mois d'exploitation de l'installation
solaire photovoltaïque. Ils sont directement liés aux pertes dues à l’empoussièrement des
panneaux photovoltaïques, aux températures élevées des modules pendant la période estivale,
au câblage et à l'ombrage partiel.
Figure 3.11 - Rendement final (Yf), perte du système (LS) et diverses pertes (LC)
3.6.3- Rapport de performance
Afin d'analyser les performances du système photovoltaïque de 302,4 kWp connecté au

réseau du côté DC et AC, la figure 3.12 illustre le rendement mensuel du champ PV et le
rendement final par rapport au rendement de référence. Il représente également le rapport de
performance du champ PV (PRDC, cercle rouge) et du système (PRAC, croix bleue). Le PR a
été évalué sur une base mensuelle pour quatre ans de 2012 à 2015. Il est entre 100% et 70%
comme indiqué à la figure 3.12. La valeur maximale de PR est atteinte en décembre 2012
avec des valeurs respectives de 98% pour PRDC et de 91% pour PRAC. Le minimum est atteint
en juillet 2015, avec des valeurs respectives de PRDC de 77% et de PRAC de 71%. En relation
avec la figure précédente (3.11), nous pouvons voir les mois où les ratios de performance sont
les plus élevés correspondent aux mois avec les plus faibles pertes diverses (LC) et
inversement.

La plupart des mois, nous avons un rapport de performance relativement stable autour d’une
valeur de 80%. Les moyennes des PR durant la période d'exploitation, respectivement pour le
champ PV (DC) et le système (AC) sont de 90% et 84%. Il est élevé par rapport aux résultats
des travaux cités dans la première section [47]. Comme mentionné par Lee et al. [59] un PR
supérieur à 80% correspond à un système dont la performance se rapproche de la performance
idéale dans les conditions STC et un système dont le PR est inférieur à 70% devrait être
suspecté de défaillance ou de dysfonctionnement des composants du système (panneaux,
onduleurs, etc.) ou des facteurs environnementaux (ombre à proximité, empoussièrement
excessif des panneaux, etc.). Pour cette centrale installée à Djibouti, la chute du PR en juillet
2015 est certainement dû à des facteurs climatiques pouvant s’avérer sévères tels que des
températures plus élevées et la poussière due au Khamsin qui est un vent chaud, sec et
poussiéreux. Ce soulèvement de poussière induit l'opacité du ciel qui réduit le taux
d’insolation des panneaux solaires PV.
Figure 3.12 - Rapport de performance DC et AC
3.6.4- Rendement énergétique mensuelle
La figure 3.13 montre le rendement mensuel moyen des modules photovoltaïques des quatre
années (2012-2015) de suivi de la centrale. Il se situe entre 10,87% en juillet 2015 et 13,82%
en décembre 2012 avec une valeur moyenne du rendement PV de 12,68%. Le rendement
nominal des modules PV étant de 14,14% dans les conditions STC, par comparaison aux
extremums, nous observons un écart de 0,32% avec le maximum (Déc-12), 3,27% avec le

minimum (juil-15) et un écart de 1,46% avec le rendement PV moyen. A part le mois d’août
2012, les plus faibles valeurs du rendement sont enregistrées les mois de juillet avec 12,3%,
10,95% et 10,87% respectivement pour 2013, 2014 et 2015. La valeur moins prononcée du
rendement PV enregistrée pour le mois de juillet 2015 est liée aux taux d’empoussièrement
des modules PV qui était plus élevé par rapport aux mois de juillet des autres années. Selon la
figure 2.26, juillet 2015 a une température plus basse (Tamb = 38,82°C) et un niveau
d'irradiation solaire plus élevé (IPOA = 5,43 kWh/m2/j) qu'en juillet 2012 (Tamb = 39,7°C, IPOA
= 4,89 kWh/m2/j), Juillet 2013 (Tamb = 40,57°C, IPOA = 4,59 kWh/m2/j) et juillet 2014 (Tamb
= 40,17°C, IPOA = 4,93 kWh /m2/j).
Figure 3.13 - Rendement mensuel du champ PV
En dehors de la première année où le rendement reste sensiblement constant pendant la saison

chaude, les variations saisonnières restent semblables chaque année avec des graphiques en
forme d'entonnoir.
Bien que non représenté, la variabilité du rendement du système PV est semblable aux
rendements des modules PV et sa valeur varie entre 10.02% (juillet-15) et 12.83% (décembre-
12) avec une moyenne de 11.75%. Les rendements des onduleurs PV varient entre 92,12% en
juillet 2014 et 93,14% en novembre 2012.
Au cours des quatre années de surveillance, nous avons constaté une diminution dans les
différents rendements. Car nous sommes passés de 12,96% à 12,35%, de 12,03% à 11,43% et

de 92,81% à 92,6% entre 2012 et 2015, respectivement pour les rendements des modules PV,
du système PV et des onduleurs.
3.6.5- Facteur de charge
La performance des centrales photovoltaïques connectées au réseau est mieux définie par le
facteur de charge (FC) ou "capacity factor" en anglais, qui est le rapport de sa production
réelle en courant alternatif sur une période de temps, à sa sortie nominale s'il était possible
pour elle de fonctionner en pleine capacité sans interruption la même période. La figure 3.14
montre le facteur de charge moyen mensuel pour les quatre années d'exploitation de
l'installation solaire PV de 302,4 kWc. Les FC varient entre 12,76% en juillet 2014 et 22,11%
pour le mois d'octobre 2014, la moyenne sur les quatre années étant de 16,35%. La moyenne
la plus élevée est atteinte la première année avec un FC de 16,77%. Cette valeur des FC est
plus élevée par rapport aux autres centrales solaires photovoltaïques évoluant dans des pays
avec un climat similaire [44]. La baisse des FC est observée pour la période estivale rude de
juin à août. Les facteurs de charges les plus faibles au cours des quatre années d'exploitation
sont enregistrées pour les mois de juillet et sont de 14,32%, 13,09%, 12,76% et 13,11%
respectivement pour 2012, 2013, 2014 et 2015. Comme illustré sur la figure 3.14, le FC est
un paramètre fortement influencé par les variations saisonnières illustrées et cela se traduit par
un écart d'environ 3% entre les mois d'été (juin à août) et les autres mois de l'année. Comme
les valeurs de FC dépendent de l'irradiation solaire et de la température ambiante, la période
de juin à août correspond aux périodes où les températures sont les plus élevées et l'irradiation
la plus faible (Figure 2.26, chapitre 2). C'est la raison pour laquelle le FC diminue pendant
cette période. Un facteur comme l’empoussièrement de l'installation photovoltaïque peut aussi
contribuer à cette diminution.
De plus, le facteur de charge est significatif dans la conception des centrales solaires PV car il
peut estimer si un système solaire photovoltaïque sur un site donné est potentiellement
exploitable.
La comparaison des résultats des performances obtenues au cours du présent travail avec les
résultats des études mentionnées ci-dessus dans le tableau 3.1 indique que le système
photovoltaïque évoluant à Djibouti est comparable à ceux ayant les paramètres de
performance les plus élevés situés à Oman et Abu-Dubaï. Une diminution de la performance a
été observée pour toutes les centrales photovoltaïques installées en climat tropical et chaud
pendant la période estivale de juin à juillet. Plusieurs facteurs climatiques peuvent être

responsables de la diminution de la performance au cours de cette période telle que la quantité

d'irradiation reçue, la température ambiante et l’empoussièrement des modules PV.
L’influence de ces facteurs est évaluée dans la section suivante.
Figure 3.14 - Facteur de charge (2012 à 2015)
3.7- Effet des conditions météorologiques sur la performance et correction par

rapport à la température
La figure 3.15 représente la puissance de sortie horaire en fonction des quantités d’irradiations
solaires reçues sur le plan des modules PV. On peut observer que la puissance de sortie
augmente linéairement avec l'augmentation des rayonnements solaires incidents. On constate
une masse de points moins dense qui se détache de la masse principale de points. Cela
correspond à la période pendant laquelle les panneaux sont recouverts d’une énorme quantité
de poussière. Étant donné que pour la même quantité de rayonnement solaire reçue sur les
panneaux photovoltaïques, moins d'énergie est produite. Cette période correspond
généralement aux mois de juin à août, pour lesquels le dépôt de poussière observé est
supérieur aux autres périodes.
Le PR indique l'effet global des pertes sur la sortie du système. Cet indicateur est largement
utilisé pour surveiller, valider et garantir la performance du système. Il est affecté par les
variations saisonnières dû principalement aux variations de la température ambiante (figure
3.16), de la vitesse et de la direction du vent et de l'accumulation de poussière.

Figure 3.15 - Production énergétique horaire en fonction de l’irradiation
Figure 3.16 - Rapport de performance journalière en fonction de la température ambiante
La figure 3.16 représente la dépendance du rapport de performance par rapport à la

température ambiante journalière. Au cours de la saison "fraîche", PR pourrait atteindre
93,4% en moyenne, mais pour la période d’été, le rapport de performance peut atteindre
jusqu’à 70,4%. Selon cette figure, le système pourrait atteindre 90% lorsque la température
ambiante est inférieure à une certaine valeur seuil de 33 °C et diminue progressivement
lorsque la température ambiante dépasse cette valeur seuil. Les 33 °C sont proches de la

température ambiante annuelle. La barre de couleurs montre la variation quotidienne de la

quantité de rayonnement. On peut observer que la période de température élevée correspond à
un rayonnement plus faible et à un PR inférieure. Pour une température supérieure à 36 °C,
les valeurs PR sont plus dispersées. Nous observons une diminution de 0,8% du PR quotidien
lorsque la température ambiante journalière augmente de 1 °C.
Selon la figure 3.16, PR varie avec la variation saisonnière de la température ambiante. Cette
variation saisonnière de PR introduit des biais, afin d'éliminer ces biais, nous avons calculé le
PR modifié en utilisant des données climatiques sur site. Plusieurs approches existent et sont
proposées par NREL [60], IEA-PVPS [61]. Notre approche consiste à utiliser le modèle
PVUSA modifié afin de calculer le rapport de performance corrigé pour la température
ambiante PRTamb et le rapport de performance corrigé pour la température des modules
PRTmod.
Pour cela, nous avons choisi trois jours avec la quantité de rayonnement supérieure à
5 kWh/m2/j. Cette valeur est supérieure à 3 kWh/m2/j spécifiée dans l'étude de Dierauf et al.
[60]. De plus, la température est proche des températures quotidiennes de la saison ''fraiche'' à
Djibouti. Ces trois jours ont été choisis dans des conditions où la surface du panneau solaire
PV est propre (après une pluie qui a nettoyé les panneaux comme neuf). Des régressions
linéaires multiples ont été effectuées pour déterminer les coefficients (tableau 3.3) et ainsi
pour calculer le PR modifié pour la température du module et la température ambiante. Les
coefficients négatifs pour C et K2 montrent que le PR diminue avec l'augmentation de Tamb et
Tmod.
Tableau 3.3 : Coefficients de régression

A B C
PR corrigé pour Tamb (PRTamb) 95.94 0.55 -0.20
K1 K2
PR corrigé pour Tmod (PRTmod) 117.36 -0.66
La figure 3.17 (a) représente le PR journalier mesurée en utilisant l'équation (3.4) pour
l’année 2014 (courbe noire) et le PR modifiée, corrigée pour la température ambiante (courbe
rouge) et la température du module (courbe verte) en utilisant respectivement les coefficients
de régression dans le Tableau 3.3 et l'équation (3.12) et (3.13).

Également sur la figure 3.17 (a) plusieurs constatations notées sur le terrain visent à mieux
comprendre les changements de PR au fil du temps. Ils servent de points de départ pour
interpréter la variation saisonnière de PR. L'augmentation de PR par étape correspond à
l'intervention humaine pour nettoyer les panneaux et une augmentation soudaine du PR
correspond au nettoyage des panneaux par la pluie. Une chute soudaine de PR correspond à
une défaillance de l'onduleur (l'onduleur 3 de la centrale a été arrêté pendant quatre jours).
Étant donné que nous avons supprimé tous les pannes de la centrale PV de notre ensemble de
données, les pannes de l'onduleur n'apparaissent pas dans la variation journalière de PR.
On peut observer que le PR n'est pas stable et peut varier de 18,6% tout au long de l'année
avec la variation de la météo. En raison de leur correction saisonnière, le PR modifié pour la
température ambiante et la température du module est plus stable et supprime
considérablement le biais saisonnier sur l'année 2014. Les différences moyennes absolues
entre les PR mesuré et corrigé par rapport à la température ambiante est de 5,5%. Alors qu’il
est de 4,5% pour PR mesuré et PRTmod. Cela montre que le PRTmod est plus prévisible de 1%
que le PRTamb. L'écart-type des différences absolues est de 0,6% plus élevé avec la
température ambiante qu'avec la température du module (tableau 3.4). Une meilleure
correspondance avec les variations saisonnières dans PR est indiquée par un écart-type
inférieur. Dans ce cas, le PRTmod est plus précis que le PRTamb, car il prend en compte tant les
effets de la température ambiante que de la vitesse du vent.
Tableau 3.4 : Différences absolues moyennes et écart-type

Différence absolue moyenne (%) Écart-type de la différence (%)
PR vs PRTamb 5.5 3.6
PR vs PRTmod 4.5 3.0
Les observations sur place montrent que la poussière s'accumule sur les panneaux
photovoltaïques plus rapidement sur les périodes sèches et chaudes que pendant la saison
«fraîche». Dans les conditions environnementales difficiles, la pluie pourrait jouer un rôle
dans l'évaluation de l'impact de la poussière. Il a été signalé par Adinoyi et al. [62] que la
pluie aide à nettoyer les panneaux et à restaurer sa puissance à des niveaux plus élevés. En
outre, il a été montré par Guo et al. [63] que 5 mm de pluie sont suffisantes pour nettoyer les
modules PV. Selon l'observation sur le terrain, des précipitations successives inférieures à 5
mm pourraient également nettoyer soigneusement les surfaces des panneaux photovoltaïques

et maintenir les performances à un niveau plus élevé. Cela dépend de la quantité de poussière
sur les panneaux photovoltaïques. Plusieurs périodes ont été sélectionnées afin d'évaluer la
diminution moyenne de PR. On a constaté que le PR des modules photovoltaïques diminue en
moyenne de 0,31% à 0,36% par jour en période sèche sans précipitations. Ceci est souvent dû
à une augmentation de la température ambiante et de l'accumulation de poussière. Un moyen
efficace d'évaluer l'impact de la salissure consiste à observer le rapport de performance des
panneaux solaires photovoltaïques avant et après une pluie. Afin de mesurer l'augmentation
du PR des modules PV, nous avons soustrait le PR de 5 jours après une précipitation et le PR
de 5 jours avant une pluie. On a constaté que les PR augmentaient de 6,8 % après une pluie
dans les périodes de sèches. PR augmente de 0,87% à 4,33% après une précipitation en saison
«fraîche» car, pendant cette période, il y a moins de poussière accumulée sur la surface des
panneaux photovoltaïques.
Figure 3.17 - (a) PR mesuré (noir), PR corrigé pour la température ambiante (rouge), PR
corrigé pour la température des modules (vert) (b) perte par salissure (violet) et pluviométrie
journalière
La figure 3.17 (b) montre la différence absolue journalière entre PR corrigé par rapport à la
température des modules et PR mesuré. Elle correspond à la perte par salissure. Sachant que
le PR est normalisé en ce qui concerne l'irradiation et après correction de PR concernant la

température des modules PV, la perte de salissure peut être quantifiée. Comme on peut le
constater à la figure 3.17 (b) après de fortes pluies qui ont nettoyé les panneaux
photovoltaïques référencés dans la figure par "pluie", la perte par salissure tend vers zéro et
augmente graduellement avec l'augmentation des dépôts de poussière sur les modules PV. La
perte par salissures varie entre 0,03% après une pluie qui a bien nettoyé les surfaces des
modules PV et à 14,23% pour les périodes sèches sans précipitations. L'intervention des
agents d’entretien pour le nettoyage des modules PV appelés «nettoyage» sur la figure
3.17 (b) montre que la perte de salissure diminue lentement et tend vers des valeurs
légèrement plus faibles. Le nettoyage par les agents d’entretien augmente le PR de 0,37 % à
0,84 %, il est inférieur comparativement à l’augmentation de PR de 6,8% après une pluie,
parce qu'il n'est pas facile de nettoyer un champ de module solaire PV de plus de 2000 m2
d’un seul coup comme une pluie. La perte de salissure dépend du taux d'accumulation de
poussière sur les modules PV et varie selon la saison. Après deux semaines sans nettoyage des
modules PV, la performance pourrait diminuer de 4,3% à 5,0%. Afin de maintenir la perte
inférieure à 5%, il est recommandé de nettoyer les panneaux photovoltaïques toutes les deux
semaines. Bien que la pluie ait amélioré le rapport de performance des modules solaires PV,
on ne peut pas compter sur le nettoyage du fait de la faible pluviométrie à Djibouti.
3.8- Conclusion
Dans ce chapitre, les performances du système photovoltaïque connecté au réseau de

302,4 kWc ainsi que l'impact des facteurs climatiques ont été évaluées. Les paramètres de
performance de cette centrale solaire PV sont résumés comme suit:
 Le rendement de référence moyen mensuel, le rendement des rangées PV et le

rendement final sont respectivement de 5,6 h/j, 5,1 h/j et 4,7 h/j.
 Les pertes mensuelles moyennes du système et les pertes diverses sont de 0,37 h/j et
0,54 h/j respectivement. La valeur assez faible des pertes du système montre que les
onduleurs sont très peu impactés pendant la conversion de puissance.
 Le rapport de performance moyen pour les rangées PV et le système PV sont
respectivement de 90% et 84%.
 Le rendement moyen des rangées et du système PV sont respectivement de 12,68% et
11,75%, avec une variation entre 10,87% (Juil-15) et 13,82% (Déc-12) pour le
rendement des rangées PV et de 10,02% (Juil-15) et 12,83% (déc-12) pour le

rendement du système PV. Des graphiques en forme d'entonnoir ont été observés en
relation avec la variation saisonnière des rendements des rangées PV.
 Le facteur de charge varie entre 12,76% (juil-14) et 22.11 (oct-14). La moyenne
maximale est atteinte pour la première année avec 16,77%, avec une moyenne du
facteur de charge des quatre années de 16,35%.
Par comparaison avec les résultats présentés dans le tableau 1, le système photovoltaïque
évoluant dans les conditions climatiques désert maritime montre des performances énormes.
En outre, les résultats sur l'impact des facteurs climatiques sur le rendement ont été évalués:
 L'augmentation de la température ambiante de 1°C entraîne une réduction du

rendement de 0,7%.
 Une forte précipitation après une période sèche augmente le rapport de
performance de 6,8%.
 La perte par salissure varie entre 0,03% après une pluie qui a nettoyé les surfaces
des modules photovoltaïques à 14,23% pour les périodes sèches sans
précipitations.
 Après deux semaines sans nettoyage des modules PV, la performance diminue de
4,3% à 5,0%. Une recommandation a été faite dans ce sens pour nettoyer les
panneaux toutes les deux semaines.
Le résultat de cette recherche montre que ce système photovoltaïque de 302,4 kWc fonctionne
efficacement dans des conditions environnementales difficiles de Djibouti. Les données
fournies dans ce travail serviront d’une base de comparaison pour une nouvelle centrale
photovoltaïque installée dans les mêmes conditions climatiques (région côtière de la Corne de
l'Afrique) et dans le monde entier.
Dans les chapitres suivant de ce travail, la dégradation de la performance PV pour le climat de

Djibouti sera estimée et le comportement thermique et électrique du système photovoltaïque
sera étudié dans le but de développer un modèle numérique et une estimation améliorée.

Chapitre 4 : Evaluation de la dégradation des performances
sous les conditions climatiques désertique maritime
4.1- Introduction
Les problèmes liés à la performance à long terme du système photovoltaïque et à la rentabilité

de la technologie photovoltaïque ne peuvent être résolus que si les modules photovoltaïques
fonctionnent de manière fiable pendant 25 à 30 ans [64]. Les tests de vieillissement accéléré
développés pour les normes de qualité ont contribué beaucoup à améliorer la fiabilité et la
durabilité des modules photovoltaïques au cours des dernières années. Cependant, il n'est pas
possible pour les essais accélérés seuls de reproduire les différents modes et mécanismes de
dégradation possibles dans les modules photovoltaïques lors des essais de qualification. Des
études ont montré qu'il existe plusieurs modes de dégradation ainsi que des problèmes de
fiabilité qui ne peuvent être déterminés que par le test des modules en conditions
d'exploitation réelles. Le but principal du test du module dans les champs est de découvrir les
mécanismes de dégradation dominants qui limitent la performance du module dans des
conditions réelles d'exploitation. Les résultats des études sur le terrain peuvent ensuite être
utilisés pour améliorer la stabilité des modules et pour revoir ou réviser les tests de
vieillissement accéléré en fonction des mécanismes dominants de dégradation en conditions
réelles.
Dans ce chapitre, nous allons faire un état de l’art des modes de dégradations des modules en
conditions réelles avec une étude in-situ des modes de dégradations observés pour le cas de la
centrale solaire installé au CERD. On évalue la performance opérante par la méthode de
régression multiple PVUSA et par la méthode PR. L’évolution dans le temps de ces indices de
performance sera utilisée pour l’évaluation de la dégradation des performances et l’estimation
des taux de dégradations durant les cinq années d’opération de la centrale solaire.
4.2- Modes de dégradation des modules PV
Chaque type de module PV a des caractéristiques variables inévitablement causées par la

variation du processus de fabrication, le courant et la tension optimaux ne seront pas les
mêmes pour chaque module dans une même rangée à un moment donné. Ces variations ont
pour effet de réduire la puissance de sortie, puisque le courant et la tension d'un module sont
contraints par la configuration électrique d’une rangée [65]. La dégradation d’un module PV

Evaluation de la dégradation des performances sous les conditions climatique s
désertique maritime
est la détérioration progressive des caractéristiques d'un composant qui le constitue et qui peut
affecter sa capacité à fonctionner dans les limites des critères d'acceptabilité et qui est causée
par les conditions d'exploitation du site sur lequel il est installé. L'identification des modes de
dégradation ou de défaillance du module PV et leur fiabilité sur le terrain est un sujet de
recherche important. Les facteurs affectant la stabilité à long terme du module PV pendant
l'essai sur le terrain (la délamination, le bullage aux points de soudure, la dégradation de la
soudure, la génération de points chauds "hotspot", le brunissement de l'encapsulant et la
dégradation des cellules PV, etc.) ont été rapportés par les auteurs [66-68]. La figure 4.1
répertorie les différents types de dégradations que peut subir les modules PV durant leur vie
[69]. Les performances des modules PV sont principalement connues pour les zones
climatiques des USA et de l’Europe. Les différents mécanismes sont liés aux conditions
environnementales, donc pour certains climats l’ordre d’importance des mécanismes peuvent
changer.
Figure 4.1 - Types de dégradations en fonction de l’âge des modules PV
Dans l'étape suivante, les types de dégradation des modules PV les plus fréquents selon la
littérature seront présentés. La performance du module PV peut être dégradée en raison de
plusieurs facteurs tels que: la température, l'humidité, l'irradiation, les chocs mécaniques [70].
Chacun de ces différents facteurs nommés peut induire un ou plusieurs types de dégradation
de module tels que:
- Décoloration.
- Délamination.

- Corrosion.
- Fissure ou craquement.
4.2.1- Décoloration
Le mode de dégradation le plus communément rapporté est la décoloration (brunissement ou

jaunissement) de l’encapsulant, ce qui peut être aidé par le fait que la décoloration est
également le mode le plus perceptible, par inspection visuelle [70]. La figure 4.2 montre un
module PV présentant un brunissement de l’encapsulant. Elle est principalement causée par la
dégradation de l'encapsulant éthylène acétate de vinyle (EVA) [71]. Les principales raisons de
la dégradation de l'EVA sont les rayons ultraviolets (UV) combinés à l'eau sous des
températures supérieures à 50 ° C [72]. Les changements de couleur du matériau encapsulant
produisent une variation de la transmittance de la lumière atteignant les cellules solaires et,
par conséquent, une réduction de la puissance générée [73-75]. Wohlgemuth et al. [76] ont
effectué des tests UV sur des modules photovoltaïques sous une température de 60 °C, il a été
constaté que la décoloration de l'encapsulant n'apparaît que lorsque l'irradiation UV globale
atteint 15 kWh/m2 dans une plage de longueur d'onde comprise entre 280 nm et 385 nm sans
dépasser une exposition de 250 W/m2.
Figure 4.2 - Module présentant une décoloration [72]

4.2.2- Délamination ou décollement
La délamination ou la perte d’adhérence est définie comme la rupture ou la détérioration des

liaisons entre les couches de matériau qui constituent un module. Elle se produit entre le
polymère encapsulant et les cellules ou entre les cellules et la vitre avant. La délamination
interrompt la dissipation de chaleur efficace et augmente la possibilité de chauffage de
polarisation inversée [69]. Elle provoque également l'augmentation de la réflexion de la
lumière et de la pénétration de l'eau à l'intérieur de la structure du module [77]. Skoczek et al.
[78] ont étudié la dégradation des modules photovoltaïques liée au délaminage à partir des
tests basés sur la norme IEC 61215 [79]. La délamination est plus sévère quand elle se produit
sur les bords du module car, en plus de la dégradation de la puissance, elle provoque des
risques électriques pour le module et l'ensemble de l'installation. La délamination est plus
fréquente dans les climats chauds et humides. Elle provoque une pénétration d'humidité dans
le module et provoque donc diverses dégradations chimiques et physiques telles que la
corrosion du métal de la structure du module le plus fréquemment. Un module PV avec une
délamination sur les bords est montré à la figure 4.3. Jansen et al. [80] affirment que la
délamination peut être causée par l'accumulation de sel et la pénétration d'humidité dans le
module PV
Figure 4.3 - Module PV avec délamination [82]
4.2.3- La corrosion
La corrosion attaque la connexion métallique des cellules photovoltaïques provoquant une

perte de performance en augmentant les courants de fuite. L'humidité qui pénètre dans le
module à travers les bords laminés provoque principalement la corrosion [81]. La corrosion
des parties conductrices des cellules et des interconnexions à travers l'encapsulant est

responsable de la détérioration du module PV [82], ce qui entraîne l'augmentation de la

résistance en série et la diminution de la résistance parallèle du modèle électrique I-V [83]. La
corrosion dégrade également l'adhérence entre les cellules et le cadre métallique. La figure 4.4
montre un module PV affecté par la corrosion au niveau du bord et de la boîte de jonction
[77]. Wohlgemuth, J. H., et Kurtz, S. [76] ont étudié l'impact de l'humidité et de la
température sur la dégradation des modules PV. Ils ont effectué des essais accélérés, nommés
85/85 (T = 85 ° C / HR = 85%) selon la norme CEI 61215. Ils ont découvert que la corrosion
apparaissait après 1000 h d'exposition du module PV sous 85 °C et 85% d'humidité relative.
Kempe et al. [81] a montré que l'humidité dans le module PV est corrélée avec le taux de
dégradation, en particulier dans les zones géographiques chaudes et humides comme Miami
en Floride. En raison de la diffusion d'eau relativement rapide dans l'éthylène acétate de
vinyle (EVA), l'infiltration de l'humidité dans le module reste importante pendant sa durée de
vie même si le module est constitué par une double structure en verre.
Figure 4.4 - Module PV affecté par la corrosion sur le bord (a) et niveau de la boîte de
jonction (b) [82]
4.2.4- Fissure ou craquement "cracking" en anglais
La fissure (craquage) est un problème courant rencontrer dans les modules photovoltaïques. Il
peut se développer à différents stades de la durée de vie du module (figure 4.5); cependant,
elle survient dans la plupart des cas lors de l'installation, de l'entretien et surtout lors du
transport des modules vers leurs sites [76]. En outre, le craquage est affecté par les contraintes
thermiques à haute température d'une cellule et les contraintes thermomécaniques induites par
le cycle thermique [84], les charges mécaniques dues au vent (pression et vibrations) et à la
neige (pression) [85]. Les modules cassés ou avec des fissures peuvent continuer à
fonctionner correctement. Sur la figure 4.5, un module photovoltaïque poly-cristallin fissuré
qui fonctionne pendant cinq ans sans aucune dégradation de puissance notable est représenté.

