These Telidjane Mohammed 2017 PDF

N°d’ordre NNT : 2017LYSES023
THESE de DOCTORAT DE L’UNIVERSITE DE LYON

opérée au sein de
Université de Jean Monnet Saint-Etienne
Ecole Doctorale ED SIS 488

Sciences ingénierie santé
Spécialité de doctorat : Traitement de signal

Discipline : Image Vision
Soutenue publiquement/à huis clos le 13/07/2017, par :

Mohammed Telidjane
Modélisation des panneaux

photovoltaïques et adaptation de la
cyclostationarité pour le diagnostic
Devant le jury composé de :
H. Razik Professeur à l'Université Claude Bernard Lyon 1 Président.e
M.Benbouzid Professeur à l'Université Bretagne Occidentale, Brest Rapporteur.e

N.Martin Directeur de Recherche CNRS, Gipsa-Lab de Grenoble Rapporteur.e
A.Ibrahim Professeur à l'Université Claude Bernard Lyon 1 Examinateur
N.Soualhi Maître de Conférences à l'Université Jean Monnet, Roanne Examinateur.rice
M.El Badaoui Professeur à l'Université Jean Monnet, Roanne Directeur de thèse
F.Bonnardot Maître de conférence à l'Université Jean Monnet, Roanne Co-directeur de thèse
G.Marrakchi Professeur à l'Université Jean Monnet, St Etienne Co-directeur de thèse
i
Remerciements
Je suis très reconnaissant envers Mohamed El Badaoui et Ghanem Marrakchi,
mes directeurs de thèse et Professeurs à l'université Jean Monnet, ainsi qu'à Frédéric
Bonnardot, mon co-encadrant, maître de conférences à l'université Jean Monnet. Ils
m'ont suivi tout long de cette thèse et ont apporté tout le savoir-faire nécessaire au bon
déroulement de mes travaux de recherche.
J'exprime ma gratitude aux membres du jury de soutenance pour avoir accepté de

juger ce travail.
Que toute ma gratitude aille également au Professeur François Guillet, directeur
adjoint du Laboratoire d'Analyse des Signaux et des Processus Industriels (LASPI), pour
m ?avoir accueilli au sein du laboratoire.
Je remercie le directeur de l'IUT de Roanne Nabih Nedjar qui m'a permis de dispenser
des cours en tant qu'attaché temporaire d'enseignement et recherche au sein de son
établissement.
Je remercie également Claire Thomas, responsable du projet SoDa à Transvalor

Innovation (Sophia antipolis). Elle m'a fourni les données météorologiques qui ont été à
la base de mes traitements.
Enn, j'adresse mes remerciements à ma famille, tous mes amis et tous mes collègues
du LASPI.
iii
Table des matières
1 Etat de l'art 7
1.1 La cellule photovoltaïque . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 La source d'énergie : le rayonnement solaire . . . . . . . . . . . . . 7
1.1.2 La transformation en énergie électrique . . . . . . . . . . . . . . . . 10
1.1.3 Modélisation d'une cellule PV . . . . . . . . . . . . . . . . . . . . . 10
1.1.3.1 Modèle à une diode . . . . . . . . . . . . . . . . . . . . . . 11
1.1.3.2 Modèle de Bishop . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.4 Paramètres de fonctionnement et pertes . . . . . . . . . . . . . . . 13
1.1.4.1 Pertes lors de la photo-conversion . . . . . . . . . . . . . . 13
1.1.4.2 Type de matériau semi-conducteur . . . . . . . . . . . . . 15
1.1.4.3 Inuence de l'irradiation . . . . . . . . . . . . . . . . . . . 15
1.1.4.4 Inuence de la température . . . . . . . . . . . . . . . . . 16
1.1.4.5 Point de fonctionnement . . . . . . . . . . . . . . . . . . . 16
1.1.4.6 Dénitions des rendements associés à la chaîne de conversion 16
1.2 De la cellule au champ photovoltaïque . . . . . . . . . . . . . . . . . . . . 17
1.2.1 Module PV (panneau solaire) . . . . . . . . . . . . . . . . . . . . . 18
1.2.2 String PV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.3 Champ PV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.4 Simulation d'un Champ PV . . . . . . . . . . . . . . . . . . . . . . 20
1.2.5 Les sources de pertes . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3 Raccordement à une charge / un réseau . . . . . . . . . . . . . . . . . . . . 21
1.3.1 Type d'application . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.1.1 Applications autonomes : cas de site isolé . . . . . . . . . 22
1.3.1.2 Applications raccordées au réseau . . . . . . . . . . . . . . 23
1.3.2 Système de protection . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.2.1 Diodes bypass . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.2.2 Diodes antiretour . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.3 Unité de conditionnement de puissance . . . . . . . . . . . . . . . . 24
1.3.3.1 Conversion DC/AC . . . . . . . . . . . . . . . . . . . . . . 24
1.3.3.2 Recherche du point de fonctionnement optimal (MPPT) . 24
1.3.3.3 Découplage de puissance entre le côté AC et DC . . . . . 25
1.3.3.4 Isolation galvanique entre les entrées et les sorties . . . . . 25
1.3.4 Emplacement des Onduleurs / Hacheurs . . . . . . . . . . . . . . . 25
1.3.4.1 Topologie centrale . . . . . . . . . . . . . . . . . . . . . . 25
1.3.4.2 Topologie onduleur string . . . . . . . . . . . . . . . . . . 26
1.3.4.3 Concept team . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.4.4 Topologie onduleur multistring . . . . . . . . . . . . . . . 26
v
1.3.4.5 Topologie modulaire . . . . . . . . . . . . . . . . . . . . . 27
1.3.4.6 Evolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3.5 Facteur de pertes et de performances . . . . . . . . . . . . . . . . . 28
1.4 Défauts des panneaux photovoltaïques . . . . . . . . . . . . . . . . . . . . 29
1.4.1 Défaut de mismatch . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.4.1.1 Types de défauts de mismatch . . . . . . . . . . . . . . . . 30
1.4.1.2 Utilisation de diodes de bypass . . . . . . . . . . . . . . . 30
1.4.1.3 Changement de conguration du champ PV . . . . . . . . 30
1.4.1.4 Recherche de point de puissance maximum (MPPT) . . . 31
1.4.1.5 Réduction de défaut de mismatch par site considération . 33
1.4.2 Défaillance de l'onduleur . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4.3 Salissure sur les modules . . . . . . . . . . . . . . . . . . . . . . . . 35
1.4.4 Défaut de terre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.4.5 Défaut d'arc électrique . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.5 Méthodes de détection de défaut . . . . . . . . . . . . . . . . . . . . . . . . 37
1.5.1 Méthodes non électriques . . . . . . . . . . . . . . . . . . . . . . . . 37
1.5.2 Méthodes électriques . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.5.2.1 Réectométrie . . . . . . . . . . . . . . . . . . . . . . . . 38
1.5.2.2 Utilisation de données satellites . . . . . . . . . . . . . . . 38
1.5.2.3 Caractéristiques I-V . . . . . . . . . . . . . . . . . . . . . 39
1.5.2.4 Autres méthodes . . . . . . . . . . . . . . . . . . . . . . . 40
1.5.3 Méthodes de diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2 Cyclostationnarité 42
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2 Dénitions et propriétés (cas général) . . . . . . . . . . . . . . . . . . . . . 43
2.2.1 Processus stochastique, signal stochastique et vecteur stochastique . 43
2.2.2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.2.1 La fonction de densité de probabilité . . . . . . . . . . . . 44
2.2.3 Ergodisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.3 Moments et cumulants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4 Processus cyclostationnaires . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.1 Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.2 Extension au cas presque-périodique . . . . . . . . . . . . . . . . . 47
2.4.3 Fonction de densité de corrélation spectrale (FDCS) . . . . . . . . . 47
2.5 Estimation des composantes cyclostationnaires pour l'analyse des condi-
tions météorologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.5.1 Moyenne synchrone en anglais Times synchrounous average (TSA) . 51
2.6 Méthode de Cepstre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.7 Moyenne Synchrone Temporelle Adaptée (ATSA) . . . . . . . . . . . . . . 56
2.7.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.7.2 Application aux signaux météorologiques . . . . . . . . . . . . . . . 57
2.7.3 Analyse comparative . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.7.4 Analyse à l'ordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.8 Evaluation des performances de la méthode ATSA . . . . . . . . . . . . . . 62
2.9 Lien avec la cyclostationnarité oue . . . . . . . . . . . . . . . . . . . . . . 65
vi
2.9.1 Interêt du modèle cyclostationnaire ou . . . . . . . . . . . . . . . 65
2.9.2 Exploitation à l'aide de la méthode ATSA . . . . . . . . . . . . . . 66
2.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3 Modélisation des défauts 67

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2 Détermination de la caractéristique I-V d'une cellule . . . . . . . . . . . . 67
3.3 Rôle de la diode de bypass . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.4 Caractéristique I-V d'un module . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4.1 Défaut d'ombrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.2 Défaut T lié à la température . . . . . . . . . . . . . . . . . . . . . 72
3.4.3 Défaut Rs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.4.4 Défaut Rp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.4.5 Défaut de diode de bypass . . . . . . . . . . . . . . . . . . . . . . . 74
3.4.5.1 Court circuit . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.4.5.2 Claquage . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.5.3 Circuit ouvert . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.5.4 Inversion de polarité . . . . . . . . . . . . . . . . . . . . . 77
3.5 Simulation des signaux du panneau PV . . . . . . . . . . . . . . . . . . . . 77
3.5.1 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.5.2 Analyse cyclostationnaire . . . . . . . . . . . . . . . . . . . . . . . 79
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4 Diagnostic 85
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2 Réalisation de la base de donnée de signaux . . . . . . . . . . . . . . . . . 85
4.3 Dénition des indicateurs, application au défaut d'ombrage . . . . . . . . . 86
4.3.1 Analyse temporelle des signaux . . . . . . . . . . . . . . . . . . . . 87
4.3.2 Analyse fréquentielle des signaux . . . . . . . . . . . . . . . . . . . 87
4.3.3 Analyse CS des signaux . . . . . . . . . . . . . . . . . . . . . . . . 88
4.4 Etude et diagnostic de diérents types de défauts . . . . . . . . . . . . . . 91
4.4.1 Symptôme 1 : chute de puissance . . . . . . . . . . . . . . . . . . . 93
4.4.2 Symptôme 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.4.3 Symptôme 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
vii
Table des gures
1.1 Spectre du rayonnement solaire reçu [Wikipedia, 2016b]. . . . . . . . . . . 9
1.2 Normes de mesures du spectre d'énergie lumineuse émis par le soleil, notion
de la convention AM [Stéphane, 2009]. . . . . . . . . . . . . . . . . . . . . 9
1.3 Niveau d'énergie d'un semi-conducteur . . . . . . . . . . . . . . . . . . . . 10
1.4 Sources de pertes pour un panneau solaire . . . . . . . . . . . . . . . . . . 14
1.5 Caractéristiques I(V) du module PV pour diérentes irradiances . . . . . . 15
1.6 Caractéristique I(V) du module PV pour diérentes températures . . . . . 16
1.7 Point de puissance maximale du modulePV. . . . . . . . . . . . . . . . . . 17
1.8 Groupe de 18 cellules connectées avec non-overlaped diode . . . . . . . . . 18
1.9 Groupe de 18 cellules montées avec overlaped diode . . . . . . . . . . . . . 19
1.10 Diérentes congurations du champ PV . . . . . . . . . . . . . . . . . . . 20
1.11 Schéma de raccordement d'un panneau solaire au réseau . . . . . . . . . . 22
1.12 Champ PV avec diodes antiretour . . . . . . . . . . . . . . . . . . . . . . . 24
1.13 Schéma des topologies Onduleur . . . . . . . . . . . . . . . . . . . . . . . . 26
1.14 Concept Team . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.15 Indices de performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.16 Algorithme Perturb and Observ . . . . . . . . . . . . . . . . . . . . . . . . 32
1.17 Caractéristique P-V du module PV. Variation de dP/dV. . . . . . . . . . . 32
1.18 Algorithme de l'incrément de conductance . . . . . . . . . . . . . . . . . . 34
1.19 (A) défaut de terre, (B) arc série, (C) arc parallèle . . . . . . . . . . . . . . 36
1.20 Inspection des cellules PV par électroluminescence . . . . . . . . . . . . . . 37
1.21 Inspection des cellules PV par photoluminescence . . . . . . . . . . . . . . 38
1.22 Inspection des cellules PV par caméra infrarouge . . . . . . . . . . . . . . . 38
1.23 Méthode de réectométrie . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1 Tension de bruit observée. . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Processus aléatoire X(t, ω), signal aléatoire X(t, ωj ), vecteur aléatoire
X(tk , ωj ), tk = kTe , variable aléatoire X(ti ) . . . . . . . . . . . . . . . . . . 44
2.3 Plan bi-fréquentielle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4 Diagramme de Venn des classes des processus cyclostationnaires. . . . . . . 49
2.5 Ensoleillement de la ville de Roanne de 2004-2013. . . . . . . . . . . . . . . 49
2.6 Ensoleillement de la ville de Roanne à partir de 1/1/2004 (agrandissement). 50
2.7 Spectre de la ville de Roanne de 2004-2010. . . . . . . . . . . . . . . . . . 50
2.8 Spectre de l ville de Roanne de 2004-2010 (agrandissement). . . . . . . . . 51
2.9 Estimation de la moyenne synchrone. . . . . . . . . . . . . . . . . . . . . . 52
2.10 Moyenne synchrone. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.11 Cepstre réel de l'ensoleillement(bleu), Cepstre réel de l'ensoleillement après
ltrage des rahmoniques(rouge). . . . . . . . . . . . . . . . . . . . . . . . . 54
ix
2.12 Méthode d'édition de Cepstre. . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.13 Gabrit de ltre en peigne | H(ω) |. . . . . . . . . . . . . . . . . . . . . . . 55
2.14 Estimation du motif répétitif par le Cesptre. . . . . . . . . . . . . . . . . . 56
2.15 Filtre Adaptatif. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.16 Motif cyclique obtenu par la méthode ATSA. . . . . . . . . . . . . . . . . . 57
2.17 Résiduel obtenu par la méthode TSA et ATSA. . . . . . . . . . . . . . . . 58
2.18 Résiduel obtenu par la méthode d'édition de Cepstre et ATSA. . . . . . . 58
2.19 Spectre du résiduel obtenu par la TSA et ATSA. . . . . . . . . . . . . . . . 59
2.20 Spectre du résiduel obtenu par la méthode de d'édition du Cesptre et ATSA. 60
2.21 Calcul de l'auto-corrélation cyclique. . . . . . . . . . . . . . . . . . . . . . 60
2.22 Fonction d'autocorrélation cyclique journalière de l'ensoleillement Rxα (τ ). . 61
2.23 Fonction d'autocorrélation cyclique annuelle de l'ensoleillement Rxα (τ ). . . . 61
2.24 Signal de synthèse simulant l'ensoleillement. . . . . . . . . . . . . . . . . . 63
2.25 Signal de synthèse après normalisation. . . . . . . . . . . . . . . . . . . . . 63
2.26 Moyenne synchronne du signal normalisé. . . . . . . . . . . . . . . . . . . . 64
2.27 Signal de synthèse et motif cyclique. . . . . . . . . . . . . . . . . . . . . . 64
2.28 Fonction d'auto corrélation cyclique du résiduel du Signal de synthèse. . . 64
2.29 Fonction d'auto corrélation cyclique du résiduel du Signal de synthèse
(coupe à τ = 0). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.1 Cellule normale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2 Cellule occultée à 50% . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3 Caractéristique I-V d'un groupe avec et sans diode de bypass. . . . . . . . 69
3.4 Caractéristique I-V d'un groupe normal et d'un groupe défectueux. . . . . 69
3.5 Caractéristique I-V d'un module normal et module défectueux. . . . . . . . 70
3.6 Panneau PV utilisé dans la simulation. . . . . . . . . . . . . . . . . . . . . 70
3.7 Matrice représentant le panneau PV. . . . . . . . . . . . . . . . . . . . . . 71
3.8 Matrice de simulation de défaut d'ombrage. . . . . . . . . . . . . . . . . . 71
3.9 Caractéristique I-V d'un module dans le cas de défaut d'ombrage. . . . . . 72
3.10 Matrice pour créer le défaut de mismatch de type T . . . . . . . . . . . . . 72
3.11 Caractéristique I-V d'un module dans le cas de défaut de mismatch de type
T. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.12 Matrice pour créer le défaut de mismatch de type Rs . . . . . . . . . . . . 73
Rs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.14 Matrice pour créer le défaut de mismatch de type Rp . . . . . . . . . . . . . 74
Rp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.16 Schéma électrique pour modéliser le défaut de diode de bypass . . . . . . . 75
3.17 Caractéristique I-V d'un module dans le cas où la diode est court-circuitée. 76
3.18 Caractéristique I-V d'un module dans le cas ou la diode de bypass est claquée. 77
3.19 Caractéristique I-V d'un module dans le cas de défaut de diode de bypass. 78
3.20 La méthode pour estimer Pmax , Isc et V oc . . . . . . . . . . . . . . . . . . 78
3.21 Température de Roanne. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.22 Pmax sans défaut. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.23 Isc sans défaut. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.24 Voc sans défaut. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
x
3.25 Fonction d'auto corrélation cyclique de Pmax . . . . . . . . . . . . . . . . . . 81
3.26 Fonction d'auto corrélation cyclique de Isc . . . . . . . . . . . . . . . . . . . 82
3.27 Fonction d'auto corrélation cyclique de Voc . . . . . . . . . . . . . . . . . . . 82
3.28 Pmax en fonction de l'ensoleillement . . . . . . . . . . . . . . . . . . . . . . 83
3.29 Isc en fonction de l'ensoleillement . . . . . . . . . . . . . . . . . . . . . . . 83
3.30 Voc en fonction de l'ensoleillement. . . . . . . . . . . . . . . . . . . . . . . . 83
4.1 Défauts d'ombrage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.2 Analyse temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3 Analyse fréquentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.4 Motifs cycliques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.5 Parties résiduelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.6 Projection de la CAF pour Pmax . . . . . . . . . . . . . . . . . . . . . . . . 92
4.7 Projection de la CAF pour Isc . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.8 Projection de la CAF pour Voc . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.9 Algorithme pour détecter les défauts. . . . . . . . . . . . . . . . . . . . . . 94
4.10 Détermination du seuil de Pmax . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.11 Détermination du seuil de Isc . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.12 Détermination du seuil de Voc . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.13 Classication des défauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
xi
Liste des tableaux
1.1 Diérents modèles électriques de cellule photovoltaïque . . . . . . . . . . . 12
1.2 Diérentes technologies de Si . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 Comparaison des algorithmes Perturb and observe et Incremental conduc-
tance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Paramètres utilisés dans la simulation des défauts [Bun, 2011] . . . . . . . 68
4.1 Scénarions de défauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.2 Indicateurs temporels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3 Indicateurs fréquentiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4 Indicateurs CS (motifs cycliques) . . . . . . . . . . . . . . . . . . . . . . . 90
4.5 Indicateurs CS (parties résiduelles) . . . . . . . . . . . . . . . . . . . . . . 91
4.6 Indicateurs CS (CAF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.7 Tableau de signatures de défauts (1) . . . . . . . . . . . . . . . . . . . . . 96
4.8 Tableau de signatures de défauts (2) . . . . . . . . . . . . . . . . . . . . . 97
4.9 Erreurs relatives (1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.10 Erreurs relatives(2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.11 Seuils de détection de défauts . . . . . . . . . . . . . . . . . . . . . . . . . 103
xii
Résumé
Les systèmes photovoltaïques (PV) peuvent être exploités dans diérents lieux. L'ex-
position extérieure des panneaux PV mets en jeu une combinaison complexe de facteurs
(le vent, la pluie, la neige, la chaleur, la foudre, ombrage, ...) qui provoquent leurs dégra-
dations au cours du temps et réduit leurs rendement. Le diagnostic est parmi les solutions
intéressantes en vue de faire fonctionner des panneaux PV à leur puissance optimale et
an de maximiser l'ecacité de la conversion PV dans le but de réduire les coûts de
maintenance.
Dans ce travail de thèse, nous nous intéressons uniquement au diagnostic des géné-
rateurs PV. L'objectif de cette thèse est de proposer des outils de traitement de signal
permettant de détecter et de localiser des défauts conduisant à une baisse de rendement.
Pour mener ce travail, nous faisons tout d'abord un état de l'art sur les panneaux
photovoltaïques de l'aspect microscopique (cellule) à l'aspect macroscopique (champs).
Pour commencer, nous présentons le principe de fonctionnement d'une cellule photo-
voltaïque ainsi que les diérents paramètres aectant son rendement. La combinaison
de cellules pour créer un panneau photovoltaïque, de panneaux pour créer des champs,
... sont ensuite étudiés. Il est ensuite montré comment raccorder ces éléments à une
charge et un réseau. Parallèlement à cela, nous décrivons les diérents types de défauts
et présentons un panorama des méthodes de leur détection.
La seconde partie, consacrée aux outils théoriques. On rappel la dénition de la

cyclostationnarité et des outils associés à la cyclostationnarité à l'ordre 1 (moyenne
synchrone) et l'ordre 2 (corrélation spectrale). Les performances des panneaux PV
dépendant principalement des conditions météorologiques (irradiance, température), ces
conditions présentent des propriétés cyclostationnaires (CS) et permettent de décomposer
les signaux en un motif cyclique (CS1) et un motif aléatoire cyclostationnaire à l'ordre 2
(CS2). La CS2 est associée à des phénomènes météorologiques comme les passages nua-
geux. A l'aide d'exemples, nous montrons que les outils classiques (Moyenne Synchrone,
Cepstre) utilisés dans le domaine de la CS ne permettent pas une bonne séparation de
la composante cyclique et la partie aléatoire pour le signal d'ensoleillement à cause de la
variation d'amplitude d'un cycle à un autre engendré par l'eet de la saisonnalité. C'est
pourquoi nous introduisons dans ce travail une méthode originale appelée ATSA adapté
à ce type de signaux. Une analyse comparative montre l'intérêt de cette méthode par
rapport aux outils classiques.
Une troisième partie traitant de la modélisation de défauts indique comment construire

une base de données de signaux électriques par simulation. De nombreux modèles élec-
1
triques sont utilisés dans la littérature pour comprendre le fonctionnement des panneaux
PV. Le modèle de Bishop a été retenu dans cette étude, car il représente bien la carac-
téristique courant tension (I-V) du fonctionnement des cellules PV dans régime direct
ainsi que dans le régime inverse dans le cas où une cellule est occultée. Nous expliquons
comment agissent les diérents types de défauts sur la caractéristique I-V des panneaux
solaires. Les signaux électriques des indicateurs (puissance maximale, courant court cir-
cuit et tension circuit ouvert) sont ensuite calculés à partir de la caractéristique I-V du
panneau PV obtenue pour des conditions spéciques (irradiance, température, défaut de
mismatch, défaut de diode de bypass...). L'originalité de notre travail est de simuler les
signaux en utilisant des caractéristiques d'ensoleillement réelles obtenu par mesure sa-
tellite. Nous introduisons ainsi la notion de saisonnalité dans la caractéristique I-V qui
dépend alors du temps.
Nous faisons ensuite une analyse des premiers signaux obtenus par simulation.
L'évolution temporelle de ces indicateurs montre un aspect CS et la méthode ATSA est
appliquée pour ces signaux an d'avoir une bonne séparation du motif cyclique et du
motif aléatoire des signaux temporels. La séparation de ces deux composantes permet
de travailler sur diérents ordres de la CS. La fonction d'autocorrélation cyclique est
appliquée sur les parties aléatoires des signaux an de travailler sur la CS à l'ordre2 (CS2).
Dans la quatrième partie, on montre comment combiner les outils tels que l'ATSA pour
faire du diagnostic sur les signaux que nous avons simulés. Nous présentons tout d'abord
nos choix de types de défauts et de sévérité utilisés pour construire notre base de données.
Ensuite, nous décrivons et illustrons les diérents indicateurs de manière détaillée pour
un défaut d'ombrage. Une étude plus large portant sur l'ensemble des défauts simulés est
ensuite menée. Dans cette étude, la CS2 des signaux à donné de bons résultats pour faire
du diagnostic en comparant par l'analyse temporelle et fréquentielle.
Mots clés : panneau photovoltaïque, cyclostationnarité, diagnostic, ATSA.
2
Introduction
Les problèmes climatiques et la nécessité de réduire les émissions des gaz à eet de
serre poussent les chercheurs à trouver des moyens de production d'électricité moins
polluants selon l'accord international sur le climat approuvé à l'issue de la COP 21 à
Paris(2016). Un autre problème vient des réserves limitées en énergies fossiles et ssiles.
C'est précisément les raisons pour lesquelles les énergies renouvelables sont considérées
comme prometteuses d'un considérable potentiel d'avenir.
L'une des sources d'énergie renouvelable couramment utilisée est le soleil qui est à
la base de l'utilisation de l'énergie photovoltaïque (PV) pour produire de l'électricité à
travers les panneaux PV. L'énergie PV est en forte croissance depuis quelques années,
car c'est une source inépuisable, non polluante pour l'environnement, silencieuse et non
dérangeante pour les riverains. La lière la technologie PV a connu des bonds et rebonds
signicatifs en matière de performances et de coût ces dernières décennies puisqu'elle a
proté, d'une part, comme les autres lières technologiques, des nouvelles connaissances
acquises dans le domaine des matériaux, et d'autre part de la stimulation qu'elle provoque
chez les chercheurs puisqu'elle leur pose un noble dét.
Les systèmes PV générateurs d'électricité peuvent être exploités dans diérents

lieux. L'exposition extérieure des panneaux PV regroupe une combinaison complexe
de facteurs (le vent, la pluie, la neige, la chaleur, la foudre, ombrage. . . ) qui pro-
voque leurs dégradations au cours du temps. Par conséquent, cette combinaison de
facteurs a un impact négatif sur le rendement et donc réduit le prot de l'installation,
sans compter le coût de maintenance pour remettre en marche le système en performance.
An de maximiser l'ecacité de la conversion PV et réduire les coûts de maintenance,

de nombreuses solutions ont été proposées dans les travaux de recherche. Le diagnostic
gure parmi les solutions intéressantes en vue de faire fonctionner des panneaux PV à
leur puissance optimale et de concurrencer les sources d'énergie fossile pour des raisons
économiques.
Le fonctionnement des panneaux PV est tributaire des conditions météorologiques

(ensoleillement, température). L'étude de ces phénomènes s'avère nécessaire pour com-
prendre le comportement des panneaux PV. ). Ces conditions météorologiques présentent
un aspect cyclostationaire.
L'étude bibliographique est prolique sur le diagnostic des défauts par diérentes
approches et modèles qui peuvent être électriques ou non.
3
Dans ce travail de thèse, nous nous intéressons seulement à la détection et la
localisation de défauts du côté générateur PV. L'objectif de la thèse est de proposer des
outils de traitement de signal permettant de détecter et localiser les défauts conduisant
à une baisse de rendement.
Ce travail est réparti en quatre chapitres : Le premier chapitre est consacré à l'état de
l'art de l'énergie PV. En premier lieu, la dénition des notions sur rayonnement solaire
ainsi que les matériaux utilisés pour la conversion PV, description des diérents modèles
électriques pour modéliser une cellule PV, inuence de la température et de l'ensoleille-
ment sur la caractéristique I-V. En deuxième lieu, les diérents éléments constituants un
système PV sont décrits et leurs rôles sont également discutés. En dernier lieu, une étude
bibliographique est menée sur les diérents défauts dans un système PV ainsi que les dié-
rentes méthodes électriques et non électriques de détection de défaut dans un système PV.
Le deuxième chapitre est dédié aux dénitions des propriétés statistiques, des outils
de la cyclostationarité ainsi que les diérentes méthodes de séparation de la CS1 et la
CS2 dans le but de travailler sur les diérents ordres de la CS. Cette dernière est un
verrou scientique à lever. Etant donné qu'il y a une variation d'amplitude pour le signal
d'ensoleillement à cause de l'eet de la saisonnalité, les outils classiques de la CS (TSA,
Cepstre) ne permettent pas une bonne séparation du motif cyclique et partie résiduelle.
Dans notre étude, nous avons développé une méthode ATSA qui a montré de meilleurs
résultats pour cette séparation par rapport à la méthode du Cepstre et de la TSA.
Le troisième chapitre s'intéresse à la modélisation des panneaux PV dans le cas sain

et défectueux. Un modèle de défaut de mismatch ainsi que le défaut de diode de bypass
sont conçus an d'étudier plusieurs scénarios de défaut. Le modèle de Bishop était choisi
pour la simulation, car il représente le fonctionnement de la cellule PV dans le cas normal
et dans le régime inverse lorsque la cellule est occultée. Les caractéristiques I-V des
modules sont obtenues par l'association de la caractéristique des cellules PV en utilisant
le modèle de Bishop. Ces caractéristiques nous permettent d'obtenir les indicateurs Pmax
Isc et Voc pour faire le diagnostic dans le cas statique. Dans notre étude nous voulons
suivre l'évolution de ces indicateurs selon l'évolution des conditions météorologiques.
Pour cela, les conditions météorologiques ont été injectées dans le modèle de Bishop
et les indicateurs ont été estimés an d'obtenir leur évolution temporelle. Les signaux
temporels des indicateurs électriques obtenus ont montré un aspect cyclostationnaire. Ce
caractère cyclostationnaire nous ouvre des perspectives pour faire le diagnostic.
Le quatrième chapitre se concentre sur le bilan des diérents résultats du diagnostic.

Une comparaison est eectuée entre l'approche temporelle, fréquentielle et cyclostation-
naire ainsi qu'un tableau des signatures de défauts est établit an de diérencier les
diérents types de défauts.
4
Chapitre 1
Etat de l'art
Introduction
Les panneaux photovoltaïques présentent plusieurs avantages [Zandi, 2010] :
production d'énergie à partir d'une source solaire durable, renouvelable et propre,
faible coût de fonctionnement en comparaison des sources traditionnelles d'énergie,
prix d'achat des panneaux PV peu élevé,
modularité des éléments d'un panneau PV facilitant le montage même en zone
dégroupée,
entretien minimum,
travail sécuritaire des techniciens.
Cependant, des points faibles sont également à noter [Zandi, 2010] :

rendement uctuant à cause des variations de la source solaire,
rendement concret et densité d'énergie faible,
matériels encombrants ce qui nécessite des endroits d'installations plus grands.
Ce chapitre présente un état de l'art recensant les travaux liés aux panneaux solaires
sur lesquels nous nous sommes appuyés. Dans un premier temps, nous étudierons la cellule
photovoltaïque qui est l'élément de base de tout panneau solaire. Nous nous intéresserons
ensuite aux associations de ces cellules permettant de construire des éléments plus ou
moins grands : du panneau solaire au champ photovoltaïque.
Après avoir discuté des applications, nous verrons comment il est possible en fonc-
tion de l'application d'adapter l'énergie photovoltaïque à la charge associée à l'aide des
onduleurs et hacheurs.
Enn, nous traiterons les défauts des panneaux PV et les méthodes de détection de
défauts.
1.1 La cellule photovoltaïque

1.1.1 La source d'énergie : le rayonnement solaire
Le rayonnement solaire est une onde électromagnétique émise par la surface de soleil
qui résulte des réactions de fusion de l'hydrogène en hélium ayant lieu au coeur du soleil.
7
CHAPITRE 1. ETAT DE L'ART
Chaque seconde, 3.89M J d'énergie nucléaire est libéré par le noyau du soleil. Ce ux
d'énergie nucléaire est rapidement converti en énergie thermique et transportée vers la
surface de l'étoile où elle est libérée sous la forme d'un rayonnement électromagnétique.
le Soleil ressemble à un corps noir avec une température de surface de 5800◦ K et un pic
d'énergie spectral émise à 480 nm. Environ 77 % de l'énergie émise se trouve dans la
bande de 300 à 1200 nm [Markvart et Castañer, 2003] comme montré sur la gure 1.1.
La densité de puissance émise par le soleil est de l'ordre de 64 M W/m2 dont 1370 W/m2
environ atteint le sommet de l'atmosphère de la terre sans absorption signicative dans
l'espace. Cette dernière quantité est appelée la constante solaire. La gamme spectrale du
rayonnement solaire est très large et couvre les rayons ultraviolets (UV) dont la longueur
d'onde (λ < 400 nm) et représente 6 % du spectre du rayonnement, infrarouge (IR) (λ >
700 nm) pour 46 %, y compris le visible (400 < λ < 700 nm) pour 48 %.
Le rayonnement solaire incident sur le panneau PV est composé de trois parties : le
rayonnement direct, le rayonnement dius et le rayonnement rééchi par la surface de la
Terre (albédo) [Islam et al., 2011]. Ils se décomposent comme suit :
Rayonnement direct (ou faisceau de rayonnement) : l rayonnement qui n'est pas
rééchi ou diusé et qui atteint la surface de la Terre directement.
Rayonnement diusé : Rayonnement dispersé dans toutes les directions de l'atmo-
sphère. Une partie arrive au plan sur la surface de la Terre (non directionnelle).
Albédo : Part du rayonnement qui frappe la terre et qui est rééchi par le sol.
Rayonnement global : Combinaison de ces trois rayonnements.
An de pouvoir calibrer et comparer les performances des cellules photovoltaïques
élaborées dans les diérents laboratoires du monde, la notion de masse d'air (AM) est
établie. Elle quantie la quantité de puissance absorbée par l'atmosphère en fonction de
l'angle θ du soleil depuis le zénith [Stéphane, 2009] :
1
AM = . (1.1)
sin(θ)
Par exemple :
les conditions AM1 sont obtenues lorsque le soleil est au Zénith (au niveau de la
mer) AM = 1/sin(90◦ ) = 1 et on note AM1.
Avec un soleil à 30◦ sur l'horizon, les conditions AM 2 = 1/sin(30◦ ) sont obtenues
et on note AM2.
Les conditions AM0 désignent le rayonnement solaire hors atmosphère
[Singo, 2010]. Ces conditions sont utilisées dans le domaine spatial, par exemple
pour caractériser les cellules solaires utilisées comme sources d'alimentations des
satellites.
Les conditions AM1.5 appelées aussi les conditions standards de test caractérisent
un spectre de référence avec une puissance de 1000 W/m2 (IEC 60904-3, 2008 Ed 2)
[IEC, 2008]. Ces conditions sont utilisées pour tester les performances des cellules solaires
destinées à des applications terrestres.
Des sources articielles sont utilisées pour simuler le spectre AM1.5 au niveau des labo-
ratoires appelés simulateurs solaires. Ces simulateurs se composent de diérents types de
lampes (par exemple xénon ou halogène) pour simuler le spectre AM1.5 [Janez Krc, 2013].
La gure 1.2 montre le spectre du rayonnement solaire reçu pour diérentes conditions
AM .
8
1.1. LA CELLULE PHOTOVOLTAÏQUE
W
Intensité lumineuse 2500
m² m
2000 Corps noir parfait

(température 5900 K)
Rayonnement solaire extraterrestre
(masse d'air AM0)
1500
Rayonnement solaire terrestre
(masse d'air AM1,5)
1000
500
250 500 750 1000 1250 1500 1750 2000 2250 nm

Domaine Longueur d'onde
UV IR
visible
Figure 1.1 Spectre du rayonnement solaire reçu [Wikipedia, 2016b].
Figure 1.2 Normes de mesures du spectre d'énergie lumineuse émis par le soleil, notion
de la convention AM [Stéphane, 2009].
9
1.1.2 La transformation en énergie électrique

Une cellule PV est fabriquée à partir de matériaux semi-conducteurs qui doivent être
capables d'absorber une grande partie de spectre solaire. Elle est constituée de deux
types de matériaux. Un semi-conducteur de type N obtenu en dopant le silicium par le
phosphore et un semi-conducteur de type P obtenu en dopant le silicium par le bore créant
une jonction PN.
Cette cellule est soumise à l'énergie des photons. L'énergie d'un photon (E), en Joules,
dépend de la célérité de la lumière (c) et de la longueur d'onde du rayonnement (λ) par
la relation :
hc
E = hγ = (1.2)
λ
où
h = 6.624.10−34 Joule.sec est la constante de Planck,
γ est la fréquence exprimée en Hz ,
c ≈ 3.108 m/s la vitesse de la lumière,
λ la longueur d'onde exprimée en m.
An de faire passer un électron de la bande de valence à la bande de conduction, il est
nécessaire comme l'illustre la gure 1.3 d'apporter une énergie supérieure à l'énergie du
gap Eg = Ec − Ev (1, 1 eV pour le Silicium 1 ). Les photons qui ont une énergie supérieure
au gap du matériau [Rustemli et Dincer, 2011] sont ainsi capables d'ioniser les atomes
de valence du silicium et créent des paires électrons (couche N) trous (couche P). Il en
résulte une diérence de potentiel entre les deux couches appelé potentiel de diusion de
la diode.
Energie
Bande de conduction
Ec
Bande interdite
Ev
Bande de valence occupée
Figure 1.3 Niveau d'énergie d'un semi-conducteur

La tension produite à vide par une cellule, nommée la tension de circuit ouvert, est
d'environ 0, 6 V pour le Si. Plus de porteurs peuvent être récoltés si la cellule est connectée
à une charge. Le courant maximal, produit lorsque la cellule est court-circuitée, dépend
fortement de l'ensoleillement [Pastor, 2006].
1.1.3 Modélisation d'une cellule PV

Une évaluation de fonctionnement de modules PV et la conception de systèmes d'éner-
gie sont basées sur la caractéristique électrique courant-tension des modules sous diérents
1. 1 Joule = 6, 241 506 363 09.1018 eV (électrons-volts)
10
niveaux de rayonnement et diérentes températures de la cellule PV. La modélisation des

cellules PV et des modules peut être eectuée au moyen d'équations qui fournissent dif-
férents degrés d'approximation du dispositif réel.
Plusieurs modèles électriques ont été proposés dans la littérature an de simuler les cel-
lules PV opérant dans diverses conditions. La complexité des modèles dépend de nombre
de paramètres(RS ,RSh ...) à identier. Chaque modèle est essentiellement une amélioration
du modèle idéal qui contient une source de courant représentant la puissance solaire inci-
dente et une diode qui représente la jonction PN. Des éléments supplémentaires peuvent
être ajoutés pour mieux rendre compte de la description du comportement de la cellule
PV dans certains quadrants de fonctionnement [Picault et al., 2010a]. Les modèles les
plus courants sont présentés et comparés dans le tableau 1.1.
Le modèle à une diode est le modèle le plus répandu. Il est utilisé pour les cellules
PV et les modules PV en raison de sa simplicité et sa bonne précision dans le quadrant
de production d'énergie. L'évolution du modèle à une diode a conduit à des modèles plus
précis tels que le modèle de Bishop [Bishop, 1988] qui décrit le comportement d'une cellule
PV en polarisation inverse..
Le modèle à deux diodes permet d'améliorer le modèle à une diode de fait qu'il prend
en compte les pertes résistives et les mécanismes de recombinaison dans les diérents
composants électriques du circuit [Doumane, 2011].
En outre, des modèles dynamiques ont été proposés par l'introduction d'une capacité
an de modéliser le comportement dynamique de la cellule PV [Picault et al., 2010a].
Ces modèles dièrent par le nombre de paramètres nécessaires pour le calcul de la
caractéristique I-V[Benghanem et Alamri, 2009].
Dans cette thèse nous avons principalement utilisé le modèle à une diode et le modèle
de Bishop que nous allons décrire plus en détail.
1.1.3.1 Modèle à une diode

La description mathématique du modèle à une diode est donnée par l'équation :
h q i V + R ·I
I = IP H − I0 exp (V + RS · I) − 1 −
S
(1.3)
A·K ·T RSh
Cette équation contient 6 paramètres :
Photocourant IP H : il représente le courant généré dans le générateur à un éclaire-
ment donné. Il est crieé par les photons et varié linéairement avec l'ensoleillement
et la température[Picault et al., 2010a].
Courant inverse de saturation de la diode I0 : il est indépendant de la tension de
diode et sa valeur dépend de nombreux paramètres comme la concentration intrin-
sèque ou la largeur de la zone de charge d'espace du semi-conducteurs, la surface
transversale de la cellule, le type de matériau, la durée de vie des porteurs minori-
taires et les largeurs des zones de déplétion pour le semi-conducteur de type P et
N. I0 dépend principalement de la température de la cellule, des caractéristiques de
semi-conducteurs et du nombre de cellules PV mise en série [Picault et al., 2010a].
Résistance série RS : Dans une cellule PV pratique, il existe une résistance série
dans un trajet de courant à travers le matériau semi-conducteur, la grille mé-
tallique, et la résistance d'interconnexion des cellules. Son eet devient très vi-
sible dans un panneau photovoltaïque qui se compose de plusieurs cellules connec-
11
Modèle Schéma Nombre Précision

paramètres.
Idéal 3 Faible
Une diode 5 Bien
Bien, avec la représentation en

Bishop 8
régime inverse
Dynamique à Bien, avec la représentation en

6
une diode régime dynamique
Deux diodes 7 Très Bien
Table 1.1 Diérents modèles électriques de cellule photovoltaïque
12
tées en série, et la valeur de la résistance est multipliée par le nombre de cellules

[Akihiro, 2005].
Résistance shunt RSh : Elle est associée à une perte d'un petit courant de fuite à
travers un chemin résistif en parallèle avec le dispositif intrinsèque. Cela peut être
représenté par une résistance parallèle (Rp). Son eet est beaucoup moins visible
dans un module PV par rapport à la résistance en série, et il ne deviendra visible
lorsque un certain nombre de modules PV sont connectés en parallèle à un système
plus grand[Akihiro, 2005].
A : facteur d'idéalité de la diode (1 à 2).
K : Constante de Boltzman (1, 38.10−23 J/◦ K ).
Pour une température T et une intensité solaire données, ces paramètres sont détermi-
nés en utilisant la tension de circuit ouvert VOC , le courant de court-circuit ISC , la tension
et le courant au point de puissance maximale (Vm ; Im ) et les pentes de la courbe près de
VOC et ISC [Benghanem et Alamri, 2009].
1.1.3.2 Modèle de Bishop

Lorsque la cellule PV est occultée, elle fonctionne dans le régime inverse (dans la
région négative). Le modèle à une diode ne sut pas de représenter le comportement de
la cellule dans cette région et il doit être amélioré en ajoutant un facteur multiplicatif
M(V) représentant l'eet d'avalanche en série avec la résistance shunt :
h q i V + R ·I
I = IP H − I0 exp (V + RS · I) − 1 −
S
· M (V ) (1.4)
A·K ·T RSh
avec −n
V + RS I
M (V ) = 1 + a 1 − (1.5)
Vb
Où :
Vb est la tension de claquage de la cellule (-10 V à -30 V),
a et n sont des valeurs constantes données dans le modèle de Bishop [Bishop, 1988],
a est compris entre 3,4 et 4, et n ≈ 0.1.
Il est possible de faire apparaître la tension thermique Vt = A.K.T /q qui prend
en compte la température de la cellule T, le facteur idéalité de la diode, le nombre
de cellules en série Ns et les constantes physiques comme la constante de Boltzmann
(K = 1, 38.10−23 J/◦ K ) et la charge d'électron (q = 1, 602.10−19 C ), comme indi-
qué dans l'équation. La tension thermique est pratique à utiliser, car elle combine
à la fois le facteur d'idéalité et la température de la cellule en une seule variable
[Karatepe et al., 2007]. Ce paramètre est dépendant de la technologie des cellules PV
et la température [Picault et al., 2010a].
Les autres paramètres du modèle restent inchangés avec le changement des conditions
de fonctionnement [Karatepe et al., 2007]
1.1.4 Paramètres de fonctionnement et pertes

1.1.4.1 Pertes lors de la photo-conversion
Lorsque les photons arrivent sur les cellules PV sous certaines conditions, cela entraine
la création des paires électrons trous dans le circuit électrique et augmente l'ecacité des
13
panneaux PV. Dans le cas réel, le rendement de la photo-conversion est limité par de
nombreux facteurs[Meekhun, 2010]. L'une des conditions concerne la longueur d'onde des
photons appelée perte spectrale. La longueur d'onde doit être susamment faible pour que
l'énergie des photons dépasse celle du gap du matériau et doit être absorbée. L'équation
(1.2) montre que la longueur d'onde est inversement proportionnelle à l'énergie du photon.
A titre d'exemple, un photon dont la longueur d'onde se trouve dans la gamme des
ultra-violets contient encore plus d'énergie qu'un photon de rayonnement visible. De plus
le constat est que les rayonnements gammas ont une énergie supérieure à ces derniers.
Autrement dit pour le gap du silicium qui vaut 1.1ev, le matériau absorbe seulement des
photons dont la longueur d'onde est inférieure à 1100 nm. L'énergie du gap est la zone
optimale d'absorption. Si l'énergie du photon est très grande par rapport à celle du gap
de matériau, l'électron créé perdra son énergie excédentaire et se retrouvera au niveau Ec.
En conséquence,
Si E = hc/λ < Eg , pas de conversion PV
Si E = hc/λ > Eg , conversion PV : l'énergie excédentaire qui est supérieure à Eg
est perdue sous forme de chaleur.
Sachant que le spectre de rayonnement solaire (voir gure 1.1)se situe dans la plage
250 à 2000 nm avec un maximum d'émission dans le domaine visible situé entre 500 et
700 nm, une partie de cette zone permet néanmoins la création des porteurs de charges.
La deuxième condition concerne la non-récupération de tous les porteurs photogenerés.
Lorsque les électrons et les trous se séparent dans la zone de déplétion, ils diusent dans
les zones neutres du matériau. Comme une partie de ces charges se recombinent entre
elles, elles ne participent donc pas à la création du courant ni elles contribuent à l'eca-
cité de la conversion énergétique. Le taux de recombinaison est grand dans la cas ou le
matériau présente des défauts de structure ou des impuretés. Les contacts métalliques, les
photons rééchis, les pertes résistives... sont autant de de facteurs de pertes qui aectent
le rendement PV.
La gure 1.4 décrit la nature des pertes qui limitent le l'ecacité PV [Meekhun, 2010].
Photons réfléchies Photons transmis Excès d’énérgie du photon

hγ hγ
Energie du
rayonnement Conversion photovoltaïque Electricité utile
Recombinaisons Courant de fuite Pertes par conduction
Figure 1.4 Sources de pertes pour un panneau solaire
14
1.1.4.2 Type de matériau semi-conducteur

Selon la technologie du générateur PV (Si, AsGa, Germanium, CdTe, Cis, Triple jonc-
tion, etc...), les variations des paramètres courants (Voc , Isc et Pmax ) seront diérentes
[Meekhun, 2010], [Doumane, 2011]. La tension produite par la cellule varie également en
fonction de la température et le vieillissement de la cellule [Reynaud, 2011].
Le silicium est le matériau le plus dominant du marché PV et il est divisé en plusieurs
catégories : Si monocristallin et polycristallin, Si amorphe. Le tableau 1.2 résume les
diérents types de matériaux Si avec leurs rendements et leurs domaines d'application.
Type des cellules Rendement des cellules (%)

Module commercial Module prototype commercial Record en laboratoire
Si monocristallin 12 à 20 22,7 24.70
Si polycristallin 11 à 15 16.20 20.30
Si amorphe 5à9 10.40 13.40
Table 1.2 Diérentes technologies de Si
1.1.4.3 Inuence de l'irradiation

La caractéristique I(V) d'un module PV est présentée sur la gure 1.5. Pour une tem-
pérature xe, on observe que la caractéristique croit avec l'augmentation de l'irradiance.
La même remarque est faite pour le courant de court-circuit ISC (ou ICC ) tandis qu'une
faible variation est constatée pour a tension de circuit ouvert VOC [Meekhun, 2010].
6
E=1000W/m2
E=750W/m2
5 E=500W/m2
4
Current(A)
0
0 5 10 15 20 25 30 35 40 45
Voltage(V)
Figure 1.5 Caractéristiques I(V) du module PV pour diérentes irradiances

Les caractéristiques des générateurs PV sont aectées par la présence de l'ombrage
partiel (pertes d'ombrage) en particulier la valeur de la puissance maximale de sortie, le
facteur de forme et l'ecacité du générateur PV. Par conséquent, il est très important de
15
choisir le site approprié pour le générateur PV pour empêcher l'observation de l'ombrage

partielle pendant le fonctionnement de l'installation PV.
1.1.4.4 Inuence de la température

Pour une irradiance xe, la tension de circuit ouvert VOC croit avec la diminution de
la température(gure 1.6) alors qu'une faible diminution est remarquée sur le courant de
court-circuit ISC . La diminution du courant de saturation (IO ) est la principale cause de
la chute de courant à basse température.
6
T=25°C
T=50°C
T=75°C
5
4
Courant(A)
0
0 5 10 15 20 25 30 35 40 45
Tension(V)
Figure 1.6 Caractéristique I(V) du module PV pour diérentes températures

Pour qu'un générateur PV fonctionne de manière optimale, il faut que d'une part la
température soit faible et que d'autre part l'irradiance soit importante. Ceci est le cas
dans une application aéronautique par exemple [Meekhun, 2010].
1.1.4.5 Point de fonctionnement

Il existe un point de fonctionnement (I,V) où le panneau solaire est capable de délivrer
sa puissance maximale (MPP) comme le montre la gure 1.7.
La caractéristique I-V d'une cellule PV enregistré sur un même type de matériau et du
même fabricant peut varier d'un élément à l'autre. Ainsi, le point maximal de puissance
(MPP) d'une cellule, sous les conditions standards peut dévier jusqu'à 10%. Le point de
puissance maximale varie avec l'ensoleillement, la température du module et les conditions
d'ombrage.
1.1.4.6 Dénitions des rendements associés à la chaîne de conversion

Une connaissance de la nature des pertes dans une chaîne de conversion PV est né-
cessaire dans le but d'évaluer ses performances et de l'éprouver. Ceci se traduit par de
16
1.2. DE LA CELLULE AU CHAMP PHOTOVOLTAÏQUE
160
140
Mpp
120
Puissance(W)
100
80
60
40
20
0
0 5 10 15 20 25 30 35 40 45
Tension(V)
Figure 1.7 Point de puissance maximale du modulePV.

nombreux rendements diérents. L'irradiance G(W/m2 ) est la quantité d'énergie élec-
tromagnétique qui arrive sur une surface par unité de temps. Le panneau PV reçoit la
puissance de G · Aef f sur une unité de surface de A(m2 ). La surface Aef f correspond à la
partie active réalisant la eectivement la conversion PV ce qui est diérent de la surface
totale du panneau PV.
De nombreux dispositifs permettent d'eectuer des mesures d'ensoleillement. Dans le
cas d'un pyranomètre fréquemment utilisé, des précautions sont à prendre en considé-
ration comme sa propreté et le temps d'acquisition (de l'ordre de quelques de dizaines
de secondes). Ce temps de réponse est réduit (inférieurs à la seconde) dans le cas d'une
utilisation d'un capteur à base de diode au silicium. En revanche, ce capteur est limité à
la largeur spectrale de sensibilité du silicium 0, 4 µm à 1, 1 µm.
Même si aujourd'hui diérentes approches existent pour déterminer l'ensoleillement
réel instantané qui arrive au sol terrestre, les données de mesure de l'irradiance restent
néanmoins peu ables (précision de l'ordre de 10 %). Le champ est donc ouvert dans les
applications dédiées à la métrologie, vu les nombreux verrous actuels. De ce fait, dans la
suite, nous considérerons le rendement comme étant le rapport de la qualité de conversion
photons-électrons par la capacité maximale d'un panneau PV (notation ηpv ). Ceci est
traduit par (1.6) :
Pmax
ηpv = (1.6)
G · Aef f
Pmax étant la puissance maximale obtenue en sortie du générateur PV(GPV). Sa
valeur est fonction d'autres paramètres tels que le moment et la zone où les don-
nées furent enregistrées, la température, les conditions météorologiques et le matériau
photovoltaïque[Stéphane, 2009].
1.2 De la cellule au champ photovoltaïque

Après avoir vu dans une première partie la cellule photovoltaïque qui est l'élément de
base de tout panneau solaire, nous allons indiquer dans cette partie comment les cellules
17
peuvent être associées pour former des panneaux solaires (modules PV).
De la même manière que l'on associe des cellules entre elles, il est également possible
d'associer plusieurs panneaux solaires (pour couvrir le toit d'une maison par exemple). On
forme alors un String PV. Dans les installations de grande envergure (centrale destinée
à alimenter une ville par exemple), il est possible d'associer plusieurs Strings PV pour
obtenir un Champ PV.
1.2.1 Module PV (panneau solaire)

En raison de la faible tension générée par une cellule PV (environ 0,5 V) et de sa faible
puissance, il est nécessaire de combiner plusieurs cellules. On obtient alors un panneau
solaire. L'association des cellules en série permet l'augmentation de la tension pour une
irradiance et température xes. La combinaison des cellules en parallèle permet d'augmen-
ter le courant. De cette façon, on peut avoir un générateur PV adapté aux applications
souhaitées [June et al., 2012].
Les caractéristiques I-V d'un panneau PV sont fonction de la température et de l'ir-
radiance comme dans le cas d'une cellule simple. D'autres facteurs tout aussi importants
comme l'environnement, positionnement, l'état de surface et les ombres partielles condi-
tionnent le fonctionnement des panneaux PV[Estibals, 2010]. L'intensité du courant de
court-circuit ICC et de la tension de circuit ouvert VCO sont plus ou moins grandes selon
la conguration des cellules (série ou parallèle).
En général, un module PV est constitué de 36 ou 72 cellules montées en série. Néan-
moins, ce nombre peut varier selon les applications. On peut trouver des modules de 40,
54, 72 voire même 96 cellules en série [El-Fergany, 2015] [Bun, 2011].
Les cellules sont connectées entre elles en série pour former un groupe PV. Chaque
groupe est connecté en antiparallèle avec diode de bypass an de les protéger de
fonctionner en inverse (en cas d'ombrage par exemple). L'idéal est de connecter une
diode bypass par cellule, mais cette technique n'est pas utilisée vu sa complexité
et de son coût élevé. Deux diérentes congurations sont possibles pour le mon-
tage des diodes by-pass [E. Díaz-Dorado, A. Suárez-García, C. Carrillo et Cidrás, 2010]
[Silvestre et al., 2009] comme montré sur les gures 1.8 et 1.9.
Lorsque le module PV est partiellement occulté sa tension négative au point de
fonctionnement peut être 1/3 de sa tension de circuit ouvert et la puissance consom-
mée peut dépasser 1/3 de sa puissance crête dans le cas des modules PV avec
overlaped diodes. Tandis que dans les modules PV avec non-overlaped diode, les
pertes d'énergie sont causées seulement par la consommation des diodes de bypass
[E. Díaz-Dorado, A. Suárez-García, C. Carrillo et Cidrás, 2010].
Figure 1.8 Groupe de 18 cellules connectées avec non-overlaped diode
18
1.2. DE LA CELLULE AU CHAMP PHOTOVOLTAÏQUE
Figure 1.9 Groupe de 18 cellules montées avec overlaped diode
1.2.2 String PV
Un string PV est un ensemble de modules connectés en série. La tension d'un string
peut être comprise entre 150 V et 1000 V pour un système PV connecté au réseau
[Schimpf et Norum, 2008]. Une diode de blocage est habituellement utilisée en série avec
le string [Liu et al., 2011] [Zhao et al., 2013].
Lorsque plusieurs strings sont montés en parallèle, des courants inverses apparaissent.
Il est donc nécessaire d'ajouter ces diodes pour bloquer ces courants inverses. Cette pré-
caution augmente le coût de l'installation, mais améliore le rendement et évite qu'un
string absorbe le courant produit par les autres strings [Petrone et al., 2007]. Ces diodes
antiretour sont aussi utilisées lorsqu'une charge peut basculer du mode récepteur au mode
générateur par exemple une batterie durant la nuit[Reynaud, 2011].
Les câbles permettent d'associer de nombreux modules en série pour former un string.
Dans le cas particulier des câbles à simple conducteur avec double isolation, ces derniers
sont privilégiés dans le but de réduire les défaillances liées à la terre ou de type court-
circuit [B. Verhoeven, 1998].
Une boîte de jonction peut faire partie d'un système PV. Elle a pour rôle la mise en
parallèle d'un certain nombre de strings. D'autre part, elle rassemble diérents éléments
de connexion électriques comme les sectionneurs, les fusibles ou encore les interrupteurs
[Bun, 2011].
1.2.3 Champ PV
Il existe diérentes tailles de module PV disponibles dans le commerce (généralement
de taille à partir de 60W à 170W) [Akihiro, 2005]. Pour répondre aux diérentes demandes
énergétiques, un certain nombre de modules PV sont combinés pour construire un champ
PV. Par exemple, le champ PV le plus grand d'Europe est installé en Gironde à Bordeaux.
Il a été inauguré à l'occasion de la conférence du climat COP21 qui s'est déroulée à
Paris en 2016. Ce champ PV constitué de plusieurs panneaux PV(983500 modules PV)
devrait produire 350 GigaWattheures(GWh) par an soit l'équivalent de la consommation
domestique totale de la ville de Bordeaux (environ 240 000 habitants) [Wikipedia, 2016a].
Dans un champ PV, les modules PV peuvent être interconnectés de la ma-
nière suivante : Série parallèle (SP), Total Cross Tied (TCT) et Brindge linked
(BL)[Nguyen et Lehman, 2006][Karatepe et al., 2007]comme montré sur la gure1.10.
Dans l'interconnexion SP, les modules sont connectés en série formant des strings alors
que ces strings sont connectées en parallèle. Cependant, dans l'interconnexion TCT, les
modules sont connectés en parallèle alors que ces circuits parallèles sont connectés en
série. L'interconnection BL pourrait être considérée comme une interconnexion entre les
19
deux congurations de SP et TCT[El-Dein et al., 2013].