Cependant, le risque de choc électrique et d'infiltration d'humidité augmente. Les cassures et

fissures sont habituellement suivies d'autres types de dégradations telles que la corrosion, la
décoloration et la délamination [69].
Figure 4.5 - Module PV avec verre fissuré [82]
4.3- Etat de l’art des taux de dégradations
La dégradation est la raison principale de la perte de performance du module au fil du temps.

Comme l'expérience de terrain l'a indiqué, à part les pertes par salissure, par l’ombrage et le
câblage, les pertes sont souvent associées aux modes de dégradation cités précédemment.
Au cours des dernières années, un certain nombre d'études sur la dégradation ont été
effectuées et des pertes de module de 1 à 2 pourcent par an (%/an) ont été trouvées dans des
systèmes testés sur une période de dix ans à partir du milieu des années 80 [86]. Des études
réalisées par Sandia National Laboratories (SNL) sur des modules photovoltaïques à silicium
poly-cristallin pendant huit ans ont montré des pertes de performance d'environ 0,5% par an
[87]. D’autres études réalisées au NREL, ont mesuré des dégradations d'environ 0,7% par an
pour les modules mono et poly-cristallins [67]. Pour les technologies à couches minces, la
stabilité demeure un problème majeur et la plupart des mécanismes de dégradation ont été
discutés en termes de processus physiques (électro-migration, diffusion, génération de
défauts) et de modèles de dégradation générale qui diffèrent selon les technologies
cristallines. En particulier, le principal effet de dégradation de la couche mince de silicium
amorphe est l'effet de Staebler Wronski (SWE) qui se réfère à des modifications induites par
la lumière dans les propriétés du matériau [88].
Dans une étude récente, dans laquelle Phinikarides et al. [89] ont mis en revue plusieurs
travaux portant sur l’analyse du taux de dégradation de différentes technologies PV. La figure
4.6 montre la répartition des taux de dégradation de toutes les technologies et de toutes les

méthodes à partir des sources citées dans cet article. Les valeurs positives du taux de
dégradation représentent une perte de performance. La moyenne (ligne verticale en pointillé
cyan) et la médiane (ligne verticale en pointillé bleue) sont respectivement de 1.1 %/an et de
0.99 %/an pour toutes les technologies PV citées. Individuellement pour chaque technologie,
les taux de dégradations moyens recensés dans cette étude étaient de 0,89 %/an pour mono-Si,
de 0,81 %/an pour le p-Si, de 1,34 %/an pour a-Si, de 1,86 %/an pour le CIGS, de 1,70 %/an
pour CdTe et pour d'autres technologies en couche mince, le taux de dégradation moyen était
de 2,24% par an. À partir des différences dans les taux moyens de dégradation, il est évident
qu'une distinction doit être faite, en fonction de la technologie PV.
Figure 4.6 - Répartition des taux de dégradations [89]
La figure 4.7 montre un histogramme des taux de dégradation divisé par méthodologie
d’évaluation appliquée avec une distribution de valeur extrême [90]. Les méthodologies
appliquées pour l’évaluation des taux de dégradations sont les mesures de courant-tension
(I-V) en conditions contrôlées (barres en bleu) et en conditions réelles d’exploitation (barres
en vert), le rapport de performance et la méthode de régression linéaire PVUSA (barres en
rouge). Une diminution des performances est définie comme un taux de dégradation négatif.
À l'inverse, un taux positif indique une amélioration. La distribution est orientée vers des taux
élevés de dégradation avec une moyenne de 0,8 %/an et une médiane de 0,5 %/an. La majorité
de ces taux déclarés, 78% de toutes les données, sont inférieurs à 1 %/an. Les taux de
dégradations relevés dans cette étude représentent les pays les plus avancées. L’Afrique est
très peu représentée par manque de données. Les types de climat de l’Afrique subsaharienne

ne sont pas représentés. D’où l’intérêt de notre étude qui va contribuer à l’évaluation du taux
de dégradations en zone climatique désertique maritime.
Figure 4.7 - Histogramme des taux de dégradations par méthodologie [90]
Dans étude très récente datant de 2017, Jordan et al. [91] ont rapporté le taux d'échec obtenus
et l’échec dans le temps en fonction de l'année d'installation (figure 4.8). L'échec dans le
temps est une mesure de fiabilité qui est fréquemment utilisée et représente le taux d'échec en
unités d'échecs d'un milliard d'heures opérationnelles. Des taux d'échec élevés sont enregistrés
pour les installations PV montées en toiture dans le climat chaud et humide (croix verts).
Figure 4.8 - Taux d'échec en %/an (axe gauche) et échec dans le temps (axe droit) des
modules et systèmes photovoltaïques au cours des 35 dernières années couleur codée par
climat et symbole codé par configuration de montage [91]
Par translation aux conditions environnementales mixtes (désertique, chaud et humide) dans
lesquels évolue la centrale solaire PV installée au CERD. On peut s’attendre à des taux de
dégradations compris entre 0.1 et 1 %/an comme observé par les cercles vert et rouge dans la
figure 4.8.

4.4- Etudes des dégradations des performances par PVUSA et PR
La surveillance à long terme des systèmes PV installés sur le terrain est la norme ultime pour
l'évaluation des dégradations de performance des composants et des systèmes
photovoltaïques. De multiples méthodes d'analyse sont utilisées pour quantifier la production
d'énergie et la dégradation de la puissance au fil du temps, y compris l'analyse du rapport de
performance et l'analyse de régression linéaire multiple de PVUSA.
L’évaluation de la puissance produite change considérablement en fonction de l’irradiation,
de la température et de la vitesse du vent. Depuis 1989, PVUSA ("PhotoVoltaics for Utility
Scale Applications") était utilisée pour évaluer les systèmes PV à partir d’une collecte
continue de données et d’un modèle de régression simple [57]. Le modèle est utilisé pour
estimer la puissance fournie du système dans les conditions de test de PVUSA (PTC)
(tableau 3.2). La méthode possède ses limitations [56] en ce qui concerne:
- la nécessité de collecter des données suffisantes (irradiations, température et vitesse du
vent) ;
- l’insuffisance du modèle pour les faibles éclairements.
Plusieurs travaux rapportés ont utilisé les méthodologies PVUSA et le rapport de performance
pour l’évaluation de la dégradation des performances.
P. McNutt et al. [92] ont observé l’évolution d’une rangée photovoltaïque de 1,5 kWc durant
six ans (septembre 1999 à mai 2006) et ont utilisé la méthode PVUSA. Cette rangée est
composée de modules silicium amorphe. A l’issue de cette étude, ils ont observé une
diminution de la puissance de sortie de 1,7% par an avec une oscillation saisonnière de ± 4%
pendant les 5 dernières années. A. Kimber et al. [93] ont passé en revue la méthode de
puissance PVUSA et présentent deux méthodes complémentaires qui visent à améliorer cette
méthode en termes de précision de modèle et en élargissant l'applicabilité à d’autres saisons.
Ils présentent les résultats d'une évaluation de chaque méthode basée sur une analyse de
régression de plusieurs systèmes PV (12 MW au total) situés dans une grande variété de
climats. Ces systèmes comprennent une variété de technologies photovoltaïques, de
différentes configurations de montage et de taille des rangées PV pour s'assurer que les
conclusions soient applicables à un large éventail de modèles et de technologies
photovoltaïques.
B. Marion et al. [94] ont comparé quatre paramètres de performances (le rendement final, le
rendement de référence, le rapport de performance et la méthode de puissance PVUSA)
suivant leurs pertinences à fournir les informations nécessaires sur les systèmes PV.

Les intervalles de confiance de chacun de ces paramètres ont été déterminés : ±8,4% pour le
rendement final, ± 1,2% pour le rapport de performance et ± 0,7% pour PVUSA. Par
conséquent, il a été déduit que le rapport de performance et la méthode de puissance PVUSA
sont en mesure de détecter les dégradations des performances du système au fil du temps.
Pour différents technologies recensées des taux de dégradations similaires ont été observés.
Après cinq années d’exploitation sous les conditions climatiques potentiellement rudes de
Djibouti, les premiers signes de dégradation sont constatés, ce qui fait l’objectif de la partie
suivante.
4.5- Analyse des dégradations des modules PV in-situ
Dans cette partie, nous nous intéressons à l’observation in-situ des dégradations des
panneaux. Pour cela, nous avons effectué :
- des inspections visuelles des panneaux solaires du champ PV ;
- quelques mesures de la tension à l’ouverture (Voc) ;
- et des thermographies infrarouges sur certains panneaux présentant ou pas des
défaillances visuelles.
4.5.1- Inspections visuelles
Pendant les différentes inspections visuelles, nous avons choisi 4 panneaux présentant des
caractéristiques de dégradation similaires ou endommagés par une intervention externe (figure
4.9).
P1 : correspond à un panneau dont le verre est fissuré. Les fissures sur le panneau ont été
découvertes le 6 août 2016.
P2 : correspond à un panneau fonctionnant normalement et ne présentant aucun problème
visible.
P3 et P4: sont des panneaux endommagés par une intervention externe "jet de pierre". On
observe des chocs bien distincts sur les photos qui ont causé la fissure des panneaux. Nous les
avons décelés le 12 février 2017. P3 est du côté de la route de Haramous et P4 du côté de la
route de l’aéroport.

(P1) (P2)
(P3) (P4)
Figure 4.9 - Photographies des panneaux PV sélectionnés
4.5.2- Mesure de Voc de quatre panneaux
Afin d’observer une possible dégradation de la tension des modules PV endommagés, nous
avons mesuré la variation à l’ouverture (Voc) des 4 panneaux solaire PV pendant deux jours
distincts. Les mesures sont effectuées entre 9h30 et 16h30, elles sont regroupées dans la
figure 4.10. La courbe en bleu clair représente la valeur de Voc, dans la fiche technique, elle
est de 33,2 V. Ces tensions varient entre 29V et 30V et se chevauchent la plus grande partie
du temps. Avec ces mesures, nous n’avons pas décelé de différences entre les panneaux
fissurés et le panneau normal ce qui dans un premier temps nous montre que ces panneaux
fonctionnent normalement. Il a été montré par Jordan et al. [95] que le Voc est le moins
dégradé parmi les autres paramètres (Isc, FF, Pmax).
Figure 4.10 - Mesure de Voc pour P1, P2, P3 et P4

En sus, nous avons mesuré les résistances d’isolement pour observer les possibles fuites de
courant qui peuvent engendrer l’électrocution. Nous n’avons constaté aucune fuite de courant
pour les panneaux endommagés.
Afin de pousser notre analyse nous allons effectuer des thermographies infrarouges sur ces
quatre modules PV.
4.5.3- Thermographie infrarouge
La thermographie infrarouge (IR) est un outil de diagnostic permettant de déceler des

anomalies invisibles à l’œil nu. Elle permet également de montrer la distribution de la
température sur la surface du module PV. Pour le cas de certains modules solaires, il est
impossible de détecter les causes des fissures sur le vitrage du module photovoltaïque à l'œil
nu. La détection peut se faire en utilisant des méthodes optiques. Pour ce travail nous avons
choisi la thermographie infrarouge, du moment que nous possédons une caméra infrarouge
(Chauvin Arnoux C.A 1886). Les images prises des différents modules sont ainsi traitées et
analysées dans le logiciel RayCAm de Chauvin Arnoux.
Les mesures ont été faites dans les conditions de température ambiante de Tamb=30°C
humidité relative de HR=53% et en supposant une émissivité de = 0.95.
Sur la figure 4.11, on représente une imagerie mixte entre les photographies réelles et la
thermographie infrarouge des modules PV ; P1, P2, P3 et P4 :
(a) montre le module qui s’est fissuré naturellement sans intervention externe, on peut
constater sur ce module deux cellules PV en hot spot dont l’un est relié à la boîte de
jonction du panneau. Ce panneau étant en hauteur dans la rangée il était difficile de
prendre l’image infrarouge d’où notre choix de prendre l’image en bas du panneau.
Egalement, nous trouvons ce choix très intéressant du fait la caméra n’est pas perturbé
par les rayonnements solaires;
(b) représente un panneau dans le champ PV qui ne présente aucune anomalie, après
observation de l’image IR ;
(c) représente le panneau du côté de la route de Haramous qui présente un choc sur le côté ;
(d) représente le panneau du côté de la route de l’aéroport qui présente également un autre
choc. Pour (c) et (d), l’emplacement des chocs des températures légèrement supérieures
au reste du panneau. La non-transparence du verre brisé provoque des températures
supérieures sur le lieu du choc par rapport autres endroits du module PV. L’écart de

température observé étant de 3°C entre le lieu du choc et le reste du panneau on ne peut
dans ce cas parler de hot spot.
(a) (b)
(c) (d)
Figure 4.11 - Thermographie infrarouge des panneaux P1, P2, P3 et P4
Avec cette imagerie IR, nous avons pu déceler que la cause du craquement ou de fissure du
panneau figure 4.11.(a) n’est autre que ces deux cellules qui sont en hot spot avec des
températures supérieures à 60°C et un écart température de 10°C à 15°C avec les autres
cellules. Pour les panneaux présentant des chocs, ces derniers ont provoqué le craquement des
verres des panneaux, ce qui a également causé des hots spots sur d’autres cellules des mêmes
modules PV. La figure 4.12 (a) et (b) montrent ces cellules avec hot spot. Des écarts de 10°C
sont observés entres les cellules avec hot spot et les autres cellules PV. En prenant en image
l’ensemble du panneau cassé du côté de la route de l’aéroport figure 4.12 (c), on peut observer
deux cellules en surchauffe comparées aux autres cellules.
Davis et al. [96] ont rapporté des taux de dégradations élevés pour certaines rangées de
panneaux solaires présentant des hots spots, d’où notre décision de remplacer tous les
panneaux présentant des dégradations (craquement et/ou chocs). Car avec le temps, ces
modules risquent de diminuer significativement les puissances de sorties des rangées dans
lesquels ils se trouvent.

(a) Module PV côté Haramous (b) Module PV côté Route aéroport
(c) Module PV côté route de l’aéroport

Figure 4.12 - Thermographie infrarouge présence de hotspot autre que le lieu des chocs
4.5.4- Autres observations sur les modules PV
Autre phénomène qu’on peut observer sur les rangées de panneaux solaires est le dépôt de
poussière, comme on peut le constater sur la figure 4.13 (a). C’est un phénomène naturel qui
est lié aux conditions arides du site de la centrale solaire. Le nettoyage des panneaux PV avec
les serpillères en coton qu’on a préconisé dans le chapitre 2 peut provoquer des rayures des
verres des panneaux. Pour le moment nous n’observons aucune rayure des surfaces des
panneaux lors de nos différentes inspections visuelles figure 4.13 (b).
Egalement, sur le site de la centrale nous observons la légère décoloration des panneaux PV,
comme on peut le constater sur la figure 4.13 (c). Cette figure représente un panneau
récemment installé et un panneau qui est installé depuis plus de 5 ans. Ce mode de
dégradation est souvent observé en milieu de vie des modules PV comme on peut le constater
sur la figure 4.1. L’ordre d’importance des mécanismes peut changer suivant les conditions
environnementales, ce qui est justifié pour le cas des modules PV du CERD. Finalement sur la
figure 4.13 (d), nous constatons sur les bords de certains panneaux (intersection entre le cadre
et le verre) une sorte de petites boules élastiques qui ne peut correspondre qu’à l’EVA. Cette

dernière étant une résine à caractère élastomère peut sous certaines températures se dilater et
s’extirper du bord des panneaux.
(a) (b)
(c) (d)
Figure 4.13 - Autres constatations sur les panneaux PV du site
4.6- Méthodologies d’analyse et de sélection des données
4.6.1- Méthode de la régression linéaire multiple
Le modèle de régression linéaire multiple est l’outil statistique le plus habituellement mis en
œuvre pour l’étude de données multidimensionnelles. Selon cette approche, plusieurs modèles
sont générés par une méthode commune de régression linéaire. La formulation matricielle
standard du problème de moindre carrées a été utilisée, définit selon l’équation :
β = (X T X)−1 X TY (4.1)
où β est le vecteur des coefficients, Y est le vecteur des sorties, et X est la matrice
d’informations ou matrice paramètre. Pour être précis, ceci correspond à la méthode des
moindres carrées ordinaires pour laquelle les incertitudes sur les données sont supposés
homogènes. Par exemple, pour le modèle PVUSA, appliqué à une série de n données on a :

Y = [P1 … Pn ]T (4.2)
β = [A B C D]T (4.3)
2 (IPOA ∙ WS )1
(IPOA )1 (IPOA )1 (IPOA ∙ Tamb )1
X=[ ⋮ ⋮ ⋮ ⋮ ] (4.4)
2 (IPOA ∙ WS )n
(IPOA )n (IPOA )n (IPOA ∙ Tamb )n
X est une matrice de conception n-par-p, avec des lignes correspondant à des observations et
des colonnes aux variables prédictives. Y est un vecteur n-par-1 d'observations de réponse.
Notons que n doit être supérieur au nombre de coefficients.
Dans MATLAB, les manipulations de matrices font partie de la bibliothèque standard de

commande, permettant une syntaxe très compacte. Voici la commande de base mise en œuvre
pour ce travail.
[b, bint, r, rint, stats] = regress (Y, X, alpha);
Cette commande retourne les solutions de la régression linéaire multiple avec :
b : les coefficients de régressions ;
bint : une matrice d'intervalles de confiance de 95% pour les coefficients b ;
r : un vecteur résidus ;
rint : intervalles des résidus pouvant servir à diagnostiquer des valeurs aberrantes ;
stats : analyse statistique de la régression multiple, contenant, dans l'ordre suivant, le
coefficient de détermination (R2), le test de Fisher (F) et la valeur p pour le modèle complet,
et une estimation de la variance de l'erreur (MSE).
4.6.2- Analyse statistique des erreurs
 Erreur type de la solution
En statistique, l’erreur quadratique moyenne d’un estimateur ŷ d’un paramètre y de

dimension 1 est une mesure caractérisant la « précision » de cet estimateur. Nous la
noterons MSE (pour Mean Squared Error). Dans notre cas, elle est définie par le vecteur
"stats" de la régression linéaire multiple.
La dispersion statistique des points de mesures relatives à la solution est quantifiée par le
coefficient de variation (NMRSE) et l’écart type des estimateurs (RMSE). Ce dernier est
définit par la racine carré de la moyenne des résidus (modèle – mesure) au carré :

(4.5)
RMSE 1 ∑nt=1(ŷt − yt )2
NRMSE = = √
y y n−m−1
Où y et 𝑦̂ correspondent respectivement aux données et aux valeurs prédites (modèle

paramétré avec les coefficients connus). Les paramètres n et m correspondent aux nombres de
données et nombres de coefficients.
 Erreur type des coefficients
L'incertitude dans chaque coefficient (A, B, C et D) est propagée par des coefficients de
sensibilité, qui sont les dérivées partielles du côté droit de l'équation (3.11) du chapitre 3
(p.63) par rapport à chaque coefficient. Les dérivées partielles représentent les éléments de la
matrice paramètre X. L’équation des sommes des carrés est utilisée pour le calcul P :
∂P 2 ∂P 2 ∂P 2 ∂P 2
√
P = ( ) (A) + ( ) (B) + ( ) (C) + ( ) (D)2
2 2 2
(4.6)
∂A ∂B ∂C ∂D
Avec,
∂P (4.6.1)
= IPOA
∂A
∂P 2 (4.6.2)
= IPOA
∂B
∂P (4.6.3)
= IPOA ∙ Tamb
∂C
∂P (4.6.4)
= IPOA ∙ Ws
∂D
Par remplacement de chaque dérivée partielle dans l’équation (4.6) par sa valeur, on obtient la
valeur de l’incertitude sur la puissance PVUSA,
(4.6)’
P = √(IPOA ∙ A)2 + (IPOA
2
∙ B)2 + (IPOA ∙ Tamb ∙ C)2 + (IPOA ∙ Ws ∙ D)2
Les erreurs types des estimateurs ep (A, B, C et D) sont évaluées par l’intermédiaire de
la matrice de covariance.

C = RMSE2 ∙ (X T X)−1 (4.7)
ep = √diag(C) (4.8)
Dans le code MATLAB, ces équations sont traduites de la manière suivante :
% Erreur type de la solution

mse=stats(4); % variance résiduelle
rms=sqrt(mse); % écart-type
nrms= rms/abs(mean(y)); % coefficient de variation
%Erreur type des coefficients

M = XX'*XX;
M = inv(M); % matrice inverse des produits
COV = mse*(M); % covariance
bvar = diag(COV); % les éléments diagonaux de la matrice de covariance
brms = sqrt(bvar); % erreurs des coefficients
4.6.3- Méthodologie de sélection des données pour leur analyse
Depuis le 28 janvier 2012, le laboratoire des Energies Nouvelles et Renouvelables du CERD a

recueilli les données issues de la centrale solaire photovoltaïque. Pendant ces cinq dernières
années, ce site a produit des données précieuses qui peuvent aujourd'hui être utilisées pour
étudier les taux de dégradation, la performance et la durée de vie du système photovoltaïque.
En même temps que le système PV des capteurs qui mesurent chaque minute les données, tels
que l'irradiation solaire, la température, la tension, le courant, et la puissance sont également
installés. Les données mesurées sont collectées par le système d’acquisition de données.
Après avoir collecté les données, il est intéressant et nécessaire de mettre en place une
procédure de sélection (figure 4.14) pour obtenir un ensemble de données exploitable pour les
méthodologies de PVUSA, PR et η. Comme mentionné précédemment dans le chapitre 2,
toutes les données acquises ne sont pas valides puisque certaines défaillances (du réseau, bug
du système d’acquisition, arrêt de la centrale, …etc.) peuvent engendrer des données
incorrects, donc ce type de données sont filtrés.

Figure 4.14 – Diagramme de sélection de données

Après prétraitement des données, celles presentant des taux d’irradiations inférieures à
500 W/m2 et 800 W/m2 sont ignorées. Les méthodes PVUSA, PR et η ont été utilisées pour
analyser les données expérimentales recueillies pour cette étude. Ce diagramme de sélection
de donnée essentiellement basé pour la méthode de régression multiple PVUSA qui n’utilise
pas les très faible irradiations. Cette méthodologie de sélection de données est implementé
dans le code de calcul MATLAB.
4.6.4- Première et deuxième régressions multiples
Une première régression linéaire multiple est effectuée sur les données filtrées afin d’en
extraire les coefficients de régressions A, B et C. Une fois ces derniers connus, la puissance
simulée est calculée à partir de l'équation (3.12), chapitre 3 (p.63). Puis, nous avons observé la
puissance simulée en fonction de la puissance mesurée afin d’identifier les valeurs présentant
un écart de 50 kW (figure 4.15, haut).
Les valeurs anormales (en rouge), identifiées par un écart modèle-mesure supérieur à 50 kW,
ont été supprimées du jeu de données (figure 4.15), avant d’effectuer une seconde régression
linéaire multiple et de réévaluer la puissance PVUSA. De cette façon, la première régression a
servi comme filtre de valeurs aberrantes.
Figure 4.15 - Puissance simulée en fonction de la puissance mesurée avant et après filtrage
des écarts supérieurs à 50 kW
4.6.5- Evaluation statistique du modèle de puissance PVUSA
PVUSA caractérise l'incertitude statistique de la puissance en utilisant un intervalle de

confiance de 95%. Cela signifie que 95% des points dans un ensemble de données de notation
du système, lorsqu'il est utilisé avec le modèle ajusté, donnera une puissance prédite dans la
plage.