L'interconnection TCT réduit les pertes de mismatch causé par l'ombrage partiel par
rapport à l'interconnection SP [Kaushika et Gautam, 2003][Di Dio et al., 2009]. L'om-
brage partiel aecte les courants de court-circuit des modules, aectant ainsi les courants
de sortie des modules au point MPP. Cela conduit à un manque de cohérence entre les
points MPP des modules et le point MPP du champ PV. Dans le cas de l'interconnection
SP, ce probléme est plus grave que dans le cas TCT. La raison est que l'interconnection
SP a plus de nombre de strings séries que TCT.
Figure 1.10 Diérentes congurations du champ PV
1.2.4 Simulation d'un Champ PV

Une fois la structure associant les panneaux et le modèle de calcul relatif à une cellule
ont été identiés, une simulation complète de système PV complète peut être développée.
Un logiciel de simulation PV performant doit remplir les critères suivants :
il doit être rapide et permet de déterminer avec précision les caractéristiques I-V
et P-V (y compris dans les conditions particulières telles que l'ombrage partiel),
il doit prendre en compte le convertisseur de puissance et de contrôleur MPPT
pour développer et valider la conception du système de PV.
Bien que les paquets de logiciels existants comme PSpice, PV-DesignPro, SolarPro,
PVcad et PVsyst soient présents sur le marché, ils restent onéreux et ne permettent pas
de simuler l'intégralité du système (panneaux - associations - électronique de puissance)
[Ishaque et al., 2011].
Dans ce travail de thèse, des codes seront développés sous Matlab an de modéliser
les comportements des panneaux PV en mode sain et défectueux. La raison du choix du
MATLAB est qu'il est très répandu dans le domaine académique et disponible dans la
plupart des universités, des organismes industriels et de recherche. Il est également utilisé
dans plusieurs disciplines de l'ingénierie. Il ore plusieurs fonctionnalités permettant de
simuler des systèmes très complexes (partie électronique et électrique) et de systèmes
distribués de production d'énergie [Patel et al., 2008].
1.2.5 Les sources de pertes

Les pertes se produisent dans l'opération sur le terrain d'un générateur PV doivent
être pris en compte an de calculer précisément sa puissance réelle puissance électrique.
20
1.3. RACCORDEMENT À UNE CHARGE / UN RÉSEAU
Pertes par réexion : Lorsque l'angle d'incidence du rayonnement solaire est dié-
rent de la direction perpendiculaire à la surface d'un générateur photovoltaïque, les
pertes de réexion se produisent. Ces pertes sont réduites à l'aide d'un revêtement
de la surface avec la couche antireet.
Pertes spectrales : Ces pertes sont liées au spectre du rayonnement solaire et à
l'énergie requise pour franchir la bande de valence ont été décrites dans le chapitre
1.1.4.1.
Pertes de mismatch : Les caractéristiques des panneaux solaires peuvent varier d'un
panneau à l'autre pour une même référence. Selon les informations des fabricants,
le point de fonctionnement permettant au panneau de délivrer sa puissance maxi-
male (MPP) dans les conditions standards peut dévier jusqu'à 10 % par rapport
aux caractéristiques du datasheet. Lors de l'assemblage en série et en parallèle
des panneaux solaires dans un générateur, les variations de caractéristiques I-V
induisent des pertes de puissance qui sont appelées pertes de mismatch.
Pertes d'ombrage : les caractéristiques sont aectées par la présence de l'ombrage
partiel sont en particulier la valeur de la puissance maximale de sortie, le facteur
de forme et l'ecacité du générateur PV. Par conséquent, il est très important de
choisir un site bien exposé et avec peu d'obstacles pouvant projeter des ombres sur
le panneau solaire.
Pertes externes : dans un système réel, la puissance de sortie du générateur PV
n'est pas exactement égale à la puissance d'entrée à l'unité de conditionnement
de puissance connectée. Pour calculer cette puissance d'entrée, les pertes causées
par la chute de tension due aux résistances des câbles et des diodes de blocage
doivent être prises en compte. Les pertes causées par la résistance des câbles de
raccordement (pertes ohmiques) formés par le générateur PV doivent être calculées
sur la base de la longueur et la section des câbles. Dans chaque string qui forme
le générateur PV, les diodes de blocage sont connectées en série avec ces strings.
Si un court-circuit se produit dans une ou plusieurs de ces strings, les diodes de
blocage empêchent le courant de circuler à partir des strings parfaits jusqu'aux
strings défectueux. Pendant le fonctionnement il y a une chute de tension dans
chaque diode correspondant à sa tension de seuil de 0,7 V. Cette valeur doit être
soustraite de la tension de sortie du générateur PV [El-Aal, 2005].
1.3 Raccordement à une charge / un réseau

La gure 1.11 montre les principaux sous systèmes permettant de raccorder les pan-
neaux PV à une charge ou réseau électrique. Les panneaux PV, une unité de conditionne-
ment de puissance comprenant un onduleur et un sous-système qui se compose de boite
de jonction, connecteurs, câbles électriques, fusibles, parafoudres, ls du coté DC AC et
les commutateurs du coté DC et AC [Cristaldi et al., 2014]. Les modules sont raccordés
à des boîtes de jonctions permettant de les associer en série ou en parallèle et de former
ainsi un String PV. Chaque String est ensuite relié à des interrupteurs DC associé à un
circuit de protection (parafoudre et fusible).
L'ensemble des Strings formant un champ est alors relié à l'application par le biais
d'un onduleur. Le but de ce chapitre est d'étudier les diérents éléments de cette chaîne
et exposer les diérentes stratégies permettant d'optimiser le rendement d'un panneau
21
solaire, quelque soit la charge.

On retrouve des grandeurs continues (DC) en amont de l'onduleur et alternative (AC)
en aval de l'onduleur.
Figure 1.11 Schéma de raccordement d'un panneau solaire au réseau
Dans notre travail, on étudiera les défauts liés aux panneaux photovoltaïques et aux
composants les protégeant c'est-à-dire au côté du DC en amont de l'onduleur.
1.3.1 Type d'application

On divise les applications en deux catégories :
les applications autonomes, c'est-à-dire non raccordées à un réseau électrique (ap-
parues les premières) et,
les applications raccordées au réseau public de distribution d'électricité.
1.3.1.1 Applications autonomes : cas de site isolé

Si nous prenons l'exemple du domaine spatial, les panneaux solaires y jouent un
rôle prépondérant, étant la seule véritable source d'énergie pour les satellites. On les
retrouvent également dans les appareils électroniques (téléphone, ordinateur, montres et
calculatrices). Le constat actuel montre une électrication insusante des sites terrestres
à cause des problèmes variés (solutions complexe et onéreuse) inhérents à l'extension du
réseau public ; ce qui est le cas notamment des régions montagneuses. Lesdits sites sont
appelés sites isolés et pourtant il n'est pas envisageable pour leurs habitants contem-
porains de vivre sans commodité liés à l'énergie électrique. L'énergie solaire des panneaux
photovoltaïques peut alors devenir la solution d'alimentation la plus adaptée.
Deux catégories d'applications terrestres autonomes existent [Estibals, 2010] :
les panneaux de signalisation routiers, les bornes de secours sur autoroute, les
balises maritimes ou balises aéroportuaires, les commutateurs de Télécommunica-
tions, etc ... représentent les applications professionnelles.
les autres applications sont liées à l'électrication des sites de particuliers comme
les refuges, les habitations dispersées, les hôpitaux et divers établissements publics
des pays en voie de développement...
22
1.3.1.2 Applications raccordées au réseau

Généralement, dans la métropole française, les bâtiments où vivent les consommateurs
sont alimentés par le réseau électrique public. La puissance qui y est délivrée dépend des
besoins réels chaque ménage. Dans ce cas de gure, le panneau PV est mis en place
en fonction de ce que l'utilisateur souhaite personnellement faire en terme d'économies
d'énergie : analyse de la consommation des postes, dépenses énergétiques de la famille,
estimation des pertes d'énergie du bâtiment ou qualité de production en un lieu précis.
Connaître son bilan énergétique permet réellement de mieux gérer sa consommation. Alors
que par le passé, les habitations étaient considérées comme passives, aujourd'hui, elles
contribuent grandement à la production active d'énergie, à partir du soleil notamment
par l'installation d'un système PV [Estibals, 2010].
1.3.2 Système de protection

Les protections contre la foudre, du générateur PV ou des professionnels de mainte-
nance sont autant de moyens pour assurer le bon fonctionnement du système PV. Ces
éléments sont commun à n'importe quelle centrale électrique[Bun, 2011].
1.3.2.1 Diodes bypass

La plupart des modules PV commerciaux sont formés par l'association des Cellules PV
connectées en série et utilisent des diodes de bypass. Ces diodes sont placées à l'intérieur
de chaque module comme indiqué dans la partie 1.2.1.
Dans des cas application particulières comme la recharge de batterie de systèmes au-
tonomes, certains modules PV sont proposés sans diodes de bypass [Silvestre et al., 2009].
En eet, en cas d'inversion de polarité lors du branchement d'une batterie la diode vien-
drait court-circuiter la batterie provoquant de gros dégâts [Greacen et Green, 2001]. Un
tel système permettant la charge de batterie de 12 V ou 24 V peut être simplement
constitué par l'association de modules PV en parallèle.
1.3.2.2 Diodes antiretour

Un string présent dans un champ PV peut délivrer une tension diérente de celle des
autres. Le string ayant la tension la plus faiblement produite peut inuencer les autres
strings en absorbant leurs courants inverses. Cela peut conduire à une diminution du
rendement et engendrer des défauts liés au passage du courant inverse dans les modules
du string.
Pour empêcher le passage du courant dans le chemin inverse dans le string, il est
nécessaire d'ajouter des diodes antiretours. Malgré leurs avantages, leur présence au niveau
du système PV a pour conséquence une perte de tension qui elle-même engendre une chute
de la production. D'un autre côté, ces diodes peuvent être à l'origine des défauts et exigent
donc un suivi régulier.
Une autre solution envisageable consiste à remplacer la diode antiretour par un fusible.
Cette substitution ne permet néanmoins pas de protéger le string contre le passage du
courant inverse. De plus, un dimensionnement du fusible est nécessaire si l'on souhaite
que les composants du strings puissent supporter le courant inverse [Bun, 2011].
23
Figure 1.12 Champ PV avec diodes antiretour
1.3.3 Unité de conditionnement de puissance

L'unité de conditionnement de puissance est le c÷ur de tout système PV. Les généra-
teurs PV sont des générateurs à courant continu et ne peuvent être connectés au réseau
ou à une charge alternative que via un onduleur[Estibals, 2010]. Les diérentes fonctions
qu'elles remplissent sont décrites ci-dessous [Schimpf et Norum, 2008].
1.3.3.1 Conversion DC/AC

Pour transformer la tension continue fournie par les panneaux photovoltaïques en une
tension "sinusoïdale" on fait appel à un onduleur. Il peut être construit comme un pont
intégral standard (onduleurs avec un transformateur) ou suivant une topologie APN, H5
ou HERIC (sans transformateur) [Schimpf et Norum, 2008].
La tension de sortie de l'onduleur étant toujours inférieure à sa tension d'en-
trée, il peut être nécessaire d'utiliser au préalable un hacheur élévateur (convertis-
seur DC/DC) permettant d'élever la tension délivrée par les panneaux photovoltaïques
[Schimpf et Norum, 2008]. Nous verrons dans la partie 1.3.4 qu'il existe diérentes stra-
tégies d'association des hacheurs et onduleurs avec les panneaux photovoltaïques.
1.3.3.2 Recherche du point de fonctionnement optimal (MPPT)

Les parties 1.1.4.5 et 1.2.5 ont montré que chaque panneau avait un point de fonction-
nement (I,V) qui lui permettait de fournir sa puissance maximale (PPT). Ce point varie
suivant les panneaux solaires (conditions météorologiques diérentes, variations dues à la
conception, ...).
Il est donc nécessaire d'essayer de piloter les hacheurs an de rester le
plus proche du point de fonctionnement demandé. Pour cela, on utiliser les
algorithmes de recherche du point de fonctionnement optimal (Maximum Po-
wer Point Tracker ou MPPT) [Piegari et Rizzo, 2010] [Aashoor et Robinson, 2012]
[Green et Hernandez-Aramburo, 2008] [Messai et al., 2011] que nous détaillerons dans la
partie 1.4.1.4.
24
Pour une bonne ecacité du MPPT, il est important que non seulement les valeurs
moyennes de tension et de courant du module soient suivies au point MPP, mais aussi
le comportement à des fréquences supérieures soit pris en compte. Si l'électronique de
puissance de l'onduleur introduit une uctuation de tension par rapport à la forme désirée,
cette dernière doit être maintenu faible.
1.3.3.3 Découplage de puissance entre le côté AC et DC

La fréquence des uctuations de puissance entre le côté DC et AC de l'onduleur (com-
mutation et le double de fréquence du réseau pour les onduleurs monophasés) doit être
découplée par un stockage d'énergie comme des condensateurs électrolytiques. Ces com-
posants, ayant une durée de vie limitée, devront être contrôlés et remplacés en cas de
baisse de leurs performances. Ils sont soit placés en parallèle avec les modules PV soit
entre les étages de l'onduleur [Kjaer et al., 2005].
1.3.3.4 Isolation galvanique entre les entrées et les sorties

L'isolation est garantie par l'utilisation des transformateurs. Ils présentent malheureu-
sement des inconvénients comme un coût, un poids élevé et engendrent une perte de puis-
sance supplémentaire surtout sous condition de charge faible [Schimpf et Norum, 2008].
Un transformateur n'est pas nécessairement présent dans toutes les installations. Les
onduleurs sans transformateur ont des rendements très élevés [Myrzik et Calais, 2003], un
faible poids et, des coûts inférieurs. L'onduleur commercial SMC8000TL de SMA atteint
un rendement maximal de 98% [Schimpf et Norum, 2008].
1.3.4 Emplacement des Onduleurs / Hacheurs

Nous avons vu la nécessité d'utiliser des hacheurs et onduleurs. Nous allons étudier
dans cette partie comment venir les placer dans les diérentes topologies d'installation
photovoltaïques. On peut distinguer deux stratégies : système à un seul étage de conversion
et système à deux étages de conversion [Myrzik et Calais, 2003] [Schimpf et Norum, 2008].
Dans le premier cas, un onduleur est utilisé pour eectuer toutes les tâches de trai-
tement et de conversion de la puissance tandis que dans les systèmes à deux étages un
hacheur est intercalé entre les générateurs PV est l'onduleur comme un étage adaptateur.
Les systèmes à deux étages orent une plus grande exibilité par rapport aux systèmes
à un seul étage, en revanche ils ajoutent un coût supplémentaire et une réduction de la
abilité du système [Chaaban, 2011].
An de servir un large éventail d'applications photovoltaïques commerciales et rési-
dentielles, plusieurs topologies onduleur et convertisseurs DC-DC sont proposés.
1.3.4.1 Topologie centrale

La topologie d'onduleur centrale est représentée sur la gure 1.13 où tous les strings
PV sont reliés à un onduleur commun.
Ce système présente des avantages tels que sa simplicité, son faible coût et le rendement
élevé de l'onduleur en raison du niveau de puissance plus élevée [Schimpf et Norum, 2008].
Néanmoins, il ne peut pas suivre correctement le point de puissance maximale (MPP)
pour l'ensemble du champ PV [Myrzik et Calais, 2003] [Kjaer et al., 2005], car chaque
25
string à son propre MPP lié à ces conditions de fonctionnement (ombrage, température,
...). Ce MPP étant légèrement variable d'un panneau à l'autre. Par ailleurs, si l'unique
onduleur à un défaut, tout le système est défaillant [Alahmad et al., 2011] puisqu'il n'y a
pas d'autre onduleur pouvant prendre le relais.
Figure 1.13 Schéma des topologies Onduleur
1.3.4.2 Topologie onduleur string

Dans cette conguration tous les strings travaillent en parallèle. Ils sont donc complè-
tement indépendants les uns des autres. Chaque string a ainsi son propre onduleur et son
propre MPPT. La défaillance d'un onduleur réduit donc la puissance disponible, mais ne
provoque pas une interruption de la fourniture d'énergie.
Cette conguration rend facile la construction des systèmes PV sous contraintes comme
des conditions d'ombrage diciles, diérents nombres ou types de modules PV ou dié-
rentes orientations de la partie du toit.
Néanmoins, cette conguration à un coût en kW plus élevé que la précédente en raison
du niveau assez faible de puissance (1.5 kW par unité).
1.3.4.3 Concept team

Une autre topologie présentée sur la gure 1.14 appelée Concept team utilise des
commutateurs contrôlables pour connecter entre eux les onduleurs string parallèles
[Myrzik et Calais, 2003]. Ce concept combine la technologie string avec le concept maitre-
esclave. A très faible irradiation, le champ PV est relié à un seul onduleur. Avec l'augmen-
tation du rayonnement solaire le générateur PV est divisé en petites unités strings jusqu'à
ce que chaque onduleur string fonctionne près de sa puissance nominale. A faible rayon-
nement solaire, les onduleurs sont contrôlés avec le mode maître-esclave. Les résultats des
simulations ont montré un rendement énergétique supérieur d'environ 4%.
1.3.4.4 Topologie onduleur multistring

Cette conguration est une variante de l'onduleur string qui produit un MPPT indé-
pendamment [Myrzik et Calais, 2003] [Kjaer et al., 2005]. Au lieu d'utiliser un onduleur
26
Figure 1.14 Concept Team
par String, on utilise un hacheur indépendant par String. Ces hacheurs permettent tout
comme la technologie multi string d'ajuster le MPP de chaque string et garantie ainsi le
niveau de puissance le plus élevée. L'unique onduleur qui eectue la conversion DC/AC
fonctionne avec un meilleur rendement que s'il y avait plusieurs petits onduleurs. On
garde donc l'avantage de la topologie String sans l'inconvénient de la perte de rende-
ment dû à la faible puissance des onduleurs. D'autre part, les onduleurs MultiString ont
souvent une très large plage de tension d'entrée (en raison de l'étage DC-DC supplémen-
taire) qui permet à l'utilisateur une grande liberté dans la conception de son système PV
[Schimpf et Norum, 2008].
Malheureusement, il est plus complexe : deux étages de conversion de puissance pour
permettre un suivi individuel au niveau des entrées. Cette conception en deux étapes
conduit à un rendement de crête plus petit par rapport à un (seul) onduleur string. Par
ailleurs, une défaillance de l'unique onduleur provoque l'arrêt de la fourniture de courant.
1.3.4.5 Topologie modulaire

Les topologies décrites précédemment s'adressent à de grosses structures (champs
photovoltaïques). Il est possible de les adapter pour de plus petites structures. L'élec-
tronique de puissance n'est alors plus associée aux strings, mais directement aux pan-
neaux photovoltaïques. La partie droite de la gure 1.13 illustre la topologie modulaire.
Selon [Bun, 2011]et [Picault et al., 2010a] la topologie modulaire est subdivisée en trois
éléments :
Onduleur individuel : dans cette architecture, chaque module est associé à son
propre onduleur et fournit directement de l'énergie au réseau.
Hacheur parallèle : ici chaque module est associé à un hacheur qui est relié à un bus
continu de tension plus élevée (400 V). Un unique onduleur eectue la conversion
DC/AC.
Hacheur série : Le type de montage dans lequel un hacheur par module est placé
27
en série constitue un montage DC. Dans ce genre de typologie, le rendement de

conversion du hacheur s'en voit augmenter.
1.3.4.6 Evolution
D'autres topologies seront développés dans le futur : par exemple AC-Modules et
AC-Cells [Kjaer et al., 2002] [Kjaer et al., 2005]. Le principe est d'intégrer de très petits
onduleurs dans la boite de jonction des modules PV. La taille du système typique est de
100 à 300W .
L'inconvénient de cette conguration est la diculté de la maintenance et de l'entre-
tien : les appareils électroniques sont exposés à un large éventail de conditions de tem-
pérature et d'humidité lorsqu'ils sont utilisés sur un toit ou une façade. Ces contraintes
climatiques réduisent la durée de vie des composants électroniques.
La conguration AC-Cells a été utilisée pour de grandes cellules à base de Si-amorphe
avec un petit onduleur. Un seul petit onduleur transforme le courant d'une cellule en
courant alternatif. Ce projet a été testé pour une cellule Si-amorphe de 100W/m2 et une
tension de 1V[Iea, 2001].
1.3.5 Facteur de pertes et de performances

Quatre paramètres de performance ont été établis par l'Agence internationale de
l'énergie (AIE) des programmes des systèmes PV et décrits dans la norme IEC
61724[IEC 61724, 1998]. Ces derniers dénissent la performance globale du système par
rapport à la production d'énergie, les ressources solaires, la puissance nominale et l'eet
de l'ensemble des pertes du système. Ces paramètres de performance sont notamment :
le productible de référence (Yr) : Est déni comme l'ensoleillement total sur le plan
horizontal Ht (KW h/m2 ) divisé par l'ensoleillement de référence du champ PV qui
est égal à 1KW/m2 . Il représente les pics d'ensoleillement pendant une durée de 1
heure[Kymakis et al., 2009].
Ht [KW h/m2 ]
Yr = . (1.7)
1[KW/m2 ]
le productible du champ (Ya) : est déni comme l'énergie produite par le champ
PV pendant un jour, un mois ou une année divisée par la puissance crête de l'ins-
tallation PV[Chine et al., 2014][El-Aal, 2005].
E[W hDC ]
Ya = (1.8)
Pr[KWDC ]
le productible nal (Yf) : est déni comme l'énergie nette du côté AC produite
par le système PV divisé par la puissance crête du champ PV dans les conditions
standards( ensoleillement de 1000(W/m2 ) et une température des cellules PV de
25◦ C . Ce productible prend en compte les pertes dues à l'électronique de puissance
(onduleur / hacheur).
E[KW hAC ]
Yf = (1.9)
Pr[KWDC ]
28
1.4. DÉFAUTS DES PANNEAUX PHOTOVOLTAÏQUES
Figure 1.15 Indices de performance
La gure 1.15 illustre ces indices. L'indice de performance est déni comme le rapport
du rendement mesuré du système et le rendement nominal des modules PV.
Bien que l'indice de performance donne une idée globale du comportement du système
et fournit une impression globale sur la performance du système global, il n'est toujours
pas un bon indicateur pour rechercher en détail quel composant du système PV devrait
être amélioré [Chouder et Silvestre, 2010].
L'indice de performance est la quantité mesurée la plus importante pour évaluer le
comportement global d'une installation PV. La performance de la centrale PV dépend de
plusieurs paramètres, y compris le site de l'emplacement le climat et plusieurs mécanismes
de perte.
Les pertes des systèmes PV spéciques sont diérenciées en pertes de captation des
générateurs PV (LC) et en pertes du système (LS). Les pertes de captation sont causées,
par exemple, par l'atténuation de la lumière incidente, la dépendance à la température,
désadaptation électrique entre les panneaux PV, résistances parasites dans les modules PV
et l'extraction non optimale du MPPT. Les pertes du système sont causées, par exemple,
par des pertes dans le câblage, l'onduleur et les convertisseurs [Achim et al., 2013].
1.4 Défauts des panneaux photovoltaïques

1.4.1 Défaut de mismatch
Le défaut de mismatch est un problème sérieux dans les installations PV, car il conduit
à une baisse de la puissance des panneaux PV. Il est dû à l'interconnexion séries ou
parallèles des cellules ou modules PV qui n'ont pas les mêmes caractéristiques I-V. Il
existe deux types de défauts de mismatch : mismatch statique et mismatch dynamique.
29
1.4.1.1 Types de défauts de mismatch

Le défaut de mismatch statique est lié à la tolérance de fabrication et au vieillissement
des cellules PV. Pour les cellules à base de silicium la tolérance de fabrication est inférieure
à 1 %. Pour les panneaux, la tolérance donnée par les fabricants variée entre ±3% et ±5%
[Andrews et al., 2012]. En outre, les pertes de mismatch peuvent monter jusqu'à 12% (en
tenant compte du vieillissement) dans un string PV [Agarwal et Agarwal, 2014].
Le défaut de mismatch dynamique est causé par le changement de niveau d'irradiance
et appelé l'ombrage partiel. Les sources d'ombrage partiel peuvent être divisées en sources
faciles à prédire (arbres, bâtiments) et sources diciles à prédire (nuages, salissure et la
neige) [El-Dein et al., 2013]. Les pertes causées par l'ombrage partiel réduisent le ren-
dement énergétique annuel de 5%- à 10% dans le photovoltaïque intégré au bâtiment
[Drif et al., 2008] et de 3% à 6% dans le photovoltaïque terrestre [García et al., 2009].
Il existe diérentes techniques permettant de pallier à ce défaut que nous allons pré-
senter.
1.4.1.2 Utilisation de diodes de bypass

Nous avons déjà vu comment utiliser des diodes de bypass lors de l'association de
plusieurs cellules dans un panneau pour éviter le fonctionnement en régime inverse dans
la partie 1.2.1.
Les diodes de bypass présentent certains inconvénients :
les modules protégés par ces diodes sont coûteux,
les diodes provoquent des pertes de puissance quand elles sont parcourues par un
courant,
la caractéristique I-V change et de multiples pics apparaissent. La présence de
pics rend dicile la recherche du point de fonctionnement optimal par l'al-
gorithme MPPT. Ce problème ajoute ainsi des nouvelles pertes et un donc
coût supplémentaire dû au perfectionnement des algorithmes de suivi (MPPT)
[Alahmad et al., 2011].
1.4.1.3 Changement de conguration du champ PV