Trois solutions fournies par PVUSA dans les conditions PTC (1000 W/m2 ; 20 °C) sont
présentées dans le tableau 4.1 pour les cinq années de données disponibles, correspondant
avant et après prétraitement de valeurs aberrantes. La première solution correspond à
l’application de la méthode PVUSA aux données sans prétraitement des valeurs aberrantes.
Les deuxième et troisième solutions correspondent à l’application de la méthode PVUSA
après prétraitement des données respectivement avec une régression multiple et une seconde
régression multiple. Pour évaluer statistiquement ces différentes solutions, nous avons estimé
les coefficients de détermination (R2), les erreurs normalisées (NRMSE), les erreurs relatives
(P/P) ainsi que les puissances PUSA. Ils sont représentés dans le tableau 4.1.
Tableau 4.1 : Evaluation de la méthode PVUSA

2012 2013 2014 2015 2016
2
Sans Régression R (%) 63,91 66,27 62,98 69,39 63,64
prétraitement multiple NRMSE(%) 11,90 11,32 12,40 11,04 11,88
P/P (%) 0,85 0,77 0,81 0,72 0,81
PUSA (kW) 281,20 290,78 294,70 294,46 280,19
Après 1ière R2(%) 90,66 92,68 91,80 90,92 90,85
prétraitement régression NRMSE(%) 4,90 4,35 4,62 5,08 5,01
multiple P/P (%) 0,36 0,31 0,32 0,34 0,34
PUSA (kW) 279,23 287,71 286,74 290,72 287,11
2nd R2(%) 93,09 95,07 93,42 92,29 92,59
régression NRMSE(%) 4,17 3,53 4,10 4,65 4,48
multiple P/P (%) 0,31 0,25 0,29 0,32 0,31
PUSA (kW) 280,00 288,54 287,14 291,07 287,72
L’utilisation de la méthode PVUSA avec des données sans prétraitement préalable, nous
induit à des coefficients de détermination assez faible inférieurs à 70% pour les cinq années
d’analyse. Ce qui montre une faible qualité de la prédiction de la régression linéaire multiple.
Egalement, on observe des taux d’erreurs normalisés élevées supérieurs à 11%, ce qui montre
une dispersion des données et des écarts types élevés lors de la régression. Dans un second
temps, nous avons analysé les puissances PUSA après prétraitement des données et une
première régression multiple, nous obtenons des coefficients de détermination supérieurs à
90% et des taux de dispersion de moitié réduites voire plus que la moitié. Par exemple, pour

2014, on passe d’une erreur normalisée de 12,40% à 4,62% ce qui fait un écart de 7,78%.
Avec le prétraitement préalable des données, on obtient une baisse moyenne des erreurs de
6,92% pour NRMSE et de 0,46% pour P/P sur les cinq ans.
Dans l’objectif de toujours amélioré (affiner) la précision des résultats obtenus avec la
méthode PVUSA, nous avons également effectué un filtrage des écarts entre les puissances
simulées et les puissances mesurées supérieurs à 50 kW (Diagramme de sélection des
données) et une seconde régression multiple a été effectuée. Avec cette seconde régression,
on obtient une augmentation de la précision, avec des R2 plus élevé et une légère diminution
des NRMSE de l’ordre de 0.61%. A cela s’ajoute qu’à chacun des étapes les erreurs relatives
diminuent, plus l'erreur relative est petite, plus l'estimation est précise. Cela conforte la
fiabilité de données utilisées pour calculer les puissances PUSA.
D’après les résultats de cette analyse, nous utiliserons dans la suite de ce travail la méthode
PVUSA avec les données prétraitées et la seconde régression multiple.
4.6.6- Nombre de valeurs et coefficient de variation
Dans cette partie, nous avons estimé le nombre de points de puissance utilisés pour la
régression et les coefficients de variation pour chaque puissance (figure 4.16). Le nombre
moyen de points de puissance est de 10130 pour chaque mois de notre étude avec un
minimum de points de puissance en juillet 2013 et un maximum de 12200 pour le mois
d’octobre 2016.
Figure 4.16 - Nombre de points et coefficients de variation à la régression

Le coefficient de variation varie entre un minimum de 1,86 % en juin 2014 et un maximum de

5,49 % en juillet 2016 avec une moyenne de 3,13 %. Les nombres de valeurs de puissances
sont les plus faible pour les périodes d’été de juin à août car certainement dû au filtrage des
puissances aberrantes liées aux délestages et autres bug des systèmes d’onduleurs. Mais aussi
pour ces mois, on a le moins de dispersion de puissances en termes de coefficient de variation.
4.7- Analyse de l’évolution des performances au cours du temps
4.7.1- Performance ratio et rendement
Les figures 4.17 et 4.18 représentent le rapport de performance (PR) et rendement (η)
respectivement des panneaux solaires PV et de la centrale solaire PV pour des quantités
d’irradiations supérieurs à 500 W/m2 et 800 W/m2. Les résultats présentés dans ces figures
sont un exemple d'utilisation de PR et η pour mesurer les variations de performance au cours
du temps.
Une baisse des performances au fur et à mesure des années est observée pour les deux
paramètres de performances étudiés dans cette section. PRac_500 varie de 87% en 2012 à
83,6% en 2016, ce qui fait un écart de 3,4% pour ces 5 années d’exploitation de la centrale.
Cet écart est de 2.6% pour PRac_800 entre 2012 et 2016. Egalement, ηac_500 varie de 12,23%
en 2012 à 11,82% en 2016. Des écarts de 0,41% et de 0.32% sont observés respectivement
pour ηac_500 et ηac_800 entre 2012 et 2016. Nous observons une diminution des écarts entre
la première et la dernière année d’exploitation de la centrale solaire PV en augmentant le seuil
de filtrage des quantités d’irradiations. Par ailleurs, nous observons des courbes plus lisses
pour les performances calculées pour un seuil d’irradiation supérieur à 500 W/m2 que pour un
seuil de 800 W/m2, dû aux nombres de données avec lesquelles s’effectue l’évaluation des
performances.
Etant normalisés par rapport à la quantité d’irradiation, l’analyse de ces paramètres de

performances montre qu’ils sont affectés par la variation de la température et
l’empoussièrement des panneaux PV que la centrale subie pendant la saison chaude. Les
baisses durant ces périodes sont discutées dans le chapitre précédent. D’après les figures 4.17
et 4.18, nous constatons que ces deux paramètres de performances sont similaires dans leur
évolution au cours du temps d’où nous nous focaliserons sur PR pour l’analyse de la
dégradation.

Figure 4.17 - Evolution du rapport de performance, DC et AC pour IPOA>500 W/m2 et

IPOA>800 W/m2
Figure 4.18 - Evolution du rendement, DC et AC pour IPOA>500 W/m2 et IPOA>800 W/m2
Malgré que les conditions climatiques n’aient pas évolué durant ces cinq années
d’exploitation de la centrale, la décroissance des valeurs annuelles indiquent une perte et/ou
une dégradation des performances au cours de ces années. Les taux de dégradations des
performances (PR et η) ainsi que la méthodologie utilisée pour son analyse sont présentés
dans la section (3.4.1) du chapitre 3.

4.7.2- Modèle PVUSA avec les conditions PTC
La puissance de sortie d'un système PV est très sensible à différents facteurs climatiques tels
que l’ensoleillement, la température ambiante, la vitesse du vent, etc. Par conséquent, il est
important d'établir un ensemble cohérent de conditions de référence pour évaluer la puissance
du système solaire PV (tableau 3.2, chapitre 3). Il est tout d’abord nécessaire de réaliser un
prétraitement des données collectées avant la mise en œuvre de la méthode (Tableau 4.1).
Figure 4.19 - Moyenne mensuelle des puissances dans les conditions PTC
La figure 4.19 représente pour chaque mois les valeurs de la puissance PVUSA de sortie dans
les conditions PTC ainsi que les incertitudes associées. Nous observons sur cette figure des
puissances fluctuantes autour d’une moyenne de 274,50  4,12 kWac. Le mois de novembre
2014 présente la puissance PVUSA la plus élevée avec 326,43 4,71 kWac. Le mois de mars
2015 présente la valeur la moins élevée de PVUSA 237,25  5.61 kWac. Pour la plupart, les
résultats semblent plus importants que ce qui est attendu : la température moyenne d’un
champ PV bien ventilé aux conditions STC est typiquement d’environ 50°C, donc 25°C
supérieur aux conditions STC. Supposant un coefficient de température de 0,5 %/K, la
puissance PVUSA de la centrale à Djibouti devrait être vers 260 kW. La fluctuation (figure
4.19) constatée est certainement due en partie au fait que les conditions du modèle ne
correspondent pas aux conditions réelles d’exploitation de la centrale. Egalement, le problème
est que le modèle PVUSA est une approximation, et si on extrapole aux conditions plus
éloignées des conditions réelles, les erreurs liées avec cette approximation devraient

augmenter. De plus, ces variations des puissances PVUSA peuvent être attribuées à la gamme
de données sur lesquelles la régression est effectuée, aux non-linéarités dans les performances
des modules photovoltaïques et aux variations du spectre solaire.
4.7.3- Modèle PVUSA avec les conditions DTC
L’application de la méthode PVUSA pour la centrale à Djibouti et les résultats par mois
indiquent une dispersion assez importante (figure 4.19). L'explication que nous proposons
"pour le moment" est que le modèle est en effet trop simpliste : les corrélations puissance
(rayonnement, température, vent) ne sont pas linéaires dans la réalité. Une façon de diminuer
l'impact de la simplicité du modèle est de modifier les conditions de référence pour que
l'extrapolation soit plus courte. Ici on s’intéresse à utiliser PVUSA pour corriger l’effet météo
et évaluer le taux de dégradation. On ne s’intéresse pas à comparer les puissances PVUSA de
la centrale installée au CERD avec d’autres centrales du monde.
Tableau 4. 2 : Couples de conditions test
700 800 900 1000

20    PTC
25    
30    
35    
40    
Pour cela, plusieurs couples de conditions tests différentes des conditions test PVUSA ont été
observés. Ces conditions comprennent des températures et quantités d’irradiations différentes
et sont montrées dans le tableau 4.2. Nous avons fait varier les températures en gardant les
quantités d’irradiations constantes et vice versa pour calculer pour chaque couple de
conditions tests les puissances de sorties mensuelles. Pour chaque couple de conditions, nous
avons obtenus les puissances du modèle PVUSA représentés dans les graphiques suivants :
- Le graphique (en haut à gauche) représente les puissances dans les conditions : (700 ;
20), (700 ; 25), (700 ; 30), (700 ; 35) et (700 ; 40);
- Le graphique (en haut à droite) représente les puissances dans les conditions : (800 ;
20), (800 ; 25), (800 ; 30), (800 ; 35) et (800 ; 40);

- Le graphique (en bas à gauche) représente les puissances dans les conditions : (900 ;
20), (900 ; 25), (900 ; 30), (900 ; 35) et (900 ; 40);
- Le graphique (en bas à droite) représente les puissances dans les conditions : (1000 ;
25), (1000 ; 30), (1000 ; 35) et (1000 ; 40);
Figure 4.20 - Modèle PVUSA étudié pour différents couple de conditions tests
Dans les différents graphiques de la figure 4.20, on peut observer qu’en faisant varier la
température tout en maintenant les quantités d’irradiations constantes une baisse de la
moyenne des puissances de sorties. Le choix de la température est important pour la stabilité
de la valeur de puissance obtenue.
Eu égard des différentes couples de conditions tests, nous intégrons des conditions tests
modifiées adaptées aux conditions du site de la centrale solaire PV et en général aux
conditions climatiques de Djibouti. Ils sont déduits à partir des données météo du site. Nous
les nommons "Djibouti Test Conditions" ou DTC (irradiation : 800 W/m2 ; température :
32°C ; vitesse du vent : 2,6 m/s). Par comparaison avec le modèle PVUSA dans les
conditions PTC, ces conditions nous procurent des puissances moins fluctuantes et plus stable
(figure 4.21) par comparaison aux puissances dans les conditions PTC. Ces puissances sont
comprises entre 237,74  3,5 kWac pour le mois juillet 2015 et 279,75  4,53 kWac pour le

mois de novembre 2013, avec une puissance moyenne mensuelle de 262,20  4,12 kWac pour
les cinq années d’exploitation de la centrale.
Une différence dans l’estimation de la dégradation des performances est observée par
changement des conditions de translation. D’où la nécessité d’analyser le taux de dégradation
des puissances pour la période de suivi et d’exploitation de la centrale solaire.
Figure 4.21 - Moyenne mensuelle des puissances dans les conditions DTC
4.8- Evaluation du taux de dégradation
4.8.1- Analyse statistique
Les méthodes statistiques utilisées pour estimer la tendance de performance au fil du temps
ont un grand impact sur le taux de dégradation résultant. Le but de l'analyse statistique est de
calculer la tendance de la série temporelle de performance PV et de traduire la pente de la
tendance en taux de dégradation annuel, en unité de pourcentage par an (%/an). Les
méthodes basées sur le modèle tel que la régression linéaire, la décomposition classique par
moyenne glissante "Classical Seasonal Decomposition", le lissage exponentiel "Holt Winters"
et la moyenne glissante auto-régressive (ARIMA) nécessitent la spécification d'un modèle
stochastique de séries temporelles alors que les méthodes de filtrage non paramétriques, telles
que la régression locale ou LOESS "LOcally wEighted Scatterplot Smoothing" ne nécessitent
pas de spécification d'un modèle et sont populaires en raison de leur simplicité.

La méthode la plus utilisée dans la littérature est la régression linéaire. Elle est utilisée pour
ajuster l’équation 4.9 à la série temporelle des performances PV.
4.8.2- Calcul du taux de dégradation
La méthode de régression linéaire a été utilisée pour générer des droites de tendance de séries
temporelles décrites par l’équation 4.9 à partir des moyennes mensuelles des puissances.
Pt = x1 ∙ t + x2 (4.9)
Avec x1 et x2 correspondant à l’ordonnée à l’origine et la pente de la droite de tendance ; x1, x2

ainsi que τregress (=12 pour les mois, 52 pour les semaines) sont utilisés dans l’équation 4.10
pour donner le taux de dégradation.
% x1 ∙ τregress (4.10)
Rd ( )=( ) ∙ 100
an x2
Rd désigne le taux de réduction de performance maximale dans le temps d’un système PV. Il
est communément exprimé en %/an et est effectivement donné en Rd  Rd. L’équation des
sommes des carrés est utilisée pour déterminer Rd :
∂R d 2 ∂R d 2
R d = √( ) (x2 )2 + ( ) (x1 )2
∂x2 ∂x1
τregress
≈( ) (x1 ) (4.11)
x2
Le terme avec x2 a un effet minimal sur R d et peut donc être négligé. La contribution
principale provient de l'incertitude de la pente, x1 .
4.8.3- Taux de dégradation par variations des conditions tests
Pour chacun des couples (Irradiation/ Température ambiante) de conditions tests définies dans
le tableau 4.2, nous avons déterminé les taux de dégradation, ainsi que leur incertitudes et les
écarts types (figure 4.22).

Figure 4.22 - Taux des dégradations, incertitudes et écart-type en fonction de la quantité

d’irradiation et de la température
Lorsque, nous augmentons la quantité d’irradiation en gardant la température constante nous

observons un taux de dégradation moins prononcé. Rd diminue en moyenne de 0,13 %/an par
augmentation de l’irradiation de 100 W/m2. Inversement, pour une quantité d’irradiation
constante et une augmentation de la température ambiante, nous constatons un taux de
dégradation plus prononcé. Rd augmente en moyenne de 0,25 %/an par augmentation de la
température de 5°C. Les incertitudes et les écarts types liés au taux de dégradation restent très
peu variables par variation de la quantité d’irradiation, alors qu’elles diminuent par
augmentation de la température jusqu’à une valeur seuil de 40 °C où l’incertitude et les écarts
types augmente à nouveau, cela montre que la variation de la quantité d’irradiation a très peu
d’impact sur l’incertitude et les écarts types contrairement à la température ambiante.

Dans cette partie de notre analyse, nous observons qu’en s’approchant des conditions tests
DTC, les incertitudes et les écarts types liés aux taux de dégradation diminuent ce qui
conforte la pertinence de notre de choix. Il est important également de souligner que les taux
de dégradations sont influencés par le choix des conditions de références. Plus on est loin des
conditions du site plus les incertitudes et les écarts types sont élevés.
Dans ce qui suit, nous évaluons les taux de dégradations observés par les différentes
méthodologies.
4.8.4- Détermination des taux de dégradations
L'évaluation de la dégradation de performance à long terme sur la période de février 2012 à

décembre 2016 en filtrant les irradiations sous un seuil de 500 W/m2 et 800 W/m2, montre des
taux de dégradation différents suivant la méthode utilisée et le filtre appliqué. Le tableau 4.3
résume les taux de dégradations en pourcentage par an (%/an) pour les différentes méthodes
utilisées dans ce chapitre.
Des taux de dégradations similaires sont observés pour les méthodes utilisant le rendement (η)
et le rapport de performance (PR). Pour les quantités d’irradiations supérieures à 500 W/m 2,
les taux sont de -0,96  0,37 %/an et -1,01  0,38 %/an respectivement pour la partie DC et la
partie AC du système solaire photovoltaïque. Pour les quantités d’irradiations supérieures à
800 W/m2, ces taux sont de -0,84  0,38 %/an et -0,86  0,38 %/an. Le filtrage des données
dans les deux gammes d'irradiation supérieures à (500 W/m2 et 800 W/m2) donne différentes
taux de dégradation pour PR et η. Une différence moyenne de 0,12 % et de 0,15 est observée
dans PRdc et PRac. Les résultats de la puissance PUSA dans les conditions PTC indiquent que
ce système PV n'a subi aucune dégradation au cours de la période de surveillance et qu'il a
enregistré une augmentation de 0,057  0,68 %/an pour PUSAdc et de 0,085  0,68 %/an pour
PUSAac. Par changement des conditions de référence, nous avons réussi à détecter les taux de
dégradation avec le modèle PVUSA. Le taux de dégradation ainsi obtenu dans ces nouvelles
conditions est de -0.70  0.29 pour PDTCdc et de -0,74  0.29 %/an pour PDTCac. Dans ces
nouvelles conditions DTC, nous obtenons des incertitudes et des écarts-types inférieures à
ceux observées dans les conditions PTC. Par comparaison des méthodologies appliquées, la
dégradation du modèle PVUSA dans les conditions DTC montre les plus faibles taux de
dégradations et incertitudes, cela montre qu’on est plus proche de la réalité avec ces nouvelles
conditions.

Tableau 4. 3 : Taux de dégradation annuelle
Taux de dégradation (%/an)

ηdc ηac PRdc PRac PUSAdc PUSAac PDTCdc PDTCac
IPOA>500 -0,96 -1,01 -0,96 -1,01 0,057 0,085 -0,70 -0,74
2
W/m 0,37 0,38 0,37 0,38 0,68 0,68 0,29 0,29
(Ecart-
(0,57) (0,54) (4,02) (3,83) (21,34) (20,06) (9,64) (9,03)
type)
IPOA>800 -0,84 -0,86 -0,84 -0,86 ____ ____ ____ ____
2
W/m 0,38 0,38 0,38 0,38
(Ecart-
(0,56) (0,53) (3,97) (3,74)
type)
Une conclusion préliminaire qu’on peut tirer de ce travail la méthode PVUSA dans les
conditions PTC ne détecte pas la dégradation de performance dans le temps, d’où la nécessité
d’ajuster les conditions aux conditions de référence locale dans lesquels évolue la centrale
solaire, en l’occurrence les conditions DTC.
4.9- Influence de la vitesse du vent sur le modèle PVUSA
Sur le site d’une centrale solaire, la vitesse et la direction du vent ont une importance capitale.
Ils participent à la ventilation mais également à l’empoussièrement des panneaux soit par
déposition soit par enlèvement (déplacement). Dans cette partie, nous analyserons le vent sur
le site de la centrale solaire PV (vitesse, direction, fréquence, etc). En sus, nous analyserons
l’influence de la vitesse du vent sur le modèle PVUSA. La vitesse et la direction sont
mesurées par un anémomètre et une girouette installés dans le champ de la centrale solaire PV
sur un mât d’une hauteur de 6 m (chapitre 2).
4.9.1- Analyse de la vitesse du vent sur le site
Afin d’observer le profil de la vitesse du vent, nous avons regroupé dans la figure ci-dessous
la variation horaire mensuelle de la vitesse du vent pour l’année 2015. Ces données sont
générées avec un pas de 10 minutes par le système d’acquisition NRG symphonie (Annexe
A.11). A partir de la figure 4.23, nous observons sur le site de la centrale solaire des vitesses
moyenne horaire de vent supérieures à 2 m/s entre 5h00 et 20h00 pendant toute l'année. Les

pics de vitesse du vent sont atteints entre 8h à 12h avec des vitesses moyennes supérieures à 4
m/s. La vitesse moyenne horaire annuelle est de 2.6 m/s
Figure 4.23 – Profils des vitesses du vent horaires mensuelles
4.9.2- Puissance calculée avec et sans vitesse de vent
Après une analyse de la vitesse du vent, nous avons intégré ces profils de vitesses mensuelles
horaires dans le modèle PVUSA afin d’analyser la contribution de la vitesse du vent sur le
modèle. Il faut rappeler que PVUSA n’utilise que les taux d’irradiations supérieurs à
500 W/m2, ce qui coïncide avec les vitesses pics de l’ordre de 4 m/s sur la figure 4.23. Les
résultats ainsi obtenus sont résumés sur la figure 4.24.
300 275
PUSAac PDTCac
PUSAacWs PDTCacWs
290 270
280
265
PDTC et PDTCWs (kW)
PUSA et PUSAWs (kW)
270
260
260
255
250
250
240
230 245
220 240
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Mois Mois
Figure 4.24 - Puissances PVUSA dans les conditions PTC et DTC avec et sans vitesse du vent

Les courbes en bleues et vertes de la figure ci-dessus représentent les puissances fournis par le
modèle PVUSA dans les conditions DTC et dans les conditions PTC respectivement sans la
composante de la vitesse du vent et avec la composante vitesse du vent. Les puissances
moyennes annuelles pour le graphique de gauche sont de PUSAac = 263.8  7.9 kW
(courbe bleu) et PUSAacWs = 264.0  7.7 kW (courbe verte) et les puissances moyennes du
graphique de droite sont de PDTCac = 262.5  7.9 kW (courbe bleu) et PDTCacWs = 261.9
 7.6 kW (courbe verte).
L’écart relatif entre les valeurs des puissances est de 1,33 % pour le graphique de droite et
0.82% pour le graphique de gauche. Ce qui nous montre une diminution de l’écart relatif par
changement des conditions tests (en s’approchant des conditions du site). Dans les deux
conditions (avec et sans vitesses du vent) nous observons une bonne qualité de la mesure de la
prédiction de la régression linéaire (R2 > 95%). Les moyennes de coefficient de détermination
sont de 95% pour le modèle sans la vitesse du vent et de 96% sans la vitesse du vent. Les
coefficients de variation moyens annuels sont de 3% et de 2.92% pour respectivement le
modèle sans et avec la vitesse du vent. Cela montre une faible dispersion dans les variables du
modèle et une proximité relative du modèle avec les valeurs réelles.
Des écarts de puissances de l’ordre de 11,75 kW (graphique de gauche) et 8,6 kW (graphique

de gauche) sont observés pour le mois de juillet pour les puissances avec et sans vitesses du
vent : cet écart résulte d’une faible qualité de la prédiction (R2<90%) et une variance
résiduelle normalisée élevée (de 4,47% sans la vitesse du vent et 4,41% avec la vitesse du
vent) comparée aux autres mois de l’année. Dans le précèdent chapitre, de faibles
performances ont été observées pour le mois de juillet 2015 qui étaient dues à un
empoussièrement élevé des modules solaires PV.
A part le mois de janvier où les mesures de la vitesse du vent ne sont pas disponibles, on
observe que les puissances sont très proches pour les autres mois, on peut déduire de cette
observation que la contribution de la vitesse du vent à la puissance totale PVUSA n’est pas
très significative comme confirmé par [58]. En plus, la vitesse de 1 m/s déterminée dans les
conditions tests de PVUSA n’est pas trop réaliste car elle ne reflète pas la réalité du site d’où
la nécessité de la remplacer par une moyenne annuelle de la vitesse du vent du site qui est de
2,6 m/s.

4.10- Correction par rapport à l’empoussièrement
4.10.1- Puissance corrigée et non corrigé
La poussière engendre un offset sur la puissance de sortie des panneaux solaires du champ
PV. Une hypothèse de départ consiste à considérer un taux d’empoussièrement constant pour
chaque jour et variable d’un jour à l’autre. De ce fait, il est nécessaire de corriger cet offset
afin de pouvoir calculer la puissance de sortie réelle des panneaux solaires. Pour ce faire, nous
avons calculé à partir des estimations des pertes de performance par salissures les quantités
d’énergies perdues par l’empoussièrement des panneaux. L’équation (4.12) calcule la
puissance corrigée (Pcorrigée) à partir de la puissance mesurée (Pmesurée) et un terme de
correction.
1 (4.12)
Pcorrigée = Pmesurée + δEdc ∙
24 × 60
Avec
Pmax
δEdc = δPR ∙ IPOA ∙ ( ) (4.13)
1000
δEdc: terme de correction de l’énergie produite,
δPR: terme de correction du rapport de performance.
Une fois que les puissances des panneaux du champ PV ont été corrigées par rapport à
l’empoussièrement, nous avons réévalué les puissances PVUSA dans les conditions PTC et
DTC, avant et après correction. Les résultats ainsi obtenus sont représentés sur les figures
4.25 et 4.26. Les courbes en bleu représentent les puissances calculées par la méthode
PVUSA et les courbes en noir représentent les puissances corrigées pour la poussière.
Sur les figures 4.25 et 4.26, on peut constater que les puissances PVUSA et PDTC corrigés
montrent des valeurs nettement supérieures aux puissances non corrigées. Les écarts moyens
entre ces puissances corrigées et non corrigées pour les cinq années sont de 16,2 kWdc et de
15,4 kWdc respectivement pour le cas de PVUSA et PDTC.

Figure 4.25 - Puissances PVUSA dans les conditions PTC sans correction (courbe en bleu) et
avec correction (courbe en noir)
Figure 4.26 - Puissances PVUSA dans les conditions DTC sans correction (courbe en bleu) et
avec correction (courbe en noir)

Les coefficients de variation sont inférieurs pour le cas des puissances corrigées (2,08%) que
pour le cas des puissances non corrigées pour la poussière (2,81%). Cette correction nous a
permis en plus de corriger l’offset dû à l’empoussièrement des rangées du champ PV, d’avoir
des valeurs de puissances moins dispersées et plus stable au cours des 5 années. Sur les
graphiques de la figure 4.26, il est intéressant de noter que l’écart entre les puissances
(corrigées et non corrigées) est plus ou moins élevé suivant l’empoussièrement des modules
du champ PV. Le mois de novembre 2014 en est un exemple typique où les panneaux sont
nettoyés par la pluie et on voit bien que les puissances corrigées et non corrigées se
chevauchent. Egalement les écarts sont les plus élevés pour le mois d’été. Cela conforte une
fois de plus que notre système est mieux représenté dans les conditions DTC que PTC où les
graphiques sont moins compréhensibles.
4.10.2- Estimation du taux de dégradation
Les droites vertes et rouges représentent la régression linéaire des puissances et nous donnent
un aperçu sur le taux de dégradation annuel. Les régressions linéaires effectuées sur les
valeurs mensuelles PVUSA et PDTC (en utilisant le même filtrage décrit précédemment),
nous permet d’évaluer le taux de dégradation pour chacun des cas. Le tableau 4.4 résume les
taux de dégradations et leurs incertitudes ainsi que les écarts-types. Pour les puissances
PVUSA, nous n’observons aucune dégradation, les taux de dégradations calculés pour
PVUSA non corrigés et corrigés pour la poussière sont respectivement de 0,20  0.69 %/an et
de 0,13  0.35 %/an. Pour les puissances PDTC, on a évalué des taux de dégradations de -
0,68  0.29 %/an pour les puissances non corrigées et de -0,03  0,08 %/an pour les
puissances corrigées pour la poussière. Egalement, il est à noter que l’écart type diminue avec
la correction des puissances par rapport à la poussière.
Comme le montre les résultats du tableau 4.4, la correction empirique pour la salissure des
modules a également éliminé par compensation la dégradation des performances, surtout pour
PDTC. Ce résultat indésirable peut être compris en considérant la méthode utilisée pour
corriger les PR pour les pertes induites par la poussière. Rappelons que la correction de la
poussière a été estimée en calculant le PR attendu en fonction de la température du module et
du rayonnement incident mesuré. Les coefficients K1 et K2 dans l'équation (13) du chapitre 3
ont été estimés en utilisant une courte séquence de données correspondant aux jours suivant
une précipitation importante en 2014. Ces coefficients ont ensuite été appliqués pour calculer

le PR prévue pour l'ensemble de données complet de 2012 à 2016, en supposant que la

corrélation était universellement valide. Cependant, la dégradation de la performance
électrique apparaît également comme une variation de la corrélation entre la puissance
électrique, le rayonnement incident et la température du site. Lorsque la technique de
correction a été appliquée à l'ensemble de données, le PR attendu a été calculé pour les
modules PV en supposant leur état en 2014. Si les coefficients K1 et K2 seraient recalculés
pour d'autres périodes où les modules PV sont propres (suite à une pluie importante), la
dégradation contribuerait à l'évolution de ces coefficients.
Tableau 4. 4 : Mesure des taux de dégradation avant et après correction par rapport à la
poussière
Rd-PVUSA (%/an) Rd-PDTC (%/an)
Ecart type (kWdc) Ecart type (kWdc)
Cas puissance non corrigée 0,2  0,69 -0,68  0,29
(22,12) (9,47)
Cas puissance corrigée 0,13  0,35 -0,03  0.08
(11,71) (2,77)
En supposant que la dégradation soit négligeable par rapport à l'effet de la poussière, il n'est
pas nécessaire de tenir compte du vieillissement dans la correction de la salissure pour de
courts intervalles. Pour des périodes de monitoring plus longues, les coefficients K1 et K2
devraient être réévalués chaque année. En ce qui concerne l'effet de la poussière sur
l'estimation des taux de dégradation, l'incertitude dans la pente PDTC comprend la dispersion
dans les points de données résultant de la salissure. L'utilisation de données correspondant à
des périodes où les rangées PV étaient propres pourrait réduire l'incertitude due à la poussière,
mais un échantillon de données plus petit entraînerait une erreur statistique plus importante.
La pente de régression elle-même n'est pas sensible aux variations saisonnières de la
poussière telles que celles observées à Djibouti (Khamsin), bien que la pente de PDTC puisse
être modifiée si le site est affecté par des changements à long terme dans les conditions
d’empoussièrement. Il faut donc veiller à ce que des changements importants soient apportés
à la fréquence de nettoyage, car cela pourrait introduire une hausse ou une baisse erronée de la
puissance PDTC moyenne par rapport aux années précédentes.
4.11- Conclusion
Dans ce chapitre, il était question de pouvoir effectuer un bilan de l’évolution de la centrale

solaire durant les cinq années de fonctionnement et de pouvoir évaluer les premières

dégradations sous les conditions climatiques désert maritime. Tout d’abord, notre analyse
s’est portée sur une inspection visuelle des rangées PV afin de déceler les modules présentant
des dégradations. Nous avons complété l’inspection visuelle par une analyse par
thermographie infrarouge, ce qui nous a permis de connaitre les causes et les conséquences de
certaines dégradations observées.
Ensuite, nous avons élaboré une méthodologie de sélection de données pour l’analyse des
performances de la centrale solaire avec les méthodologies PVUSA et PR. Avec l’évaluation
statistique de la méthodologie adoptée pour l’évaluation des puissances de sorties PVUSA,
nous sommes arrivés à une augmentation de la précision et à la réduction des incertitudes
relatives et les dispersions.
L’utilisation de la modèle PVUSA dans les conditions PTC pour l’évaluation de la puissance,
nous a induits à des résultats dont la plupart semblent plus importants que ce qui est
attendu. Pour ce faire, nous avons élaboré des conditions test proche des conditions du site
que nous avons nommé "Djibouti Test Conditions" (DTC). Ces nouvelles conditions de
translation, nous ont permis d’avoir des puissances de sorties qui reflètent la réalité du site.
La méthode de régression linéaire a été utilisée pour l’évaluation des taux de dégradation. Les
taux de dégradations sont résumés dans le tableau 4.3 et varient suivant la méthodologie
appliquée. Avec la méthode PVUSA dans les conditions PTC, on n’observe aucune
dégradation.
Pour le modèle de puissance PVUSA, nous avons démontré que les taux de dégradations sont
influencés par le choix des conditions de références (figure 4.22) et que plus on s’éloigne des
conditions du site plus les incertitudes et les écarts types sont élevés. Une observation de
l’influence de la vitesse du vent sur le modèle de puissance PVUSA, nous a permis de déduire
de cette observation que la contribution de la vitesse du vent à la puissance totale PVUSA
n’est pas très significative.
Enfin nous avons effectué une correction des puissances mesurées pour la poussière sachant
que cette dernière induit un offset. Un terme de correction a été ajouté aux puissances
mesurées. Par la suite, nous avons réévalué les puissances PVUSA dans les conditions PTC et
DTC, avant et après correction. Les résultats obtenus après correction donnent des taux
de dégradations plus faibles. Les incertitudes et les écarts types associés aux taux de
dégradations sont également réduits après la correction à l’empoussièrement.

Dans le chapitre suivant, nous allons élaborer un modèle de centrale solaire PV pour l’analyse
et la prédiction des performances des centrales dans le milieu désertique maritime.

Chapitre 5 : Modélisation numérique et développement
d’un outil de prédiction des centrales solaires en milieu
rigoureux
5.1- Introduction
Avec l’augmentation des applications photovoltaïques (PV) et leur très grande variété, une
prédiction précise des paramètres caractéristiques, des modules, des chaines et des rangées de
capteurs solaires PV devient un sujet de recherche essentiel car il est très important d’estimer
au mieux les performances du système à la fois lors des phases de planification et de
conception d’installations photovoltaïques mais aussi lors de leur vie en œuvre afin d’en
identifier d’éventuels disfonctionnements. Les concepteurs ont besoin d'un outil fiable pour
prédire la production d'énergie des modules PV dans des conditions réelles afin de prendre
une décision viable et rentable concernant le choix des modules photovoltaïques à
sélectionner [97-98]. En outre, les ingénieurs ont également besoin d'un outil précis pour
simuler la sortie de puissance d'une installation PV dans des conditions de fonctionnement
réelles pour évaluer les performances énergétiques du système. Cependant, les spécifications
techniques des fabricants des modules PV ne sont que des données ne permettant pas de
déterminer sa production d'énergie dans des conditions réelles, puisque les spécifications sont
obtenues dans des conditions de test standard (STC): rayonnement incident de 1000 W/m2,
une température des cellules de 25°C et une masse d'air de 1,5. Un modèle de prédiction de
l'énergie solaire photovoltaïque générée précis et fiable est donc nécessaire pour évaluer les
performances en conditions réelles [99-100].
D’où l’objectif de ce dernier chapitre qui consiste au développement d’un modèle prédictif de
centrale solaire prenant en considération les conditions du site tel que l’empoussièrement, le
nettoyage, et la dégradation. Dans un premier temps, nous allons présenter un état de l’art des
et les différents outils de modélisations. Dans un second temps, nous allons effectuer une
modélisation de notre centrale avec l’outil TRNSYS et en sus développer un modèle de
température de module basé sur les mesures in-situ et un modèle phénoménologique
d’empoussièrement.
Dans un dernier temps, nous allons assoir la validité de notre modèle prédictif et ensuite
l’utiliser à travers des études paramétriques pour mettre en évidence l’influence des

Modélisation numérique et développement d’un outil de prédiction des centrales
solaires en milieu rigoureux
paramètres (empoussièrement, du taux de nettoyage, de la fréquence de nettoyage et la pluie)

sur les performances prédites par le système solaire PV.
5.2- Etat de l’art sur le modèle I-V
Le comportement électrique d'un dispositif photovoltaïque en silicium cristallin (une cellule,

un module ou une rangée de modules) est caractérisé par sa courbe courant-tension (I-V). Les
techniques conduisant à la détermination de cette courbe ou à certains de ses points ont été
relatées dans la littérature. Concernant la modélisation, il existe deux types de modèles de
base I-V: modèles de circuit équivalent de diode et le modèle semi-empirique "simple point".
Pour le modèle de diode, différentes méthodes sont couramment utilisées dans la littérature
[101-102]. Parmi celles-ci, l’approche la plus précise est désignée comme le modèle à deux
diodes [103], bien qu'il soit assez complexe et le temps de calcul est long puisqu'il s'agit d'une
équation non linéaire et implicite avec deux termes exponentiels et jusqu'à sept paramètres
inconnus. Par simplification, le modèle à une diode est généralement utilisé dans les
littératures, en supposant que la perte de recombinaison dans la région de déplétion est
absente [104]. Le modèle à simple diode peut être divisé en deux catégories. La première
catégorie consiste au modèle à quatre paramètres où la résistance shunt est considérée comme
infinie [105]. Il est cependant indiqué par Dongue et al. [98] que le modèle à quatre
paramètres négligeant les effets de la résistance shunt était insuffisant pour s'adapter aux
données expérimentales I-V et P-V.
Une seconde catégorie consiste au modèle à cinq paramètres basé sur l'équation d'une diode
(voir équation 5.1). Les cinq paramètres se composent du photo-courant, le courant de
saturation inverse, la résistance en série, la résistance shunt et le facteur d'idéalité des diodes
des modules photovoltaïques. Ce modèle plus complet que le précédent, permet d’avoir un
résultat plus précis, sans compliquer le calcul. Il est très souvent utilisé dans la littérature [99-
100], [106-107]. Les cinq paramètres développés par De Soto et al. [108] peut simuler avec
précision les caractéristiques I-V, c’est le modèle que nous avons adopté pour notre
simulation.
Outre les modèles basés sur le circuit équivalent de diode, le modèle "simple point" développé
par Sandia National Laboratory (SNL) [109] peut prédire avec précision la production
d'énergie des modules photovoltaïques en silicium cristallin. Cependant il nécessite certaines
entrées qui ne sont normalement pas disponibles dans les fiches techniques fournies par les

fabricants. Certains autres modèles empiriques basés sur le rendement en fonction des
paramètres tels que la température de fonctionnement, l’insolation et la masse d'air qui
décrivent le comportement d'un module photovoltaïque existent et sont étudiés dans [110-
111].
En plus du modèle électrique du module PV, l'irradiation solaire incidente et la température

du module sont deux facteurs clés pouvant influencer la puissance de sortie. L'utilisation de
modèles de ciel clair est nécessaire pour déterminer le rayonnement incident effectif sur la
surface du module. L'insolation solaire totale comprend deux composantes principales, dont le
rayonnement direct et le rayonnement diffus. Le modèle de ciel le plus simple est le modèle
isotrope qui suppose que le rayonnement diffus est uniformément réparti dans le ciel [112].
Ce modèle donne des résultats acceptables pour le ciel couvert, mais sous-estime le
rayonnement dans un ciel clair. Deux autres modèles ont été développés pour résoudre ce
problème, à savoir le modèle Hay-Davies [113] et le modèle de Reindl [114]. Dans le modèle
de Hay-Davies, la composante du disque solaire du rayonnement diffus est ajoutée au
rayonnement isotropique pour représenter les conditions de ciel couvert. Le modèle de Reindl
offre plus de précision par rapport à l'éclairage de l'horizon.
Différents outils de modélisation qui incorporent ces modèles existent et sont proposés dans
ce qui suit.
5.3- Différents outils de modélisation numérique des systèmes PV
Les modèles de performance photovoltaïque sont utilisés pour estimer la puissance de sortie
d'un système photovoltaïque, qui comprend généralement des panneaux photovoltaïques, des
onduleurs, des régulateurs de charge, des batteries et d'autres composants (Figure 5.1).
Ces modèles servent d’outils de simulation PV qui sont utiles pour :
(1) effectuer une analyse détaillée de la performance du système dans des conditions réelles
de fonctionnement,
(2) étudier l'impact de différents profils de charge ;
(3) vérifier le dimensionnement du système ;
(4) déterminer la puissance optimale des modules PV et

(5) évaluer la viabilité d'un système photovoltaïque en termes de production d'énergie et de

coût du cycle de vie du système.
Divers outils de simulation sont actuellement disponibles pour effectuer une simulation PV
[115]. Certains de ces outils sont résumés dans la section suivante.
Source d’énergie Charge

Onduleur PV
Distribution
EDC EAC
Rangées PV
Stockage
Réseau électrique
Figure 5.1 - Composantes principales d’un système PV connecté au réseau
5.3.1- PVFORM
L’outil PVForm de Menicucci [116] a été l'un des premiers modèles pour les applications
photovoltaïques, qui peuvent analyser et comparer les performances du système dans un ou
plusieurs lieux géographiques avec l'avantage d'intégrer ses coûts. Le modèle a la capacité
d'examiner à la fois les systèmes connectés au réseau et les systèmes autonomes (avec
stockage de batterie) et peut permettre à un utilisateur de modéliser la dégradation du système
ainsi que les effets de changements de charge et de composants sur l’installation.
PVForm a également été conçu pour simplifier et améliorer le modèle SOLCEL [117].
Certaines des améliorations techniques majeures par rapport aux modèles antérieurs
développés par SNL incluent l'évolution des calculs d'insolation solaire pour les orientations
horizontales et inclinées en utilisant le modèle Perez [118-119], un modèle modifié de
coefficient de température de puissance pour la performance du champ PV et l'intégration
d'un modèle thermique pour la température du module par Fuentes [120].

5.3.2- PVSIM
PVSIM a été développé au SNL par King et al. [121] pour mieux comprendre le
comportement électrique entre chaque module dans une même rangée. Plus précisément, il a
été conçu pour élucider l’effet "mismatch" entre les modules et la perte par ombrage. Cette
analyse s'effectue à l'aide d'un modèle de circuit équivalent à deux diodes avec des paramètres
empiriquement dérivés des mesures I-V à des faibles (25°C) et hautes (50°C) températures
des cellules. Le logiciel permet aux utilisateurs d'entrer leurs paramètres pour tracer des
courbes I-V des modules. De là, les utilisateurs peuvent voir comment une rangée
fonctionnerait à différentes températures de fonctionnement.
5.3.3- Le modèle de performance "SANDIA PV ARRAY PERFORMANCE MODEL"
Le modèle de performance de champ PV de Sandia de King et al. [122] utilise une base de
données de paramètres dérivés empiriquement de modules PV développés par les tests des
modules PV provenant de différents fabricants. Ce modèle est considéré comme un modèle de
composant, car il ne modélise que les modules PV.
Ce modèle calcule Isc, Imp, Vmp, Voc et deux autres valeurs aux points intermédiaires. Des
coefficients empiriques sont également développés pour calculer les paramètres dépendants
de la température (y compris un modèle thermique spécifique au module), les effets de la
masse d'air et l'angle d'incidence sur le courant de court-circuit (Isc) et le type de montage
(monté sur un plan ou intégré au bâtiment). Ce modèle permet également la détermination
d'une "irradiation efficace", qui est la quantité d'irradiation qui atteint effectivement les
cellules après que les pertes soient prises en compte. Elle représente également la part de
l’irradiation solaire utile pour la conversion d’énergie.
La force principale du modèle réside, dans le fait qu’il soit complet du fait qu’il prend en
compte la plupart des phénomènes influençant la puissance de sortie d'un module PV.
En termes d’inconvénient, il faut noter la complexité du modèle car il nécessite l’évaluation

ou la détermination expérimentale d'un très grand nombre de paramètres (minimum 27) pour
être précis. Aucun fabricant ne fournit autant d'informations sur un module.

5.3.4- SOLAR ADVISOR MODEL (SAM)
Le logiciel SAM a été créé en 2006 par un partenariat entre le National Renewable Energy
Laboratory (NREL) et le Sandia National Laboratories (SNL). Ce modèle est considéré
comme un modèle "système" car il a la capacité de combiner à la fois la modélisation des
performances du système PV et d’effectuer une analyse économique. Une fonctionnalité utile
dans SAM est qu'il fournit l'accès à de nombreux modèles de performance de rangées PV
différents décrits ci-dessous dans le Tableau 1. Deux modèles d’onduleur sont également
utilisés par SAM, un modèle SANDIA et un modèle simple point.
En guise de fichier météo, SAM utilise les données TMY2, TMY3, EnergyPlus météo et
METEONORM. Les modèles de rayonnement sur le plan incliné dans le logiciel SAM
incluent Liu et Jordan [112], Hay et Davies [113], Reindl [114] et Perez et al. [119].
Tableau 5. 1 : Les options dans SAM en termes de modèles : d’irradiation solaire, de

performance de rangées PV et d’onduleur
Irradiation solaire Performance des rangées PV Modèle d’onduleur

 Liu et Jordan  Modèle de  Modèle SANDIA
 Hay et Davies performance de rangée  Simple point
 Reindl PV de SANDIA
 Perez et al.  Modèle de
performance à 5
paramètres
 PVWatts
5.3.5- PVWatts
PVWatts est une application Web basée sur un outil de modélisation des systèmes PV
connectés au réseau. Il a été développé par le NREL et est basé sur les algorithmes PVForm
développés par le SNL. Cet outil inclut le modèle de rayonnement de Perez et al., [118-119] et
le modèle de coefficient de température de puissance modifié pour la performance de la
rangée PV.
A partir des paramètres d’entrée fournis (montage et inclinaison des rangées PV, puissance
nominale, facteurs de pertes associés, … etc.) par l’utilisateur, il permet de donner en sortie

les moyennes mensuelles du rayonnement solaire, de la production énergétique du système et

du coût par kWh généré, toutes pouvant être exportées sur une base horaire.
Plus récemment, le NREL a ajouté un programme appelé IMBY ("In My Backyard" en

français "Dans Mon Jardin") qui fonctionne sur la plate-forme PVWatts et permet à un
utilisateur de zoomer sur un emplacement spécifique et de dessiner une forme qui ressemble
au contour du champ PV.
5.3.6- PVSYST
PVSYST est un logiciel d'analyse et de dimensionnement de systèmes PV. Il a été développé

par le Groupe Energie à l'Université de Genève en Suisse [123] et peut être utilisé dans divers
endroits du monde où des données météorologiques (température ambiante, irradiation
solaire, etc.) et des informations du site sont disponibles. Le logiciel comprend principalement
deux modes de fonctionnement, un mode assez simple de prise en main avec une application
de pré dimensionnement et un mode beaucoup plus approfondi prenant en compte beaucoup
plus de paramètres. La complexité des paramètres d'entrée le rend adapté aux utilisateurs
experts.
PVSYST utilise le modèle de circuit équivalent à une diode pour calculer les performances
dans les modules, et le modèle de Hay [113] pour les rayonnements sur le plan des rangées
PV. On peut également spécifier le modèle de Perez et al. [118-119].
Il prend en considération les effets de d’ombrage, des "mismatch" des rangées PV, les pertes
de tension dues au câblage et la salissure des rangées PV.
5.3.7- Modèle de performance PV à 5 paramètres
Le modèle de performance PV à 5 paramètres a été élaboré à partir des recherches effectuées

au "Solar Energy Laboratory" (SEL) du Wisconsin. Ce modèle utilise le modèle de
performance à une diode bien connu pour évaluer les performances des rangées PV. Il a
d'abord été décrit comme modèle à 4 paramètres de circuit équivalent à une diode par
Townsend en 1989 [124]. Le modèle a été ensuite incorporé dans TRNSYS [125] en 1990 par
Eckstein [126], et est décrit par Duffie et Beckman en 1991 [127]. D'autres validation et
analyse par DeSoto [128] au SEL ont conduit à la version des 5 paramètres [129]. En général,

comme le modèle de performance PV de Sandia, le modèle à 5 paramètres a été développé

pour mieux prédire la puissance produite par PV dans des conditions de test non standards.
A travers ces divers outils de simulation PV existant cité dans la section 5.3, nous avons
sélectionné l’outil TRNSYS pour effectuer nos besoins en modélisation en raison de sa
disponibilité, de sa facilité d'utilisation et de ses divers types intégrés. Parmi les types de
TRNSYS, nous avons le type 194 à 5 paramètres dont le modèle électrique est présenté dans
ce qui suit.
5.4- Modélisation électriques I-V des rangées photovoltaïques
La sortie du système photovoltaïque est prédite en utilisant le type 194 dans TRNSYS. Le
modèle électrique utilisé dans ce type est un modèle à cinq paramètres qui caractérise le
module PV par un circuit équivalent (figure 5.2). Ce circuit comprend une résistance en série,
une diode en parallèle avec une résistance shunt.
Figure 5.2 - Circuit équivalent d’un module PV
Ce circuit équivalent peut être utilisé pour une cellule PV individuelle, un module composé de
plusieurs cellules ou une rangée composée de plusieurs modules [127]. A une température et à
un rayonnement solaire fixe, la relation courant-tension (I-V) de ce modèle est donnée
par l’équation (1) :
V + IR s V + IR s (1)
I = IL − ID − Ish = IL − I0 [exp ( ) − 1] −
a R sh
Et la puissance est donnée par :
P=I∙V (2)

Afin de résoudre l’équation I-V, 5 paramètres doivent être connus : le photo-courant (IL), le
courant de saturation inverse (I0), la résistance en série (RS), la résistance shunt (Rsh) et le
facteur d'idéalité modifié définis dans l'équation (3) :
Ns nI KTc (3)
a
q
où la seule inconnue est le facteur d’idéalité nI (égal à 1 pour une diode idéale et généralement
entre 1 et 2 pour une diode réelle), q est la charge des électrons, K est la constante de
Boltzmann (1,381×10−23 J/K), Tc est la température du module et Ns le nombre de cellules en
séries.
5.4.1- Paramètres de références
Sachant que les mesures des caractéristiques électriques PV sont faites à une condition de
référence standard: rayonnement incident de 1000 W/m2, une température de cellules de
25 °C et une distribution spectrale correspondant à une masse d'air de 1,5. Les mesures des
paires I-V aux conditions de référence sont disponibles dans la fiche technique des modules
PV. Ces mesures sont prises aux conditions de : courant de court-circuit, tension à l’ouverture
et au courant et à la tension au point de puissance maximum. Egalement dans cette fiche, on
trouve le coefficient de température du courant de court-circuit, µIsc et le coefficient de
température de la tension de circuit ouvert, µVoc . De ce fait, pour évaluer les cinq paramètres
de l’équation (1), cinq différentes conditions doivent être connues :
 Pour la condition du courant de court-circuit : I = Isc, ref et V = 0
Isc,ref R s,ref Isc,ref R s,ref (4)

Isc,ref = IL,ref − I0,ref [exp ( ) − 1] −
aref R sh,ref
 Pour la condition de la tension en circuit ouvert : I = 0 et V = Voc,ref
Voc,ref Voc,ref (5)

IL,ref = I0,ref [exp ( ) − 1] +
aref R sh,ref
 Pour la condition au point de puissance maximum : I = Imp, ref, V = Vmp, ref

Vmp,ref + Imp,ref R s,ref Vmp,ref + Imp,ref R s,ref (6)

Imp,ref = IL,ref − I0,ref [exp ( ) − 1] −
aref R sh,ref
 La dérivée de la puissance par rapport à la tension est égale à zéro au point de

puissance maximum, c'est-à-dire,
d(IV) dI (7a)
| = Imp,ref + Vmp,ref | =0
dV mp,ref dV mp,ref
Ce qui conduit à l’équation suivante :
Imp,ref dI (7b)
=− |
Vmp,ref dV mp,ref
dI
D’où dV| est donné par :
mp,ref
I0,ref Vmp,ref + Imp,ref R s,ref 1 (7c)

dI exp ( ) +
aref aref R sh,ref
| =
dV mp,ref I R s,ref V mp,ref + I R
mp,ref s,ref R
1 + 0,ref ) − R s,ref
aref exp ( aref sh,ref
 La condition finale garantit que le coefficient de température connu de la tension en

circuit ouvert est correctement prédit par le modèle, ce qui entraîne :
∂Voc Voc,Tc _Voc,ref (8)

µVoc = ≈
∂T Tc − Tc,ref
Pour évaluer µVoc , il est nécessaire de connaitre Voc,Tc , la tension en circuit ouvert à une
température de module proche de la température de référence. La valeur choisie pour la
température du module Tc importe peu que le choix de Tc de 1 à 10 degrés au-dessus ou au-
dessous de Tref ne modifie pas significativement le résultat. La tension de circuit ouvert à la
température Tc (Voc,Tc ) peut être déduite à partir de l'équation (5), si les dépendances de
température pour les paramètres Io, IL et a, sont connues. Mais, puisque Voc ne peut pas être
explicitement résolue dans cette équation, des méthodes numériques spécifiques doivent être
utilisées. En outre, il est nécessaire d'obtenir des relations générales pour les paramètres a, I L
et Io variant avec les conditions de fonctionnement dont notamment la température du module.
La dépendance de tous les paramètres du modèle sur les conditions de fonctionnement est
considérée dans la section suivante.

5.4.2- Analyse des paramètres sous les conditions d’exploitation
Une fois que les paramètres de références sous STC sont déterminés par les équations
précédentes, les caractéristiques I-V de la cellule/module/chaîne/rangée PV au STC peuvent
être facilement obtenues. Ensuite, il est nécessaire de généraliser le modèle à d'autres
conditions de fonctionnement avec différents niveaux de rayonnement solaire et température
de fonctionnement. Cette section décrit la dépendance des paramètres à la température et à
l'irradiation.
En supposant que nI soit indépendant de la température [129-131], le facteur d'idéalité modifié

a, est une fonction linéaire de la température du module,
a Tc (9)
=
aref Tc,ref
De la théorie des diodes [129, 132], Io est affecté par la température et son équation de
modification est donnée par:
3 (10)
I0 Tc 1 Eg Eg
=( ) exp [ ( | − | )]
I0,ref Tc,ref k T Tc,ref T Tc
Eg (11)
= 1 − C(T − Tc,ref )
Eg,ref
où Eg est l'énergie de bandgap du matériel. Eg, ref = 1,12 eV (1.794 × 10-19 J) et C =0,0002677
pour les cellules en silicium.
Le photo-courant (IL) est une fonction linéaire du rayonnement solaire incident. On constate
que le photo-courant dépend du rayonnement solaire absorbé (S), de la température de la
cellule (Tc) et du coefficient de température du courant de court-circuit (μIsc). IL modifiée pour
les conditions de fonctionnement est lié au photo-courant aux conditions de référence (IL,ref)
par :
S M (12)
IL = [I + µIsc (Tc − Tc,ref )]
Sref Mref L,ref

où M/Mref est la masse d’air effectif donnée par la relation empirique développé par king et al.
[133].
4 (13)
M
= ∑ ai (AM)i
Mref
0
Avec ai des constantes pour différents matériaux photovoltaïques [129] et AM la masse d’air:
1 (14)
AM =
cos(θz ) + 0,5057(96,080 − θz )−1,634
S/Sref dans l’équation (12) est le rayonnement solaire effectif absorbé est donnée par la
relation suivante :
S Gb Gd (1 + cosβ) G (1 − cosβ) (15)

= R b K τα,b + K τα,d + ρK τα,g
Sref Gref Gref 2 Gref 2
Kτα est le modificateur d'angle d'incidence (IAM) qui prend en compte la perte de réflexion
due à l'angle d'incidence du rayonnement sur la surface des modules. IAM est défini comme
le rapport du rayonnement absorbé par les modules PV au rayonnement qui serait absorbé à
l'incidence normale :
τ(θ) (16)
K τα (θ) =
τ(0)
La résistance shunt Rsh se révèle essentiellement indépendante de la température mais varie

avec le rayonnement absorbé [129]. De plus, cette pente est définie par dI/dV à V = 0 est
approximativement égal à -1/Rsh. La relation suivante est utilisée pour relier la résistance
shunt aux conditions de référence à celle des conditions de fonctionnement :
R sh Sref (17)
=
R sh,ref S
Finalement, la résistance en série (Rs) est supposée constante du faite qu’elle est indépendante
de la température et du rayonnement solaire. Elle est donnée par :
R s = R s,ref (18)

5.5- Modélisation du système PV sous TRNSYS
La modélisation et la simulation sont nécessaires pour étudier le comportement dynamique

d'un système solaire photovoltaïque. La simulation de la centrale solaire de 302,4 kWc a été
effectuée à l'aide du logiciel TRNSYS. Un avantage de l'utilisation de TRNSYS est que les
codes sources des composants peuvent être modifiés et de nouveaux composants peuvent être
ajoutés si besoin [134]. Les composants de TRNSYS, sous la forme de sous-programme
FORTRAN, sont appelés "types", chacun représentant une partie ou un processus spécifique
du système. Chaque type est composé de paramètres, d'entrées et de sorties distinctes. Le
composant standard de TRNSYS pour les panneaux photovoltaïques avec onduleur, le type
194b est utilisé pour déterminer les performances électriques du système photovoltaïque. Il
diffère du type 194 en ce qu'il nécessite des paramètres supplémentaires pour spécifier un
onduleur couplé à des rangées PV. Ce composant TRNSYS implémente un modèle de
tension-courant à une diode basé sur le modèle de cinq paramètres présenté dans la section
précédente. Le modèle prédit la performance électrique en fonction des conditions
environnementales et calcule la température des modules PV en extrapolant à partir des
mesures NOCT. La structure du code FORTRAN du type 194b est présentée dans la figure
5.3. Les blocs non itératifs contiennent la déclaration des différents variables, les paramètres
et les entrées du type. Les blocs itératifs contiennent l’analyse des paramètres sous les
conditions opérantes, le bloc onduleur ainsi que les différentes sorties. A partir de cette
structure présentée, nous allons apporter certaines modifications pour atteindre un modèle
prédictif utilisable dans les conditions de la centrale solaire de Djibouti.
Dans ce type 194b, plusieurs paramètres repérés tels que : le modèle de température de
module, les corrections des effets spectraux et les paramètres de la fiche technique peuvent
être sources d’erreur pour son application à la modélisation de notre centrale.
Dans ce qui suit, nous nous efforcerons de palier à ces sources d’erreur afin de mettre en place
un modèle prédictif fiable et reflétant les conditions d’évolution de la centrale solaire à
Djibouti.