Une autre méthode pour réduire le défaut de mismatch est de modier la connexion
des cellules à l'intérieur d'un panneau photovoltaïque (association série, parallèle, ...) et
d'avoir également une stratégie d'interconnexion des panneaux à l'intérieur d'un champ
photovoltaïque [Hosbach, 2011].
La perte de puissance due au défaut de mismatch en fonction de la congura-
tion électrique des cellules photovoltaïques constituant un réseau PV a été étudiée par
[Kaushika et Rai, 2007]. Une structure optimale minimisant la perte de puissance a été
ainsi obtenue par un arrangement série-parallèle des cellules.
L'étude expérimentale menée dans [Picault et al., 2010b] sur diérentes associations
représentées dans la gure 1.10 a montré que la conguration TCT présente un minimum
de perte de mismatch par rapport à la conguration BL et SP dans le cas d'un ombrage
partiel, et la conguration BL présente un minimum de perte de mismatch dans le cas
normal (sans ombrage).
30
1.4.1.4 Recherche de point de puissance maximum (MPPT)

Cette partie explique l'algorithme de Recherche de point de puissance maximum
(Maximum Power Point Tracking) implanté dans les unités d'optimisation de puissance.
Ces unités agissent sur les hacheurs an de trouver le point optimal de fonctionnement
des panneaux solaire (I,V). Les variations d'ensoleillement et de température nécessitent
un ajustement permanent de ce point de fonctionnement.
On peut distinguer plusieurs algorithmes de MPPT selon le type d'implémentation
électronique (analogique, numérique ou mixte), et selon le type de recherche quelles eec-
tuent, aussi selon les paramètres d'entrée et de sortie de la commande MPPT.
Algorithme Perturb and Observ (P&O)
L'algorithme P&O est bien connu est largement utilisé dans les contrôleurs commerciaux
en raison de sa simplicité d'implémentation et ses bonnes performances. Son inconvénient
est la perte de puissance causée par des oscillations autour du point de puissance maxi-
male (MPP) et son temps de réponse relativement faible face aux changements rapides des
conditions météorologiques [June et al., 2012] [Boutasseta, 2012]. L'organigramme pré-
senté gure 1.16 illustre le fonctionnement de cet algorithme. Il s'agit d'un algorithme de
recherche de maximum.
Cet algorithme itératif consiste à créer à l'instant t une faible perturbation ∆V (t) dans
la tension V (t) (ou le courant I(t)) de sortie du module PV et à observer son eet ∆P (t)
sur la puissance produite P (t). Cette perturbation est créée en agissant sur le hacheur.
La perturbation ∆V (t) peut être positive ou négative.
Si la puissance augmente (∆P (t) > 0), cela signie que l'on s'approche du point opti-
mal et qu'il faudra introduire une perturbation ∆V (t + 1) de même signe pour continuer
a se rapprocher du point optimal. Si en revanche la puissance diminue (∆P (t) < 0), cela
signie que l'on ne se dirige pas dans la bonne direction : il faut alors changer de signe
pour la prochaine perturbation ∆V (t + 1) [Singo, 2010].
Cette technique nécessite des capteurs de courant et de tension. La perfor-
mance de l'algorithme peut être améliorée en modiant le pas de rapport cy-
clique du convertisseur dans le but d'ajuster le suivi pour mieux atteindre le MPP
[Fernando Lessa Tofoli, Dênis de Castro Pereira et de Paula, 2015].
Algorithme l'incrément de conductance IncCond
En 1993, Hussein, Muta, Hoshino et Osakada de l'Université de Saga, Japon, ont proposé
l'algorithme incCond pour remédier au problème de l'algorithme P&O dans l'évolution
rapide des conditions météorologiques [Akihiro, 2005]. Dans cette méthode, la tension aux
bornes du module PV est toujours ajustée en fonction de la tension de MPP. Elle est basée
sur le calcul de la conductance incrémentale et instantanée du module PV.
Comme illustré sur la gure 1.17, la pente de la courbe de puissance du module PV
est nulle au point MPP. Elle augmente à gauche du point MPP et diminue à droite du
point MPP [June et al., 2012] [Salas et al., 2006].
En calculant la dérivé de la puissance P par rapport à V on trouve
[Hohm et Ropp, 2003] :
31
Figure 1.16 Algorithme Perturb and Observ
160
dP/dV=0 (G=deltaG)
140
Mpp
120
Puissance(W)
100
dP/dV>0 (G>deltaG) dP/dV<0 (G<deltaG)

80
60
40
20
0
0 5 10 15 20 25 30 35 40 45
Tension(V)
Figure 1.17 Caractéristique P-V du module PV. Variation de dP/dV.
32
P = IV (1.10)
dP/dV = d(V I)/dV (1.11)
= IdV /dV + V dI/dV (1.12)
= I + V dI/dV (1.13)
(1/V )dP/dV = (I/V ) + dI/dV (1.14)

On dénit la conductance de la source comme étant G = I/V , et la conductance incré-
mentale comme ∆G = dI/dV. D'une façon générale, la tension du module PV est positive.
La tension de fonctionnement est inférieure à la tension au point MPP si la conductance
est plus grande que la conductance incrémentale et inversement comme montré sur la
gure1.18.
Les étapes qui résument le principe de cet algorithme sont :
dP/dV > 0, si G > ∆G (1.15)

dP/dV = 0, si G = ∆G (1.16)
dP/dV < 0, si G < ∆G (1.17)
Pour faire une comparaison entre les deux algorithmes, une analyse des coûts a été ef-
fectuée par [El-Aal, 2005]. Un prix satisfaisant de MPPT peut être déterminé en connais-
sant la technique adoptée dans le dispositif de contrôle (analogique ou numérique), et
l'utilisation d'autres composants (électriques, composants électroniques, cartes, etc ...).
Le nombre de capteurs nécessaires pour mettre en oeuvre la technique de MPPT aecte
également les coûts naux. Dans la plupart du temps, il est plus facile et donc plus précis
de mesurer une tension qu'un courant, les capteurs de courants sont généralement plus
coûteux et encombrants. Les capteurs d'éclairement ou de température sont très coûteux
et peu rentables [Teja et al., 2012]. Le tableau 1.3 présente une comparaison entre les
deux algorithmes.
1.4.1.5 Réduction de défaut de mismatch par site considération

En plus de ces techniques pour réduire l'eet de mismatch, certaines mesures sont
à prendre en compte. Premièrement, le champ PV devrait être composé de modules
de la même marque et du même modèle an d'avoir une homogénéités des paramètres
électriques (modules qui ont la même tolérance de fabrication). L'installation des nou-
veaux modules avec d'anciens modules augmente l'eet de mismatch. Enn, l'instal-
lation du champ PV doit être dans un endroit sans ombrage ou avec un d'ombrage
minimum[Hosbach, 2011].
1.4.2 Défaillance de l'onduleur

Les onduleurs sont généralement le point faible dans un générateur PV : les défaillances
des onduleurs sont les causes les plus courantes de pannes de panneaux PV.
Parmi les éléments les plus susceptibles de tomber en panne, on trouve les transistors
de commutation suivis par les condensateurs électrolytiques. Les contraintes thermiques
33
Figure 1.18 Algorithme de l'incrément de conductance
34
Spécications Perturb and observe Incremental Conductance

Ecacité Moyenne environ 95% - dé- Forte environ 98% - dépen-
pendant de l'optimisation dant de l'optimisation de
de la méthode la méthode
Complexité Dicile
Réalisation Facile à mettre en oeuvre Plus complexe avec la né-
que quelques paramètres cessité d'utiliser des micro-
mesurés contrôleurs ou DSP
Coût Relativement faible Implique un coût plus élevé
Fiabilité Pas très précis Précis et fonctionne à
MPPT, mais dépend du
temps de réponse
Changement des condi- Performances imprévi- Bonne et ajuste automa-
tions atmosphériques sibles avec des oscillations tiquement la tension de
autour de MPP, réponse fonctionnement du module
plus lente sans oscillations
Autres limitations Dicile de localiser le Besoin des capteurs de ten-
MPP sion et de courant qui sont
généralement très chers
Table 1.3 Comparaison des algorithmes Perturb and observe et Incremental conduc-
tance
jouent un rôle important dans l'apparition des défaillances. La conception des systèmes
de refroidissement est donc extrêmement importante.
De nombreux onduleurs modernes peuvent se connecter à un serveur de supervision
an de rendre compte de leur état de fonctionnement ainsi que de leurs ecacités. Ces
informations permettent à un opérateur du champ PV d'identier et de réparer rapidement
l'onduleur défectueux [Braun, 2012].
1.4.3 Salissure sur les modules

Les chercheurs ont constaté que les eets de salissure sont relativement faibles (elles
engendrent une perte de puissance de 2,3 %) pour un éclairement direct, mais deviennent
plus importants lorsque le panneau solaire est trop incliné par rapport au rayon du soleil :
une perte de 8,1 % a été observée dans un module sale lorsque l'éclairement incident
atteint un angle de 56◦ .
Il a également été constaté que les entes d'oiseaux provoquent des dégradations beau-
coup plus grandes que les salissures générales en raison du blocage complet de l'éclairement
sur une petite surface. Si un module est sale, il va provoquer un défaut de mismatch dans
l'éclairement ecace des modules PV et réduit par conséquent les performances du champ
PV [Braun, 2012].
1.4.4 Défaut de terre

La gure 1.19 montre un exemple de défaut de terre : le panneau photovoltaïque est
connecté à la terre à cause d'un défaut électrique au point A. Ce défaut n'est pas forcément
35
un contact franc et peut être modélisé par une résistance de défaut. En conséquence, il
engendre un courant de fuite If et le courant I1 = I2 + If produit par le panneau est
réparti entre l'onduleur I2 et la résistance de fuite. Les défauts de terre peuvent être causés
par les raisons suivantes :
Défaillance de l'isolation des câbles : un animal par exemple peut mâcher l'isolation
des câbles et provoquer un défaut de terre,
Court-circuit accidentel entre le conducteur et la terre : un câble dans une boîte
de jonction PV en contact avec un conducteur de terre [Kopp, 2012] ,
Défaut de terre dans les modules PV : une cellule solaire court-circuite les cadres
des modules à la terre en raison de la détérioration de l'encapsulation, des chocs,
ou d'une corrosion dans le module PV (lié aux conditions climatiques).
Des disjoncteurs diérentiels de fuite à la terre de type AC (AC Ground Fault Circuit
Interrupters ou GFCI en anglais) sont capables de détecter ces courants de fuite (même
très faibles : 6 mA) et provoquent l'ouverture d'un interrupteur pour arrêter le ux de
courant rapidement (200 ms). Les seuils de détection réels et le temps de réponse sont
généralement ajustés et varient largement selon les applications.
Pour détecter un défaut, il faut comparer les courants entrant et sortant de l'alimenta-
tion continue de l'onduleur. La diérence entre ces deux courants correspond au courant de
fuite If s'écoulant par la terre ou dans le sol. Lorsque ce courant dépasse la sensibilité du
disjoncteur, le circuit est ouvert et toute circulation de courant se trouve immédiatement
arrêtée.
Figure 1.19 (A) défaut de terre, (B) arc série, (C) arc parallèle
1.4.5 Défaut d'arc électrique

Le défaut d'arc se manifeste lorsque deux ls avec une importante diérence de po-
tentiel sont réunis ou tirés en dehors du circuit. Il peut être la cause de pannes critiques
et provoquer la n de la vie des modules ou de systèmes PV.
L'arc électrique crée par le courant continu DC est une étincelle qui se produit dans
l'air ou dans un autre milieu diélectrique. Il se produit sous deux formes : arcs série et
arcs parallèles.
36
1.5. MÉTHODES DE DÉTECTION DE DÉFAUT
Un arc série se produit le plus souvent quand une connexion est interrompue laissant
un conducteur très près de l'autre. L'arc série peut se produire dans les boîtes de jonction,
les connexions des câbles entre les modules et à l'intérieur des modules.
L'arc parallèle peut se produire lorsque deux conducteurs de tension diérente sont
proches l'un de l'autre, par exemple lorsque l'isolation de deux ls parallèles est défec-
tueuse.
Le courant produit par un arc série est limité par la charge avec lequel elle est en série,
tandis qu'un arc parallèle peut absorber autant de courant qu'une source est capable de
fournir [Banavar et al., 2012]. Un dispositif de protection de défaut de terre tel qu'un
fusible ou un détecteur d'arc électrique (AFCI ou AFDD en anglais) permet de détecter
de tels défauts.
1.5 Méthodes de détection de défaut

1.5.1 Méthodes non électriques
Il existe plusieurs méthodes de détection défaut non destructif comme la photolumines-
cence, l'électroluminescence pour détecter des ssures dans les cellules PV. Ces méthodes
sont basées sur l'imagerie[Crozier et al., 2012].
L'électroluminescence est un dispositif de mesure sans contact tactile. Pour contrô-
ler les modules PV, chaque module ou des strings complets sont alimentés en cou-
rant et émettent ainsi un rayonnement proche de IR. A l'aide d'une caméra élec-
troluminescente, il est possible de percevoir ce rayonnement et d'obtenir ainsi une
image des éléments l'émettant. De cette façon, les cellules défectueuses sont identi-
ées et apparaissent en noir sur les clichés obtenues comme montrées sur la gure
1.20[testing laboratory, 2011][ENVARIS, 2016].
La photoluminescence est très similaire à électroluminescence. La seule diérence est
que l'excitation est faite par une source laser au lieu d'un courant. L'image photolumi-
nescente est détectée en utilisant une caméra CCD avec un ltre fréquentiel au niveau
de la caméra an de discriminer le faisceau lumineux d'excitation de la réponse liée à la
photoluminescence comme illustré sur la gure 1.21[Israil et al., 2014].
Figure 1.20 Inspection des cellules PV par électroluminescence
La caméra thermique est largement utilisée pour détecter les défauts des points chauds
sur les panneaux PV. Elle repose sur la détection de défauts par les paramètres non
électriques tels que l'analyse ecace de la température au niveau du module avec un
faible coût comme montré sur la gure 1.22 [Rezgui et al., 2015][Kopp, 2012].
37
Figure 1.21 Inspection des cellules PV par photoluminescence
Figure 1.22 Inspection des cellules PV par caméra infrarouge
1.5.2 Méthodes électriques

1.5.2.1 Réectométrie
La méthode de réectométrie est très ecace pour le la détection
et la localisation des défauts dans un string PV [Takashima et al., 2009]
[L. Schirone, F. P. Califano, U. Moschella, 2013]. Cette méthode est proche du ra-
dar : une forme de signal particulière (impulsion, ...) est envoyée au système électrique
(tension). Ce signal va se propager dans les ls et créer des échos dues aux discontinuités
du l électrique (circuit ouvert, court-circuit, mauvais contact, ...). On analyse alors la
forme d'onde rééchie liée au type de défaut et la position des échos liés à la distance du
défaut (et à la vitesse de propagation dans le milieu).
Une autre technique qui consiste à mesurer la capacité de la terre permet d'identier
si un module PV dans un string est déconnecté [Takashima et al., 2009]. Ces deux tech-
niques citées précédemment ne nécessitent pas une connaissance préalable des conditions
météorologique (irradiance et température).
1.5.2.2 Utilisation de données satellites

L'utilisation de données de satellites couplée à une surveillance à distance peut être
envisagée pour les petits systèmes PV connectés au réseau . Par exemple, dans le pro-
jet Européen PVSAT-2 les données climatiques fournies par des satellites d'observation
remplacent les mesures météorologiques eectuées sur site. La puissance délivrée par le
panneau mesuré sur place est transmise au système de surveillance. Le rendement éner-
gétique attendu est alors estimé puis comparé à celui mesuré sur site. Les rendements
énergétiques du système prévu ne possèdent pas la même précision que les rendements
calculés à partir des données et des valeurs réelles surveillées avec une erreur quadratique
38
1.5. MÉTHODES DE DÉTECTION DE DÉFAUT
Figure 1.23 Méthode de réectométrie
moyenne (RMSE) d'environ 10% ont été rapportées pour l'irradiance estimée en utilisant
ces méthodes[Chine et al., 2014].
Ce type d'analyse permet de diérencier plusieurs types de défauts :
les pertes d'énergie constante ( en raison de la dégradation, les salissures, etc...),
les pertes d'énergie variables ( en raison de l'ombrage, la grille déconnexions, li-
mitation de la puissance de l'onduleur, les échecs de suivi MPP, la température,
etc.),
les pertes dues notamment à la présence de neige [Chine et al., 2014].
1.5.2.3 Caractéristiques I-V

Plusieurs chercheurs ont étudié les caractéristiques I-V de modules PV dans des condi-
tions d'ombrage partiel. Un algorithme numérique a été proposé pour simuler les carac-
téristiques complexes d'un générateur PV en représentant chaque élément (chaque cellule
du module, la diode de bypass, diode de blocage, etc...) avec des expressions mathéma-
tiques. Les résultats trouvés ont été précis, mais nécessitent plus de temps de calcul et
l'exigence d'une taille de mémoire grande.[Quaschning et Hanitsch, 1996].
Les caractéristiques I-V du module PV et des cellules PV ont été obtenues expéri-
mentalement dans l'étude de [Alonso-García et al., 2006] pour étudier l'eet d'ombrage
partiel. Cependant ce travail est limité au niveau du module et ne traite pas des ef-
fets d'ombrage sur tout le champ PV. Kawamura et al dans [Kawamura et al., 2003] ont
également étudié l'eet d'ombrage sur la sortie des modules PV et par conséquent le
changement de leurs caractéristiques I-V. Cependant, les caractéristiques I-V et P-V d'un
module unique, pris en compte dans leur étude, ne permettent pas de prédire la présence
de multiples pics qui sont communs dans les caractéristiques I-V et P-V de champ PV
qui recevant une irradiance non uniforme.
D'autres utilisent utilise la caractéristique I-V par une approche automatique appelée
la méthode d'inférence. Cette méthode a été vériée par un travail de simulation et un
travail expérimental à Grenoble au laboratoire G2ELAB. Elle utilise plusieurs modèles
de défaut (shading, mismatch, défaut des diodes de bypass et diodes de blocage) pour
plusieurs congurations panneau, string, champ. Elle utilise des indicateurs comme Pmax ,
39
Isc , Voc , la présence des pics sur le dérivé première et secondaire de la caractéristique I-V
[Bun, 2011].
1.5.2.4 Autres méthodes

Dans l'étude publiée dans [Firth et al., 2010] un modèle empirique simple a été déve-
loppé pour décrire la performance du générateur PV. Ce modèle est basé sur l'estimation
des pertes d'énergie pour chaque catégorie de défauts par le contrôle de ces cinq paramètres
seulement au niveau du générateur PV : l'éclairement horizontal, la température de l'air
ambiant, la température du module PV, l'irradiance solaire dans le plan des panneaux
PV, courant continu produit par champ.
Un algorithme de détection de défaut est présenté dans [Chouder et Silvestre, 2010].
Il utilise la comparaison de la performance simulée et mesurée. Il analyse également les
pertes présentes dans le générateur PV, en comparant les erreurs de la déviation du
courant et de la tension du côté DC, et un ensemble de seuils des erreurs. Dans ce travail,
il a été identié plusieurs types de problèmes qui touchent non seulement les strings
défectueux et leurs modules,les fausses alarmes, mais aussi un certain nombre de défauts
non discriminables comme erreur de MPPT, l'ombrage et le vieillissement. Un autre travail
publié par [Chine et al., 2014] développe un logiciel pour déterminer la localisation de
défaut, il repose sur la surveillance du rapport entre le courant alternatif et courant du
côté DC de l'installation PV. Les défauts identiés dans ce travail sont : défaut du module
PV, défaut dans un string PV, défaut de l'onduleur et d'autres défaut comme ombrage
partiel et erreur de MPPT.
1.5.3 Méthodes de diagnostic

Dans le travail de [Bun, 2011] plusieurs méthodes de diagnostic ont été répertoriés :
redondance matérielle, redondance analytique et diagnostic à base de connaissance.
La redondance matérielle consiste à avoir plusieurs panneaux PV identiques fonction-
nant dans les mêmes conditions (irradiance, température, charge, ...). Dans ce cas, on
compare les grandeurs électriques de ces panneaux entre elles. Si l'une dière, cela signie
qu'il peut y avoir un problème. Cette méthode ne permet pas d'identier la nature de
défaut.
La redondance analytique on identie les paramètres des panneaux PV (Rs, Rsh, ...) à
l'aide des signaux d'entrées (irradiance et température, ...) et de sorties (courant, tension,
...). Cette identication est dicile à cause de la non-linéarité du système due à la diode.
La méthode de diagnostic à base de connaissance est classée en trois catégories qui
sont les approches traitement du signal, la classication et l'inférence. L'inférence et la
classication s'appliquent pour un signal de type instantané qu'il n'y a pas une évolution
dans le temps. La méthode de traitement de signal est choisie dans notre travail, car les
indicateurs de défauts qu'on veut étudier évoluent dans le temps. Cette discipline utilise
des outils comme la FFT, transformée d'ondelette, réseaux de neurones...
Les approches de traitement de signal ont été utilisées dans la littérature pour le
diagnostic des panneaux PV. Une méthode statistique appelée Analyse en Composante
Principale a permis de faire le diagnostic d'une installation PV [Houssein et al., 2010]. Une
Représentation Temps-Fréquence d'un signal électrique permet de mettre en évidence des
motifs caractéristiques des arcs séries. Un traitement morphologique a permis d'extraire
40
1.6. CONCLUSION
les motifs d'arcs de la RTF et de quantier l'importance du phénomène sous la forme d'un
"degré de présence d'arc série" [Leprettre et Rebière, 2001].
D'autres techniques de traitement de signal sont appliquées pour détecter les défauts
d'arc électrique dans les installations PV utilisant des signatures acoustiques de défaut.
Elles nécessitent une base de connaissance préalable des transitoires des arcs électriques
à l'aide de modèle d'apprentissage ARMA [Dahmani et al., 2013]. Dans les travaux de
[Sidhu et al., 1998] les réseaux de neurones ont été utilisés pour classier les signaux pro-
duits par l'arc électrique. Ces signaux ont été mesurés à l'aide de trois capteurs : une
antenne pour le rayonnement électromagnétique,capteur infrarouge pour la chaleur et un
microphone pour le signal acoustique. Ces signaux ont été enregistrés à l'aide d'un système
d'acquisition de données basé sur DSP.
1.6 Conclusion
Dans ce chapitre, nous avons d'abord présenté un aperçu général de l'énergie PV et ses
concepts de bases. Ensuite, Nous avons présenté dans ce chapitre les diérents éléments
qui constituent un système PV ainsi que le rôle de chaque élément. Nous avons présenté
les diérents modèles électriques d'un module PV opérant dans diverses conditions.
Une étude bibliographique des diérents défauts d'un système PV ainsi que les mé-
thodes de diagnostic sont menées. Dans cette étude, nous avons choisi d'étudier les défauts
du côté DC du générateur PV (défauts de mismatch et défaut de diodes de bypass). L'ap-
proche retenue pour faire du diagnostic est l'approche traitement de signal.
41
CHAPITRE 2. CYCLOSTATIONNARITÉ
Chapitre 2
Cyclostationnarité
2.1 Introduction
Cette partie présente principalement les techniques d'analyse et les dénitions asso-
ciés aux processus cyclostationnaires. Les périodicités sont omniprésentes dans les phé-
nomènes physiques et les processus cyclostationnaires peuvent caractériser de nombreux
problèmes de la vie réelle entraînant des phénomènes et des opérations d'une nature répé-
titive. On trouve de nombreux exemples en économie [Broszkiewicz-Suwaj et al., 2004]
[Franses, 1996], en acoustique [Keeler, 1972] [Ikeda et Sakamoto, 2003], en com-
munications [Gardner, 1994] [Tian et al., 2012], en sciences géophysiques et at-
mosphériques (hydrologie : [Vecchia, 1985] [Kacimov et al., 2004], océanographie :
[Dragan et Yavorskii, 1982], météorologie : [Hasselmann, K. and Barnett, 1981], et clima-
tologie : [Bloomeld, P., Hurd, H.L., and Lund, 1994]), pour l'étude des machines mé-
caniques [Kidar, 2015] [Antoni et al., 2004] [Antoni, 2009] [Badaoui et al., 2005], en bio-
mécanique [Maiz, 2014] [Maiz et al., 2014] et pour caractériser les systèmes biologiques
[Newton, 1982].
En 1961 Gladysev [Gladysev, 1961] a introduit les principales représentations de sé-
ries chronologiques cyclostationnaire, tandis qu'en 1969 Hurd [Hurd, 1969] a présenté
dans sa thèse une excellente introduction aux processus cyclostationnaires dans le temps
continu. Depuis 1975 [Gardner et Franks, 1975], Gardner a contribué à la théorie des si-
gnaux stationnaires dans le temps continu, et surtout leurs applications à l'ingénierie des
communications. Gardner [Gardner, 1988] adopte un point de vue "non probabiliste" de
cyclostationnarité. Répondant à un intérêt récent dans les systèmes numériques variant
périodiquement et des séries chronologiques cyclostationnaires, l'exposition ici est pro-
babiliste et se concentre sur des signaux et les systèmes en temps discret, en mettant
l'accent sur leur caractérisation statistique de deuxième ordre et de leurs applications au
traitement du signal et des communications.
Nous apportons notre contribution aux outils cyclostationnaires en introduisant la
Moyenne Synchrone Temporelle Adaptée (ATSA) plus adaptée aux signaux météorolo-
giques.
42
2.2. DÉFINITIONS ET PROPRIÉTÉS (CAS GÉNÉRAL)
2.2 Dénitions et propriétés (cas général)

Les dénitions ci-dessous sont données pour des signaux réels, en conséquence, les
formules ne font pas apparaître de conjugué des signaux réels.
2.2.1 Processus stochastique, signal stochastique et vecteur sto-

chastique
Supposons qu'on eectue une mesure de tension au borne d'un composant électronique.
La tension mesurée s'écrit sous la forme de :
V (t) = Vc + X(t) (2.1)
A l'aide d'un oscilloscope (en AC) et en choisissant le facteur d'amplication maxi-

mum, on peut observer le bruit X(t) (gure 2.1).
Figure 2.1 Tension de bruit observée.