Figure 5.3 - Structure du code source du type 194b
5.6- Validation du modèle
Pour notre simulation nous avons choisi le modèle dynamique de De Soto [127], basé sur le
type 194b de TRNSYS. Les composants utilisés pour la validation du modèle sont :
- Lecteur de données, "type 9c" pour lire les données d'un fichier contenant des données
horaires de la température ambiante (Tamb), la température des modules (Tmod),
l'irradiation solaire globale sur le plan incliné (IPOA) et la vitesse du vent (VWind) et les
puissances mesurées PmDC et PmAC..
- Le type 65C, pour l’affichage et l’exploitation des résultats et le type 194b présenté
précédemment.
Nous appliquons à l’entrée du type 194, la quantité d’irradiation reçue sur le plan incliné et la
température du module du site pour prédire la puissance de sortie (PpDC). L’entrée du type
194b a été modifiée pour recevoir la température du module. La figure 5.4 représente le
schéma de liaison des différents composants.

IPOA
Type 9C Type 194b
Tmod
PpDC
Type 65C
PmDC
Figure 5.4 - Schéma de liaison des composants TRNSYS
Figure 5.5 - Puissance prédite, puissance mesurée et écart en fonction du temps
Pour la validation de notre modèle et l’évaluation des sources d’erreurs, nous avons choisi une
séquence de données après une pluie (effet de la poussière éliminé) avec les données de
températures de modules, de vitesse de vent et les quantités d’irradiations disponibles. Pour
cette séquence, nous avons évalué PpDC que nous avons confronté avec les mesures PmDC.
La figure 5.5 représente PpDC et PmDC en fonction du temps. Dans un premier temps, nous
observons sur la figure que les puissances mesurées sur le site sont supérieures aux puissances
prédites. Dans un second temps, nous avons évalué l'erreur modèle-mesure due au
paramétrage du type 194b (figure 5.5), cela nous donne un écart assez constant de

|-6,14.103| kW le long de cette séquence. Dans un troisième temps, nous supprimons les
corrections des effets spectraux, pour cela nous avons sélectionné des intervalles où l’angle
d’incidence (θ) et d’azimut (θz) sont inférieurs à 60°. De par sa proximité à l’équateur, la
correction des effets spectraux dus à l’angle d’incidence et à la masse d’air ne s’avère pas
nécessaire pour le cas de Djibouti. Ces corrections ont été plutôt établies pour les pays de
l’Amérique du Nord.
A partir de ces approches, nous avons maintenant une séquence "contrôlée" qui nous
permettra d’estimer la précision du modèle de référence.
A partir de la séquence choisie (en bleu sur la figure 5.6) et après avoir négligé IAM et MAM
et introduit les entrées adéquates du type 194 pour la validation de notre modèle, nous avons
obtenu une incertitude sur la prédiction de 1,91.104 kW, ce qui correspond une erreur
systématique sur le paramétrage de -10,4  3.2 % relative à la prédiction.
Cela veut dire que, quand on utilise le modèle pour prédire la puissance d’une séquence
donnée, on doit systématiquement augmenter notre prédiction de 10,4 % pour tenir compte de
l’erreur systématique sur le paramétrage et les calculs des puissances électriques. Par exemple
pour une puissance prédite de 150 kW, nous aurons une erreur systématique de -15,7 kW avec
une incertitude de 4,8 kW. En final, nous aurons une puissance corrigée de 165,7  4.8 kW.
Figure 5.6 - Observation de la séquence choisie

Avec la séquence choisie nous obtenons une très bonne corrélation entre la puissance prédite
et la puissance mesurée avec un coefficient de détermination de 99,78%.
Figure 5.7 - Puissance prédite en fonction de la puissance mesurée
Ce travail de validation, nous a permis d’évaluer quantitativement la précision du modèle de

référence. Dans ce qui suit, nous allons améliorer le modèle du type 194 afin d’avoir une
prédiction efficace.
5.7- Développement d’un modèle empirique de températures de modules
Les performances électriques (courant-tension) d’un système PV dépendent de la température

de fonctionnement des modules car cette dernière joue un rôle central dans le processus de
conversion des panneaux solaires PV du fait qu’elle affecte les grandeurs électriques de base
[135]. La température du module est affectée par les rayonnements solaires, la température
ambiante, la vitesse du vent et le type d'installation PV [136-137].
Dans le composant TRNSYS du type 194, la température de fonctionnement du module

photovoltaïque à chaque pas de temps est calculée en utilisant la relation de température
nominale de fonctionnement de la cellule (NOCT) [127] donnée par :
IPOA 9,5 ηC (19)

TC = Tamb + (TNOCT − Ta,NOCT ) (1 − )
GNOCT 5,7 + 3,8 ∙ V τα

Les valeurs de TNOCT, Ta,NOCT, ηC et τα sont données dans le tableau des paramètres (A.13).
A partir des mesures expérimentales in-situ des températures des modules, de la température
ambiante et des irradiations solaires, nous avons développé un modèle de température de
module (20). Ce modèle de températures des modules est basé sur les données expérimentales
des températures moyennes prises sur les faces arrière de quatre modules des rangées PV de la
centrale solaire. Par souci d’atteindre une meilleure représentativité de ce modèle de
température de module pour les deux saisons, nous l’avons subdivisé en 2 sous-modèles : un
modèle pour la saison chaude de juin à septembre, Tmc (21) et un autre pour les autres mois de
l’année correspondant à la saison fraiche, Tmf (22).
Tm = Tamb + 0,025 ∙ IPOA (20)
Tmc = Tamb + 0,024 ∙ IPOA (21)
Tmf = Tamb + 0,026 ∙ IPOA (22)
Les coefficients (0,024 ; 0,025; 0,026) des équations (20) à (22) correspondent aux
coefficients de Ross compris entre 0.02 et 0.04 °C.m2/W [138-139].
La figure 5.8 illustre la différence de température horaire entre la température des modules
mesurée et la température ambiante en fonction de la quantité d’irradiation horaire reçue sur
le plan incliné. Le nuage de point en bleu représente la différence de température en fonction
des quantités d’irradiation pour les mois de saison fraiche d’octobre à mai. Le nuage de point
en rouge représente la différence de température en fonction des quantités d’irradiation pour
les mois de saison chaude de juin à septembre. Le nuage de point en noir caché par les nuages
de point en rouge et en bleu représente la différence de température globale en fonction des
quantités d’irradiation sur une base annuelle. Les mois d’été les plus rudes de juin à août,
correspondent à la masse de points en rouge qui se décrochent de la masse de points
principale, cela s’explique par une augmentation de la température ambiante et une
diminution de quantité d’irradiation recue à la surface des modules PV pendant cette période.
Pendant la saison chaude, moins d’énergie est absorbée et donc, en conséquence, moins
d’énergie est à dissiper ce qui conduit à un écart de Tm et Tamb plus faible. La constante de
Ross plus élevée pour la saison fraîche montre une résistance thermique plus importante
pendant cette saison, donc les modules PV auront plus de difficulté à dissiper la chaleur.

Figure 5.8 – Illustrations des différents modèles de températures de modules PV
5.7.1- Validation des modèles de températures des modules
Pour la validation des modèles de températures de modules, nous avons choisi quelques jours
suivant un épisode pluvieux et pour lequel les panneaux sont propres et nous disposons la
température des modules, la température ambiante, la vitesse du vent et les irradiations reçues.
Par la suite, nous n’avons sélectionné que les mesures où les angles incidence et d’azimut sont
inférieurs à 60°.
La figure 5.9 illustre les différences entre les températures des modules prédites et mesurées
et la température ambiante en fonction de la quantité d’irradiation reçue sur le plan incliné.
Cette figure montre que la température de module prédite avec le modèle de température du
type 194 (TC) est plus faible que les températures des modules mesurées (Tmes). Nous
observons également que l’écart de température de module prédite pour les mois d’été (Tmc)
et la température ambiante est le plus proche de l’écart de température de module et ambiante
mesuré. L’écart de température utilisant le modèle Tmc est plus proche des mesures comparées
aux résultats obtenues pour le modèle TC de TRNSYS.

Figure 5.9 - Ecart des températures des modules (prédites et mesurées) et des températures
ambiantes mesurées
Dans la figure 5.10, nous avons tracé les températures des modules utilisant les différents
modèles de prédiction des équations (19), (20) et (21) en fonction des températures des
modules mesurées, avec "Accord parfait" désignant les températures des modules mesurées
en fonction d’elles-mêmes.
Nous constatons d’après la comparaison illustrée sur la figure 5.10, que la prédiction utilisant,
le modèle de température de module de l’équation (20) et (21) améliore la prédiction de la
température des modules par comparaison au modèle de température du type 194 (équation
19). Ce qui montre que les modèles de température de modules que nous avons élaborés dans
cette étude est plus proche de la réalité. Le modèle de température pour l’été est encore plus
proche de l’"Accord parfait".
Le modèle de DeSoto du type 194 est basé sur des mesures dans un climat différent de celui
de Djibouti. Ce modèle linéaire n’est pas pertinent si on extrapole pour différents climats. Son
extrapolation pour le cas des conditions de la centrale de Djibouti révèle que la corrélation
n’est pas valide. D’où la nécessité de remplacer ce modèle par les modèles développés au
cours de cette étude.

Figure 5.10 - Comparaison des températures des modules mesurées et prédites utilisant les
équations (19), (20) et (21)
5.8- Construction d’un modèle de simulation pour l’empoussièrement
5.8.1- Définition de la problématique
La poussière est constituée de particules diverses qui s'accumulent sur les modules PV et
constituent un élément de salissure. Elle diminue l’intensité des rayonnements absorbés par
les modules PV et par conséquent sa performance (chapitre 3). Le phénomène que nous
allons modéliser est un phénomène qui modifie et/ou diminue la quantité d’irradiation reçue
sur les modules PV. Hors impact thermique dû à une diminution de l’intensité absorbée, on
suppose négligeables d’autres modifications des propriétés physiques telles que l’émissivité
ou la résistance thermique du module PV. Par ailleurs, on suppose qu’il y a une
correspondance entre l’accumulation de poussières et l’atténuation de rayonnement solaire.
Pour nos besoins, on s’intéresse à créer un modèle phénoménologique pour simuler
l’évolution de l’empoussièrement au cours du temps. Ce modèle va prendre en considération
plusieurs paramètres intervenant sur l’empoussièrement des panneaux. Ces paramètres sont le
nombre des rangées PV de la centrale solaire, le taux d’accumulation journalier, le nombre de
techniciens qui interviennent dans le nettoyage, les rangées nettoyées et la durée du nettoyage.
On va également supposer que les techniciens peuvent parfaitement nettoyer les modules PV.

Le modèle de simulation de poussière que nous avons adopté est un modèle

phénoménologique basé sur les constations sur le site. Pour ce faire, notre objectif est de
développer un modèle de simulation pour la poussière.
5.8.2- Conception du modèle
La quantité d’empoussièrement des panneaux est très variable et est corrélée à de multiples
facteurs (caractéristique du site d’installation, l’inclinaison des panneaux, météorologie du
site (température ambiante, humidité et vitesse du vent), la propriété de la poussière) [48].
Dans ce modèle, nous allons considérer la poussière comme facteur qui diminue la quantité
d’irradiation. Cela va entrainer une diminution progressive des quantités d’irradiations
arrivants au niveau des modules PV au fur et à mesure que la poussière s’accumule. D’où
l’entrée du type 194 recevra une quantité d’irradiation modifiée prenant en compte un facteur
K d’empoussièrement. Egalement, il y a le facteur nettoyage qui intervient, ce facteur
correspond au nettoyage des panneaux que ce soit par les équipes de nettoyages ou bien par la
pluie. Dans le chapitre 2, nous avons montré les différentes méthodes de nettoyage que nous
avons testées pour avoir le nettoyage des modules du champ PV. Il a été décidé de faire un
nettoyage des panneaux à sec chaque début de mois à part les mois où il y a la pluie. Dans le
chapitre 3, nous avons évalué les pertes du à l’empoussièrement et on a montré que ces pertes
varient en termes de rapport de performance entre 0.03 % et après une pluie qui a nettoyé les
surfaces des modules PV et 14,23 % pour les périodes sèches sans pluie.
Sachant que nous avons 3 techniciens pour le nettoyage des panneaux et 30 rangées de 48
panneaux. Si on considère que chaque technicien nettoie une rangée PV par jour cela va faire
10 jours. Les observations de terrain ont montré que le nettoyage par une forte pluie est plus
efficace que le nettoyage des techniciens qui dure plus longtemps. Le niveau de poussière est
nul après une pluie et de l’ordre de 10 % après un nettoyage par les techniciens, sachant que
les rangées nettoyées en premier reprennent la poussière au moment que les dernières rangées
sont nettoyées.
Le modèle de simulation de poussière sera présenté dans la simulation TRNSYS comme un

block (figure 5.11) qui va atténuer ou laisser passer l’irradiation arrivant au niveau des
panneaux (IPOA) suivant le niveau d’empoussièrement.

Figure 5.11 - Block poussière
La formulation mathématique du modèle est :
I′ = (1 − K) ∗ IPOA (23)
Avec, I′ = max{0, KI}; pour éviter les I’ négatif.
L’élaboration de ce modèle de simulation se fait étape par étape avec les 3 paramètres les plus
importants.
 Accumulation de poussière (K)
o On impose un taux moyen d’empoussièrement homogène pour toutes les

rangées PV de la centrale solaire, et on ne fait aucune distinction d’une rangée
PV à une autre.
o On fixe une croissance constante de 0,4% d’empoussièrement journalière
appliquée en début de journée. Ce taux est estimé à partir de nos résultats
expérimentaux du chapitre 3.
o Le niveau maximal d’empoussièrement est fixé à K=1, c’est-à-dire opaque,
l’empoussièrement ne laisse pas passer la quantité de rayonnements solaires.
 Nettoyage (C)
o Le taux de nettoyage (N) est une fonction du nombre de techniciens et de la

taille de la centrale (c’est-à-dire le nombre de rangées), par exemple :
 1 technicien peut nettoyer une rangée par jour,

 Pour une centrale de 30 rangées, et équipe de 3 techniciens, le taux de

nettoyage est de (30/3)=10 rangées par technicien,
o L’intervention par les techniciens est supposée ponctuelle, ce qui fait que la
modification de K est appliquée en début de journée pour être en phase avec
l’accumulation de poussière.
o Le nettoyage est maximal : K=0, on suppose que le technicien est capable de
rendre les modules parfaitement propres.
o Différents fonctionnements possibles :
 Soit le taux de nettoyage est indépendant du K actuel, c’est-à-dire que
la capacité de nettoyage ne dépend pas du niveau de salissure (sauf la
limite K>0)
 Soit le taux de nettoyage est une fonction de K, par exemple si les
modules sont très sales, il est plus ou moins difficile de les nettoyer.
o Egalement, on impose une fréquence d’entretien périodique (F), par
exemple un nettoyage de :
 1 fois par mois pendant une semaine à 10 jours ou,
 1 jour par semaine.
o (C) est une variable booléenne indiquant si un nettoyage a été effectué. Si oui,
les rangés à nettoyer sont sélectionnées de manière aléatoire. La même rangée
n’est pas nettoyée plus d’une fois. J est l’index du jour et T la période en
semaine.
J+1 (24)
C = { 1, T
∊𝑍
0, autrement
 Pluie (R)
o Nous considérons la pluie comme un événement aléatoire dont on peut faire

varier la probabilité suivant la pluviométrie de l’emplacement où se trouve la
centrale solaire.
o Nous considérons qu’il y a nettoyage s’il y a un événement de pluie.
o Le niveau de nettoyage dépend de l’intensité de précipitation. Un épisode de
pluie est supposé suffisamment intense pour nettoyer parfaitement les

panneaux (K=0). Ceci correspond à une pluie R > 5 mm, également nous
négligeons les pluies faibles intensité c’est-à-dire inférieures à ce seuil.
o Les épisodes de précipitation sont considérés comme aléatoires, avec une
fréquence dérivée de la probabilité de pluie. Suivant les conditions climatiques
où se trouve la centrale solaire, on pourra faire varier cette probabilité suivant
la pluie.
o P est une variable booléenne indiquant un épisode de pluie, et q la probabilité
associée.
P(X>q) ~ U(0,1) (25)
Le modèle phénoménologique de simulation de poussière est résumé dans le diagramme

suivant (figure 5.12). Dans la boucle temporelle, le taux K du dernier pas de temps est
renvoyé au pas de temps suivant par un lien rétroactif.
Taux constant Tache régulière Ponctuelle (météo)

d’accumulation ex. -0,03*T/j ex. -1/j
ex. +0,004 par jour 1 semaine par mois
(T = Nb techniciens)
Facteur
Nettoyage
poussière Accumulation Pluie ?
?
0<k<1
K jour précédent
Figure 5.12 - Modèle phénoménologique de simulation de poussière
5.8.3- Simulation du modèle
Nous avons fait la simulation du modèle de poussière pour l’année 2012 avec la configuration
actuelle en termes de :
- Nombre de techniciens : 3
- Taux de nettoyage par technicien : 1
- Nombre de jour de nettoyage : 10
- Pluviométrie de faible probabilité (1%)

Le modèle de poussière ainsi obtenu pour cette configuration est représenté sur la figure 5.13
avec les barres en bleues représentant les périodes de pluie. Les barres en verts correspond au
nombre de jours de nettoyage par mois et la courbe en orange l’empoussièrement. Nous
observons sur cette figure que le taux d’empoussièrement est nul après chaque événement de
pluie et qu’il diminue après chaque nettoyage des panneaux. Ce modèle confirme bien nos
résultats expérimentaux.
Figure 5.13 - Simulation poussière
Ce modèle peut être modifié pour différents scénarios possible de centrale solaire en faisant
varier les paramètres suivant les nécessités.
5.8.4- Modèle prédictif
Le modèle prédictif (figure 5.14) que nous proposons ici est constitué à partir des différents
modèles préétablis dans ce travail. Ce modèle est implémenté dans le logiciel de simulation
TRNSYS. Il intègre :
 Le type 9C contient un fichier météo d’une année type.

 Le type 16e nous permet d’obtenir à partir des rayonnements diffus et direct du fichier
météo les rayonnements sur le plan incliné.

 Modèle de dégradation à partir du taux de dégradation annuel défini dans le chapitre

précédent.
 Modèle de température de module (descriptif section 5.7) utilisant un modèle pour
chacune des saisons.
 Modèle d’empoussièrement (descriptif section 5.8) basé sur un calcul effectué dans un
tableur Excel permettant d’avoir différentes configurations entre les paramètres de
poussière, du taux de nettoyage, du programme de nettoyage et de la probabilité de la
pluie. A partir de ce modèle poussière, nous obtenons le taux d’empoussièrement
moyen que nous intégrons ensuite dans le modèle TRNSYS à partir d’un type 9C.
 Le type 194D (annexe A.13) est un type à 5 paramètres, dérivé du type 194 et qui nous
permet de calculer les sorties prédites de la centrale solaire. Nous avons modifié le
code FORTRAN pour recevoir comme entrée la température du module et la quantité
d’irradiation sur le plan inclinée. En outre, le type 194D prédit le point de puissance
maximum sans modificateur d’angle d’incidence (IAM) ou modificateur de masse
d’air (MAM).
 Enfin le type 65C sert à l’affichage des résultats des différentes sorties prédites.
Modèle
poussière
I’
Type 65C
IPOA
Ib M2
Fichier Type 194D
Type 16e
Météo
Id M1
Tmod
IPOA
Modèle Modèle M3
TModule Dégradation
Figure 5.14 - Schéma du modèle prédictif
5.8.5- Performances prédites
Les performances prédites sont représentées par les symboles génériques suivants :

- M0 correspond au rayonnement solaire cumulée en kWh/m2.

- M1 correspond à la quantité d’énergie produite sans poussière et sans dégradation en
kWh.
- M2 correspond à la quantité d’énergie produite avec poussière, avec nettoyage et sans
dégradation en kWh.
- M3 correspond à la quantité d’énergie produite avec poussière, avec nettoyage et avec
dégradation en kWh.
- M4 = M1 – M2, correspond à la perte due à l’empoussièrement des panneaux en kWh.
- M5 = M3 – M2, correspond à la perte due à la dégradation en kWh.
Les rapports de performance cumulés sont également évalués pour les différentes
configurations :
- M6 = (M1/M0)/(Pmax/Gref) correspond au performance ratio sans poussière et sans

dégradation
- M7 = (M2/M0)/(Pmax/Gref) correspond au performance ratio avec poussière et
nettoyage et sans dégradation
- M8 = (M3/M0)/(Pmax/Gref) correspond au performance ratio avec poussière et
nettoyage et avec dégradation
- M9=M6-M7, correspond à la perte de PR due à l’empoussièrement.
- M10=M8-M7, correspond à la perte due à la dégradation de PR.
5.9- Etude de l’impact de la poussière et du nettoyage sur les performances prédites
A partir du modèle prédictif, nous allons dans cette partie effectuée une étude paramétrique
afin d’analyser les performances pour différentes situations.
5.9.1- Analyse paramétrique
Une analyse paramétrique ou encore une étude de sensibilité est une étude qui tient compte de
l’influence de différents paramètres sur la solution d’un problème. Dans ce travail, il s’agit
d’une étude paramétrique pour mettre en évidence l’impact des paramètres sur la performance
électrique prédite par le modèle de centrale solaire élaboré.
Pour cela nous avons établi des scénarios multiparamétriques incluant les paramètres de :
 Poussière (K) : avec un taux d’empoussièrement variant de 0,4% ; 0,6% ou 0,8% ;

 Le programme de nettoyage des modules PV comprenant :

- Le taux de nettoyage (N), variant de N = 1 ou 3 ou 6 ou 9 ;
- La fréquence de nettoyage (F) variant de : 10 jours tous les 2 mois
(10j/2mois) ; 10 jours par mois (10j/mois) ; 7 jours par 14 jours (7j/14j) ; 7
jours sur 7 jours (7j/7j);
 La pluie (R) avec une probabilité de pluie forte variant de : 1% ou 5%. Les jours de
pluies sont déterminés de manière aléatoire et change à chaque fois qu’on relance le
calcul. Par conséquent, le niveau moyen de salissure pendant une année simulée peut
varier sans modification de paramètres, et cette incertitude est présente dans les
résultats des scans paramétriques.
Cette incertitude peut être évaluée en générant plusieurs simulations pour la même
configuration et on peut calculer l’écart-type des résultats. En faisant cela, on a estimé une
incertitude de 1,2% sur une prédiction de 11% d’empoussièrement moyen. On suppose que
cette incertitude est pertinente pour l’ensemble des configurations considérées.
Notre analyse paramétrique comprend alors une succession de résolutions correspondant aux
différentes combinaisons de paramètres à étudier. Le nombre de configurations résolues
dépend du nombre de paramètres ainsi que du nombre de valeurs attribuées à chacun des
paramètres. Pour notre cas de figure, le paramètre K prend 3 valeurs (31), N et F prennent
chacun 4 valeurs (42) et le paramètre R prend 2 valeurs (21). Par ailleurs, le nombre de
configurations à simuler pour notre cas est de 96 qui sont présentées dans le tableau en annexe
A.14. Pour chacune des 96 configurations, nous avons calculé les performances cumulées
pour la période simulée.
5.9.2- Analyse des performances prédites
Les deux graphiques de la figure 5.15 montrent les rapports de performance annuelle M7
(courbe en bleue) et M8 (courbe en vert). Dans cette partie nous ne considérons que R=1%.
L’analyse est la même pour R=5% sauf que les performances augmentent. M7 et M8 varient
en fonction du taux d’empoussièrement, la fréquence de nettoyage et le taux de nettoyage par
technicien. M6 ne varie pas avec les différentes configurations, car elle ne prend pas en
considération la dégradation et l’empoussièrement. Les moyennes annuelles pour les
différentes configurations sont de 101,6%, 95,1%et 94,8% respectivement pour M6, M7 et
M8.

M7 varie entre un minimum de 79,9% et un maximum 101,6%, M8 varie entre un minimum

79,6% et un maximum 101,2%. En outre, pour M7 et M8 le minimum est atteint pour la
configuration (K=0,8% ; N=1 et T=10j/2mois) et le maximum est atteint pour la configuration
(K=0,4% ; N=9 et T=7j/7j). On peut dans ce sens dire que pour un site donné avec un taux
d’empoussièrement et de pluviométrie, le programme d’entretien le plus pénalisant est
(N=1 et T=10j/2mois) et le plus efficace est (N=9 et T=7j/7j).
Figure 5.15 - M7 et M8 en fonction des nombres de configurations
Bien que non représenté, la variabilité des quantités d’énergies annuelles cumulées M2 et M3
est similaire à celle de M7 et M8. Les moyennes de M2 et M3 sont respectivement de
633,7 MWh et de 631,5 MWh. On se rapproche des performances idéales pour des taux de
nettoyage et des fréquences de nettoyage élevées.
5.9.3- Analyse des pertes dues à l’empoussièrement et à la dégradation
A première vue, nous pouvons constater sur la figure 5.16 que les pertes dues à
l’empoussièrement des modules PV (M9) sont assez variables et que les pertes dues à la
dégradation (M10) sont constantes. Les moyennes des pertes pour M9 varient entre 0,04%
pour la configuration (N=9 et F=7j/7j) et de 21,7% pour la configuration (N=1 et
F=10j/2mois) avec une moyenne de 6,5% pour toutes les configurations. En termes d’énergie
cumulée, les pertes moyennes dues à l’empoussièrement sont de 43,3 MWh pour toutes les
configurations. L’écart, très élevé entre le minimum et le maximum, montre que le taux

d’empoussièrement et les pertes qui l’incombent sont strictement liés à la fréquence de

nettoyage et le taux de nettoyage par technicien et à la pluviométrie du site. Un moyen
efficace pour diminuer ces pertes consiste à augmenter la fréquence de nettoyage.
Figure 5.16 - Pertes performances M9 et M10 en fonctions des nombres de configurations
Quant aux pertes liées à la dégradation (M10) sont de l’ordre de 0,33% pour l’ensemble des
configurations, ou 2.2 MWh pour une installation avec les mêmes caractéristiques que celle
du CERD. La prédiction étant sur une année, les pertes dues à la dégradation ne sont pas
perceptibles sur une année mais cela peut augmenter avec le temps et être plus conséquent que
l’empoussièrement. Plus généralement, nous observons que M9 est largement supérieur à
M10 pour l’ensemble des configurations sauf pour le cas (N=9 et F=7j/7j) où on atteint le zéro
empoussièrement (c’est-à-dire rangées PV propres comme au premier jour).
Dans la suite, nous choisissons M7 pour ne pas considérer la dégradation dans l’évaluation
l’influence des paramètres liés à l’empoussièrement.
5.9.4- Influence de la pluie
La pluie joue également un rôle important dans le nettoyage des panneaux. Pour évaluer
l’influence de la pluie, nous avons simulé les performances ratios des sorties prédites pour une
probabilité (R) de 1% et 5% (figure 5.17). Les moyennes M7 obtenues pour chacun des cas
sont de 95,1% pour R=1% et de 97,8% pour R=5%.