Supposons que la même expérience soit eectuée sur N dispositifs similaires, on obtient
N épreuves, notées X(t, ω) du processus aléatoire X(t, ωj ). Par ailleurs, l'ensemble des
valeurs prises par les diérentes épreuves à un instant ti , correspond aux réalisations
de la variable aléatoire X(ti ). Une réalisation (une épreuve) est un signal aléatoire de
dimension innie ; une réalisation échantillonnée est un vecteur aléatoire (de dimension
nie ou innie). La gure 2.2représente quelques réalisations de ce processus aléatoire
[Jutten, 2009].
Un processus aléatoire (ou stochastique) est une famille de fonctions X(t), réelles
ou complexes, dénies dans un espace de probabilité, c'est-à-dire dépendant de deux
variables, dont l'une est le temps t (usuellement, mais cela peut être l'espace pour des
images), et dont l'autre est la variable ω de l'espace des épreuves Ω.
Pour une réalisation ωi donnée, le processus aléatoire X(t, ω) se réduit à une fonction
x(t, ωi ) que l'on notera simplement xi (t) : c'est un signal aléatoire.
2.2.2 Fonction de répartition

La fonction de répartition, encore appelée fonction de distribution cumulative ou fonc-
tion de distribution, d'une variable aléatoire X(t) est dénie comme étant la probabilité
que X(t) < x . Elle est dénie comme suit :
FX(t) (x) = P rob{X(t) < x} (2.2)
43
Figure 2.2 Processus aléatoire X(t, ω), signal aléatoire X(t, ωj ), vecteur aléatoire
X(tk , ωj ), tk = kTe , variable aléatoire X(ti )
Il est important de remarquer que FX(t) (x) est une fonction de x et non de la variable
aléatoire X(t). Pour chaque valeur de x, FX(t) (x) représente une probabilité cumulée.
Une description alternative de la probabilité d'une variable aléatoire est souvent uti-
lisée, il s'agit de la dérivée de la fonction de répartition.
2.2.2.1 La fonction de densité de probabilité

La fonction de densité de probabilité fX(t) (x) d'une variable aléatoire X(t) est dénie
comme étant la dérivée de la fonction de répartition FX(t) (x) de la variable aléatoire X(t)
comme suit :
dFX(t) (x)
fX(t) (x) = (2.3)
dx
L'extension de la fonction de répartition d'une variable aléatoire à un ensemble de N
variables aléatoires est direct.
Soit X(t) = [X(t + t1 ), ..., X(t + tN )] un vecteur de N variables aléatoires. Ce
vecteur représente des observations du processus stochastique X(t, ω) pour les temps
t : t + t1 , ..., t + tN . La loi jointe pour le vecteur des N variables aléatoires évaluée à
x = {x1 , ..., xN } est dénie par :
FX(t) (x) = P rob{X(t + t1 ) < x1 , ..., X(t + tN ) < xN } (2.4)
44
2.3. MOMENTS ET CUMULANTS
Par conséquent, la fonction de densité de probabilité jointe correspondante est donnée

par la dérivée N -ième de la fonction de répartition jointe de X(t) :
∂N
fX(t) (x) = FX(t) (x) (2.5)
∂x1 , ..., ∂xN
2.2.3 Ergodisme
Un processus aléatoire est dit ergodique si les valeurs moyennes statistiques (d'en-
semble sur ω ) sont égales aux valeurs moyennes temporelles (sur une seule réalisation) :
Z ∞ Z T /2
1
E[g(X)] = g(u)P X(u)du = lim g[x(t)]dt = g(x) (2.6)
−∞ T →∞ T −T /2
La conséquence de cette hypothèse est très importante en pratique. Elle permet de

remplacer les calculs de moments statistiques (qui supposent que les densités de probabilité
ou les fonctions de répartition sont connues) par les moyennes temporelles sur une seule
réalisation (observation). En pratique, faire une estimation de la moyenne temporelle
sur une fenêtre de taille innie est impossible. Il faut se contenter d'une approximation
calculée sur une fenêtre de taille nie, qui tendra asymptotiquement, avec la taille de la
fenêtre, vers la moyenne temporelle. Cette hypothèse d'ergodicité est cependant dicile
à vérier. On admettra fréquemment que les processus aléatoires usuels sont ergodiques
[Jutten, 2009].
2.3 Moments et cumulants

La moyenne d'un processus stochastique X(t, ω) au temps t est dénie comme étant
la moyenne de la variable aléatoire X(t) et peut être écrite comme suit :
µX (t) = E{X(t)} (2.7)

µX (t) est fonction du temps et est communément appelée la moyenne d'ensemble de
X(t) ou bien la statistique d'ordre un du processus stochastique X(t).
Une autre propriété statistique est celle de la mesure de la dépendance du processus
à deux instants diérents t1 et t2 . Cette mesure est appelée la fonction d'autocorrélation
instantanée du processus X(t, ω).
Cette dernière mesure la corrélation entre deux variables aléatoires X(t1 ) et X(t2 ) (ou
entre X(t) et X(t + τ ).
La fonction d'autocorrélation est notée par RX (t1 , t2 ) (ou RX (t, τ )) et puisque on
travaille avec des signaux réels elle est donnée comme suit :
RX (t1 , t2 ) = E{X(t1 )X(t2 )} (2.8)
RX (t, τ ) = E{X(t)X(t + τ )} (version asymétrique) (2.9)

RX (t, τ ) = E{X(t + τ /2)X(t − τ /2)} (version symétrique) (2.10)
Évidemment, cette fonction d'autocorrélation représente une statistique d'ordre deux
du processus stochastique.
45
2.4 Processus cyclostationnaires

2.4.1 Dénitions
Un processus stationnaire (noté CS) présente une moyenne et une fonction d'autocor-
rélation invariante dans le temps alors qu'un processus cyclostationnaire à une fonction
de distribution de probabilité périodique dans le temps.
Un processus aléatoire est cyclostationnaire si sa moyenne et sa fonction d'autocorré-
lation varient périodiquement dans le temps. Dans le contexte de signaux stationnaires,
stationnaires au sens large se réfère à des moments invariants dans le temps (comme
moyenne, la variance et moments d'ordre supérieur), alors que stationnaire au sens strict
se réfère à la fonction de distribution de probabilité invariante dans le temps.
Un processus aléatoire stationnaire est cyclostationnaire au sens strict si sa fonction
de distribution de probabilité est périodique dans le temps. Cyclostationnarité au sens
large signie que la moyenne et la fonction d'autocorrélation du signal est périodique
[Gardner et al., 2006][Lushanur, 2013].
Le processus X(t) est dit CS à l'ordre N au sens strict si sa fonction de répartition à
l'ordre N est périodique dans t avec une certaine période T0
Le processus X(t) est dit CS à l'ordre 2 au sens large si sa moyenne E{X(t)} et sa
fonction d'autocorrélation sont périodiques avec une certaine période T0 pour tous t et τ .
RX (t, τ ) = E{X(t + τ )X(t)} (2.11)
E{X(t + T0 )} = E{X(t)} (2.12)
RX (t + T0 , τ ) = RX (t, τ ) (2.13)
Dès lors que la fonction d'autocorrélation RX (t, τ ) est périodique, avec la période T0 ,
elle admet un développement en séries de Fourier selon la variable t comme suit :
+∞ n
j2π( Tn )t
(2.14)
X
RX (t, τ ) = RXT0 (τ )e 0
n=−∞
Où les coecients de Fourrier sont :

T0
n
Z +
1 2
−j2π( Tn )t
T0
RX (τ ) = RX (t, τ )e 0 dt (2.15)
T0 −
T0
2
sont appelées des fonctions d'autocorrélation cycliques (CAF) et les fréquences { Tn0 }n∈Z
sont appelées les fréquences cycliques. Les processus CS au sens large sont aussi appelés
PCP(periodically correlated processes).
Un processus
n
stationnaire au sens large est un cas particulier d'un processus CS pour
lequel RX (τ ) 6= 0 seulement pour n = 0. On peut montrer que si X(t) est CS avec
T0
période T0 alors le processus stochastique X(t + θ) est stationnaire au sens large, où θ est
une variable aléatoire distribuée uniformément sur l'intervalle [0, T0 ] et il est indépendant
statistiquement de X(t).
46
2.4. PROCESSUS CYCLOSTATIONNAIRES
2.4.2 Extension au cas presque-périodique

Une autre classe plus générale de processus stochastique est obtenue si la fonction
d'autocorrélation RX (t, τ ) est presque périodique dans t pour chaque τ .
Une fonction z(t) est appelée presque périodique si elle est une limite d'une séquence
convergente uniformément des polynômes trigonométriques dans t.
(2.16)
X
Z(t) = Zα ej2παt
α∈A
Où A est un ensemble ni, les fréquences α ∈ A sont possible d'être incommensurable

et les coecients Zα sont donnés par :
Z T /2
1
Zα = hZ(t)e −j2παt
it = lim Z(t)e−j2παt dt (2.17)
T →∞ T −T /2
de telles fonctions sont appelées des fonctions presque périodiques dans le sens de
Bohr ou équivalent à presque périodique uniformément dans le t et dans le sens de
Besicovitch.
Le processus X(t) est appelé presque CS à l'ordre N au sens strict si sa fonction

de distribution à l'ordre N est presque périodique dans t.
En référence aux propriétés de l'autocorrélation, le processus stochastique X(t) à va-
leur réelle dans le temps continu est appelé presque CS au sens large si sa fonction d'au-
tocorrélation RX (t, τ ) est presque périodique dans t (avec des fréquences indépendantes
du τ ).
Par conséquent, il est la limite d'une suite convergente uniformément du polynôme
trigonométrique dans t :
(2.18)
X
α
RX (t, τ ) = RX (τ )ej2παt
α∈A
où
Z T /2
1
α
RX (τ ) = lim RX (t, τ )e−j2παt dt (2.19)
T →∞ T −T /2
est la fonction d'autocorrélation cyclique dans les fréquences cycliques α.
2.4.3 Fonction de densité de corrélation spectrale (FDCS)

La FDCS est dénie comme la transformée de Fourier de la fonction d'autocorrélation
cyclique de x(t). La FDCS du signal x(t) est donnée par :
Z +∞
Sxα (f ) = Sxα (τ )e−j2πf τ dτ (2.20)
−∞
La FDCS s'obtient
en combinant les composantes spectrale de x(t) aux fréquences
f + 2 et f − 2 sur un intervalle d'observation de T données dans l'équation ci-
α α

dessous :
Z +∆t/2
1 1 α ∗ α
Sxα (f ) = lim lim XT t, f + XT t, f − dt (2.21)
∆t→∞ T →∞ ∆t T −∆t/2 2 2
47
Ci-dessous la composante spectrale de x(t) l'axe des fréquences f avec période T :

Z t+ T2
XT (t, f ) = x(t)e−j2πf t dt (2.22)
t− T2
Le spectre cyclique à une fréquence cyclique représente la densité de corrélation entre

2 composantes spectrales du processus qui sont séparées par une quantité égale à la
fréquence cyclique. La FDCS est généralement tracée sur un plan bi-fréquentiel en fonction
de la fréquence spectrale f et la fréquence cyclique α (gure 2.3). La plage des valeurs de
f ( −f2 s à f2s où fs est la fréquence d'échantillonnage) et α (normalement comprise entre
−fs et fs ) pour lesquelles Syα (f ) est non nulle est appelée le support du plan bi-fréquentiel
[Lushanur, 2013].
Figure 2.3 Plan bi-fréquentielle.

Pour un processus aléatoire purement stationnaire, la CAF est réduite aux fonctions
d'autocorrélation Rx (t) et FDCS aux densités de puissance spectrales Sx (f ). Ce qui cor-
respond à α = 0.
Z ∞ Z T0 /2 Z ∞
1
Sxα (f ) = Rx (τ )e −j2πf τ
dtdτ = Rx (τ )e−j2πf τ dτ = Sx (f ) (2.23)
T0 −∞ −T0 /2 −∞
Les relations entre la classe générale des processus non stationnaires et les trois pro-
cessus : stationnaire(S), cyclostationnaire(CS) et poly cyclostationnaire (PCS) peuvent
être décrits avec le diagramme de Venn comme montré sur la gure 2.3[Gardner, 1994].
2.5 Estimation des composantes cyclostationnaires

pour l'analyse des conditions météorologiques
La gure 2.5 représente l'évolution de l'ensoleillement de la ville de Roanne de l'année
2004-2013 obtenu par Helioclim-3 [The Helioclim-3 Database, 2016]. Helioclim-3 est une
base de données qui contient l'ensoleillement évalué toutes les 15 minutes à partir des
images prises par les satellites Météosat.
L'ensoleillement représenté sur les gures 2.5 et 2.6 est composé :
48
2.5. ESTIMATION DES COMPOSANTES CYCLOSTATIONNAIRES POUR
L'ANALYSE DES CONDITIONS MÉTÉOROLOGIQUES
Figure 2.4 Diagramme de Venn des classes des processus cyclostationnaires.
d'un ensemble de motifs répétitifs journaliers dû à l'alternance jour et nuit,

d'un ensemble de motifs répétitifs annuels liés à l'eet de la saisonnalité, et
d'une partie aléatoire causée par le passage des nuages.
900
800
700
Ensoleillement(W/m2)
600
500
400
300
200
100
1 2 3 4 5 6 7 8 9 10
Temps(année)
Figure 2.5 Ensoleillement de la ville de Roanne de 2004-2013.

La gure 2.6 montre un agrandissement de la gure 2.5. Le motif répétitif d'un jour
apparait clairement et varie diéremment chaque jour (il peut être vu comme une modu-
lation d'amplitude d'un signal cyclostationnaire).
An d'étudier plus en détail l'ensoleillement et de mettre en évidence ces périodicités,
nous avons réalisé une analyse spectrale.
Pour faciliter l'interprétation, l'axe fréquentiel du spectre n'a pas été gradué en Hz
(1/s), mais (1/année). Dès lors, une fréquence de 1 an−1 correspond à une période de 1
an et une fréquence de 0.5 an−1 à une période de 2 ans. La forte diérence entre ces deux
cycles contraint à présenter deux gures avec des échelles adaptées à la visualisation de
chaque cycle.
Les deux cycles observés sur les gures précédentes (gures 2.6 et 2.5) apparaissent
sur le spectre (gure 2.7 et 2.8). Le premier pic correspond au cycle journalier créé par
49
500
400
300
200
100
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

Temps(jour)
Figure 2.6 Ensoleillement de la ville de Roanne à partir de 1/1/2004 (agrandissement).
l'alternance jour et nuit (gure 2.6). Un agrandissement autour du pic associé au cycle
journalier montre une distance d'une année. Cette modulation est observée sur la (gure
2.5) qui montre les uctuations annuelles de l'ensoleillement. Le deuxième pic visible sur
la gure 2.8 correspond au cycle annuel engendré par l'eet de la saisonnalité.
125
X: 1
Y: 125.7
120
115
X: 0.9973 X: 1.003
Y: 111 Y: 110.6
110
Amplitude(dB)
105
100
95
90
85
80
0.99 0.995 1 1.005 1.01 1.015

Fréquence(1/jour)
Figure 2.7 Spectre de la ville de Roanne de 2004-2010.
Dans de nombreuses applications de traitement du signal, il est très intéressant d'étu-

dier les diérentes composantes d'un processus séparément. Ces composantes peuvent
physiquement être liées à diérentes sources individuelles. Par exemple ici, on a un pro-
cessus CS. Une tâche importante est de séparer les parties déterministes périodiques et
aléatoires du processus CS.
Diérentes techniques existent pour faire une telle séparation de la CS1 : par exemple,
la méthode de prédiction linéaire, la méthode Self Adaptive Noise Cancellation (SANC),
la méthode de procédure d'édition cesptral et la méthode de la moyenne synchrone tem-
porelle (TSA).
50
2.5. ESTIMATION DES COMPOSANTES CYCLOSTATIONNAIRES POUR
L'ANALYSE DES CONDITIONS MÉTÉOROLOGIQUES
165
160
X: 0.9998
Y: 160.4
155
150
Amplitude(dB)
145
140
135
130
125
5 10 15 20 25
Fréquence(1/année)
Figure 2.8 Spectre de l ville de Roanne de 2004-2010 (agrandissement).
2.5.1 Moyenne synchrone en anglais Times synchrounous average

(TSA)
La manière classique de séparer des signaux périodiques du bruit (et de tout élément
non périodique avec une fréquence fondamentale particulière) est la moyenne synchrone.
Elle a été utilisée pendant de nombreuses années pour extraire le signal de vibration
correspondant à un engrenage particulier dans une boite de vitesse [Randall, 2011].
Pour des raisons de simplicité, nous considérons que chaque période correspond à une
réalisation du processus. Ensuite, le signal est découpé en cycles qui sont superposés verti-
calement, car cette estimation suppose que les signaux sont ergodiques c'est-à-dire que l'on
peut remplacer la moyenne temporelle par une moyenne d'ensemble(gure 2.9). Il sura
donc, pour estimer la moyenne m̂Tx (t) de moyenner les réalisations(moyennage vertical),
c'est-à-dire les données de chaque cycle (le signal n'étant pas stationnaire la moyenne ne
se réduit pas à un nombre, mais à un signal représentant la moyenne journalière). On
aura donc pour un signal x(t) avec N.T échantillons [Bonnardot et El Badaoui, 2010] :
N −1
1 X
m̂Tx (t) = x(t + k.T ) (2.24)
N k=0
Où N est le nombre de cycles et T la durée d'un cycle.
La gure 2.10 montre un agrandissement de la gure 2.5 ainsi qu'une estimation de la

moyenne synchrone calculée sur une période de 1 jour avec des données de 1 mois (N = 31)
(janvier 2004). Bien que le cycle journalier apparaisse clairement, le motif semble varier
diéremment chaque jour en raison du changement des conditions météorologiques et rend
ainsi dicile l'extraction du motif répétitif par la moyenne synchrone représentée sur la
gure 2.10.
51
Figure 2.9 Estimation de la moyenne synchrone.

500
TSA
450 Ensoleillement
400
Ensoleillement(W/m 2)
350
300
250
200
150
100
50
15 16 17 18 19 20 21
Temps(jour)
Figure 2.10 Moyenne synchrone.
52
2.6. MÉTHODE DE CEPSTRE
2.6 Méthode de Cepstre

Le cepstre est un détecteur d'échos. Il a été utilisé pour détecter les échos notamment
dans les signaux sismiques. Il consiste à réaliser une transformation du signal du domaine
temporel vers un autre domaine analogue au domaine temporel gradué en secondes
et appelé quéfrence. Pour rappeler le fait qu'on eectue une transformation inverse à
partir du domaine fréquentiel, les appellations des notions sont des anagrammes de celles
utilisées en fréquentiel. Ainsi le spectre devient le cepstre, la fréquence une quéfrence, les
harmoniques les rahmoniques... [Bogert et al., 1963][El Badaoui, 1999][Wikipedia, 2010].
Le Cepstre est la transformée de Fourier inverse (T F −1 ) du logarithme du module du

spectre est déni comme :
Š(t) = T F −1 Ln | S(f ) | (2.25)
Avec :
S(f ) = T F {s(t)},
TF la transformée de Fourier, et
S(f ) = A(f ).exp(jφ(f )).
Si le signal à étudier est périodique, il peut être écrit sous forme d'un produit de
convolution entre le motif périodique et un peigne de Dirac. La transformée de Fourrier
transforme le produit de convolution en une multiplication. Donc on aura un spectre
du motif périodique multiplié par le spectre de peigne de Dirac. Enn, l'application du
logarithme transforme la multiplication en addition et on aura ainsi un spectre du motif
périodique plus le spectre du peigne de Dirac. Le spectre du motif périodique est souvent
présent en basse quéfrence.
Il a été montré que le cepstre du peigne de Dirac correspond à une série de pics
décroissants. La distance entre chaque pic correspond à la période du peigne.
Le cepstre d'un motif périodique présente donc une partie identique pour les signaux
périodique qui est indépendante du motif.
La gure 2.11 illustre le cepstre réel de l'ensoleillement. Nous remarquons que le cepstre
réel de l'ensoleillement présente des périodicités qui correspondent à un cycle journalier
ainsi que des rahmoniques (gure 2.11). La distribution autour de la période journalière
est engendrée par l'eet de la saisonnalité(modulation d'amplitude).
L'idée de la méthode proposée dans [Randall, 2011] est de supprimer les rhamoniques
associés au périodicités. Le cepstre réel n'étant pas directement réversible contrairement
au cepstre plusieures étapes destinées à conserver la phase sont nécessaires. Les étapes
essentielles sont présentées sur la gure 2.12 :
on calcule tout d'abord la transformée de Fourrier du signal d'entrée,
la phase φ est stockée pour un usage ultérieur.
Parallèlement, le cepstre réel est obtenu en prenant la transformée de Fourier in-
verse du logarithme du spectre d'amplitude A,
nous éditons alors le cepstre réel (suppression de rharmonics),
la transformée de Fourier est appliquée à ce résultat et nous en tirons le logarithme
du spectre d'amplitude édité.
Cette quantité est recombinée avec le spectre de phase originale.
Après application de l'exponentielle, puis de la transformée de Fourier inverse, nous
obtenons en sortie le signal temporel pré-traité [Randall, 2011].
53
Figure 2.11 Cepstre réel de l'ensoleillement(bleu), Cepstre réel de l'ensoleillement après

ltrage des rahmoniques(rouge).
L'étape d'édition du cepstre réel revient à appliquer un ltre en peigne

[Orfanidis, 1996], dont l'amplitude est déterminée à partir de l'équation (2.26) et le
gabarit visible sur la gure 2.13. Nous pouvons donc réduire le bruit exhibant davantage
l'information utile.
1 sin( P2ω ) 2πk

| H(ω) |=| ω |, ωk = (2.26)
P sin( 2 ) P
ωk = 2πk
P
avec k = 1, 2, ..., P − 1, se rapporte à la famille de rhamoniques à supprimer et
P correspond au nombre de raies.
Après l'application du ltre, on constate que l'on supprime bien cette périodicité ainsi
que ses rahmoniques comme monté sur la gure 2.11 en bas ) [Telidjane et al., 2015b].
La gure 2.14 montre le motif cyclique estimé par la méthode d'édition de Cepstre.
Ce motif cyclique est obtenu en retranchant la partie résiduelle du signal d'ensoleille-
ment. La partie résiduelle est estimé aprés liftrage (ltrage dans le domaine temporel)
des quéfrences. Nous avons remarqué que ce motif cyclique s'adapte mieux d'un jour à
un autre par rapport au motif cyclique estimé par la TSA (gure 2.10). Nous allons pré-
senter maintenant une autre méthode originale que nous avons créée appelée Moyenne
Synchrone Temporelle Adaptée (ATSA).
54
2.6. MÉTHODE DE CEPSTRE
fft
Signal
d'entrée Phase Log du spectre Spectre complexe
Ifft
Log amplitude Signal temporel
Ifft
Cepstre réel
Cepstre édité
fft
Log de l'amplitude du
Cepstre édité
Figure 2.12 Méthode d'édition de Cepstre.
Figure 2.13 Gabrit de ltre en peigne | H(ω) |.
55
600
Ensoleillement
Motif cyclique
500
Ensoleillement(W/m 2)
400
300
200
100
0
14 15 16 17 18 19 20 21 22
Temsp(jour)
Figure 2.14 Estimation du motif répétitif par le Cesptre.
2.7 Moyenne Synchrone Temporelle Adaptée (ATSA)

2.7.1 Principe
Soit le vecteur Xc représentant les T0 échantillons du signal X(n) associés au jour c :
Xc = [X(c.T0 ) X(c.T0 + 1) (2.27)

··· X[(1 + c).T0 − 1]]T
Cette méthode consiste tout d'abord à normaliser chaque mesure journalière Xc par la
valeur maximale observée le jour c :
Xc
Xnc = (2.28)
max(Xc )
Ensuite, une moyenne synchrone m̂TXn 0
c
permettant de faire ressortir le motif journalier
normalisé associé au jour c est calculée. Cette moyenne synchrone ne prend en compte
que les 31 jours du mois associés au jour c :
30
1 X c
m̂TXn
0
= Xnc (j + 31.b c) (2.29)
c
31 j=0 31
où b 31c c correspond à l'arrondi par défaut de c/31 soit le numéro du mois-1 associé au
jour c. La limitation du nombre de cycles (31) pour le calcul de cette moyenne synchrone
"locale" permet d'être moins sensible aux eets de la saisonnalité. On permet alors au
motif normalisé Xnc de varier d'un mois à l'autre.
On peut alors grâce à un ltre adaptatif décomposer notre signal en un motif répétitif
Xc lié au motif normalisé m̂TXn0
c
par un ltre h et une partie résiduelle t(n) comme montré
sur la gure 2.15. Ce ltre est ajusté par un algorithme de type LMS qui permet de
minimiser l'erreur entre Xc et t(n) en agissant sur les coecients du ltre chaque jour.
hn = [hn0 hn1 hn2 ...hpn ] (2.30)
hn+1 = hn + µ.k ni .t(n) (2.31)
56
2.7. MOYENNE SYNCHRONE TEMPORELLE ADAPTÉE (ATSA)
Figure 2.15 Filtre Adaptatif.

600
Ensoleillement
ATSA
500
Ensoleillment(W/m2)
400
300
200
100
0
14 15 16 17 18 19 20 21 22
Temps(jour)
Figure 2.16 Motif cyclique obtenu par la méthode ATSA.
2.7.2 Application aux signaux météorologiques

Nous avons appliqué la méthode ATSA sur les signaux météorologique. La gure 2.16
montre un motif cyclique qui s'adapte beaucoup mieux d'un jour à un autre par rapport au
motif cyclique estimé par la méthode d'édition du Cesptre et TSA [Telidjane et al., 2015a].
Le signal résiduel présente toujours des pics qui sont liés au passage des nuages qui
est un phénomène aléatoire. On sépare donc bien le motif répétitif (2.16 en pointillée) lié
au jour des phénomènes météorologiques aléatoires.
2.7.3 Analyse comparative

A titre comparatif, la gure 2.17(a) montre la partie résiduelle obtenue en utilisant la
TSA. Nous remarquons que son amplitude est plus grande par rapport au résiduel obtenu
par la méthode ATSA (courbe en pointillée). Cela est justié par le calcul de la valeur
ecace des deux résiduels 74 W/m2 pour le résiduel obtenu par la TSA et 37 W/m2 pour
le résiduel obtenu par la ATSA. De la même manière, l'amplitude du résiduel obtenue par
57
le cepstre est plus grande que celle obtenue par la ATSA (gure 2.18(a)). Cela est justié
par le calcul de la valeur ecace du signal résiduel qui vaut 64.43 W/m2 .
Une autre remarque est faite sur les pics des résiduels. Les résiduels de la TSA et la
méthode d'édition de Cepstre présentent des pics plus larges par rapport au résiduel de
la ATSA(gures2.17(b) et 2.18(b)). Le résiduel de la ATSA à des pics plus étroit qui sont
liés aux phénomènes aléatoires des conditions météorologiques.
300
Résiduel de TSA
Résiduel de TSA Résiduel de ASTA
Résiduel de ASTA
200
200
100
Résiduel(W/m2)
100
Résiduel(W/m2)
0
0
−100
−100
−200
−200
−300
−300 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0 5 10 15 20 25 30 Temps(jour)
Temps(jour)
(a) Résiduel obtenu sur 1 mois (b) Agrandissement du résiduel obtenu sur 1
mois
Figure 2.17 Résiduel obtenu par la méthode TSA et ATSA.
300
Résiduel de Cepstre
Résiduel de Cepstre Résiduel de ATSA
Résiduel de ATSA
200
200
)
100
2
100
Résiduel(W/m
Résiduel(W/m 2)
0
0
−100
−100
−200
−200
−300
−300 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

0 5 10 15 20 25 30 Temps(jour)
Temps(jour)
(a) Résiduel obtenu sur 1 mois (b) Agrandissement du résiduel obtenu sur 1
mois
Figure 2.18 Résiduel obtenu par la méthode d'édition de Cepstre et ATSA.