L’écart entre les deux courbes est lié à la fréquence de nettoyage F et au taux de nettoyage N
par technicien, plus la fréquence de nettoyage est élevée plus l’écart se réduit. L’écart moyen
est de 6,1% pour une fréquence de nettoyage de 10j/2mois, 3% pour F=10j/mois et 0.25%
pour F= 7j/14j. Cet écart est quasiment nul pour une fréquence de nettoyage 7j/7j et un taux
de nettoyage N=6 ou 9. Quel que soit le taux d’empoussièrement, la pluie n’a aucune
influence sur la sortie prédite car les rangées PV restent propres pour cette configuration.
Mais en se focalisant sur des programmes de nettoyage plus raisonnable avec une équipe et le
matériel comme ce que nous avons au CERD, on trouve que l’impact de la pluie peut être plus
important.
Figure 5.17 - Performance prédite M7 pour R=1% et R=5%
Egalement, les pertes dues à l’empoussièrement sont estimées à 6,5% pour R=1% et de 3,9%
pour R=5%. Pour un site avec une plus forte probabilité de pluviométrie, on obtiendrait un
gain de 2,6% (17,6 MWh en énergie prédite) qu’un site avec une probabilité de pluie moindre.
En outre, l’impact de la pluie est très important si on cherche à optimiser l’entretien de la

centrale car son effet est plus prononcé pour les faibles N et F. En considérant comme niveau
acceptable M7= 95%, pour R=1%, un taux de nettoyage N=1 est insuffisant pour toutes les
valeurs de F. Mais avec R=5%, N=1 est acceptable pour F=10j/mois ou mieux, et N=1 est
acceptable aussi pour F=10j/2mois seulement pour les faibles K. Dans un second temps dans
le cas où, nous considérons un niveau de M7=90% comme un seuil acceptable de
performance, pour R=1%, un taux de nettoyage N=1 est insuffisant pour F=10j/2mois, mais

ce taux est acceptable pour F=10j/mois et F=7j/14j pour les faibles empoussièrement. Pour
R=5%, N=1 est acceptable pour toute les fréquences de nettoyage sauf pour F=10j/2mois et
K=0,8%. Donc, on peut déduire que pour un site donné il faut considérer la précipitation
avant de proposer le niveau d’entretien.
Pour la suite, nous garderons que les configurations avec une probabilité de pluie de 1% car
cela se rapproche de la réalité du site de la centrale solaire du CERD.
5.9.5- Influence de la fréquence de nettoyage
La figure 5.18 représente les performances ratios moyennes en fonction du nombre de

configurations correspondant à une même fréquence de nettoyage. Egalement, nous montrons
sur ce graphique à chaque étape le taux de nettoyage et le taux d’empoussièrement. Chaque
courbe représente un programme de nettoyage :
- La courbe bleue (F1) représente une fréquence de nettoyage 10 jours tous les
deux mois;
- La courbe verte (F2) représente une fréquence de nettoyage de 10 jours par
mois ;
- La courbe rouge (F3) représente une fréquence de nettoyage de 7 jours tous les
14 jours ;
- Le courbe cyan (F4) représente une fréquence de nettoyage de nettoyage de
7jours sur 7 jours.
Les PR moyens pour chaque fréquence de nettoyage sont de 88,2%, 94,3%, 97,9% et 100%
respectivement pour F1, F2, F3 et F4. L’écart moyen entre F4 avec notre programme actuel
de 10j/mois (F2) est de 5,7% et de 2,1% avec le programme de 7j/14j (F3). On a un gain de
3,6% (ce qui fait 23,9 MWh en termes d’énergie moyenne) en passant d’un programme de
nettoyage F2 à F3. Pour N=3 et K=0,8%, l’impact de la fréquence de nettoyage en passant de
F1 à F2 est 7,6%, de 4,8% de F2 à F3 et de 2,6% de F3 à F4, l’amélioration est négligeable
pour ce dernier comparé aux deux premiers.
Dans la figure 5.19, PR est montré en fonction de la fréquence de nettoyage, présenté en

termes du pourcentage des jours de nettoyage par mois. La barre de couleur représente
l’empoussièrement moyen annuel, c’est-à-dire la part du rayonnement solaire incident qui est
bloquée par la poussière. Une fréquence de nettoyage F=10j/2mois correspond à une moyenne
annuelle de fréquence de nettoyage de 16,2% avec des taux très élevés d’empoussièrement

pouvant atteindre 20%, alors qu’avec une fréquence de nettoyage de 7j/7j correspond à un
nettoyage de 100% avec des faibles taux d’empoussièrement de l’ordre de 2 à 4%.
Figure 5.18 - M7 pour F1, F2, F3 et F4
Figure 5.19 - PR prédite et empoussièrement pour F1, F2, F3 et F4
Le programme de nettoyage a une influence sur l’empoussièrement des modules PV et par

conséquent sur la production énergétique de la centrale solaire. Pour limiter les pertes à 10%
(donc empoussièrement moyen <10%), pour K=0.4%, le programme minimal d’entretien est

de N=6 et de F=10j/2mois ou de N=1 et de F=10j/mois. Mais pour un empoussièrement plus

élevé de k=0.8%, le programme minimal d’entretien est de N=9 et de F=10j/2mois ou de N=3
et de F=10j/mois. Par ailleurs, le programme de nettoyage optimum est celui de F= 7j/7j. On
peut également observer sur la courbe rouge (figure 5.18) qu’avec un taux de nettoyage de
N=9 et un programme de nettoyage de 7j/7j on se rapproche des performances idéales prédites
sans poussière et sans dégradation.
5.9.6- Influence du taux de nettoyage
Le taux de nettoyage par technicien est aussi important dans l’analyse du ratio de performance
prédit. La figure 5.20 montre un aperçu du PR annuel en fonction du nombre de
configurations correspondant aux différents taux de nettoyage. On constate sur les graphiques
de la figure 5.20 que le taux de nettoyage par technicien est élevé plus les performances
prédites augmentent. Pour F=10j/mois et K=0,4%, l’impact du taux de nettoyage en passant
de N=1 à N=3 est 3,7%, et de N=3 à N=6 est 1,2%. De N=6 à N=9 l’amélioration est
négligeable. L’écart des performances ratios est très faible entre un N=6 et N=9, de l’ordre de
0,6% (M2=4 MWh). L’idéal étant le taux de nettoyage le plus élevé, mais on pourrait utiliser
un taux de nettoyage N=6 comme un très bon compromis. Cela correspond à 18 rangées sur
30 nettoyées par jour de nettoyage, ou 60% de la centrale. En tenant compte du nombre de
jours par période de nettoyage, c’est à dire 7 ou 10, ceci indique que quasiment la totalité de
la centrale est nettoyée. D’autre part, la probabilité qu’une rangée ne soit pas nettoyée le
premier jour est de 40%, de 0,16% au septième jour et ainsi de suite jusqu’au dixième jour où
elle n’est que de 0,01%. Donc la probabilité qu’une rangée soit nettoyée au dixième jour est
de 99,99%.
Pour un taux de nettoyage de N=1, la probabilité qu’une rangée ne soit pas nettoyée au bout
du septième jour de nettoyage est de 48%, c’est qui fait pratiquement la moitié de la centrale
qui n’est pas nettoyée. Même au bout du dixième jour on a toujours 35% de la centrale qui
n’est pas nettoyé ce qui montre que le taux de nettoyage de N=1 est insuffisant. Egalement
dans nos calculs, nous obtenons la même probabilité de nettoyage pour N=3 et N=6
respectivement dixième jour et quatrième jour. Pour la configuration actuelle de nettoyage de
la centrale du CERD, un taux de nettoyage de N=3 sur 10 jours serait raisonnable.
On observe que le taux de nettoyage est assez sensible à la pluviométrie (voir les points
indiqués par les cercles noirs). Malgré qu’on ait la même probabilité de pluie, il s’avère
qu’une simulation à une autre le taux de pluie varie.

Figure 5.20 - Performance prédite M7 pour N=1, N=3, N=6 et N=9
5.9.7- Influence de l’empoussièrement
On cherche à évaluer l’influence de l’empoussièrement sur les performances attendues (figure

5.21). Des simulations sont effectuées avec notre modèle prédictive. Pour chacune des
simulations on fait varier le taux de nettoyage et le programme de nettoyage en gardant fixe le
taux d’empoussièrement. Chacune des courbes correspond au rapport de performance prédit
correspondant à un taux d’empoussièrement donné. On constate que plus l’empoussièrement
est élevé plus le rapport de performance diminue. Les performances moyennes sont de 97,3%,
95,3% et 92,8% pour respectivement K=0,4% ; K=0,6% et K=0,8%. Pour F=10j/mois et
N= 3, l’impact de l’empoussièrement en passant de K=0,4% à K=0,6% est de 0,98%, et de
3,8% en passant de K=0,6% à K=0,8%.
Le taux de nettoyage par technicien et la fréquence de nettoyage influencent

l’empoussièrement et par conséquent la quantité d’énergie produite. Plus la fréquence de
nettoyage et le taux de nettoyage sont élevés et plus on se rapproche des conditions optimum.
Par exemple, sur ce graphique on observe que les 3 courbes se rejoignent en un point (cercle
noir) qui correspond à une fréquence de nettoyage de 7j/7j et un taux de nettoyage de 9
rangées PV par technicien ; c’est-à-dire en ce point l’empoussièrement est quasi nul et la
production énergétique est au maximum. Egalement, en passant d’une fréquence de nettoyage
de 10j/2mois à 10j/mois on a un gain en performance de 6,1% (40,6 MWh) quel que soit le
niveau d’empoussièrement. Pour un empoussièrement donné de K=0,8%, ce gain est de

7,2%. Donc pour diminuer le taux d’empoussièrement et augmenter la quantité d’énergie

produite, une augmentation de la fréquence de nettoyage et du taux de nettoyage par
technicien est à préconiser.
Figure 5.21 - Performance prédite M7 pour K=0,4%, K=0,6%, K=0,8%
5.9.8- Discussions
Dans cette partie, l’objectif était de simuler à l’aide d’une analyse paramétrique le phénomène
de l’accumulation de la poussière et du nettoyage des modules PV par une intervention
régulière ou par épisode de pluie. Pour cela, l’évolution de la poussière est intégrée comme
entrée d’un modèle de simulation numérique de l’installation au CERD construit sous
TRNSYS avec le Type 194D comme présenté dans la section 5.8.4, en supposant que l’unique
impact de la poussière est une diminution de l’intensité du rayonnement solaire incident sur
les modules PV. Les résultats des simulations ont été comparés en termes de performances
annuelles prédites. En ce qui concerne le phénomène d’empoussièrement, les conditions
climatiques ont été schématisées par deux paramètres : un taux d’accumulation et la
probabilité de pluie. Différents programmes de nettoyage sont considérés en variant deux
paramètres : le taux de nettoyage par jour N et la fréquence des interventions F (7 ou 10
jours).
Pour une configuration K=0,4%, R=1%, N= 1, F= 10j/mois similaire à la réalité du site de la

centrale solaire, la simulation simpliste de poussière prédit une perte moyenne annuelle de PR

de 8,2%. Par ailleurs, nous avons estimé la perte moyenne annuelle mesurée à 4,53% et
5,53,6% suivant que le PR soit corrigé par rapport à la température ambiante ou bien par la
température des modules (tableau 3.4, p.77). Le modèle a tendance a surestimé légèrement les
pertes mais on retrouve le même ordre de grandeur. En outre, en gardant les mêmes
conditions climatiques (K, R) qu’au CERD, la simulation indique qu’une hausse de
performance de 3,73% est possible avec N=3 et F=10j/mois, ou 2,5% avec N=1 et F=7j/14j.
Un nettoyage presque parfait est atteint à partir de N=6 et F=10/mois ou N=1 et F=7j7j.
Cependant, cela est impraticable avec les méthodes existantes. En plus, il est à noter que les
conditions de travail sur le site de la centrale rendent le nettoyage manuel difficile pendant
certaines périodes, et donc un programme aussi poussé serait difficile à réaliser.
Pour d’autres climats, les résultats sont différents. L’impact de la pluie sur un taux moyen
d’empoussièrement est particulièrement important pour des programmes de nettoyage moins
fréquents et intenses. En effet, en passant d’un climat de R=1% (<4 jours de pluie par an) à
R=5% (<20 jours de pluie en moyenne), la fréquence de nettoyage actuellement appliqué au
CERD de F=10j/mois serait excessif. Pour le même taux d’empoussièrement, il est possible
de diminuer la fréquence à F=10j/2mois.
En général, les programmes de nettoyage plus intensifs et de plus courte durée s’avèrent plus
efficaces. Les recommandations générales que nous proposons pour la centrale du CERD pour
maintenir les pertes de performance dues à l’empoussièrement inférieures à 5%, sont donc
d’évoluer à une configuration de taux de nettoyage de N=1 à N=3, pour la même fréquence de
nettoyage F=10j/mois. Cette hausse correspond à un nettoyage presque entier de la centrale
après chaque intervention : pour une centrale de 30 rangées et une équipe de 3 techniciens, le
taux N=1 correspond à une probabilité de nettoyage de 10% par rangée par jour ou une
probabilité de 65% qu’une rangée donnée soit nettoyée pendant une intervention durant 10
jours. En allant à un taux de N=3, la probabilité qu’une rangée soit nettoyée, évolue à 30% par
jour, ou 97% après 10 jours. En fait, la qualité de nettoyage avec N=3 dépasse après le
deuxième jour celle de N=1. Afin de pouvoir atteindre ce niveau de nettoyage, soit du
meilleur matériel de nettoyage est nécessaire, soit l’équipe de techniciens doit être triplée en
nombre. Le gain en énergie étant estimé à 24,8 MWh en passant d’un taux de nettoyage de
N=1 à N=3, le gain normalisé par rapport à la puissance crête de la centrale solaire est de
82 MWh/MWc.

A ce jour, le tarif de rachat de l’électricité photovoltaïque par l’Electricité de Djibouti ne sont

pas connus, de ce fait pour estimer la valeur économique de l’investissement, on peut évaluer
en termes de consommation réduite par rapport au réseau. Prenant le tarif actuel de
l’électricité du réseau Djiboutien qui s’élève à USD 0,32 /kWh soit 56 FDj/kWh, un gain de
82 MWh/MWc correspond à un gain de 4 592 000 FDj/MWc (USD 26 240) annuel.
5.10- Conclusion
Dans ce chapitre, nous avons mis en place un modèle prédictif des performances d’une
centrale solaire PV pour les conditions du site de Djibouti. A partir du modèle existant le type
194b, nous avons estimé une erreur systématique sur le paramétrage de -10,4 3,2% lorsque
la source d’information est la fiche technique du fabricant. En plus, nous avons négligé les
corrections des effets spectraux pour cela nous avons choisi des angles d’incidence et
d’azimut inférieurs à 60°, ce qui n’est pas pénalisant pour un site de latitude tropical. Une
confrontation du modèle de température de module du type 194b avec celui de la température
de module développée à partir des mesures du site a montré qu’on est plus proche de la
réalité avec ce dernier.
Dans ce chapitre, nous avons également développé un modèle dédié à l’empoussièrement basé
sur les constatations du site (modèle phénoménologique). Enfin, nous avons implémenté nos
différents modèles dans TRNSYS afin d’assoir notre modèle prédictif et de l’analyser pour
différentes configurations de nettoyage et d’empoussièrement à l’aide d’une analyse
paramétrique. Les résultats de cette analyse montrent que la simulation est cohérente avec les
résultats expérimentaux obtenus dans le chapitre 3. Une hausse importante de performance est
possible avec une équipe plus grande ou une meilleure méthode de nettoyage. En passant à un
taux de nettoyage de N=1 à N=3, on peut investir 4 592 000 * 0,3024 FDj/an. Le gain pour le
CERD est de 1 388 620.8 FDj/an (USD 7934.976). Avec le gain obtenu, il n’est pas possible
de recruter 6 autres techniciens sachant que le salaire brut d’un technicien est d’environ
696 000 FDj/an. De ce fait, nous recommandons de rendre le nettoyage plus efficace en
mettant au point d’autres techniques de nettoyage.


Chapitre 6 : Conclusion générale et perspectives
6.1- Conclusion générale
En dépit du fort potentiel solaire dont elle bénéficie, il existe actuellement un nombre très
limité de centrales solaires en République de Djibouti. En outre, peu de données sont
disponibles concernant la performance réelle des installations opérant dans des conditions
climatiques poussiéreuses et désertiques. L'objectif principal de ce travail de thèse a été de se
pencher sur ces conditions opérantes, de cerner leurs impacts sur l’évolution des performances
et de développer un modèle capable de mieux prendre en compte le comportement d'une
installation photovoltaïque (PV) dans une zone désert maritime. Cet outil vise à réaliser des
prédictions sur les productibles et d'en optimiser la production instantanée et de maintenir les
performances au fil du temps. Pour atteindre cet objectif, le travail s’est appuyé sur une
centrale PV dont l’instrumentation a été complétée afin d’en réaliser un suivi en vraie
grandeur. Grâce à ce démonstrateur implanté au CERD, nous avons pu bénéficier d’un grand
nombre de données s’étalant sur une période de cinq années. Les études ont donc pu porter sur
l’analyse des performances de la centrale solaire, l’évaluation des taux de dégradation au
cours du temps ainsi que le développement d’un modèle prédictif intégrant les conditions
environnementales du site de l’installation de cette centrale solaire.
Le chapitre 2 a présenté un aperçu global des différents éléments constituants (des panneaux
solaires jusqu’à la connexion au réseau) l’installation solaire photovoltaïque de 302,4 kWc
connecté au réseau. Une première analyse des données électriques et environnementales
collectés a été présentée. A l’aide d’une technique de fouille de données issues du monitoring
de la centrale solaire, les valeurs considérées comme aberrantes (niveaux de flux solaires,
températures physiquement impossibles, valeurs temporairement non mesurées en raison
d’une défaillance temporaire du système d’acquisition ou du réseau électrique, etc.) ont été
identifiées et supprimées afin d’obtenir des données fiables et reflétant les conditions réelles
d’exploitation de l’installation solaire PV. Le comportement du délestage du réseau sur la
centrale a été caractérisé et l’analyse de son évolution au cours des cinq années a montré qu’il
a diminué en passant de 8,4 jours en 2012 à 3,1 jours en 2016. Ceci est lié à l’interconnexion
du réseau électrique djibouto-éthiopien. Les données environnementales du site ont été
également analysées en termes des quantités d’irradiations reçues, de la température ambiante,
de la température des modules et de la vitesse et la direction du vent.

Conclusion générale et perspectives
Le but principal du chapitre 3 était d’examiner les performances de cette première centrale
photovoltaïque connectée au réseau au cours des quatre premières années d'exploitation. La
norme CEI 61724 a été appliquée, et une technique d'analyse spécifique pour évaluer l'effet
des facteurs climatiques. Le rendement moyen mensuel des rangées PV et le rendement final
étaient de 5,1 h/j et 4,7 h/j respectivement. Le rapport de performance (PR) moyen pour les
rangées et le système PV était respectivement de 90% et de 84%. Le rendement moyen
mensuel des rangées PV et du système étaient respectivement de 12,68% et de 11,75%. La
variation saisonnière du rendement des rangées PV s'est révélée suivre une forme
« d'entonnoir » avec un minimum centré sur le mois de juillet. En comparant les résultats des
paramètres de performances de cette installation aux résultats rapportés par d'autres
installations fonctionnant dans diverses conditions difficiles, un climat désert maritime peut
s'avérer moins préjudiciable. L'impact de la température ambiante et des pertes induites par la
salissure a été évalué, révélant une réduction du rapport de performance de 0,7 % pour chaque
élévation de 1°C dans la température ambiante quotidienne. La correction liée à la poussière a
été estimée en calculant le PR (Performance Ratio) attendu en fonction de la température du
module et du rayonnement incident mesuré. La variation des pertes causées par
l’empoussièrement des modules PV a été estimée à 0,03% après une forte précipitation et à
14,23% pendant les périodes poussiéreuses sèches. Enfin, pour maintenir les pertes de
performances des modules à moins de 5%, un programme de nettoyage est recommandé
toutes les deux semaines. Les résultats obtenus dans ce travail serviront de base de
comparaison pour les centrales photovoltaïques installées dans les mêmes conditions
climatiques (région côtière de la corne de l'Afrique) ou dans le reste du monde.
Dans le chapitre 4, il a été question d’évaluer la dégradation des performances de la centrale

solaire durant les cinq années de fonctionnement sous les conditions climatiques de Djibouti.
Durant cette période, des observations sur les rangées des modules PV ont montré des
dégradations tels que : un léger brunissement de certains modules, un dégagement de l’EVA
entre le cadre et le verre et le craquement d’un module. Il a été décelé après inspection par
caméra infrarouge que la cause du craquement était due à deux cellules qui sont en hot spot
avec des températures supérieures à 60°C. Par la suite, notre analyse a porté sur l’élaboration
d’une méthodologie de sélection de données afin d’analyser les performances de la centrale
solaire avec les méthodologies PVUSA et PR. Les résultats obtenus par l’utilisation de
PVUSA dans les conditions PTC (PVUSA Test Condition) ont été plus importants que ce qui
est attendu. Pour ce faire, des nouvelles conditions de références proches des conditions du

site ont été élaborées et sont nommées "Djibouti Test Conditions" (DTC). Ces nouvelles
conditions de références ont permis d’obtenir des puissances de sorties qui reflètent la réalité
du site. Pour le modèle de puissance PVUSA, il a été démontré que les taux de dégradations
sont influencés par le choix des conditions de références et que plus on s’éloigne des
conditions du site plus les incertitudes et les écarts types sont élevés. La méthode de
régression linéaire a été utilisée pour l’évaluation des taux de dégradation. Les taux de
dégradations sont respectivement de -0,0730,38 %/an pour PRac, de 0,110,67 %/an pour
PVUSAac et de -0,730,29 %/an pour PDTCac. Avec la méthode PVUSA dans les conditions
PTC, on n’observe aucune dégradation. Enfin, une correction par rapport à la poussière basée
sur la méthode développée dans le chapitre 3 a été appliquée sur les puissances mesurées. Par
la suite, les puissances PVUSA dans les conditions PTC et DTC ont été réévaluées avant et
après correction. La correction empirique pour la salissure des modules a également éliminé
la dégradation des performances, surtout pour PDTC. Les incertitudes et les écarts types
associés aux taux de dégradations sont également réduits après la correction à
l’empoussièrement.
Dans le chapitre 5, un modèle prédictif d’une centrale solaire en milieu rigoureux a été
développé. Pour ce faire, à partir d’un modèle existant le type 194b de TRNSYS, nous avons
développé le type 194D. Les erreurs sur les paramétrages des fiches techniques ont été
estimées et les corrections des effets spectraux ont été négligées. Un modèle de température
de module global et deux modèles de températures pour chacune des saisons ont été
développé. La constante de Ross plus élevée pour la saison fraîche montre une résistance
thermique plus importante pendant cette saison. Les modules PV auront, par conséquent, plus
de difficulté à dissiper la chaleur. Une confrontation avec le modèle de température de module
du type 194b a montré qu’on est plus proche de la réalité avec les modèles empiriques
développés dans ce travail. En sus, un modèle dédié à l’empoussièrement basé sur les
caractéristiques du site (modèle phénoménologique) a été développé. En outre, les différents
modèles ont été intégré dans TRNSYS afin d’assoir notre modèle prédictif. Finalement, une
analyse paramétrique a été menée pour différentes configurations de nettoyage et
d’empoussièrement. Il en ressort qu’il y a une hausse de performance par rapport à la
configuration actuelle soit en augmentant le taux de nettoyage de N=1 à N=3 avec la même
fréquence de F=10j/mois ou en augmentant la fréquence de nettoyage de F=10j/mois à
F=7j/14j avec le même taux de nettoyage de N=1. En outre, la qualité de nettoyage avec N=3
dépasse après le deuxième jour celle de N=1 en termes de probabilité qu’une rangée soit

nettoyée. De plus, les fréquences et le taux de nettoyage peuvent être revus suivant la
pluviométrie du site. Finalement, le gain en énergie lié à l’augmentation du taux de nettoyage
a été estimé à 82 MWh/MWc, ce qui correspond à un gain de 4 592 000 FDj/MWc (ou 1 388
620.8 FDj/an) pour la centrale du CERD.
Les résultats de cette recherche montrent que cette centrale photovoltaïque de 302,4 kWc
fonctionne efficacement dans des conditions environnementales difficiles de Djibouti et
maintient sa performance relativement bien dans le temps. Cela pourrait constituer une
incitation pour les investisseurs pour le développement futur d'une installation solaire
photovoltaïque connectée au réseau. En outre, les résultats de la thèse mettent en avant
l’impact du nettoyage et la nécessité de le prendre en compte lors de la conception de
l’installation afin d’en réaliser un dimensionnement plus précis. Enfin, les données fournies
dans ce travail seront une base de comparaison pour d'autres centrales photovoltaïques
installées dans des conditions climatiques similaires, et en particulier la région côtière de la
corne de l'Afrique.
6.2- Perspectives
Cette thèse établit une nouvelle direction pour la recherche relative sur les centrales solaires à
Djibouti. Sur la base de la recherche présentée dans cette thèse, certaines des études qui
peuvent être réalisées à l'avenir sont présentées ci-dessous.
D’un point de vue de la modélisation, le travail réalisé ne représente qu’une première étape
sur la mise au point d’outils adaptés à ces conditions de fonctionnement non étudiées jusqu’à
ce jour. Sur les bases de ce modèle, il est nécessaire de pouvoir intégrer à l’échelle de chaque
composant PV, une prise en compte des modes de dégradation ainsi que d’aller plus loin sur
la prise en compte de la poussière à partir d’un modèle physique incluant les effets
thermiques. Ce point peut représenter un intérêt, à l’échelle internationale, pour la prise en
compte de ces effets en milieu urbain au sein duquel un dépôt de poussière aura comme
origine non pas le sable mais la pollution. A l’échelle des rangées, il est indispensable
d’améliorer aussi la finesse de la prédiction en prenant en considération l’effet de
« mismatch » engendré par un fonctionnement différentiel d’un module par rapport à un autre
(échauffement, masque, différents niveaux d’empoussièrement, etc.). Enfin à l’échelle de la
centrale elle-même, il est nécessaire de compléter les travaux engagés à travers une meilleure
description du délestage du réseau électrique.

Les modèles numériques des installations solaires sont alimentés par des données
météorologiques, soit issues directement des mesures in-situ, soit au travers des modèles
physiques des phénomènes environnementaux. Nous avons apporté quelques précisions quant
aux conditions de fonctionnement de la centrale du CERD mais la compréhension du climat
de Djibouti reste à être mieux cernée. Ceci concerne plus particulièrement l’évolution
saisonnière et journalière du rayonnement solaire. Il manque encore des données pour
caractériser le double effet de la poussière suspendue dans l’atmosphère et l’accumulation de
poussière sur les surfaces des panneaux solaires. On peut envisager des études expérimentales
et numériques pour évaluer les caractéristiques de l’empoussièrement à la surface des
modules PV et tenir compte de la modification spectrale de l’irradiation due à la poussière
suspendue dans la prédiction énergétique. En outre, une analyse de l’évolution du spectre
solaire est nécessaire ainsi que son influence sur les réponses électriques des modules. Au-
delà d’une méthode de nettoyage "traditionnelle" manuelle, d’autres méthodes de nettoyages
plus performantes font l’objet d’innovations en cours de mise au point : la méthode nano-film
à auto-nettoyage avec film super-hydrophobe ou film super-hydrophile et la méthode de
nettoyage électrostatique développé par CleanFIZZ devront être testées et évaluées sous les
conditions climatiques de Djibouti.
Ces perspectives de développements numériques doivent bien entendu s’appuyer sur des
expérimentations qui seront développé au CERD. Concernant les modes de défaillances des
modules ou du système dans son ensemble par exemple, il sera développé un banc de test de
différents modules et de différentes technologies visant à identifier d’une part les défaillances
et d’autre part la dynamique conduisant à une diminution des performances dans le temps.
Nous pouvons aussi renforcer ce point à partir de l’utilisation de panneaux âgés de plus de 20
ans.
Un dispositif d’analyse des courbes I-V permettra d’étayer le dispositif expérimental et

alimenter les développements numériques. L’intérêt de ces futurs travaux permettra de
pouvoir guider sur les morphologies de modules les plus aptes à résister aux conditions
opérantes de Djibouti voire, le cas échéant, de guider les fabricants sur les choix
technologiques à développer pour de telles zones climatiques.
La contribution apportée au cours de ce travail de thèse, en termes d’analyse de performance

et de taux de dégradation annuel permettra d’effectuer une évaluation financière de la
production énergétique pendant la durée de vie des futures centrales solaires. Cela sera

nécessaire pour la reproductibilité du même type de projet de centrale solaire ou des centrales
solaires de plus grandes envergures à l’échelle du mégawatt.

Annexe
A.1 Spécification technique de l’onduleur
Spécification de l’onduleur
- Tension nominale AC : Système triphasé à 400V (tension ligne à ligne)
- Tension nominale AC en mode autonome: 380 V (tension ligne-ligne, avec charge)
- Fréquence nominale AC : 50 Hz ± 3%
- Puissance nominale AC : plus de 100 kW par onduleur
- Plage de tension DC: 0V ~ 500V ou plus
- Plage de tension de commande DC : 320V (ou inférieure) à 400V (ou supérieur)
- Rendement de conversion : 93% ou plus (opération nominale)
- Courant harmonique : facteur de distorsion total de 5% ou moins, à chaque ordre de
3% ou moins (opération nominale)
Mode de fonctionnement
1. Fonctionnement normal (suivi du point maximal de puissance pour la connexion au
réseau)
2. Fonctionnement au délestage (contrôle de tension AC constant pour le mode autonome)

Annexe
A.2 Schéma électrique de la centrale solaire photovoltaique

Annexe
A.3 Tableau de répartition des tâches
Tâches de chaque organisation

Eléments
MEERN CERD EDD Autres
Réception du -Mise en œuvre

― ―
1. Nettoyage rapport -Enregistrement
― Manipulation ― ―
2. Equipements
1 série 2 séries ― ―
3. Clés
Réception du -Mise en œuvre

― ―
4. Inspections rapport -Enregistrement
-Stockage
5. Pièces de -Inventaire ―
rechange
-remplacement
(Ministère de
l’Enseignement
6. Si la disposition -discuter avec Supérieur)
de budget est MENSUR ― ―
requise (achat) - discuter avec
MEERN
(achat)
-Planification
― ― ―
7. Formation
-Mise en œuvre
Réception de
8. Utilisation ― ― ―
publique visite
Flux en cas d’apparition d’un problème non résoluble avec les manuels :
Etudier au sein du CERD

Contacter le MEERN pour demander un conseil auprès de l’EDD
Se renseigner à l’agence concernée

Annexe
A.4 Plan de l’entretien annuel (exemple : Février, Mars 2012)
FEVRIER MARS
Jour Date Planning Résultats Jour Date Planning Résultats
M 1 J 1
J 2 V 2
V 3 S 3 C.C
S 4 D 4
D 5 L 5
L 6 M 6
M 7 M 7
M 8 J 8
J 9 V 9
V 10 S 10 C.C
S 11 D 11
D 12 L 12
L 13 M 13
M 14 M 14
M 15 J 15 Nettoyage
J 16 V 16
V 17 S 17 C.C
S 18 D 18
D 19 L 19
L 20 M 20
M 21 M 21
M 22 J 22
J 23 V 23
V 24 S 24 C.C
S 25 C.C D 25
D 26 L 26
L 27 M 27
M 28 M 28
M 29 J 29 C.P
V 30
S 31 C.C
C.C : Contrôle courant
C.P : Contrôle périodique

Annexe
A.5 Fiche du contrôle courant
Résultats
Sections (présence ou
Points de contrôle Composante Type d'anomalie
absence
N°
d'anomalie)
a) Tâches et détérioration sur les
surfaces en verre ou d’autres
matériaux
Rangées de
b) Corrosion et rouille sur le
cellules PV
châssis
c) Détérioration sur le câblage
extérieur (câblage de connexion)
a) Corrosion et détérioration sur
Boîte de l’armoire
jonction et b) Détérioration sur le câblage
TD Box extérieur (câblage de connexion)
c) Etat du pyranomètre *
l’armoire
b) Détérioration sur le câblage
c) Vérification de l’aération
Armoires (ouverture d’aération, filtres à
dans la salle air de la climatisation, etc.)
de contrôle d) Bruit, odeur ou fumée
anormaux, surchauffe anormale
e) Affichage anormal sur l’écran
f) Etat de production
g) vérification de la température
préétablie
l’armoire
b) Détérioration sur le câblage
Commutateur extérieur (câblage de connexion)
de charge c) Bruit, odeur ou fumée
anormaux, surchauffe anormale
d) Affichage anormal sur
l’écran
a) Tâches et détérioration sur les
surfaces en verre ou d’autres
matériaux
Panneaux
b) Corrosion et rouille sur le
d’affichages
châssis
c) Détérioration sur le câblage
* : A essuyer avec un chiffon propre

Annexe
A.6 Fiche du contrôle périodique
Sections Points de contrôle Procédé du

contrôle
Rangées de Contrôle visuel, Connexion sur la ligne de terre et
cellules PV tactile, etc. jeu au niveau des bornes de terre
Contrôle visuel, b) Détérioration sur le câblage
tactile, etc. extérieur et jeu au niveau des
bornes de connexion
Boite de
c) Détérioration sur la ligne de
jonction et TD
terre et jeu au niveau des bornes de
Box
connexion
Mesure et essai a) Résistance d’isolement
b) Tension d’ouverture
Contrôle visuel, b) Détérioration sur le câblage
tactile, etc. extérieur et jeu au niveau des
bornes de connexion
c) Détérioration sur la ligne de
terre et jeu au niveau des bornes de
connexion
d) Vérification de l’aération
(ouvertures d’aération, filtres à air,
etc.)
e) Absence du bruit anormal, de la
Armoires de
vibration et de l’odeur anormale au
salle de
fonctionnement
contrôle
f) Affichage d’anomalies sur
l’écran
Mesure et essai a) Résistance d’isolement (entre les
bornes d’entrée et de sortie de
l’onduleur et la terre)
b) Vérification du fonctionnement
de l’écran (affichage sur l’écran,
puissance produites, etc.)
c) Essai du fonctionnement de la
minuterie d’arrêt de l’injection
Voir manuel
Commutateur
d'entretien (partie
de charge
2)
Voir manuel
ASI d'entretien (partie
1)
Clôture extérieur
Autres
LED

Annexe
A.7 Fiche d'anomalie et de réparation
1. Date de détection
2. Intervenants
3. Equipements
4. Nature de
l'anomalie
5. Causes
6. Date de réparation
7. Intervenants
8. Mesures prises
pour
la réparation
Commentaire:

Annexe
A.8 Manuel pour la résolution des problèmes
Page Date de
Date Composante Symptôme Mesures
résolution
10
11
12

Annexe
A.9 Fiche de nettoyage
Date Superviseur Constats Matériels Equipements

N°
10
11
12
Serpillère Eau Casques Chaussure

s
Note:
- Ne pas utiliser l’eau saumâtre

- Utiliser le masque

Annexe
A.10 Fiche de commande
N° Nom du Date Date de

item Qte Prix HT
responsable commande livraison

Annexe
A.11 Spécifications technique NRG system symphonie plus
Général
Modèle SymphoniePLUS®3
Description Fiable et économique; adapté à l'évaluation des ressources

éoliennes
Applications Évaluation, suivi et prévision du vent et de l'énergie solaire
Capacité de mesure
Nombre totale de canal 15 canaux
Canaux compteurs • 9 canaux: 6 intégrés, 3 flex

• Large gamme d'anémomètres standards de l'industrie; SCM
requis après six capteurs
• Sortie de l'accumulateur (par exemple, jauge de pluie à
godets); SCM requis
Canaux analogiques • 7 canaux: 4 intégrés, 3 flex

• Large gamme de capteurs analogiques standards
• Correction de la compensation de la bande morte pour la
girouette, NRG 200P au ch. 7-8
Résolution de mesure 10-bit A/D conversion

analogique
Collecte de données
Taux d'échantillonnage 1 Hz
Intervalle de mesure fixé à 10-minute;
Stockage de données SD Card (128 MB)
Statistiques enregistrées par • Moyenne

canal • Ecart-type
• Minimum/Maximum Échantillon de 1 sec
• Somme pour les entrées du totalisateur
Synchronisation temporelle SNTP Internet Time Server
Sécurité des données  Clé d'accès au verrouillage du clavier

 Code PIN de cryptage des données
Communications
Compatibilité iPackGPS • Cellulaire (GSM/GPRS, 3G GSM, and CDMA)

Annexe
A.12 Spécifications du multiplexeur 34901A
Description du modèle 34901A Multiplexeur 20 voies + 2 voies de

courant
Type Relais 2 fils (4 fils sélectionnable)
Vitesse (voies/s) 60
Tension maxi 300 V
Courant maxi 1A
Bande passante 10 MHz
Décalage thermique < 3 µV
Commentaires Référence de jonction froide intégrée 2 voies

courant supplémentaires (22 au total)

Annexe
A.13 Paramètres du type 194D
1 Mode 2
2 Module short-circuit current at reference conditions 8.58 A
3 Module open-circuit voltage at reference conditions 33.2 V
4 Reference temperature 298 K
5 Reference insolation 1000 W/m2
6 Module voltage at max power point and reference 26.6 V
conditions
7 Module current at max power point and reference 7.9 A
conditions
8 Temperature coefficient of Isc at (ref. cond) 0.00501
9 Temperature coefficient of Voc (ref. cond.) -0.12
10 Number of cells wired in series 54
11 Number of modules in series 12
12 Number of modules in parallel 120
13 Module temperature at NOCT 322 K
14 Ambient temperature at NOCT 322 K
15 Insolation at NOCT 800 W/m2
16 Module area 1.35 m2
17 tau-alpha product for normal incidence 0.95
18 Semiconductor bandgap 1.12
19 Value of parameter a at reference conditions 1.486
20 Value of parameter I_L at reference conditions 8.6 A
21 Value of parameter I_0 at reference conditions 0.00000000166 A
22 Module series resistance 0.2952
23 Shunt resistance at reference conditions 127
24 Extinction coefficient-thickness product of cover 0.008
25 P_max_inv 3000000 W
26 V_max_inv 500 V
27 V_min_inv 0V
28 tare 0
29 LU_inv 194

Annexe
A.14 Différentes configurations de nettoyages et d’empoussièrement
Etude K N F P
1 0,004 1 10j/mois 0.01
2 0,006 1 10j/mois 0.01
3 0,008 1 10j/mois 0.01
4 0,004 3 10j/mois 0.01
5 0,006 3 10j/mois 0.01
6 0,008 3 10j/mois 0.01
7 0,004 6 10j/mois 0.01
8 0,006 6 10j/mois 0.01
9 0,008 6 10j/mois 0.01
10 0,004 9 10j/mois 0.01
11 0,006 9 10j/mois 0.01
12 0,008 9 10j/mois 0.01
13 0,004 1 7j/14j 0.01
14 0,006 1 7j/14j 0.01
15 0,008 1 7j/14j 0.01
16 0,004 3 7j/14j 0.01
17 0,006 3 7j/14j 0.01
18 0,008 3 7j/14j 0.01
19 0,004 6 7j/14j 0.01
20 0,006 6 7j/14j 0.01
21 0,008 6 7j/14j 0.01
22 0,004 9 7j/14j 0.01
23 0,006 9 7j/14j 0.01
24 0,008 9 7j/14j 0.01
25 0,004 1 7j/7j 0.01
26 0,006 1 7j/7j 0.01
27 0,008 1 7j/7j 0.01
28 0,004 3 7j/7j 0.01
29 0,006 3 7j/7j 0.01
30 0,008 3 7j/7j 0.01
31 0,004 6 7j/7j 0.01
32 0,006 6 7j/7j 0.01
33 0,008 6 7j/7j 0.01
34 0,004 9 7j/7j 0.01
35 0,006 9 7j/7j 0.01
36 0,008 9 7j/7j 0.01
37 0,004 1 10j/2mois 0.01
38 0,006 1 10j/2mois 0.01
39 0,008 1 10j/2mois 0.01
40 0,004 3 10j/2mois 0.01

Annexe
41 0,006 3 10j/2mois 0.01

42 0,008 3 10j/2mois 0.01
43 0,004 6 10j/2mois 0.01
44 0,006 6 10j/2mois 0.01
45 0,008 6 10j/2mois 0.01
46 0,004 9 10j/2mois 0.01
47 0,006 9 10j/2mois 0.01
48 0,008 9 10j/2mois 0.01
49 0,004 1 10j/mois 0.05
50 0,006 1 10j/mois 0.05
51 0,008 1 10j/mois 0.05
52 0,004 3 10j/mois 0.05
53 0,006 3 10j/mois 0.05
54 0,008 3 10j/mois 0.05
55 0,004 6 10j/mois 0.05
56 0,006 6 10j/mois 0.05
57 0,008 6 10j/mois 0.05
58 0,004 9 10j/mois 0.05
59 0,006 9 10j/mois 0.05
60 0,008 9 10j/mois 0.05
61 0,004 1 7j/14j 0.05
62 0,006 1 7j/14j 0.05
63 0,008 1 7j/14j 0.05
64 0,004 3 7j/14j 0.05
65 0,006 3 7j/14j 0.05
66 0,008 3 7j/14j 0.05
67 0,004 6 7j/14j 0.05
68 0,006 6 7j/14j 0.05
69 0,008 6 7j/14j 0.05
70 0,004 9 7j/14j 0.05
71 0,006 9 7j/14j 0.05
72 0,008 9 7j/14j 0.05
73 0,004 1 7j/7j 0.05
74 0,006 1 7j/7j 0.05
75 0,008 1 7j/7j 0.05
76 0,004 3 7j/7j 0.05
77 0,006 3 7j/7j 0.05
78 0,008 3 7j/7j 0.05
79 0,004 6 7j/7j 0.05
80 0,006 6 7j/7j 0.05
81 0,008 6 7j/7j 0.05
82 0,004 9 7j/7j 0.05
83 0,006 9 7j/7j 0.05

Annexe
84 0,008 9 7j/7j 0.05

85 0,004 1 10j/2mois 0.05
86 0,006 1 10j/2mois 0.05
87 0,008 1 10j/2mois 0.05
88 0,004 3 10j/2mois 0.05
89 0,006 3 10j/2mois 0.05
90 0,008 3 10j/2mois 0.05
91 0,004 6 10j/2mois 0.05
92 0,006 6 10j/2mois 0.05
93 0,008 6 10j/2mois 0.05
94 0,004 9 10j/2mois 0.05
95 0,006 9 10j/2mois 0.05
96 0,008 9 10j/2mois 0.05

Communications et publications
Actes de conférences
Daha H. Daher, L. Gaillard, M. Amara, B. Lips, C. Ménézo, "Évaluation expérimentale des

performances d’une centrale solaire de 300 kWc à Djibouti", Journées Nationales sur
l’Énergie Solaire (JNES 2014), 8-10 juillet 2014, Perpignan, France. (Acte + poster)
Daha H. Daher, L. Gaillard, M. Amara, C. Ménézo, "Impact des conditions

environnementales sur les performances d’une centrale solaire PV en milieux rigoureux",
Journées Nationales sur l’Énergie Solaire (JNES 2015), 1-3 juillet 2015, Perpignan, France.
(Abstract + poster)
Daha H. Daher, L. Gaillard, M. Amara, C. Ménézo, "Impact of environmental conditions on

the performance of a 300 kWp solar PV plant in Djibouti", European PV Solar Energy
Conference (EU PVSEC 2015), 14 -18 September 2015, Hamburg, Germany. (Acte + poster)
Daha H. Daher, L. Gaillard, C. Ménézo, M. Amara, "Experimental assessment of performance

degradation for a PV power plant operating in a desert maritime climate", European PV Solar
Energy Conference (EU PVSEC 2017), 25-29 September 2017, Amsterdam, Hollande.
(Abstract + présentation orale)
Daha H. Daher, L. Gaillard, C. Ménézo, M. Amara, "Analysis of the performance evolution of

a solar PV plant under harsh climatic conditions", 18ième Journées Internationales de
Thermique (JITH 2017), Monastir, Tunisie, 25-27 octobre 2017 (Acte + poster)
Publications dans un journal
Daha H. Daher, L. Gaillard, M. Amara, B. Lips, C. Ménézo, Évaluation expérimentale des

performances d’une centrale solaire de 300 kWc à Djibouti, Sciences et Environnement-n°27,
P19 -30, ISSN 2409-3726, 2014.

Références bibliographiques
[1] Data for 2010-2014 from International Energy Agency (IEA), World Energy Outlook
2016 (Paris: 2016), http://www.worldenergyoutlook.org/publications/weo-2016/.
[2] Renewables 2017 global status report, http://www.ren21.net/wp-
content/uploads/2017/06/17-8399_GSR_2017_Full_Report_0621_Opt.pdf
[3] IEA-PVPS, Trends 2016 in photovoltaic applications. Survey Report of Selected IEA
Countries between 1992 and 2015. Report IEA - PVPS T1 – 30: 2016.
[4] http://www.nrel.gov/pv/assets/images/efficiency_chart.jpg (08/2017), “This plot is
courtesy of the National Renewable Energy Laboratory, Golden, CO.”
[5] Data collection survey on geothermal development in Djibouti, October 2014, Draft
Final Report, Japan International Cooperation Agency, (basé sur une source de
l’Electricité de Djibouti).
[6] Renewables Readiness Assessment: Djibouti, IRENA, may 2015
[7] Least Cost Electricity Master Plan, Djibouti, Parsons Brinckerhoff, November 2015
[8] Vision Djibouti 2035, République de Djibouti chapIII-3-P7. 2014.
[9] Contribution prévue déterminée au niveau national de la République de Djibouti,
Ministère de l’Habitat, de l’Urbanisme et de l’Environnement. Août 2015.
[10] Plan énergétique national, Institut Supérieur d’Etudes et de Recherche Scientifiques
et Techniques de Djibouti, United Nations Development Programme (DJI/86/012 ;
DJI/86/U71), P138. July 1987.
[11] Dunham, D. "Building for the maritime desert: Climate, construction, and energy in
Djibouti" Arlington, Virginie: VITA, 1983.
[12] Norme internationale CEI 60529, degrés de protection procurés par les enveloppes
(Code IP) http://www.parstasis.com/wp-content/uploads/2015/04/IEC-60529-IP-
Code.pdf
[13] T. Esram, P.L. Chapman, “Comparison of Photovoltaic Array Maximum Power Point
Tracking Techniques,” IEEE Transaction on Energy Conversion, vol.22, no.2, pp.439-
449, June 2007.
[14] F. Blaabjerg, R. Teodorescu, M. Liserre, A.V. Timbus, “Overview of Control and
Grid Synchronization for Distributed Power Generation Systems,” IEEE Transactions
on Industrial Electronics, vol.53, no.5, pp.1398-1409, Oct. 2006.

[15] J. Kwon, K. Nam, B. Kwon, "Photovoltaic Power Conditioning System With Line
Connection," IEEE Transactions On Industrial Electronics, Vol. 53, No. 4, August
2006.
[16] B. Blazic, I. Papic, "Advanced control of a converter used for connection of
photovoltaic modules," IEEE Power Engineering Society General Meeting, 2006.
[17] "IEEE Recommended Practice for Utility Interface of Photovoltaic (PV) Systems,"
IEEE Std 929-2000.
[18] "IEEE Standard for Interconnecting Distributed Resources with Electric Power
Systems," IEEE Std 1547-2003 , vol., no., pp. 0_1-16, 2003.
[19] M.I. Marei, E.F. El-Saadany, M.M.A. Salama, “A novel control algorithm for the DG
interface to mitigate power quality problems,” IEEE Transactions on Power Delivery,
vol.19, no.3, pp. 1384-1392, July 2004.
[20] T.F. Wu, C.H. Chang, Y.K. Chen, “A multi-function photovoltaic power supply
system with grid-connection and power factor correction features,” IEEE 31st Annual
Power Electronics Specialists Conference, 2000. PESC 2000, vol.3, no., pp.1185-1190
vol.3, 2000
[21] Wu Libo; Zhao Zhengming; Liu Jianzheng, "A Single-Stage Three-Phase Grid-
Connected Photovoltaic System With Modified MPPT Method and Reactive Power
Compensation," IEEE Transactions On Energy Conversion, , Vol.22, No.4, 2007.
[22] Kjaer, S. B., Pedersen, J. K., & Blaabjerg, F. (2005). A review of single-phase grid-
connected inverters for photovoltaic modules. IEEE transactions on industry
applications, 41(5), 1292-1306.
[23] Pregelj, A., Begovic, M., & Rohatgi, A. (2002, May). Impact of inverter
configuration on PV system reliability and energy production. In Photovoltaic
Specialists Conference, 2002. Conference Record of the Twenty-Ninth IEEE (pp.
1388-1391). IEEE.
[24] Calais, M., Myrzik, J., Spooner, T., & Agelidis, V. G. (2002). Inverters for single-
phase grid connected photovoltaic systems-an overview. In Power Electronics
Specialists Conference, 2002. pesc 02. 2002 IEEE 33rd Annual (Vol. 4, pp. 1995-
2000). IEEE.è
[25] S. Vighetti, "Systèmes photovoltaïques raccordés au réseau : Choix et
dimensionnement des étages de conversion". thèse de doctorat, G2ELAB, Université
de Grenoble, institut Polytechnique de Grenoble.

[26] DIN EN 13306. Deutsches Institut für Normung: Instandhaltung – Begriffe der
Instandhaltung; 2015.
[27] Birolini A. Reliability engineering. Theory and practice. 4th ed. Berlin,
Heidelberg: Springer; 2010.
[28] Kerres, B., Fischer, K., & Madlener, R. (2015). Economic evaluation of maintenance
strategies for wind turbines: a stochastic analysis. IET Renewable Power
Generation, 9(7), 766-774.
[29] Froger, A., Gendreau, M., Mendoza, J. E., Pinson, É., & Rousseau, L. M. (2016).
Maintenance scheduling in the electricity industry: A literature review. European
Journal of Operational Research, 251(3), 695-706.
[30] Daha Hassan Daher, " Centrale solaire photovoltaïque de 300 kWc connecté au
réseau électrique". Rapport, avril 2013. Centre d’Etude et de Recherche de Djibouti
[31] Japan International Cooperation Agency (JICA), Traning Manual for Grid-connected
PV System, chapitre 4, P.15, (2012).
[32] Maghami, M. R., Hizam, H., Gomes, C., Radzi, M. A., Rezadad, M. I., &
Hajighorbani, S. (2016). Power loss due to soiling on solar panel: A
review. Renewable and Sustainable Energy Reviews, 59, 1307-1316.
[33] Kimber, A., Mitchell, L., Nogradi, S., & Wenger, H. (2006, May). The effect of
soiling on large grid-connected photovoltaic systems in California and the southwest
region of the United States. In Photovoltaic Energy Conversion, Conference Record of
the 2006 IEEE 4th World Conference on (Vol. 2, pp. 2391-2395). IEEE.
[34] D.G. f.r. Sonnenenergie, Planning and installing photovoltaic systems: a guide
for installers, architects and engineers: Earthscan; 2008.
[35] Mondol, J. D., Yohanis, Y., Smyth, M., & Norton, B. (2006). Long term performance
analysis of a grid connected photovoltaic system in Northern Ireland. Energy
Conversion and Management, 47(18), 2925-2947.
[36] Ayompe, L. M., Duffy, A., McCormack, S. J., & Conlon, M. (2011). Measured
performance of a 1.72 kW rooftop grid connected photovoltaic system in Ireland.
Energy conversion and management, 52(2), 816-825.
[37] Decker, B., & Jahn, U. (1997). Performance of 170 grid connected PV plants in
northern Germany—analysis of yields and optimization potentials. Solar
Energy, 59(4), 127-133.
[38] Pietruszko, S. M., & Gradzki, M. (2003). Performance of a grid connected small PV
system in Poland. Applied energy, 74(1), 177-184.

[39] Kymakis, E., Kalykakis, S., & Papazoglou, T. M. (2009). Performance analysis of a
grid connected photovoltaic park on the island of Crete. Energy Conversion and
Management, 50(3), 433-438.
[40] Makrides, G., Zinsser, B., Norton, M., Georghiou, G. E., Schubert, M., & Werner, J.
H. (2010). Potential of photovoltaic systems in countries with high solar
irradiation. Renewable and Sustainable energy reviews, 14(2), 754-762.
[41] Wittkopf, S., Valliappan, S., Liu, L., Ang, K. S., & Cheng, S. C. J. (2012). Analytical
performance monitoring of a 142.5 kWp grid-connected rooftop BIPV system in
Singapore. Renewable Energy, 47, 9-20.
[42] Sharma, V., Kumar, A., Sastry, O. S., & Chandel, S. S. (2013). Performance
assessment of different solar photovoltaic technologies under similar outdoor
conditions. Energy, 58, 511-518.
[43] Tripathi, B., Yadav, P., Rathod, S., & Kumar, M. (2014). Performance analysis and
comparison of two silicon material based photovoltaic technologies under actual
climatic conditions in Western India. Energy Conversion and Management, 80, 97-
102.
[44] Padmavathi, K., & Daniel, S. A. (2013). Performance analysis of a 3MW p grid
connected solar photovoltaic power plant in India. Energy for Sustainable
Development, 17(6), 615-625.
[45] Kazem, H. A., Khatib, T., Sopian, K., & Elmenreich, W. (2014). Performance and
feasibility assessment of a 1.4 kW roof top grid-connected photovoltaic power system
under desertic weather conditions. Energy and Buildings, 82, 123-129.
[46] Al-Sabounchi, A. M., Yalyali, S. A., & Al-Thani, H. A. (2013). Design and
performance evaluation of a photovoltaic grid-connected system in hot weather
conditions. Renewable energy, 53, 71-78.
[47] Al-Otaibi, A., Al-Qattan, A., Fairouz, F., & Al-Mulla, A. (2015). Performance
evaluation of photovoltaic systems on Kuwaiti schools’ rooftop. Energy Conversion
and Management, 95, 110-119.
[48] Catelani, M., Ciani, L., Cristaldi, L., Faifer, M., Lazzaroni, M., & Rossi, M. (2012,
September). Characterization of photovoltaic panels: The effects of dust. In Energy
Conference and Exhibition (ENERGYCON), 2012 IEEE International (pp. 45-50).
IEEE.
[49] Mejia, F. A., & Kleissl, J. (2013). Soiling losses for solar photovoltaic systems in
California. Solar Energy, 95, 357-363.