Une représentation spectrale des signaux résiduels obtenus par les trois méthodes
est illustrée sur les gures 2.19 et 2.20. La gure 2.19 montre que la TSA et la ATSA
58
suppriment mieux tout ce qui est périodique au jour (pics supprimés à la fréquence=1/jour
est ses harmoniques). Nous remarquons aussi une présence des bandes latérales (eet de
la saisonnalité) autour la fréquence fondamentale est ses harmoniques du résiduels de la
TSA. Cette eet de modulation est beaucoup plus faible dans le résiduel de ATSA. Donc
la méthode ATSA permet mieux de réduire l'eet de la saisonnalité par rapport à la TSA.
La même comparaison est faite entre le spectre du résiduel de la méthode d'édition
du Cepstre et la ATSA(gure2.20). Nous constatons que la ATSA supprime mieux tout
ce qui est périodique au jour (pics supprimés à la fréquence=1/jour est ses harmoniques)
à avec un eet de saisonnalité réduit par rapport à la méthode d'édition du Cepstre. Le
pic de la fréquence fondamentale et ses bandes latérales sont plus grands dans le cas de
la méthode d'édition de Cepstre.
Etant donné que l'ensoleillement est modulé en amplitude d'un cycle à un autre en
raison des changements des conditions météorologiques, le motif cyclique estimé par la
TSA et la méthode d'édition du Cepstre est mal déni. Selon les résultats obtenus, la
méthode ATSA développée dans cette étude est donc la méthode qui donne une bonne
séparation du motif cyclique et de résiduel pour un signal d'ensoleillement.
4
x 10
4
Résiduel de TSA
3.5 Résiduel de ATSA
3
Amplitude(W/m2)
2.5
1.5
0.5
−0.5
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
Fréquence(1/jour)
Figure 2.19 Spectre du résiduel obtenu par la TSA et ATSA.
2.7.4 Analyse à l'ordre 2

Le signal résiduel obtenu par la méthode ATSA est privé d'une partie périodique
(moyenne synchrone du résiduel égale à zéro). Néanmoins, ce signal peut contenir des
composantes dont le moment d'ordre 2 (fonction d'autocorrélation) est périodique. Pour
montrer ces périodicités cachées ou CS2, la fonction d'autocorrélation est calculée sur le
signal résiduel.
L'estimation de l'auto-corrélation cyclique se fera en deux étapes comme l'indique la
gure 2.21) :
1. Pour une fréquence cyclique donnée α, on eectue deux décalages fréquentiels du

signal résiduel en le multipliant respectivement par e+jπαt et e−jπαt . On obtient
alors deux signaux.
59
5
x 10
9
Résiduel de ATSA
8 Résiduel de Cepstre
Amplitude(W/m2)
6
0
0.98 0.99 1 1.01 1.02 1.03
Fréquence(1/jour)
Figure 2.20 Spectre du résiduel obtenu par la méthode de d'édition du Cesptre et

ATSA.
Figure 2.21 Calcul de l'auto-corrélation cyclique.
2. On calcule ensuite la corrélation de ces deux signaux. La corrélation obtenue

correspond alors à une coupe de la corrélation à la fréquence cyclique α choisie.
Ces gures montrent deux fréquences cycliques sur la fonction d'autocorrélation qui
correspondent à α1 = 1 jour−1 (gure 2.22) et α2 = 1 an−1 (gure 2.23). Ces fréquences
représentent :
la fréquence cyclique annuelle liée à l'eet de la saisonnalité et,
60
la fréquence cyclique journalière engendrée par l'alternance jour et nuit respecti-

vement.
Puisque le signal est CS, la fonction d'auto corrélation Rx (t, τ ) est périodique dans le
temps et la fonction d'autocorrélation cyclique Rxα (τ ) est discrète sur l'axe des fréquences
cycliques et continue sur l'axe des retards τ . Le rapport entre les fréquences cycliques
annuelles et journalières est grand. Donc, deux autocorrélations cycliques avec diérentes
échelles et résolution sont calculées [Telidjane et al., 2014].
Les harmoniques de la fonction d'autocorrélation cyclique sont observées sur la fonction
d'autocorrélation journalière (gure 2.22) et pas sur l'annuelle (gure 2.23). Ceci est
expliqué par le nombre limité de cycles annuels (7 ans) par rapport au nombre élevé
de cycles journaliers (365*7). Selon ces résultats, le signal d'ensoleillement contient une
composante CS2.
Figure 2.22 Fonction d'autocorrélation cyclique journalière de l'ensoleillement Rxα (τ ).
Figure 2.23 Fonction d'autocorrélation cyclique annuelle de l'ensoleillement Rxα (τ ).
61
2.8 Evaluation des performances de la méthode ATSA

An d'évaluer la méthode ATSA, un signal de synthèse CS a été généré.
Tout d'abord, nous avons créée un signal périodique x(t) donné par l'équation (2.32) :
x(t) = sin(2.π.f1 .t) (2.32)
Ensuite, chaque cycle de ce signal est multiplié par un élément de vecteur y (2.33)
an de créer une variation d'amplitude. Le premier cycle par l'élément 1 du vecteur le
deuxième cycle par l'élément 2 du vecteur et ainsi de suite :
ai = [ 1 0.3 0.8 0.5 0.6 0.7 0.2 0.4 0.9 0.3 ](i = 0..9) (2.33)
ai .x(t) avec i = b Tt1 cpour 0 ≤ t < 10.T1

y(t) =
0 ailleurs
Le signal dont l'amplitude varie appelé z(t) (2.34) est multiplié par un bruit gaussien
centré réduit périodique an de créer un signal CS w(t) selon l'équation (2.35).
z(t) = y(t).x(t) = ai .sin2 (2.π.f1 .t) (2.34)
w(t) = bruit(t).sin(2.π.f1 .t) + z(t) = sin(2.π.f1 .t)[bruit + y(t)] (2.35)
porteuse(t) = sin2 (2.π.f2 .t) = 1.5 + cos(2.π.f2 .t) (2.36)
Ce signal w(t) est multiplié par une porteuse pour créer sur signalmodule une ten-
dance qui correspond à l'eet de la saisonnalité comme montré sur la gure 2.24(b) selon
l'équation (2.37).
signalmodule(t) = porteuse.w(t) (2.37)

Enn le signal modulé est répété plusieurs fois par concaténation du signalmodule
pour créer des périodicités qui correspondent aux périodicités annuelles qu'on l'appel
le signalsynthese selon l'équation (2.38). Le signalsynthese obtenu est montré sur la
gure2.24(a).
signalsynthese(t) = [ signalmodule(t) signalmodule(t)...signalmodule(t) ] (2.38)
L'algorithme ATSA a été appliqué sur ce signal de synthèse an de le séparer en un

motif cyclique qui prend en compte les variations d'amplitude (gure 2.27) et un signal
résiduel.
Diérentes gures illustrent les étapes de l'algorithme ATSA appliquées pour le signal
de synthèse :
Le motif cyclique est dicile à estimer à cause de la modulation d'amplitude du
signal de synthèse. La première étape consiste donc à normaliser le signal de syn-
thèse. La gure 2.25, montre le signal Xnc après l'étape de normalisation. On peut
remarquer que la normalisation permet d'obtenir un signal qui ne contient pas
cette modulation.
la gure 2.26 montre la moyenne synchrone Knc calculée sur ce signal normalisé.
Cette moyenne synchrone représente le motif cyclique qui ne contient l'eet de la
modulation.
62
2.8. EVALUATION DES PERFORMANCES DE LA MÉTHODE ATSA
120
120
100
100
80
Tension(V)
Tension(V)
80
60
60
40
40
20
20
X: 0.02
Y: 0.009116
0 0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 X: 0.01 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
Y: 0.003123
Temps(s) Temps(s)
(a) Signal de synthèse (b) Agrandissement du signal de synthèse
Figure 2.24 Signal de synthèse simulant l'ensoleillement.
1.1
1
0.9
0.8
Tension(V)
0.7
0.6
0.5
0.4
0.3
0.2
X: 0.01
0.1
Y: 0.003921
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
Temps (s)
Figure 2.25 Signal de synthèse après normalisation.
Grâce à un ltre adaptatif, on peut décomposer le signal de synthèse en motif

cyclique qui prend en compte l'eet de la modulation et une partie résiduelle comme
illustrer sur la gure 2.27.
La partie résiduelle obtenue est privée d'une partie périodique. Néanmoins, elle peut
contenir des composantes périodiques à l'ordre 2. Pour mettre en évidence ces périodicités
cachées, la fonction d'autocorrélation est estimée.
Les fonctions de corrélation (gure 2.28) ainsi que sa projection (gure 2.29) sur l'axe τ
montrent 2 fréquences cycliques α1 = 5 Hz et α2 = 100 Hz . Ces 2 fréquences cycliques ont
été utilisées dans la simulation de signal de synthèse pour représenter les deux fréquences
journalière et annuelle de l'ensoleillement.
63
0.7
0.6
0.5
Tension(V)
0.4
0.3
0.2
0.1
X: 0.0099
Y: 0.002285
0
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
Temps(s)
Figure 2.26 Moyenne synchronne du signal normalisé.
Signal de synthese
120 ATSA
100
Tension(V)
80
60
40
20
0
0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
Temps(s)
Figure 2.27 Signal de synthèse et motif cyclique.
Figure 2.28 Fonction d'auto corrélation cyclique du résiduel du Signal de synthèse.
64
2.9. LIEN AVEC LA CYCLOSTATIONNARITÉ FLOUE
Figure 2.29 Fonction d'auto corrélation cyclique du résiduel du Signal de synthèse

(coupe à τ = 0).
2.9 Lien avec la cyclostationnarité oue

2.9.1 Interêt du modèle cyclostationnaire ou
Bien que les signaux soient cyclostationnaires, cet outil comporte certaines limites no-
tamment pour l'estimation de la composante cyclique moyenne (à l'aide de la moyenne
synchrone). Ces limitations nous on conduit à la création de la méthode ATSA. Le mo-
dèle cyclostationnaire ne nous satisfaisant pas totalement, plusieurs options sont envisa-
geables :
considérer le signal comme non-stationnaire : dans ce cas, on ce prive alors de la
notion de cycle journalier et annuel,
considérer le signal cyclostationnaire : on conserve l'information sur le cycle, mais
on ne prend pas en compte les variations d'ensoleillement d'un jour à l'autre et
on estime mal le motif cyclique (ces variations sont rejetées dans la composante
cyclostationnaire à l'ordre 2),
considérer une classe de signaux entre les 2 : les signaux cyclostationnaire oue
introduits dans[Bonnardot, 2004].
Dans notre cas on utilise une version simpliée du modèle :
g(t) = f (t) ∗ r(t, τ ) + b(t) (2.39)
Où :
g(t) est le signal observé cyclostationnaire ou,
f (t) est un signal cyclostationnaire cyclique qui représente le signal pour un enso-
leillement sans nuages et d'amplitude indépendante de la saison,
r(t, τ ) est un ltre qui permet de prendre en compte les uctuations dues aux
variations d'ensoleillement d'un jour à l'autre,
b(t) est un bruit additif traduisant des phénomènes aléatoires.
Le signal f (t) permet alors l'estimation du motif périodique indépendamment des
uctuations liées au cycle annuel et aux variations météorologiques ponctuelles.
65
2.9.2 Exploitation à l'aide de la méthode ATSA

L'idée de l'algorithme ATSA est de considérer le signal cyclostationnaire ou. Dans
première étape, le signal est normalisé par l'amplitude maximale du jour. Cela équivaut
à choisir un ltre r(t, τ ) réduit à un facteur multiplicatif changeant une fois par jour. Ce
facteur étant la valeur maximale. On obtient alors Xnc représentant la fonction f (t).
Dans une deuxième étape, on calcule ensuite sa moyenne synchrone m̂TXn 0
c
. La fonction
f (t) étant débarrassée de l'impact des variations d'ensoleillement, on estime alors mieux
le motif cyclique. Finalement, on extrait ensuite ce motif cylique de g(t) à l'aide d'un ltre
de Wiener comme indiqué dans l'équation 2.40. Le caractère adaptatif de ce ltre permet
de prendre en compte les variations météorologiques au cours de la journée (passage d'un
nuage). On débarrasse donc le signal de son contenu cyclique.
r(t) = g(t) − m̂TXn

0
c
(t) ∗ h(t, k) (2.40)
= f (t) ∗ r(t, τ ) − m̂TXn
0
c
(t) ∗ h(t, k) + b(t) (2.41)
Une prise en compte si ne du ltre r(t, τ ) dans la première étape en vue du calcul de
m̂TXn
0
c
n'est pas forcément nécessaire étant donné le grand nombre de cycles présent. En ef-
fet, les variations à l'intérieur de la journée provoquées par des variations météorologiques
sont détruites par moyennage.
Le signal résiduel obtenu est ainsi débarrassé de la composante cyclique à l'ordre 1 lié
à f (t).
2.10 Conclusion
Dans cette partie, nous avons donné des dénitions des outils de la cyclostationarité
ainsi que les diérentes méthodes d'extraction de la CS1 et la CS2.
Etant donnée qu'il y a une variation d'amplitude pour le signal d'ensoleillement à cause
de l'eet de la saisonnalité, les outils classiques de la CS (TSA, Cepstre) ne permettent
pas une bonne séparation du motif cyclique et partie résiduelle. Notre étude a montré que
la méthode ATSA donne de bons résultats pour cette séparation par rapport à la méthode
du Cepstre et de la TSA.
La fonction d'auto-corrélation appliquée sur la partie résiduelle présente des périodi-
cités de l'ordre 2. L'ensoleillement est donc un phénomène CS à l'ordre 2.
66
Chapitre 3
Modélisation des défauts
3.1 Introduction
Dans un panneau PV idéal, la puissance produite est la somme de la puissance de
chaque cellule qui le compose. Cependant, plusieurs facteurs peuvent conduire à la baisse
de la puissance DC. Parmi eux, les défauts de mismatch qui se produisent dans tous les
panneaux PV et en tout temps. D'autres sont des défauts intermittents qu'on peut réparés
dès qu'ils sont détectés.
Comme il a été montré dans le chapitre 1 et dans plusieurs travaux de recherche,
la caractéristique I-V d'un panneau PV peut nous donner des informations utiles sur
l'état de fonctionnement du panneau. Pour cela nous avons conçu un modèle des défauts
du côté DC an d'obtenir tous la caractéristique I-V d'un panneau supposé sain utilisé
comme référence et un panneau défectueux dans les conditions standard (ensoleillement,
température).
Dans ce chapitre, nous décrivons les étapes de la simulation du comportement de la
cellule PV, groupe PV ainsi qu'un module PV dans ces deux cas sain et le cas défectueux.
Ensuite, nous présentons les résultats des simulations obtenus.
3.2 Détermination de la caractéristique I-V d'une cel-

lule
Pour modéliser la caractéristique I-V d'une cellule PV, le courant I doit être calculé
pour une valeur de la tension V. Etant donné que l'équation de Bishop présenté au chapitre
1.1.3.2 n'est pas linéaire à cause du terme du à l'avalanche, l'équation de Bishop est mise
sous la forme : (
f (I, V ) = 0
f (V,In ) (3.1)
In+1 = In − ∂f (V,In )/∂I
an d'utiliser la méthode de Newton Raphson pour trouver la racine I solution de

l'équation. L'algorithme s'arrête lorsque la condition | In+1 − In < ε | est vériée (à titre
indicatif nous avons choisi dans nos simulations ε = 1.e − 8).
Nous rappelons que cette équation qui lie la tension et le courant dépend notamment
de la température de la jonction, de l'ensoleillement, ... (le premier chapitre).
67
CHAPITRE 3. MODÉLISATION DES DÉFAUTS
Une fois la solution I trouvée pour une tension V donnée, on relance l'algorithme
an de reconstituer tous les points de la caractéristique I-V. A titre indicatif, le temps
d'ittération pour avoir une caractéristique I-V (600 valeurs) est de 17 ms environ pour
un ordinateur ayant le processeur Intel Core i5-3380M @ 2.90GHz.
Lorsque la cellule est occultée, la tension produite au niveau de la cellule est diérente
de celle qui fonctionne sans ombrage pour un courant xe. Les gures 3.1 et gure 3.2
montrent respectivement les caractéristiques I-V d'une cellule qui reçoit 100 % d'enso-
leillement et d'une cellule occultée à 50 % respectivement. Le courant de court-circuit de
la cellule normale est de l'ordre de 5 A tandis que celui de la cellule occultée est de 2.5 A.
Le courant de court circuit chute de la même proportion que la chute d'ensoleillement.
Nombre
Nombre
Paramètres de diode Iph (A) Tc (◦ K) Rs (Ω) Rp (Ω) a I0 (A)
cellules
bypass
Valeur 72 4 5.1 298 0.015 9 1.22 2.3e-8
Table 3.1 Paramètres utilisés dans la simulation des défauts [Bun, 2011]
4
Courant(A)
0
0 0.1 0.2 0.3 0.4 0.5 0.6
Tension(V)
Figure 3.1 Cellule normale.
3.3 Rôle de la diode de bypass

Étant donné que les cellules sont montées en série, la tension d'un groupe est égale à
la somme des tensions de toutes les cellules. Dans les cas d'ombrage, la cellule fonctionne
dans le régime inverse et produit une tension négative supérieure à celle de la somme des
tensions des autres cellules normales pour un courant supérieur à son courant de court-
circuit. Dans ce cas, la tension du groupe devient négative (courbe rouge en pointillée de
la gure 3.3 ) et la diode de bypass devient passante pour protéger le groupe contre le
régime inverse (courbe rouge de la gure 3.3).
La gure 3.4 montre un groupe non défectueux et un groupe défectueux obtenu par
l'association série d'une cellule occultée et de 17 cellules bonne. Dans ce cas, les courants
et les tensions des groupes sont donnés par les équations suivantes :
68
3.3. RÔLE DE LA DIODE DE BYPASS
5
X: −13.99
Y: 5.1
4.5
3.5
Courant(A)
3
2.5
1.5
0.5 X: 0.5774
Y: 0
0
−14 −12 −10 −8 −6 −4 −2 0 2
Tension(V)
Figure 3.2 Cellule occultée à 50% .

7
I−V(17 cellules normales)
I−V une cellule occultée
6 I−V un groupe défaillant sans diode
I−V un groupe défaillant avec diode
5
Courant(A)
0
−15 −10 −5 0 5 10 15 20
Tension(V)
Figure 3.3 Caractéristique I-V d'un groupe avec et sans diode de bypass.

 Igroupe,j = IP
bypass + Icellule
Ncellule
Vcellule,i si (3.2)
PNcellule
Vgroupe,j = i=1 Vcellule,i ≥ 0
Pi=1
Vgroupe,j = 0 si i=1 Vcellule,i < 0
Ncellule

5 6 6 6
5 5 5
X: 0
4 X: 0 Y : 5 .1
V1 4
Y : 5 .1
V2 4 V1+V2
4
C o u r a n t(A )
3
C o u ra n t(A )
C ou ra n t(A )
3
C ou ra n t(A )
3 3
2 1 Cellule occultée 17 Cellules bonnes 1 groupe mauvais 2

1 groupe bon
2 2
à 50%
1
1 X : 0 .5 7 7 4 1 X: 1 0 .1 9 1 X : 1 0 .7 7 X : 1 0 .1 9
Y: 0 Y: 0 Y: 0 Y: 0
0
0 0 0 2 4 6 8 10 12
0 0 2 4 6 8 10 12 0 2 4 6 8 10 12 T e n s io n (V )
-1 4 -1 2 -1 0 -8 -6 -4 -2 0
T e n s io n (V ) T e n s io n (V )
T e n s io n (V )
Figure 3.4 Caractéristique I-V d'un groupe normal et d'un groupe défectueux.
69
3.4 Caractéristique I-V d'un module

La caractéristique d'un module mauvais obtenue par l'association d'un groupe non
défectueux et groupe défectueux est illustrée dans la gure 3.5. Les équations des tensions
et courants de modules :

Imodule,k = Igroupe
PNgroupe (3.3)
Vmodule,k = j=1 Vgroupe,j
6 6 6 6
5 5 5 5
X: 0 X: 0 X: 0
Y : 5 .1 Y : 5 .1 Y : 5 .1
4 4 4 4
V1 V2 V1+V2
C o u r a n t( A )
C o u r a n t( A )
C o u ra n t(A )
C o u ra n t(A )
3 3 3 3
2 2 2 2
1 groupe mauvais 1 groupe bon 1 module mauvais 1 module bon
1 X: 1 0 .7 7 1 1 1
Y: 0 X: 1 0 .1 9 X : 2 1 .5 6 X: 2 1 .58
Y: 0 Y: 0 Y: 0
0
0 2 4 6 8 10 12 0 0 0
0 2 4 6 8 10 12 0 5 10 15 20 25 0 5 10 15 20 25
T e n s io n (V ) T e n s io n ( V ) T e n s io n ( V ) T e n s io n (V )
Figure 3.5 Caractéristique I-V d'un module normal et module défectueux.

An de modéliser les diérents défauts de mismatch (ombrage, Rs, ...) dans un module
PV. Nous allons faire varier un seul paramètre de la cellule et laisser les autres inchangés
dans le but de voir son inuence sur la caractéristique I-V. Le module PV utilisé dans
ce travail est constitué de 4 groupes. Chaque groupe est constitué de 18 cellules montées
avec une diode de bypass en antiparallèle comme l'illustre la gure 3.6. Pour simplier
les calculs, le module PV est représenté sous une forme matricielle. Les éléments de la
matrice sont les cellules présentes dans le module (gure 3.7). Les paramètres des cellules
utilisées dans la simulation sont donnés dans le tableau 3.1.
Figure 3.6 Panneau PV utilisé dans la simulation.
70
3.4. CARACTÉRISTIQUE I-V D'UN MODULE
Figure 3.7 Matrice représentant le panneau PV.
3.4.1 Défaut d'ombrage

Pour créer le défaut d'ombrage au niveau de chaque cellule, nous avons créé une matrice
Sun dont les éléments représentent la quantité d'ensoleillement reçu par chaque cellule. A
titre d'exemple, la première cellule reçoit la moitié de l'ensoleillement Sun=0.5 et quand
les autres cellules reçoivent la totalité Sun=1 (gure 3.8). De cette façon on peut créer
une matrice de défaut d'ombrage pour tout le module.
Figure 3.8 Matrice de simulation de défaut d'ombrage.
L'inuence de la quantité d'ombrage sur la caractéristique I-V montrée sur la gure 3.9
est obtenue en occultant des parties du panneau PV pour diérents taux d'ensoleillement.
Une cellule occultée à 25%, 50%, 75% et, 3 cellules à 100% occultées. Les déformations
observées sont dues à l'activation des diodes de bypass ainsi que les chutes de tension sont
en fonction du nombre de ces diodes.
71
6 sans défaut
1 cellule à 25% occultée
5 3 cellules à 100% occultées
Courant(A)
3
0
0 5 10 15 20 25 30 35 40 45 50
Tension(V)
Figure 3.9 Caractéristique I-V d'un module dans le cas de défaut d'ombrage.
3.4.2 Défaut T lié à la température

Pour créer le défaut de mismatch de type T (température) au niveau de chaque cellule,
nous avons créé une matrice T dont les éléments représentent la température au niveau
de chaque cellule. Comme il est montré sur la gure 3.10 le premier groupe est exposé
à une température de 45◦ C tant dis que les autres groupes sont à 25◦ C. La gure 3.11
montre l'inuence de la température sur la caractéristique I-V du module PV pour un
éclairement xe. On peut remarquer que lorsque la température augmente, la tension de
circuit ouvert Voc diminue. On note une variation négligeable autour de courant du court
circuit Isc .
Figure 3.10 Matrice pour créer le défaut de mismatch de type T .
3.4.3 Défaut Rs
De la même manière que pour le défaut d'ombrage, une matrice rs est créée pour
simuler le défaut de mismatch de type Rs (gure 3.12). Si la résistance série des 9 cellules
72
4
sans défaut
Courant(A)
T=45°C
T=65°C
3 T=85°C
0
0 5 10 15 20 25 30 35 40 45
Tension(V)
Figure 3.11 Caractéristique I-V d'un module dans le cas de défaut de mismatch de
type T .
du premier groupe augmente de 0.035Ω, les 9 éléments de la matrice valent rs =0.05 Ω

du premier groupe et les valeurs de Rs des autres cellules restent égales à 0.015 Ω.
Figure 3.12 Matrice pour créer le défaut de mismatch de type Rs
Le changement de la résistance Rs à une inuence sur le changement sur la tension et

le courant au point optimal. Si la valeur de Rs augmente, la tension au point de puissance
maximale décroit d'une manière signicative et le point optimal se déplace sur la gauche
de la caractéristique I-V (gure 3.13). Dans le cas contraire, le point optimal se déplace
vers la droite de la caractéristique I-V. Comme il a été remarqué que la variation de la
résistance Rs a un eet marqué sur la caractéristique I-V dans le voisinage de la tension de
circuit ouvert, Celle-ci ne modie pas les valeurs du courant de court-circuit ou la tension
de circuit ouvert[Bencherif et Chermitti, 2012].
73
Courant(A)
sans défaut
Rs=0.1 ohm
3 Rs=0.3 ohm
Rs=0.5 ohm
0
0 5 10 15 20 25 30 35 40 45
Tension(V)
type Rs .
3.4.4 Défaut Rp
Une matrice rp est créée pour le défaut de mismatch de type Rp (gure 3.14). Si la
résistance parallèle de 2 groupes chute de 8 Ω, la résistance des 36 cellules (2 groupes)
vaut 1 Ω et les autres cellules restent à 9 Ω.
Figure 3.14 Matrice pour créer le défaut de mismatch de type Rp .
La résistance parallèle Rp agit sur la pente de caractéristique I-V au voisinage de Voc

(gure 3.15). sa variation à une inuence sur cette pente dans région ou le panneau PV
fonctionne comme générateur de courant. Si la valeur de la Rp augmente, le courant au
point optimal augmente considérablement et inversement[Bencherif et Chermitti, 2012].
3.4.5 Défaut de diode de bypass

Dans le fonctionnement normal, la diode de bypass est bloquée, car la somme des
tensions de cellules dans le groupe qu'elle protège est positive. Cependant, lorsqu'une
74
Courant(A)
sans défaut
3 Rp=1 ohm
Rp=0.6 ohm
Rp=0.1
Rp=0.2
2
0
0 5 10 15 20 25 30 35 40 45
Tension(V)
type Rp .
cellule est occultée elle fonctionne dans le régime inverse et la tension du groupe défaillant
est négative. Dans ce cas la diode de bypass devient passante. Dans le cas où la diode
de bypass est défaillante, le groupe défaillant ne peut plus être protégé contre le régime
inverse et la diode peut avoir 4 types de défauts selon [Bun, 2011] : court circuit, circuit
ouvert, inversion de polarité ou bien impédance Z en cas de claquage. La conguration
qui montre l'emplacement de la diode dans le module PV est illustrée sur la gure 3.16.
Nous allons discuter indépendamment de ces quatre type de défauts.
Ibypass
Igroupe,j
Icel
Vcell,1 Vcell,i Vcell,Ncell
l
Vgroupe,j
Figure 3.16 Schéma électrique pour modéliser le défaut de diode de bypass
3.4.5.1 Court circuit

Dans le cas de court circuit, la diode se comporte comme un l électrique. La tension
de groupe est nulle étant donné qu'un l est monté en parallèle avec le groupe de cellule.
Le courant du groupe de cellules est composé du courant circulant dans les cellules Icellule
et de celui circulant dans le l Ibypass . Le courant circulant dans les cellules est égal au
75
courant maximum produit par les cellules et le chemin court-court-circuitant porte le

courant en excès.
Vgroupe,j = 0
(3.4)
Igroupe = Ibypass + Icellule
La gure 3.17 montre l'inuence de courts-circuits sur la caractéristique I-V. Dans
le cas où une diode est défectueuse, elle vient court-circuiter les 18 cellules du groupe
provoquant une chute de tension à vide de 18 × 0.6 V soit 10.8 V . On peut donc constater
sur la gure que la tension Voc du panneau solaire passe de 43.17 V (sans défaut) à 32.36 V .
Lorsque deux diodes sont court-circuitées, cette chute de tension double (2 groupes court-
circuités). En règle générale, lorsqu'une diode est en cout-circuit on perd 1/4 de la tension
du module et quand 2 diodes sont en court circuit on perd 1/2 de la tension du module.
4
Courant(A)
1 sans défaut
1 diode en court circuit
2 diodes en court circuit X: 21.55 X: 32.36 X: 43.17
Y: 0.04 Y: 0.01 Y: 0
0
0 5 10 15 20 25 30 35 40 45
Tension(V)
Figure 3.17 Caractéristique I-V d'un module dans le cas où la diode est court-circuitée.
3.4.5.2 Claquage
Un claquage se manifeste lorsqu'une diode se comporte comme une impédance . Dans
ce cas, la somme des tensions dans chaque cellule du groupe équivaut à la tension du
groupe, alors que la somme des courants dans le string de cellules et dans l'impédance
constitue le courant du groupe (groupe et impédance en dérivation).
PNcellule
Vgroupe,j = Vcellule,i
i=1 (3.5)
Igroupe = Icellule + Vgroupe,j /Z
La gure 3.18 illustre l'eet d'un claquage sur la caractéristique I-V du panneau solaire.
Cette simulation a été faite pour 3 impédances. On vérie sur cette simulation que la
tension du module diminue proportionnellement avec l'impédance de la diode.
3.4.5.3 Circuit ouvert

Dans ce cas la diode est déconnectée (en l'air). La somme des tensions dans chaque
cellule du groupe équivaut à la tension du groupe, alors que le courant dans le string de
cellules est le même que celui du courant du groupe.
76
3.5. SIMULATION DES SIGNAUX DU PANNEAU PV
6
sans défaut
z=10ohm
5 z=6ohm
z=1ohm
Courant(A)
3
0
0 10 20 30 40 50
Tension(V)
Figure 3.18 Caractéristique I-V d'un module dans le cas ou la diode de bypass est
claquée.
PNcellule
Vgroupe,j = Vcellule,i
i=1 (3.6)
Igroupe = Icellule
Lorsque la diode est déconnectée, elle ne joue plus son rôle en présence d'ombrage et le
groupe fonctionne alors dans le régime inverse. La chute de tension augmente proportion-
nellement au taux d'ombrage comme l'illustre la gure 3.19.
3.4.5.4 Inversion de polarité