[50] Townsend, T., & Hutchinson, P. (2000, June). Soiling analyses at PVUSA.
In PROCEEDINGS OF THE SOLAR CONFERENCE (pp. 417-422). AMERICAN
SOLAR ENERGY SOCIETY; AMERICAN INSTITUTE OF ARCHITECTS.
[51] Caron, J. R., & Littmann, B. (2012, June). Direct monitoring of energy lost due to
soiling on first solar modules in California. In Photovoltaic Specialists Conference
(PVSC), Volume 2, 2012 IEEE 38th (pp. 1-5). IEEE.
[52] Fuentealba, E., Ferrada, P., Araya, F., Marzo, A., Parrado, C., & Portillo, C. (2015).
Photovoltaic performance and LCoE comparison at the coastal zone of the Atacama
Desert, Chile. Energy Conversion and Management, 95, 181-186.
[53] Pavan, A. M., Mellit, A., & De Pieri, D. (2011). The effect of soiling on energy
production for large-scale photovoltaic plants. Solar energy, 85(5), 1128-1136.
[54] S. Canada, “Quality Assurance: Impacts of Soiling on UtilityScale PV System
Performance,” SolarPro Magazine, no. 6.3, pp. 14–20, May-2013.
[55] International Standard IEC 61724, Photovoltaic system performance monitoring-
guidelines for measurement, Data exchange and analysis. 1998.
[56] Whitaker, C. M., Townsend, T. U., Newmiller, J. D., King, D. L., Boyson, W. E.,
Kratochvil, J. A., ... & Osborn, D. E. (1997, January). Application and validation of a
new PV performance characterization method. In Photovoltaic Specialists Conference,
1997., Conference Record of the Twenty-Sixth IEEE(pp. 1253-1256). IEEE.
[57] Dows, R. N., & Gough, E. J. (1995). PVUSA procurement, acceptance, and rating
practices for photovoltaic power plants (No. DOE/AL/82993--21). Pacific Gas and
Electric Co., San Ramon, CA (United States). Dept. of Research and Development;
Bechtel Corp., San Francisco, CA (United States).
[58] Myers, D. (2009, May). Evaluation of the performance of the PVUSA rating
methodology applied to DUAL junction PV technology. Presented at the American
Solar Energy Society Annual Conference, Buffalo, NY.
[59] Lee, J. B., Park, J. W., Yoon, J. H., Baek, N. C., & Shin, U. C. (2014). An empirical
study of performance characteristics of BIPV (Building Integrated Photovoltaic)
system for the realization of zero energy building. Energy, 66, 25-34.
[60] Dierauf, T., Growitz, A., Kurtz, S., Cruz, J. L. B., Riley, E., & Hansen, C. (2013).
Weather-corrected performance ratio. Contract, 303, 275-3000.
[61] Nordmann, T., Clavadetscher, L., van Sark, W., & Green, M. (2015). Analysis of
Long-Term Performance of PV Systems. Report IEA-PVPS T13-05:2014

[62] Adinoyi, M. J., & Said, S. A. (2013). Effect of dust accumulation on the power
outputs of solar photovoltaic modules. Renewable energy, 60, 633-636.
[63] Guo, B., Javed, W., Figgis, B. W., & Mirza, T. (2015, March). Effect of dust and
weather conditions on photovoltaic performance in Doha, Qatar. In Smart Grid and
Renewable Energy (SGRE), 2015 First Workshop on (pp. 1-6). IEEE.
[64] Ross RG.Technology developments toward 30-year-life of photovoltaic modules.
In:17th IEEE photovoltaic specialists conference;1984.p.464–72.
[65] Spertino, F., & Akilimali, J. (2009). Are Manufacturing–Mismatch and Reverse
Currents Key Factors in Large Photovoltaic Arrays? IEEE Transactions on Industrial
Electronics, 56 (11), 4520-4531.
[66] Quintana, M. A., King, D. L., Hosking, F. M., Kratochvil, J. A., Johnson, R. W.,
Hansen, B. R., ... & Pandit, M. B. (2000). Diagnostic analysis of silicon photovoltaic
modules after 20-year field exposure. In Photovoltaic Specialists Conference, 2000.
Conference Record of the Twenty-Eighth IEEE (pp. 1420-1423). IEEE.
[67] Osterwald, C. R., Anderberg, A., Rummel, S., & Ottoson, L. (2002, May).
Degradation analysis of weathered crystalline-silicon PV modules. In Photovoltaic
1392-1395). IEEE.
[68] Schaur G. Long term stability of PV-modules, damage cases and damage
analyses. In: 16th European photovoltaic solar energy conference and exhibition; May
2000.
[69] Köntges, M., Kurtz, S., Packard, C., Jahn, U., Berger, K. A., Kato, K., ... & Van
Iseghem, M. (2014). Review of failures of photovoltaic modules. IEA PVPS Task, 13.
[70] Quintana, M. A., King, D. L., McMahon, T. J., & Osterwald, C. R. (2002, May).
Commonly observed degradation in field-aged photovoltaic modules. In Photovoltaic
1436-1439). IEEE.
[71] Jordan DC, Kurtz SR. Field experience: Degradation Rates, Lifetimes & Failures. PV
Module Reliability Workshop: Lakewood, CO, USA, 2016.
[72] Kaplani, E. (2012). Detection of degradation effects in field-aged c-Si solar cells
through IR thermography and digital image processing. International Journal of
Photoenergy, 2012.

[73] Oreski, G., & Wallner, G. M. (2010, June). Damp heat induced physical aging of PV
encapsulation materials. In Thermal and Thermomechanical Phenomena in Electronic
Systems (ITherm), 2010 12th IEEE Intersociety Conference on (pp. 1-6). IEEE.
[74] Skoczek, A., Sample, T., & Dunlop, E. D. (2009). The results of performance
measurements of field‐aged crystalline silicon photovoltaic modules. Progress in
Photovoltaics: Research and applications, 17(4), 227-240.
[75] Jeong, J. S., & Park, N. (2013, June). Field discoloration analysis and
UV/temperature accelerated degradation test of EVA for PV. In Photovoltaic
Specialists Conference (PVSC), 2013 IEEE 39th (pp. 3010-3013). IEEE.
[76] Wohlgemuth, J. H., & Kurtz, S. (2011, April). Reliability testing beyond qualification
as a key component in photovoltaic's progress toward grid parity. In Reliability
Physics Symposium (IRPS), 2011 IEEE International (pp. 5E-3). IEEE.
[77] Munoz, M. A., Alonso-Garcia, M. C., Vela, N., & Chenlo, F. (2011). Early
degradation of silicon PV modules and guaranty conditions. Solar energy, 85(9),
2264-2274.
[78] Skoczek, A., Sample, T., Dunlop, E. D., & Ossenbrink, H. A. (2008). Electrical
performance results from physical stress testing of commercial PV modules to the IEC
61215 test sequence. Solar Energy Materials and Solar Cells, 92(12), 1593-1604.
[79] IEC: International Electrotechnical Commission, 1987. Standard IEC61215:
Crystalline Silicon Terrestrial Photovoltaic (PV) Modules. Design Qualification and
Type Approval IEC Central Office, Geneva, Switzerland.
[80] Jansen, K. W., & Delahoy, A. E. (2003). A laboratory technique for the evaluation of
electrochemical transparent conductive oxide delamination from glass substrates. Thin
Solid Films, 423(2), 153-160.
[81] Kempe, M. D. (2005, January). Control of moisture ingress into photovoltaic
modules. In Photovoltaic Specialists Conference, 2005. Conference Record of the
Thirty-first IEEE (pp. 503-506). IEEE.
[82] Ndiaye, A., Charki, A., Kobi, A., Kébé, C. M., Ndiaye, P. A., & Sambou, V. (2013).
Degradations of silicon photovoltaic modules: A literature review. Solar Energy, 96,
140-151.
[83] Saly, V., Ruzinsky, M., Packa, J., & Redi, P. (2002). Examination of solar cells and
encapsulations of small experimental photovoltaic modules. In Polymers and
Adhesives in Microelectronics and Photonics, 2002. POLYTRONIC 2002. 2nd
International IEEE Conference on (pp. 137-141). IEEE.

[84] Dumas, L. N., & Shumka, A. (1982). Photovoltaic module reliability improvement
through application testing and failure analysis. IEEE Transactions on
Reliability, 31(3), 228-234.
[85] Cristaldi, L., Faifer, M., Lazzaroni, M., Khalil, A. F. M. M., Catelani, M., & Ciani, L.
(2014, June). Failure modes analysis and diagnostic architecture for photovoltaic
plants. In Proccedings of the 13 th IMEKO TC10 Workshop on Technical Diagnostics
Advanced measurement tools in technical diagnostics for systems’ reliability and
safety (pp. 206-211).
[86] Thomas, M. G., Durand, S. J., & Rosenthal, A. L. (1994, September). A ten-year
review of performance of photovoltaic systems. In Proc. NREL Photovoltaic
Performance and Reliability Workshop, NREL/CP-411-7414 (pp. 279-285).
[87] King, D., Quintana, M. A., Kratochvil, J. A., Ellibee, D. E., & Hansen, B. R. PV
Module performance and durability following long-term field exposure. Sandia
National Laboratories Albuquerque, NM, 87185-0752.
[88] Staebler, D. L., & Wronski, C. R. (1977). Reversible conductivity changes in
discharge‐produced amorphous Si. Applied physics letters, 31(4), 292-294.
[89] Phinikarides, A., Kindyni, N., Makrides, G., & Georghiou, G. E. (2014). Review of
photovoltaic degradation rate methodologies. Renewable and Sustainable Energy
Reviews, 40, 143-152.
[90] Jordan, D. C., & Kurtz, S. R. (2014). The dark horse of evaluating long-term field
performance—Data filtering. IEEE Journal of Photovoltaics, 4(1), 317-323.
[91] Jordan, D. C., Silverman, T. J., Wohlgemuth, J. H., Kurtz, S. R., & VanSant, K. T.
(2017). Photovoltaic failure and degradation modes. Progress in Photovoltaics:
Research and Applications, 25(4), 318-326.
[92] McNutt, P., Adelstein, J., & Sekulic, W. (2005, November). Performance evaluation
of a 1.5-kW a-Si PV array using the PVUSA power rating method at NREL's outdoor
test facility. In 2005 DOE Solar Energy Technologies Program Review Meeting.
[93] Kimber, A., Dierauf, T., Mitchell, L., Whitaker, C., Townsend, T., NewMiller, J., ...
& Myers, D. (2009, June). Improved test method to verify the power rating of a
photovoltaic (PV) project. In Photovoltaic Specialists Conference (PVSC), 2009 34th
IEEE (pp. 000316-000321). IEEE.
[94] Marion, B., Adelstein, J., Boyle, K., Hayden, H., Hammond, B., Fletcher, T., ... &
Rich, G. (2005, January). Performance parameters for grid-connected PV systems.

In Photovoltaic Specialists Conference, 2005. Conference Record of the Thirty-first
IEEE (pp. 1601-1606). IEEE.
[95] Jordan, D. C., Sekulic, B., Marion, B., & Kurtz, S. R. (2015). Performance and aging
of a 20-year-old silicon PV system. IEEE Journal of Photovoltaics, 5(3), 744-751.
[96] Davis, K. O., Kurtz, S. R., Jordan, D. C., Wohlgemuth, J. H., & Sorloaica‐Hickman,
N. (2013). Multi‐pronged analysis of degradation rates of photovoltaic modules and
arrays deployed in Florida. Progress in Photovoltaics: Research and
Applications, 21(4), 702-712.
[97] Carrero, C., Amador, J., & Arnaltes, S. (2007). A single procedure for helping PV
designers to select silicon PV modules and evaluate the loss resistances. Renewable
Energy, 32(15), 2579-2589.
[98] Dongue, S. B., Njomo, D., Tamba, J. G., & Ebengai, L. (2012). Modeling of
electrical response of illuminated crystalline photovoltaic modules using four-and
five-parameter models. International Journal of Emerging Technology and Advanced
Engineering, 2(11), 612-619.
[99] Brano, V. L., Orioli, A., Ciulla, G., & Di Gangi, A. (2010). An improved five-
parameter model for photovoltaic modules. Solar Energy Materials and Solar
Cells, 94(8), 1358-1370.
[100] Brano, V. L., Orioli, A., & Ciulla, G. (2012). On the experimental validation of an
improved five-parameter model for silicon photovoltaic modules. Solar Energy
Materials and Solar Cells, 105, 27-39.
[101] Ishaque, K., & Salam, Z. (2011). An improved modeling method to determine the
model parameters of photovoltaic (PV) modules using differential evolution
(DE). Solar Energy, 85(9), 2349-2359.
[102] Saloux, E., Teyssedou, A., & Sorin, M. (2011). Explicit model of photovoltaic
panels to determine voltages and currents at the maximum power point. Solar
energy, 85(5), 713-722.
[103] Gow, J. A., & Manning, C. D. (1999). Development of a photovoltaic array model
for use in power-electronics simulation studies. IEE Proceedings-Electric Power
Applications, 146(2), 193-200.
[104] Ishaque, K., Salam, Z., & Taheri, H. (2011). Simple, fast and accurate two-diode
model for photovoltaic modules. Solar Energy Materials and Solar Cells, 95(2), 586-
594.

[105] Mellit, A., Benghanem, M., & Kalogirou, S. A. (2007). Modeling and simulation of
a stand-alone photovoltaic system using an adaptive artificial neural network:
Proposition for a new sizing procedure. Renewable energy, 32(2), 285-313.
[106] Karatepe, E., Boztepe, M., & Colak, M. (2006). Neural network based solar cell
model. Energy Conversion and Management, 47(9), 1159-1178.
[107] Tian, H., Mancilla-David, F., Ellis, K., Muljadi, E., & Jenkins, P. (2012). A cell-to-
module-to-array detailed model for photovoltaic panels. Solar energy, 86(9), 2695-
2706.
[108] De Soto, W., Klein, S. A., & Beckman, W. A. (2006). Improvement and validation
of a model for photovoltaic array performance. Solar energy, 80(1), 78-88.
[109] Kratochvil, J. A., Boyson, W. E., & King, D. L. (2004). Photovoltaic array
performance model (No. SAND2004-3535). Sandia National Laboratories.
[110] Durisch, W., Tille, D., Wörz, A., & Plapp, W. (2000). Characterisation of
photovoltaic generators. Applied Energy, 65(1), 273-284.
[111] Williams, S. R., Betts, T. R., Gottschalg, R., Infield, D. G., Van der Borg, N. J. C.
M., Burgers, A. R., ... & de Montgareuil, A. G. (2005). Evaluating the state of the art
of photovoltaic performance modelling in Europe. In 20th European Photovoltaic
Solar Energy Conference (pp. 1937-1941).
[112] Liu, B. Y., & Jordan, R. C. (1960). The interrelationship and characteristic
distribution of direct, diffuse and total solar radiation. Solar energy, 4(3), 1-19.
[113] Davies, J. A., and J. E. Hay, 1980, Calculation of the Solar Radiation Incident on
an Inclined Surface in Proc. First Canadian Solar Radiation Data Workshop (J. E. Hay
and T. K. Won, eds.), pp. 32-58, April 17-19, 1978.
[114] Reindl, D. T., Beckman, W. A., & Duffie, J. A. (1990). Diffuse fraction
correlations. Solar energy, 45(1), 1-7.
[115] Klise, G. T., & Stein, J. S. (2009). Models used to assess the performance of
photovoltaic systems. Sandia National Laboratories.
[116] Menicucci, D. F. (1985). PVFORM: A new approach to photovoltaic system
performance modeling. In Presented at the 18th IEEE Photovoltaic Specialists
Conference, Las Vegas, Nev., 21 Oct. 1985.
[117] Hoover, E. R. (1980). SOLCEL II: an improved photovoltaic system analysis
computer program (No. SAND-79-1406C; CONF-800106-2). Sandia Labs.,
Albuquerque, NM (USA).

[118] Perez, R., Seals, R., Ineichen, P., Stewart, R., & Menicucci, D. (1987). A new
simplified version of the Perez diffuse irradiance model for tilted surfaces. Solar
energy, 39(3), 221-231.
[119] Perez, R., Stewart, R., Seals, R., & Guertin, T. (1988). The development and
verification of the Perez diffuse radiation model (No. SAND-88-7030). Sandia
National Labs., Albuquerque, NM (USA); State Univ. of New York, Albany (USA).
Atmospheric Sciences Research Center.
[120] Fuentes, M. K. (1987). A simplified thermal model for flat-plate photovoltaic
arrays (No. SAND-85-0330). Sandia National Labs., Albuquerque, NM (USA).
[121] King, D. L., Dudley, J. K., & Boyson, W. E. (1996, May). PVSIM/sub C: a
simulation program for photovoltaic cells, modules, and arrays. In Photovoltaic
Specialists Conference, 1996., Conference Record of the Twenty Fifth IEEE (pp. 1295-
1297). IEEE.
[122] King, D. L., Dudley, J. K., & Boyson, W. E. (1996). PVSIM {copyright}: A
simulation program for photovoltaic cells, modules, and arrays (No. SAND--95-
2673C; CONF-960513--15). Sandia National Labs., Albuquerque, NM (United
States).
[123] Mermoud, A. (1995). Use and validation of PVSYST, a user-friendly software for
PV-system design.
[124] Townsend, T. U., (1989), A Method for Estimating the Long-Term Performance of
Direct-Coupled Photovoltaic Systems, M.S. thesis, University of Wisconsin-Madison,
Madison,WI. Disponible sur: http://sel.me.wisc.edu/theses/townsend89.zip
[125] Klein, S. A., Beckman, W. A., Mitchell, J. W., Duffie, J. A., Duffie, N. A.,
Freeman, T. L., ... & Urban, R. E. (2004). TRNSYS 16–A TRaNsient system
simulation program, user manual. Solar Energy Laboratory. Madison: University of
Wisconsin-Madison.
[126] Eckstein, J. H., (1990), Detailed Modeling of Photovoltaic System Components,
M.S. thesis, University of Wisconsin-Madison, Madison, WI. Disponible sur:
http://sel.me.wisc.edu/theses/eckstein90.zip
[127] Duffie, J. A. and W. A. Beckman, (1991), Solar Engineering of Thermal Processes,
Second Edition, John Wiley & Sons, Inc., New York, NY.
[128] DeSoto, W., (2004), Improvement and Validation of a Model for Photovoltaic
Array performance, M.S. thesis, University of Wisconsin-Madison, Madison, WI.
Disponible sur: http://sel.me.wisc.edu/theses/desoto04.zip.

[129] De Soto, W., Klein, S. A., & Beckman, W. A. (2006). Improvement and validation
of a model for photovoltaic array performance. Solar energy, 80(1), 78-88.
[130] Ma, T., Yang, H., & Lu, L. (2014). Development of a model to simulate the
performance characteristics of crystalline silicon photovoltaic
modules/strings/arrays. Solar Energy, 100, 31-41.
[131] Navabi, R., Abedi, S., Hosseinian, S. H., & Pal, R. (2015). On the fast convergence
modeling and accurate calculation of PV output energy for operation and planning
studies. Energy Conversion and Management, 89, 497-506.
[132] Messenger, R.A., Ventre, J., 2004. Photovoltaic Systems Engineering, second ed.
CRC Press LLC, Boca Raton,FL.
[133] King, D. L., Kratochvil, J. A., & Boyson, W. E. (1997). Field experience with a new
performance characterization procedure for photovoltaic arrays(No. SAND--98-
3147C; CONF-980735--). Sandia National Labs., Albuquerque, NM (US).
[134] Mondol, J. D., Yohanis, Y. G., Smyth, M., & Norton, B. (2005). Long-term
validated simulation of a building integrated photovoltaic system. Solar Energy, 78(2),
163-176.
[135] Skoplaki, E., Boudouvis, A. G., & Palyvos, J. A. (2008). A simple correlation for
the operating temperature of photovoltaic modules of arbitrary mounting. Solar
Energy Materials and Solar Cells, 92(11), 1393-1402.
[136] Davis, M. W., Fanney, A. H., & Dougherty, B. P. (2001). Prediction of building
integrated photovoltaic cell temperatures. TRANSACTIONS-AMERICAN SOCIETY
OF MECHANICAL ENGINEERS JOURNAL OF SOLAR ENERGY
ENGINEERING, 123(3), 200-210.
[137] Nordmann, T., & Clavadetscher, L. (2003, May). Understanding temperature effects
on PV system performance. In Photovoltaic Energy Conversion, 2003. Proceedings of
3rd World Conference on (Vol. 3, pp. 2243-2246). IEEE.
[138] Buresch, M. (1983). Photovoltaic energy systems: Design and installation.
[139] Ross Jr, R. G., & Smokler, M. I. (1986). Flat-Plate Solar Array Project: Final
Report: Volume 6, Engineering Sciences and Reliability (No. DOE/JPL-1012-125-
Vol. 6). Jet Propulsion Lab., Pasadena, CA (USA).

FOLIO ADMINISTRATIF
THESE DE L’UNIVERSITE DE LYON OPEREE AU SEIN DE L’INSA LYON
NOM : Hassan Daher DATE de SOUTENANCE : 06/11/2017

(avec précision du nom de jeune fille, le cas échéant)
Prénoms : Daha
TITRE : Modélisation et analyse expérimentale d’une centrale solaire photovoltaïque en milieu désertique maritime
NATURE : Doctorat Numéro d'ordre : 2017LYSEI102
Ecole doctorale : Mécanique, Energétique, Génie civil, Acoustique
Spécialité : Thermique Energétique
RESUME :
L'objectif de ce travail a été de développer un modèle pour prédire le comportement d'une installation
photovoltaïque (PV) dans une zone désertique maritime, afin d'optimiser la production instantanée et de maintenir
les performances au fil du temps. Les données issues du monitoring d’une centrale solaire ont été analysées afin
d’en extraire des indicateurs de performances et d’étudier l'impact des facteurs climatiques (température,
irradiation et dépôts de poussière). Les méthodes d'analyse de performance, telles que la "transposition aux
conditions de référence" (Ex. PVUSA) et "estimation des mesures de performance" (Ex. PR) ont été appliquées
pour évaluer le taux de dégradation annuel de l'installation. Une première indication de la durée de vie des
installations PV pour le climat de Djibouti a été obtenue, ainsi qu'une capacité à prédire l'évolution à long terme de
cette centrale et des futures installations PV. Parallèlement, un modèle numérique de l'installation PV a été
construit en utilisant TRNSYS, incluant les modules et les onduleurs, pour retranscrire le comportement du
système PV dans son ensemble, ainsi que les conditions environnementales dans lesquelles il évolue. Le modèle
inclus dans la bibliothèque TRNSYS a été amélioré à l'aide de résultats expérimentaux, en particulier en ce qui
concerne la dépendance thermique. Un modèle prédictif a donc été développé combinant l'accumulation de
poussière, un modèle empirique de températures et de dégradation du module. Enfin, une étude paramétrique a
été réalisée avec le modèle complet, afin d'évaluer l'impact du nettoyage pour divers scénarios
d’empoussièrement. Les résultats contribueront à l'optimisation de la conception et de l'exploitation des centrales
solaires dans ce type de climat.
MOTS-CLÉS : centrale solaire photovoltaïque, analyse de performance, méthode PVUSA, Performance Ratio, taux de
dégradation, TRNSYS, modèle d’empoussièrement, modèle prédictif, climat désertique maritime, Djibouti
Laboratoire (s) de recherche : Centre d’Energétique et de Thermique de Lyon
Directeur de thèse: Christophe MENEZO
Président de jury :
Composition du jury :
JEMNI, Abdelmajid Professeur des Universités Ecole National Ingénieur Monastir Rapporteur
LOGERAIS, Pierre-Olivier Maître de Conférences HDR Université Paris-Est Créteil Rapporteur
PERRIN, Marion Docteur/chef de service CEA-INES Examinatrice
LEMITI, Mustapha Professeur des Universités INSA-LYON Examinateur
AMARA, Mohamed Chargé de Recherche CNRS Examinateur
Gaillard, Léon Docteur Université Savoie Mont Blanc Invité


These

Transféré par

Droits d'auteur :

Formats disponibles

These

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These

Transféré par

Droits d'auteur :

Formats disponibles

Modélisation et analyse expérimentale d’une centrale

solaire photovoltaïque en milieu désertique maritime

To cite this version:

HAL Id: tel-01920874

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

THESE de DOCTORAT DE L’UNIVERSITE DE LYON

Ecole Doctorale N° 162

Spécialité/ discipline de doctorat :

Soutenue publiquement le 06/11/2017, par :

Modélisation et analyse expérimentale

Devant le jury composé de :

LEMITI, Mustapha Professeur INSA-LYON Président

Cette thèse est accessible à l'adresse : http://theses.insa-lyon.fr/publication/2017LYSEI102/these.pdf

A la mémoire de mon père

A ma bien-aimée mère, Fatma Ahmed Abdallah

A ma chère et tendre épouse, Sagal Mohamed Abdi

Aux prunelles de mes yeux, mon fils Muhammad et ma fille Aïcha

Daha Hassan Daher INSA-Lyon 2017 i

Daha Hassan Daher INSA-Lyon 2017 ii

Daha Hassan Daher INSA-Lyon 2017 iii

Daha Hassan Daher INSA-Lyon 2017 iv

Daha Hassan Daher INSA-Lyon 2017 v

Daha Hassan Daher INSA-Lyon 2017 vi

Daha Hassan Daher INSA-Lyon 2017 vii

Daha Hassan Daher INSA-Lyon 2017 viii

Figure 1.1 - Part estimative d'énergie renouvelable de la consommation finale mondiale

Daha Hassan Daher INSA-Lyon 2017 ix

Daha Hassan Daher INSA-Lyon 2017 x

Daha Hassan Daher INSA-Lyon 2017 xi

Daha Hassan Daher INSA-Lyon 2017 xii

Tableau 2.1 : Spécifications des modules PV .......................................................................... 12

Daha Hassan Daher INSA-Lyon 2017 xiii

a paramètre de facteur d'idéalité

Aa PV module area (m2)

CLO Courte Longueur d’Onde

DTC Djibouti Test Conditions

EAC énergie AC (kWh)

EDC énergie DC (kWh)

Eg écart de bande d'énergie (eV)

ep erreur type des estimateurs

FC Facteur de charge (%)

G0 irradiation aux conditions de références (1000 W/m2)

Gb composante directe de l'irradiation totale sur la surface horizontale (W/m2)

Gd composante diffuse de l'irradiation totale sur la surface horizontale (W/m2)

Io courant de saturation inverse (A)

IPOA irradiation sur le plan incline (W/m2)

ISC courant de court-circuit (A)

k constante de Boltzmann (1.381. 10-23 J/K)

Kτα modificateur d’angle incident (IAM)

Kτα,d modificateur d’angle incident pour le rayonnement diffus

Daha Hassan Daher INSA-Lyon 2017 xiv

LCOE "Levelized Cost Of Electricity" Coût d’électricité nivelé

LC pertes diverses (h/j)

LS pertes du système par conversion (h/j)

MAM modificateur de masse d'air

NOCT température nominale de fonctionnement de la cellule (K)

NRMSE coefficient de variation (%)

Ns nombre de cellules en séries

Pp puissance prédite (W)