Dans ce cas, la diode de bypass est :
passante quand la somme des tensions des cellules du groupe avec laquelle elle est
montée est positive,
bloquée dans le cas du régime inverse.
PNcellule PNcellule
 Vgroupe,j = i=1 Vcellule,i si
Pi=1
Vcellule,i < 0
V = 0 si Ncellule
Vcellule,i > 0 (3.7)
 groupe,j i=1
Igroupe = Ibypass + Icellule
On peut vérier sur la gure 3.19 que lorsque la diode est inversée, la chute de tension
est de l'ordre de 10.75 V (soit 18 cellules×0.6 V ).
3.5 Simulation des signaux du panneau PV

3.5.1 Méthodologie
Pour simuler le fonctionnement des panneaux solaire, nous utilisons les données l'enso-
leillement enregistrées depuis l'année 2004 au 2013 avec une période d'échantillonnage de
15 min et la température des années 1985 au 2012 (gure 3.21) avec une période d'échan-
tillonnage d'une heure. Pour obtenir la même taille des deux signaux, la température
est sur échantillonnée avec le même pas que l'irradiance grâce à une interpolation spline
cubique et seule la partie commune aux 2 signaux est prise en compte (2004-2012).
77
8
sans defaut
7
1 diode de bypass inversée et sans ombrage
1 diode de bypass déconnecté et une cellule à 100% occultée
6
1 diode de bypass déconnectée et 2 cellules à 100% occultées
Courant(A)
5
0
0 5 10 15 20 25 30 35 40 45 50
Tension(V)
Figure 3.19 Caractéristique I-V d'un module dans le cas de défaut de diode de bypass.
Figure 3.20 La méthode pour estimer Pmax , Isc et V oc .
La conguration de base du modèle de panneau PV proposé pour estimer des signaux

électriques est résumée dans la gure 3.20. Elle est composée d'un processus en deux
étapes :
prédiction de la température Tc de la cellule PV selon l'équation (3.8) par la
lecture des échantillons de l'ensoleillement G et de la température ambiante Ta
[Bakelli et al., 2011]. Le paramètre N OCT est la température nominale de fonc-
tionnement de la cellule. Ce paramètre est donné par le constructeur et dépend du
type du module.
N OCT − 20
Tc = Ta + G (3.8)
0.8
utilisation de la température des cellules PV estimée et l'ensoleillement dans le
modèle Bishop pour tracer la caractéristique I-V du module.
78
40
35
30
25
20
Temperature(°C)
15
10
−5
−10
0 2 4 6 8 10 12 14 16 18
Temps(année)
Figure 3.21 Température de Roanne.
Une fois la caractéristique I-V obtenue, on procède à l'estimation des indicateurs Pmax
, Voc et Isc . Ces indicateurs sont dénis comme suit :
Courant de court circuit (Isc ) : C'est le courant le plus élevé qu'une cellule PV
peut générer. Il correspond à une tension de sortie nulle. Dans le cas idéal, quand
il n'y a pas de pertes résistives le photo-courant (Iph ) généré par la cellule est
égale au courant de court-circuit Isc . Par exemple le courant Isc du module PV
utilisé dans la simulation est donné par le constructeur dans les conditions stan-
dards(ensoleillement de 1000W/m2 et température de 25◦ C ) est de 5.1A.
Tension de circuit ouvert (Voc ) : Tension maximale qui peut être générée à travers
une cellule PV en circuit ouvert. Elle correspond à la tension lorsque le courant à
travers la cellule PV est nulle.
Puissance maximale(Pmax ) : Puissance maximale produite par la cellule PV. Elle
correspond au maximum de la caractéristique P-V où le produit courant tension
est maximal. Elle est souvent nommée puissance optimale.
Les signaux d'entrée (température, ensoleillement) étant cycliques, nous allons obtenir
des indicateurs dont les valeurs instantanées varient cycliquement dans le temps. On
va donc utiliser les outils présentés dans le précédent chapitre pour étudier ces signaux
cycliques.
3.5.2 Analyse cyclostationnaire

Les gures 3.22, 3.23, et, 3.24 correspondent à l'évolution temporelle de la puissance
maximale Pmax , au courant de court-circuit Isc et à la tension de circuit ouvert Voc de
l'année 2004-2012 respectivement. Elle montrent des motifs cycliques annuels (gures
3.22(a)3.23(a)3.24(a)) et des motifs cycliques journaliers (gures 3.22(b)3.23(b)3.24(b))
sur les signaux temporels. On retrouve donc les uctuations liées aux phénomènes météo-
rologiques sur les grandeurs caractéristiques du panneau PV.
La méthode ATSA présentée dans le chapitre 2 est appliquée an de décomposer
ces signaux en un motif cyclique et une partie résiduelle. Ensuite, les fonctions d'auto-
corrélation des parties résiduelles sont estimées et présentées sur les gures qui suivent.
Selon les gures 3.25, 3.26, et 3.27, les fonctions d'auto-corrélation Rx (t, τ ) sont pé-
79
120 80
70
100
60
80
50
Pmax(W)
Pmax(W)
60 40
30
40
20
20
10
0
0
0 1 2 3 4 5 6 7 8 9 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Temps(année) Temps(jour)
(a) Pmax sans défaut sur plusieurs années (b) Agrandissement du Pmax sans défaut
Figure 3.22 Pmax sans défaut.
5 3
4.5
2.5
4
3.5
2
3
Isc(A)
Isc(A)
2.5 1.5
2
1
1.5
1
0.5
0.5
0 0
0 1 2 3 4 5 6 7 8 9 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Temps(année) Temps(jour)
(a) Isc sans défaut sur plusieurs années (b) Agrandissement du Isc sans défaut
Figure 3.23 Isc sans défaut.
riodiques dans le temps et les fonctions d'auto-corrélation cycliques Rxα (τ ) sont discrètes
dans l'axe des fréquences cycliques et continues selon le décalage τ . Nous remarquons
la présence de 2 fréquences cycliques α1 = 1/jour et α2 = 1/annee. Ces 2 fréquences
cycliques sont liées au périodicités journalière et annuelle de l'ensoleillement.
Nous constatons aussi que les harmoniques de la fonction d'autocorréla-
tion cyclique sont observées sur les fonctions d'autocorrélations journalières (-
gures3.25(a)3.26(a)3.27(a)) et pas sur l'annuelle (gures3.25(b)3.26(b)3.27(b)). Ceci s'ex-
plique par le nombre limité de cycles annuels (7 ans) par rapport au nombre élevé de cycles
journaliers (365*7). Selon ces résultats, les signaux Pmax , Isc et Voc sont des phénomènes
CS2.
80
50 50
45
40 40
35
30
Voc(V)
30
Voc(V)
25
20 20
15
10
10
5
0
0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5
Temps(année)
Temps(jour)
(a) Voc sans défaut sur plusieurs années (b) Agrandissement du Voc sans défaut
Figure 3.24 Voc sans défaut.
Ces résultats montrent que les signaux électriques (Pmax , Isc et Voc ) ont un caractère
CS à l'ordre 2 avec les mêmes fréquences cycliques que l'ensoleillement.
(a) Fonction d'auto corrélation cyclique journa- (b) Fonction d'auto corrélation cyclique an-
lière nuelle
Figure 3.25 Fonction d'auto corrélation cyclique de Pmax .
An d'étudier la relation entre les entrées et les sorties du modèle de Bishop, nous
avons tracé les signaux électriques Pmax , Isc , et Voc en fonction de l'ensoleillement pour
quelques échantillons pour 1 jour. Sur les gures 3.28, 3.29 et 3.30 nous avons constaté que
Isc et Pmax évoluent linéairement avec l'ensoleillement tandis que Voc suit une évolution
logarithmique avec l'ensoleillement.
81
lière nuelle
Figure 3.26 Fonction d'auto corrélation cyclique de Isc .
lière nuelle
Figure 3.27 Fonction d'auto corrélation cyclique de Voc .
3.6 Conclusion
Dans ce chapitre nous avons modélisé les diérents défauts qui peuvent se manifester
au niveau du module PV. Les défauts de mismatch de type ombrage, Rs, Rp, T et le
défaut de diode de bypass.
Des codes Matlab ont été développés an d'obtenir les caractéristiques I-V d'un module
sain et module défectueux. Les modèles de Bishop ont été choisis pour la simulation, car
il représentent le fonctionnement de la cellule PV dans le cas normal et dans le régime
inverse lorsque la cellule est occultée.
82
3.6. CONCLUSION
45
40
35
30
Pmax(W)
25
20
15
10
0
0 50 100 150 200 250 300
Figure 3.28 Pmax en fonction de l'ensoleillement

1.4
1.2
0.8
Isc(A)
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Figure 3.29 Isc en fonction de l'ensoleillement

45
40
35
30
25
Voc(V)
20
15
10
0
0 50 100 150 200 250 300
Figure 3.30 Voc en fonction de l'ensoleillement.
83
Les caractéristiques I-V des modules sont obtenues par l'association de la caractéris-
tique des cellules PV. Dans ce travail, il aurait été intéressant d'eectuer une validation
expérimentale n'était pas eectuée. Néanmoins, à l'aide d'une comparaison les résultats
de la simulation des caractéristiques I-V obtenues concordent-il avec les résultats expéri-
mentaux obtenus dans les travaux de [Bun, 2011].
Ces caractéristiques nous permettent d'obtenir les indicateurs Pmax , Isc , Voc dans le
cas statique. Dans notre étude nous voulons suivre l'évolution de ces indicateurs selon
l'évolution des conditions météorologiques. Pour cela, les conditions météorologiques ont
été injectées dans le modèle de Bishop et les indicateurs ont été estimés an d'obtenir
leur évolution temporelle.
Les signaux temporels des indicateurs électriques obtenus ont montré un aspect cy-
clostationnaire. Ce caractère cyclostationnaire nous ouvre des perspectives pour faire le
diagnostic qui sera étudié dans chapitre suivant.
84
Chapitre 4
Diagnostic
4.1 Introduction
Dans les chapitres précédents, nous avons présenté les diérents défauts du coté DC
dans les panneaux PV. Le caractère cyclostationnaire des indicateurs Pmax , Isc et Voc a été
démontré. Dans cette partie nous allons montrer les résultats du diagnostic des panneaux
PV à l'aide de l'analyse cyclostationnaire et en comparant par les méthodes classiques tel
que l'analyse temporelle et l'analyse fréquentielle.
4.2 Réalisation de la base de donnée de signaux

L'objectif principal de cette partie et la détection de défaut et déterminer où un
défaut est survenu dans le panneau PV. An de réaliser le diagnostic, nous avons besoin
de mesurer les variables climatiques (irradiance et la température du panneau PV). La
température du module PV et le rayonnement solaire sont utilisés comme les entrées du
modèle de Bishop de telle sorte que la puissance maximale, courant de court circuit et
la tension de circuit ouvert sont calculés pour plusieurs scénarios de défauts représentés
sur le tableau 4.1 et sur la gure4.1. Les scénarios de défauts ainsi que les valeurs des
paramètres utilisés dans la simulation sont établies dans les travaux de [Bun, 2011]. nous
avons choisi ces paramètres ainsi que ces scénarios car leurs validation est eectuée sur le
plan expérimental par [Bun, 2011].
Sur le plan expérimental, la température du module PV et l'irradiance sont mesurées
à l'aides des capteurs comme Pt1000 et des pyranomètres respectivement. Notre étude
basée sur des simulations de panneaux PV, les variables climatiques utilisées dans cette
étude sont obtenues à l'aide des données réelles et sont enregistrées pour une longue durée
(10 ans pour l'irradiance et 27 ans pour la température).
Notre base de données a été construite en simulant les caractéristiques I − V des
cellules PV à l'aide des températures et ensoleillement de la ville de Roanne. En faisant
varier les paramètres de la simulation, nous avons pu étudier diérents états des panneaux
P V . An de s'assurer de la pertinence de ces simulations, une comparaison à été eectuée
entre les résultats de notre étude et les résultats expérimentaux obtenus dans les travaux
de[Bun, 2011].
Nous avons choisi de travailler avec des données de 1 mois an d'obtenir un temps de
calcul très rapide des algorithmes pour faire le diagnostic.
85
CHAPITRE 4. DIAGNOSTIC
Cas1 sans défaut (référence)

Cas2 1 cellule à 100% occultée
Cas3 1 groupe vertical à 100% occulté
Cas4 1 groupe horizontal à 100% occulté
Cas5 36 cellules avec Rp=1 ohm
Cas6 36 cellules avec Rp=0.5 ohm
Cas7 36 cellules avec Rp=0.2 ohm
Cas8 1 groupe Rs=0.1 ohm
Cas11 1 diode de bypass court circuitée
Cas12 1 diode de bypass inversée
Cas13 1 diode de bypass en circuit ouvert
Table 4.1 Scénarions de défauts
Figure 4.1 Défauts d'ombrage.
4.3 Dénition des indicateurs, application au défaut

d'ombrage
Dans cette partie, nous allons présenter les diérents indicateurs retenu pour le diag-
nostic. Nous ferons une analyse comparative pour chaque indicateur et pour un type de
défaut (cas sain et cas 4 : 1 groupe de cellule occulté).
Après cette présentation, nous traiterons tous les types de défauts an de mener une
étude comparative.
86
4.3. DÉFINITION DES INDICATEURS, APPLICATION AU DÉFAUT D'OMBRAGE
4.3.1 Analyse temporelle des signaux

Parce que son calcul est plus aisé et rapide, cette approche est préférable aux autres
si l'on souhaite extraire l'information pertinente, à partir des nombreuses mesures en-
registrées. Dès lors, divers indicateurs de conditions déterminés à partir du signal sont
exploitables comme la valeur crête qui traduit le comportement constant de l'amplitude
(tendance dicile à observer en présence de bruit ou autres perturbations). A cet indi-
cateur, les chercheurs préfèrent davantage la valeur ecace du signal RMS (Root Mean
Square), étant plus sensible aux variations d'état dans les conditions de fonctionnement.
v
u
u1 X N
RM S = t (Xk )2 (4.1)
N k=1
Selon la gure 4.2, on constate que le défaut entraine une chute d'amplitude sur les 3
signaux de Pmax , Isc et Voc en comparant par le cas sain. Cette chute est exprimée par les
valeurs RMS représentées sur le tableau 4.2.
Pmax (W ) Isc (A) Voc (V )

Cas sain 18.40 0.59 22.27
1 groupe horizontale à
2.22 0.22 19.71
100% occulté
Table 4.2 Indicateurs temporels
4.3.2 Analyse fréquentielle des signaux

L'analyse fréquentielle est une présentation ou le signal est décomposé en une série
des composantes élémentaires dénies par leurs amplitudes et leurs fréquences. Nous uti-
lisons dans cette étude utilisé la FFT (pas de moyennage) an d'estimer le spectre des
signaux électriques et nous prenons en compte seulement le premier pic qui correspond à
la fréquence fondamentale.
Selon la gure 4.3, on remarque que le défaut entraine une chute d'amplitude sur le
spectre des 3 signaux de Pmax , Isc et Voc en comparant par le cas sain. An d'eectuer
une comparaison entre ces 2 cas, nous avons pris en considération seulement l'amplitude
de la fréquence fondamentale qui correspond à la fréquence journalière. Cette chute est
exprimée en dB et représentée sur le tableau 4.3.
Pmax (dB) Isc (dB) Voc (dB)

Cas sain 196.8 129 207
58.9 113.2 204.7
100% occulté
Table 4.3 Indicateurs fréquentiels
87
90 3
Référence
1 groupe horizontal à 100% occultée
Référence
80 1 groupe horizontal à 100% occulté
2.5
70
60 2
Pmax(W)
Isc(A)
50
1.5
40
30 1
20
0.5
10
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Temps(jour)
Temps(jour)
(a) Pmax sans défaut et avec défaut (b) Isc sans défaut et avec défaut
50
Référence
40
35
30
Voc(V)
25
20
15
10
0
0 5 10 15 20 25 30
Temps(jour)
(c) Voc sans défaut et avec défaut
Figure 4.2 Analyse temporelle
4.3.3 Analyse CS des signaux

L'analyse CS consiste à décomposer les signaux électriques en deux parties : motif
cyclique et partie résiduelle. Nous avons démontré dans la deuxième partie de ce travail
que la méthode ATSA présente une bonne décomposition des signaux par rapport aux
autres méthodes (Cepstre et TSA). Un autre problème qui se pose est la détermination
du nombre de cycles pour estimer les statistiques. Le temps de calcul est très long pour
estimer Pmax , Isc et Voc à l'aide du modèle de Bishop pour une durée de 7 ans. Pour avoir
un temps de calcul plus rapide, il faut réduire le nombre de cycles. En réduisant le nombre
de cycles (par exemple 1 ou 2), il est dicile d'avoir une bonne estimation des moments.
Le choix du nombre de cycles est donc un compromis entre le temps de calcul et une
bonne estimation des moments.
Dans cette étude, nous avons travaillé avec des données de 1 mois (01/01/2010). Cela
88
4.3. DÉFINITION DES INDICATEURS, APPLICATION AU DÉFAUT D'OMBRAGE
140
Référence Référence
X: 1
Y: 196.8 1 groupe horizontal à 100% occulté 1 groupe horizontal à 100% occulté
X: 1
180 120 Y: 129
X: 1
Y: 158.9 X: 1
Y: 113.2
160 100
140 80
Amplitude(dB)
Amplitude(dB)
120 60
100 40
80 20
60 0
−20
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Fréquence(1/jour) Fréquence(1/jour)
(a) Spectre de Pmax sans défaut et avec défaut (b) Spectre de Isc sans défaut et avec défaut.
220
Référence
200 X: 1
X: 1 1 groupe horizontale à 100% occulté
Y: 204.7 Y: 207
180
Amplitude(dB)
160
140
120
100
80
60
40
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

Fréquence(1/jour)
(c) Spectre de Voc sans défaut et avec défaut
Figure 4.3 Analyse fréquentielle
correspond à une fenêtre de 30 cycles (ce qui est un minimum pour donner un sens aux
moyennes). Une fois les parties résiduelles des signaux obtenues par la méthode ATSA,
on procède au calcul de la fonction d'auto-corrélation cyclique an de travailler à l'ordre
2.
Selon la gure 4.4, on remarque que le défaut entraine une chute d'amplitude sur les 3
motifs cycliques des signaux de Pmax , Isc et Voc en comparant par le cas sain. Cette chute
est exprimée par les valeurs RMS des 3 signaux et représentée sur le tableau 4.4.
Selon la gure 4.5, on remarque que le défaut entraine une chute d'amplitude sur les
3 parties résiduelles des signaux de Pmax , Isc et Voc en comparant par le cas sain. Cette
chute est exprimée par les valeurs RMS des 3 signaux et représentée sur le tableau 4.5.
Une fois les parties résiduelles sont obtenues, la fonction d'auto-corrélation est
estimée. Dans cette étude, nous allons prendre en considération la racine carrée de la
fréquence fondamentale de la projection de la fonction d'auto-corrélation selon l'axe τ
89

Cas sain 17.38 0.56 22.09
2.16 0.21 19.62
100% occulté
Table 4.4 Indicateurs CS (motifs cycliques)
100 3.5
Référence
90 1 groupe horizontal à 100% occulté Référence
80
Motif cyclique(W)
2.5
Motif cyclique(A)
70
60
2
50
1.5
40
30 1
20
0.5
10
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Temps(jour) Temps(jour)
(a) Motif cyclique de Pmax sans défaut et avec (b) Motif cyclique de Isc sans défaut et avec
défaut défaut.
50 Référence
1 groupe horizontal à 100% occulté
45
40
Motif cyclique(V)
35
30
25
20
15
10
0
0 5 10 15 20 25 30
Temps(jour)
(c) Motif cyclique de Voc sans défaut et avec
défaut
Figure 4.4 Motifs cycliques
qui correspond à la fréquence journalière.
Selon les gures 4.6,4.7 et 4.8, on remarque que le défaut entraine une chute d'ampli-
tude sur les 3 fonctions d'autocorrélation des signaux de Pmax , Isc et Voc en comparant
par le cas sain. Cette chute des 3 signaux est représentée sur le tableau 4.6.
90
4.4. ETUDE ET DIAGNOSTIC DE DIFFÉRENTS TYPES DE DÉFAUTS

Cas sain 6.35 0.19 2.31
0.54 0.07 2.07
100% occulté
Table 4.5 Indicateurs CS (parties résiduelles)
50 2
Référence Reference
30
1
Résiduel(A)
20
Résiduel(W)
0
10
0
−1
−10
−20 −2
−30
−40 −3
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Temps(jour) Temps(jour)
(a) Résiduel de Pmax sans défaut et avec défaut (b) Résiduel de Isc sans défaut et avec défaut.
40
Référence
30
20
Résiduel(V)
10
−10
−20
0 5 10 15 20 25 30
Temps(jour)
(c) Résiduel de Voc sans défaut et avec défaut
Figure 4.5 Parties résiduelles
4.4 Etude et diagnostic de diérents types de défauts

En appliquant les diérents indicateurs à plusieurs type de défauts nous pouvons
construire deux tableaux de signatures de défaut 4.7 et 4.8 en utilisant une démarche
similaire à 4.1.
Selon les tableaux de signature de défauts, on peut remarquer que la chute de Pmax
91

Cas sain 3.63 0.33 0.90
0.50 0.20 0.84
100% occulté
Table 4.6 Indicateurs CS (CAF)
(a) Pmax sans défaut (b) Pmax avec défaut
Figure 4.6 Projection de la CAF pour Pmax
(a) Isc sans défaut (b) Isc avec défaut
Figure 4.7 Projection de la CAF pour Isc
est présente pour tous les défauts. On peut classer aussi les défauts comme suit :
défauts qui aectent seulement Pmax comme les scénarios 8,9 et 10,
défauts qui aectent seulement Pmax et Voc comme les scénarios 2, 3, 5, 6, 7, 11 et
12,
92
(a) Voc sans défaut (b) Voc avec défaut
Figure 4.8 Projection de la CAF pour Voc
défauts qui aectent Pmax , Isc et Voc comme scénario 4,

défauts qui ont la même signature que le cas sain comme le scénario 13.
Nous avons remarqué aussi qu'il est dicile de distinguer quelques défaut étant donné
qu'ils ont les mêmes signatures.
Connaissant les signatures des défauts on peut construire un algorithme de détection de
défaut montré sur la gure 4.9. Nous dénissons aussi des symptômes qui nous permettent
de savoir la nature de défaut [Bun, 2011].
4.4.1 Symptôme 1 : chute de puissance

Le symptôme S1 exploite la diérence entre la puissance Pmax mesurée et la puissance
Pmax(sain) simulée pour le cas sain :
S1 = Pmax − Pmax(sain) (4.2)

Il est présent si la quantité S1 est non négligeable, c'est à dire inférieur à -0.51W de
la CAF de Pmax .
En eet, en simulant un défaut de type scénario 5, nous avons vu que la puissance
variait de -14.05% (erreur relative). Pour les autres type de défaut, cette variation est plus
marquée.
4.4.2 Symptôme 2
Le symptôme S2 exploite la diérence entre le courant Isc mesuré et le courant Isc(sain)
simulé pour le cas sain. Il est dénit selon l'équation (4.3) :
S2 = Isc − Isc(sain) (4.3)

Il est présent si la quantité S2 est non négligeable, c'est à dire inférieur à -0.13A de la
CAF de Isc .
93
En eet, en simulant un défaut de type scénario 4, nous avons vu que le courant Isc
varie de -39.70% (erreur relative). Pour les autres type de défaut, cette variation est plus
marquée.
4.4.3 Symptôme 3
Le symptôme S3 exploite la diérence entre la tension Voc mesurée et la tension Voc(sain)
simulée pour le cas sain. Il est dénit selon l'équation (4.4) :
S3 = Voc − Voc(sain) (4.4)

Il est présent si la quantité S3 est non négligeable, c'est à dire inférieur à -0.06V de la
CAF de Voc .
En eet, en simulant un défaut de type scénario 3, nous avons remarqué que la tension
Voc varie de -0.95% (erreur relative). Pour les autres type de défaut, cette variation est
plus marquée.
Figure 4.9 Algorithme pour détecter les défauts.

94
An qu'on puisse choisir les indicateurs qui sont les plus sensibles aux défauts, nous
avons utilisé l'erreur relative pour Pmax , Isc et Voc selon les équations (4.5) (4.6) (4.7) :
Pmax(sain) − Pmax(def aut)

∆Pmax = (4.5)
Pmax(sain)
Isc(sain) − Isc(def aut)

∆Isc = (4.6)
Isc(sain)
Voc(sain) − Voc(def aut)

∆Voc = (4.7)
Voc(sain)
Selon les résultats des tableaux 4.9 et 4.10, on peut constater que la CAF est l'indi-
cateur le plus sensible qui présente la plus grande chute pour la majorité des scénarios de
défauts. Cette indicateur peut donc être choisit pour faire du diagnostic.
La détection de défaut se fait a partir d'un certain seuil des indicateurs estimés. Pour
eectuer une détermination des seuils de chaque indicateur, nous avons présenté les valeurs
des indicateurs pour tous les scénarios de défauts étudies comme montré sur les gures
4.104.114.12. Les seuils de détection sont déterminés en prenant le minimum de chute pour
chaque indicateur. On peut constater que les seuils de détection varient d'un indicateur
à un autre. Parmi les 12 scénarios étudies, seuls 11 scénarios peuvent être détectés. Le
scénario 13 qui représente le défaut de diode en circuit ouvert ne peut pas être détecté car
l'amplitude des indicateurs ne dépasse pas les seuils de détection. Ce défaut a les mêmes
signatures que le cas sain. Le symptôme 1 est détectable pour tous les scénarios de défauts
sauf le scénario 13 (gure4.10). Le symptôme 2 est détectable seulement par le scénario 4
(gure4.11) alors que le symptômes 3 est détectable pour les scénarios les scénarios 2, 3,
4, 5, 6, 7, 11 et 12 (gure4.12).
Les seuils de détection des défauts obtenus sont regroupés dans le tableau 4.11.
Nous avons repris les résultats des tableaux de signature de défaut an qu'on puisse
représenter les erreurs relatives des indicateurs sur un plan (Pmax en fonction de Voc , Pmax
en fonction de Isc et Isc en fonction de Voc ). Etant donné que dans cette étude nous nous
somme intéressé par 5 indicateurs (AT, AF, SR, CAF et MC), nous obtenons au total
15 (3*5) représentations sur un plan en tenant compte toutes les combinaisons possibles.
Seul 5 représentations qui montrent une bonne séparation des défauts sont illustrées.
Selon la gure4.13 , on peut classer les représentations selon 4 catégories :
Première catégorie : on peut mieux voir les scénarios qui ont les mêmes types de
défauts (gures4.13(a) et4.13(e)). Par exemple on peut mieux séparer les défauts
de mismatch type ombrage, Rp , Rs et le défaut de diode de bypass.
Deuxième catégorie : on peut mieux voir les scénarios qui ont les mêmes types de
défauts par contre c'est dicile de distinguer les défaut d'ombrage des défaut Rp car
il y'a un chevauchement remarqué sur la représentation (gures4.13(b) et4.13(c)).
Troisième catégorie : on peut mieux voir les scénarios qui ont les mêmes types de
défauts par contre c'est dicile de distinguer le scénario 2 (1 cellule occultée) et 3
( 1 groupe vertical occulté ) car ils ont la même position sur le plan (gure4.13(d)).
Quatrième catégorie : ou la majorité des scénarios de défauts se regroupent dans
une même zone est c'est dicile de les distinguer(gure4.13(f)).
95

Cas1
AT 18.40 0.59 22.27
AF 196.8 129 207
Signal résiduel 3.63 0.33 0.90
CAF 3.63 0.33 0.90
Motif cyclique 6.35 0.19 2.31
Cas2
AT 13.98 0.59 21.90
AF 191.9 129 206.7
CAF 1.61 0.33 0.89
Cas3
AT 13.83 0.59 19.44
AF 191.1 129 204.3
CAF 1.64 0.33 0.84
Cas4
AT 2.22 0.22 19.71
AF 158.9 113.2 204.7
CAF 0.50 0.20 0.84
Cas5
AT 14.36 0.59 18.83
AF 190.9 129 203.1
CAF 3.12 0.1 1.13
Cas6
AT 11.42 0.59 17.22
AF 186.7 129 201.3
CAF 2.40 0.1 1.06
Cas7
AT 9.48 0.59 14.28
AF 183.6 129 197.8
CAF 1.90 0.1 0.72
Table 4.7 Tableau de signatures de défauts (1)
96

Cas8
AT 17.64 0.59 22.37
AF 196.3 129.3 207.1
CAF 3.45 0.1 0.81
Cas9
AT 16.08 0.59 22.37
AF 194.8 129.3 207.1
CAF 3.06 0.1 0.81
Cas10
AT 14.74 0.59 22.37
AF 193.2 129.3 207.1
CAF 2.76 0.1 0.81
Cas11
AT 13.69 0.59 16.72
AF 191.1 129 201.3
CAF 2.72 0.1 0.61
Cas12
AT 13.69 0.59 16.72
AF 191.1 129 201.3
CAF 2.72 0.1 0.61
Cas13
AT 18.40 0.59 22.27
AF 196.8 129 207
CAF 3.63 0.33 0.90
Table 4.8 Tableau de signatures de défauts (2)
97
∆Pmax (%) ∆Isc (%) ∆Voc (%)

Cas1
AT 0 0 0
AF 0 0 0
Signal résiduel 0 0 0
CAF 0 0 0
Motif cyclique 0 0 0
Cas2
AT -12.73 0 -0.70
AF -3 0 -0.14
Signal résiduel -14.63 0 -0.64
CAF -55.42 0 -1.23
Motif cyclique -12.48 0 -0.70
Cas3
AT -13.39 0 -6.47
AF -2.90 0 -1.30
Signal résiduel -13.35 0 -6.40
CAF -54.57 0 -0.95
Cas4
AT -65.23 -38.08 -5.73
AF -19.26 -12.25 -1.11
Signal résiduel -70.37 -36.76 -5.72
CAF -86.23 -39.70 -6.29
Motif cyclique -64.76 -37.88 -5.72
Cas5
AT -11.66 0 -8.05
AF -3 0 -1.88
Signal résiduel -8.33 9.09 10.53
CAF -14.05 -69.77 25.56
Cas6
AT -21.21 0 -12.08
AF -5.13 0 -1.79
CAF -33.88 -69.77 17.78
Cas7
AT -28.21 0 -19.98
AF -6.71 0 -4.44
Signal résiduel -27.78 9.09 -11.84
CAF -49.86 -69.77 -20
Motif cyclique -28.30 0 -20
Table 4.9 Erreurs relatives (1)
98
∆Pmax (%) ∆Isc (%) ∆Voc (%)

Cas8
AT -2.1 0 0
AF -0.25 0.23 0
CAF -31.96 -69.77 -10
Motif cyclique -1.92 0 0.21
Cas9
AT -6.53 0 0
AF -1.02 0.23 0
CAF -15.70 -69.77 -10
Motif cyclique -6.24 0 0.21
Cas10
AT -10.49 0.77 4.73
AF -1.83 129.3 207.1
CAF -23.97 0.1 0.81
Motif cyclique -10.31 0.77 4.71
Cas11
AT -13.75 0 -13.35
AF -2.90 0 -2.75
CAF -25.07 -69.77 -32.22
Cas12
AT -13.75 0 -13.35
AF -2.90 0 -2.75
CAF -25.07 -69.77 -32.22
Cas13
AT 0 0 0
AF 0 0 0
Signal résiduel 0 0 0
CAF 0 0 0
Motif cyclique 0 0 0
Table 4.10 Erreurs relatives(2)
99
AT_Pmax AF_Pmax
0
X: 8 0
Y: −2.1 X: 8
Y: −0.25
−50 −10
−100 −20
1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13
Scénario Scénario
SR_Pmax CAF_Pmax
0 0
X: 8
Y: −1.98 X: 5
Y: −14.05
−50 −50
−100 −100
1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13
Scénario Scénario
MC_Pmax
0
X: 8
Y: −1.92
−50
−100
1 2 3 4 5 6 7 8 9 10 11 12 13
Scénario
Figure 4.10 Détermination du seuil de Pmax .
Les représentations de Isc en fonction de Voc et Isc en fonction de Pmax ne sont pas
montrées dans cette étude. Ces représentations se ressemblent plus à la quatrième catégorie
ou les scénarios de défauts se regroupent dans la même zone.
Les résultats des ces représentations nous ouvrent des perspectives pour utiliser les
outils de classications (réseaux de neurones, analyse en composante principale) dans le
futur travail.
4.5 Conclusion
Dans ce chapitre nous avons présenté les diérents résultats du diagnostic. Nous
avons remarqué qu'on peut classer les défauts selon 3 catégories :
100
4.5. CONCLUSION
AT_Isc AF_Isc
0
0
−10 −5
−20 X: 4
−10 Y: −12.25
X: 4
−30 Y: −38.08
−40 −15
1 2 3 4 5 6 7 8 9 10 11 12 13 14 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Scénario Scénario
SR_Isc CAF_Isc
0 0
−10
−20 −50 X: 5
Y: −69.77
X: 4
−30 Y: −36.76
−40 −100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Scénario Scénario
MC_Isc
0
−10
−20
−30
−40
1 2 3 4 X: 45 6 7 8 9 10 11 12 13 14
Y: −37.88
Scénario
Figure 4.11 Détermination du seuil de Isc .
défauts qui aectent seulement Pmax ,

défauts qui aectent seulement Pmax , et Voc ,
défauts qui aectent seulement Pmax , Isc et Voc .
défaut qui a la même signature comme le cas sain tel que le défaut de diode de
bypass en circuit ouvert.
Ce classement nous permet de savoir la nature de défaut. Mais il reste un critère non
discriminant étant donnée qu'il y a des défauts qui ont les mêmes signatures.
En comparant les analyse cyclostationnaire, temporelle et fréquentielle, nous avons
constaté que la CAF est l'indicateur le plus sensible : il présente la plus grande chute
pour la majorité des scénarios de défauts. Dès lors, cette indicateur peut être choisit pour
101
X: 2
Y: −0.7 AT_Voc AF_Voc
0 0
X: 2
−1 Y: −0.14
−5
−2
−10
−3
−15
−4
−20 −5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Scénario Scénario
SR_Voc CAF_Voc
0 0
X: 2 X: 3
Y: −0.64 Y: −0.95
−10
−5
−20
−10
−30
−15 −40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Scénario Scénario
MC_Voc
0
X: 2
Y: −0.7
−5
−10
−15
−20
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Scénario
Figure 4.12 Détermination du seuil de Voc .
faire du diagnostic. Néanmoins cet indicateur peut avoir quelques inconvénients comme :
limitation du nombre de cycles : dans le cas ou on a pas susamment de cycles
pour estimer les moments (par exemple 10 cycles), il faut utiliser des méthodes
telles que les Boostrap.
signal cyclostationnaire avec des cycles manquants : il faut utiliser les algorithmes
de DATA missing an d'estimer les données des cycles manquants.
temps de calcul : il est très long d'estimer la CAF par rapport calcul d'indicateurs
temporels et fréquentiels.
diculté de l'implémentation des outils cyclostationnaires sur composants électro-
niques (DSP, FPGA...)
102
4.5. CONCLUSION
Pmax (%) Isc (%) Voc (%)
AT -2.1 -38.08 -0.7

AF -0.25 -12.25 -0.14
Signal résiduel -1.98 -36.76 -0.64
CAF -14.05 -69.77 -0.95
Motif cyclique -1.92 -37.88 -0.7
Table 4.11 Seuils de détection de défauts
103
AT AF
0 13 0 13
8
8
9
9 −2 10
−10 10 11
12
532
5 2
12
11 3 −4
6
−20 −6
6
7
7 −8
∆Pmax(%)
∆Pmax(%)
−30
−10
−40
−12
−50 −14
−16
−60
−18
4
4
−70 −20
−20 −15 −10 −5 0 5 −50 0 50 100 150 200 250
∆Voc(%) ∆Voc(%)
(a) Classication de l'indicateur AT (b) Classication de l'indicateur AF
SR CAF
0 13 0 13
8
9 5
−10 −10
10 5
12
11 3 9
2
−20
−20 6
12
11 10
7 −30
8
−30 6
∆Pmax((%)
∆Pmax(%)
−40
−40
−50 7
−50 23
−60
−60
−70
−70 4 −80
4
−80 −90
−15 −10 −5 0 5 10 15 −40 −30 −20 −10 0 10 20 30
∆Voc(%) ∆Voc(%)
(c) Classication de l'indicateur SR (d) Classication de l'indicateur CAF
MC AF
0 13 250
8
9
−10 10 10
5 2 200
12
11 3
−20
6
150
7
∆Pmax(%)
−30
∆Isc(%)
100
−40
50
−50
0 4 13
562389
11
712
−60
−70 −50
−20 −15 −10 −5 0 5 −20 0 20 40 60 80 100 120 140
∆Voc(%) ∆Voc(%)
(e) Classication de l'indicateur MC (f) Classication de l'indicateur AF
Figure 4.13 Classication des défauts

104
4.5. CONCLUSION
Conclusion générale et Perspectives

L'objectif de ce travail de thèse était basé sur le diagnostic de la partie DC du
générateur des systèmes PV. Le but était de proposer des outils de traitement de signal
qui permettent de détecter des anomalies qui conduisaient à la baisse de la performance
du système PV.
Tout d'abord, un aperçu général de l'énergie PV et ses concepts de bases sont

présentés. Nous avons aussi décrit les diérents éléments qui constituent un système PV
ainsi que le rôle de chaque élément. Une étude bibliographique des diérents défauts
d'un système PV ainsi que les méthodes de diagnostic sont menées. Seuls les défauts du
côté DC du générateur PV (défauts de mismatch de type ombrage, Rs et Rp et défaut
de diodes de bypass) ont été étudiés dans ce travail.
Nous avons démontré que les conditions météorologiques présentent un caractère CS

composé d'un motif cyclique et d'un motif aléatoire liés aux phénomènes météorologiques.
La séparation du motif cyclique et motif aléatoire est un verrou scientique à lever. Les
méthodes classiques (TSA, Cepstre) appliquées dans le domaine de la CS ne permettent
pas une bonne séparation de ces deux composantes à cause de la variation d'amplitude
d'ensoleillement d'un cycle à un autre. An d'eectuer une bonne séparation de ces
deux composantes, nous avons développé une méthode appelée ATSA qui donne de bons
résultats et montre un intérêt pour son application dans le domaine météorologique.
L'étude bibliographique menée à montrer diérents modèles électriques de cellules

PV. Le modèle de Bishop est retenu pour cette étude, car il représente bien le fonction-
nement des cellules PV en régime direct et en régime inverse lorsque les cellules PV sont
défectueuses. Des codes Matlab ont été développés an d'obtenir les caractéristiques
I-V d'un module sain et module défectueux. Les caractéristiques I-V des modules sont
obtenues par l'association des caractéristiques I-V des cellules avec les caractéristiques
I-V des diodes de bypass. Dans ce travail, une validation expérimentale n'était pas
eectuée. Néanmoins, à l'aide d'une comparaison les résultats de la simulation des
caractéristiques I-V obtenues concordent avec les résultats expérimentaux obtenus dans
la littérature. Les caractéristiques I-V nous permettent d'obtenir les indicateurs Pmax ,
Isc , Voc dans le cas statique. Le but de notre étude est de faire le diagnostic en utilisant
des approches de traitement de signal. Ces approches s'appliquent pour des signaux qui
évoluent dans le temps. Pour cela, les conditions météorologiques ont été injectées dans le
modèle de Bishop et les indicateurs ont été estimés an d'obtenir leur évolution temporelle.
Les signaux temporels des indicateurs électriques obtenus ont montré un aspect
105
CS. La méthode ATSA a été appliquée sur ces signaux électriques an de faire leur
décomposition en motif cyclique et motif aléatoire. Cette décomposition permet d'étudier
diérents ordres de la CS.
Les résultats obtenus des signaux électriques pour diérents scénarios de défaut ont
montré quatre classes de types de défauts. Des défauts qui aectent seulement Pmax, des
défauts qui aectent Pmax et Voc, des défauts qui aectent Pmax Isc et Voc et un défaut
qui a la même signature comme le cas sain tel que le défaut de diode de bypass en circuit
ouvert. Connaissant les signatures de défauts, trois symptômes ont été dénis : le premier
symptôme est la réduction de puissance maximale. Nous avons remarqué que le premier
symptôme est présent pour tous les défauts. Ce symptôme peut nous renseigner sur la
présence d'un défaut ou non et non sa classication. D'autres symptômes ont été dénis
comme la réduction de courant de court circuit et la réduction de tension de circuit
ouvert. Un algorithme établi dans notre étude basée sur les trois symptômes permet
d'eectuer une bonne classication des défauts. Néanmoins, cet algorithme reste limité
seulement au niveau du module d'une part, et d'autre part ne permet pas d'identier des
défauts qui ont la même signature comme le cas sain tel que le défaut de diode en circuit
ouvert.
Une comparaison a été eectuée entre les outils de traitement de signal an de choisir
l'outil le plus sensible aux défauts pour faire le en vue d'un diagnostic. En comparant les
analyses cyclostationnaire, temporelle et fréquentielle, nous avons constaté que la CAF
des signaux électriques Pmax Isc et Voc est l'indicateur le plus sensible aux défauts. Il
présente la plus grande chute pour la majorité des scénarios de défauts. Dès lors, cette
indicateur peut être choisit pour faire du diagnostic. Néanmoins cet indicateur peut avoir
quelques inconvénients comme :
limitation du nombre de cycles : dans le cas où nous n'avons pas susamment

de cycles pour estimer les moments (par exemple 10 cycles), il faut utiliser des
méthodes telles que les Boostrap.
signal cyclostationnaire avec des cycles manquants : il faut utiliser les algorithmes
de DATA missing an d'estimer les données des cycles manquants.
temps de calcul : il est très long d'estimer la CAF par rapport calcul d'indicateurs
temporels et fréquentiels.
diculté de l'implémentation des outils cyclostationnaires sur composants élec-
troniques (DSP, FPGA...)
Ce travail non exhaustif ore quelques perspectives que nous présentons :
La méthode ATSA a montré un intérêt pour la séparation du motif cyclique et

motif aléatoire pour le signal d'ensoleillement. D'autres méthodes peuvent être
intéressantes à appliquer dans le futur travail comme les méthodes de Boostrap,
les modèles PARMA(periodic autoregressive moving average) et l'estimation du
motif cyclique par les moyennes glissantes pour eectuer une telle séparation.
Le diagnostic et la modélisation des défauts dans le cadre de notre étude sont

limités au niveau du module PV. Nous envisageons faire une modélisation des
106
4.5. CONCLUSION
défauts pour plusieurs congurations (string, champ) et généraliser notre approche

pour ces congurations pour faire du diagnostic.
Les résultats de nos études sont obtenus par un travail de simulation. Nous
envisageons construire un banc d'essai au niveau de notre laboratoire (LASPI). Ce
banc d'essai sera constitué de plusieurs capteurs an d'eectuer les acquisitions
des paramètres nécessaires au diagnostic tel que : irradiance, température, courant
tension puissance. Une validation expérimentale des résultats de simulation sera
eectuée une fois le banc d'essai est construit.
Une comparaison de l'approche CS avec d'autres approches comme les réseaux de

neurones, l'analyse en composante principale sera intéressante pour mieux voir
l'ecacité de notre étude.
Les acquisitions des indicateurs électriques sur le plan empirique sont onéreuses,
car elles nécessitent l'utilisation d'un certain nombre de capteurs d'une part,
et d'autres par elle sont limitées dans le temps . Les panneaux PV disponibles
au niveau des entreprises ne peuvent être exposés à l'extérieur pour une longue
durée(plusieurs années) pour plusieurs scénarios de défaut. Une collaboration avec
les industriels peut être intéressante en eectuant un travail de simulation pour
une longue durée pour plusieurs types de défauts an de prédire les performances
des panneaux PV.
107
BIBLIOGRAPHIE
Bibliographie
[Aashoor et Robinson, 2012] Aashoor, F. A. et Robinson, F. V. P. (2012). A Variable Step
Size Perturb and Observe Algorithm for Photovoltaic Maximum Power Point Tracking.
Proceedings of the Universities Power Engineering Conference.
[Achim et al., 2013] Achim, W., Mauricio, R., David, M., Stefan, M., Nils, R., et Ulrike, J.
(2013). Monitoring of Photovoltaic Systems : Good Practices and Systematic Analysis.
In The 28th European PV Solar Energy conference and Exhbition, Paris France.
[Agarwal et Agarwal, 2014] Agarwal, N. et Agarwal, A. (2014). Mismatch Losses in So-
lar Photovoltaic Array. MIT International Journal of Electrical and Instrumentation
Engineering, 4(1) :1619.
[Akihiro, 2005] Akihiro, O. (2005). Design and Simulation of Photovoltaic Water Pum-
ping System. Thèse de Doctorat, Faculty of California Polytechnic State University,
San Luis Obispo.
[Alahmad et al., 2011] Alahmad, M., Chaaban, M. A., et Lau, S. K. (2011). An Adaptive
Photovoltaic-Inverter Topology. In IEEE PES Innovative Smart Grid Technologies
Conferences Europe , ISGT, pages 17.
[Alonso-García et al., 2006] Alonso-García, M. C., Ruiz, J. M., et Chenlo, F. (2006). Ex-
perimental Study of Mismatch and Shading Eects in the I-V Characteristic of a Pho-
tovoltaic Module. Solar Energy Materials and Solar Cells, 90(3) :329340.
[Andrews et al., 2012] Andrews, R. W., Pollard, A., et Pearce, J. M. (2012). Improved
Parametric Empirical Determination of Module Short Circuit Current for Modelling
and Optimization of Solar Photovoltaic Systems. Solar Energy, 86(9) :22402254.
[Antoni, 2009] Antoni, J. (2009). Cyclostationarity by examples. Mechanical Systems
and Signal Processing, 23(4) :9871036.
[Antoni et al., 2004] Antoni, J., Bonnardot, F., Raad, A., et El Badaoui, M. (2004). Cy-
clostationary Modelling of Rotating Machine Vibration Signals. Mechanical Systems
and Signal Processing, 18(6) :12851314.
[B. Verhoeven, 1998] B. Verhoeven (1998). Utility Aspects of Grid-Connected Photovol-
taic Power Systems. Technical Report IEA PVPS T5-01.
[Badaoui et al., 2005] Badaoui, M. E., Danière, J., Guillet, F., et Servière, C. (2005).
Separation of Combustion Noise and Piston-Slap in Diesel Engine -Part I : Separation
of Combustion Noise and Piston-Slap in Diesel Engine by Cyclic Wiener Filtering.
Mechanical Systems and Signal Processing, 19(6) :12091217.
[Bakelli et al., 2011] Bakelli, Y., Hadj Arab, A., et Azoui, B. (2011). Optimal Sizing of
Photovoltaic Pumping System with Water Tank Storage Using LPSP Concept. Solar
Energy, 85(2) :288294.
108
BIBLIOGRAPHIE
[Banavar et al., 2012] Banavar, M., Braun, H., Buddha, S. T., Krishnan, V., Spanias, A.,
Takada, S., Takehara, T., Tepedelenlioglu, C., et Yeider, T. (2012). Signal Processing
for Solar Array Monitoring, Fault Detection, and Optimization, volume 7. Edition,
Morgan & Claypool Publishers.
[Bencherif et Chermitti, 2012] Bencherif, M. et Chermitti, A. (2012). New Method to
Assess the Losses Parameters of the Photovoltaic Modules. International Journal of
Engineering and Advanced Technology, 2(1) :215224.
[Benghanem et Alamri, 2009] Benghanem, M. S. et Alamri, S. N. (2009). Modeling of
Photovoltaic Module and Experimental Determination of Serial Resistance. Journal of
Taibah University for Science, 2 :94105.
[Bishop, 1988] Bishop, J. (1988). Computer Simulation of the Eects of Electrical Mis-
matches in Photovoltaic Cell Interconnection Circuits. Solar Cells, 25 :7389.
[Bloomeld, P., Hurd, H.L., and Lund, 1994] Bloomeld, P., Hurd, H.L., and Lund, R.
(1994). Periodic Correlation in Stratospheric Ozone Data. Journal of Time Series
Analysis, 15(2) :127150.
[Bogert et al., 1963] Bogert, B. P., Healy, M., et Tuky, J. (1963). The Quefrency Ala-
nysis of Time Series for Echoes : Cepstrum, pseudo-Autocovariance, Cross-Cepstrum,
and Saphe-Cracking. In Proceedings of the Symposium on Time Series Analysis (M.
Rosenblatt, Ed) Chapter 15, pages 209243, New York. Wiley.
[Bonnardot, 2004] Bonnardot, F. (2004). Comparaison entre les Analyses Angulaire et
Temporelle des Signaux Vibratoires de Machines Tournantes. Etude du Concept de
Cyclostationnarité Floue. Thèse de Doctorat, INP Grenoble (LASPI Roanne).
[Bonnardot et El Badaoui, 2010] Bonnardot, F. et El Badaoui, M. (2010). Etude de la
Fatigue d'un Coureur, de l'Instrumentation à l'Analyse Vibratoire. In 10ème Congrès
Français d' Acoustique, Lyon.
[Boutasseta, 2012] Boutasseta, N. (2012). PSO-PI Based Control of Photovoltaic Arrays.
International Journal of Computer Applications, 48(17) :3640.
[Braun, 2012] Braun, H. (2012). Signal Processing and Robust Statistics for Fault Detec-
tion in Photovoltaic Arrays. Thèse de Doctorat, Arizona State University.
[Broszkiewicz-Suwaj et al., 2004] Broszkiewicz-Suwaj, E., Makagon, A., Weron, R., et
Wyªoma«ska, A. (2004). On Detecting and Modeling Periodic Correlation in Financial
Data. Physica A : Statistical Mechanics and its Applications, 336(1) :196205.
[Bun, 2011] Bun, L. (2011). Détection et Localisation de Défauts pour un Système PV.
Thèse de Doctorat, Laboratoire G2ELAB Université de Grenoble France.
[Chaaban, 2011] Chaaban, M. A. (2011). Adaptative Photovoltaic Congurations for De-
creasing the Electrical Mismatching Losses. Thèse de Doctorat, University of Nebraska
Lincoln.
[Chine et al., 2014] Chine, W., Mellit, A., Pavan, a. M., et Kalogirou, S. (2014). Fault De-
tection Method for Grid-Connected Photovoltaic Plants. Renewable Energy, 66(C) :99
110.
[Chouder et Silvestre, 2010] Chouder, A. et Silvestre, S. (2010). Automatic Supervision
and Fault Detection of PV Systems Based on Power Losses Analysis. Energy Conversion
and Management, 51(2010) :19291937.
109
BIBLIOGRAPHIE
[Cristaldi et al., 2014] Cristaldi, L., Faifer, M., Lazzaroni, M., Mahmoud, M., Fattah, A.,
Catelani, M., et Ciani, L. (2014). Failure Modes Analysis and Diagnostic Architecture
for Photovoltaic Plants. pages 206211.
[Crozier et al., 2012] Crozier, J., van Dyk, E., et Vorster, F. (2012). Characterization of
cell mismatch in a multi-crystalline silicon photovoltaic module. Physica B : Condensed
Matter, 407(10) :15781581.
[Dahmani et al., 2013] Dahmani, J., Bernard, C., et Ioana, C. (2013). Analyse des Si-
gnaux Transitoires émis par les Arcs Electriques Générés dans les Panneaux Photovol-
taïques. In XXIVème colloque GRETSI, Brest.
[Di Dio et al., 2009] Di Dio, V., La Cascia, D., Miceli, R., et Rando, C. (2009). A Mathe-
matical Model to Determine the Electrical Energy Production in Photovoltaic Fields
under Mismatch Eect. In 2009 International Conference on Clean Electrical Power,
ICCEP, pages 4651.
[Doumane, 2011] Doumane, R. (2011). Modélisation du Vieillissement d'un Module Pho-
tovoltaïque. Thèse de Doctorat, Université M'hamed Bougara Boumerdes Algérie.
[Dragan et Yavorskii, 1982] Dragan, Y. et Yavorskii (1982). The Periodic Correlation-
Random Field as Amodel for Bidimensional Ocean Waves. Peredacha Informatsii,
51 :1525.
[Drif et al., 2008] Drif, M., Pérez, P. J., Aguilera, J., et Aguilar, J. D. (2008). A New Es-
timation Method of Irradiance on a Partially Shaded PV Generator in Grid-Connected
Photovoltaic Systems. Renewable Energy, 33 :20482056.
[E. Díaz-Dorado, A. Suárez-García, C. Carrillo et Cidrás, 2010] E. Díaz-Dorado, A.
Suárez-García, C. Carrillo et Cidrás, J. (2010). Inuence of the Shadows in Pho-
tovoltaic Systems with dierent Congurations of Bypass Diodes. In International
Symposium on Power Electronics, Electrical Drives, Automation and Motion, pages
134139.
[El-Aal, 2005] El-Aal, A. E.-M. M. M. A. A. (2005). Modelling and Simulation of a Pho-
tovoltaic Fuel Cell Hybrid System. Thèse de Doctorat, University of Kassel Germany.
[El Badaoui, 1999] El Badaoui, M. (1999). Contribution au Diagnostic Vibratoire des
Réducteurs Complexes à Engrenages par l'Analyse Cepstrale. Thèse de Doctorat, Uni-
versité Jean Monnet St-Etienne, France.
[El-Dein et al., 2013] El-Dein, M. Z. S., Kazerani, M., et Salama, M. M. A. (2013). An
Optimal Total Cross Tied Interconnection for Reducing Mismatch Losses in Photovol-
taic Arrays. IEEE Transactions on Sustainable Energy, 4 :99107.
[El-Fergany, 2015] El-Fergany, A. (2015). Ecient Tool to Characterize Photovoltaic Ge-
nerating Systems using Mine Blast Algorithm. Electric Power Components and Sys-
tems, 43(8-10) :890901.
[ENVARIS, 2016] ENVARIS (2016). Electroluminescence available
on :http ://www.envaris.de/.
[Estibals, 2010] Estibals, B. (2010). Contribution à l'Amélioration des Chaînes de Conver-
sion Photovoltaïques par l'Introduction d'Architectures Distribuées. Thèse de Doctorat,
Université Paul Sabatier de Toulouse.
[Fernando Lessa Tofoli, Dênis de Castro Pereira et de Paula, 2015] Fernando Lessa To-
foli, Dênis de Castro Pereira et de Paula, W. J. (2015). A Comparative Study on
110
BIBLIOGRAPHIE
Maximum Power Point Tracking Techniques for Photovoltaic Power Systems. Interna-
tional Journal of Photoenergy, 2015(i) :110.
[Firth et al., 2010] Firth, S., Lomas, K., et Rees, S. (2010). A Simple Model of PV System
Performance and its Use in Fault Detection. Solar Energy, 84(4) :624635.
[Franses, 1996] Franses, P. H. (1996). Periodicity and Stochastic Trends in Economic
Time Series. Oxford University Press.
[García et al., 2009] García, M., Vera, J. a., Marroyo, L., Lorenzo, E., et Pérez, M. (2009).
Solar-Tracking PV Plants in Navarra : A 10 MW Assessment. Progress in Photovoltaics :
Research and Applications, 17 :337346.
[Gardner, 1988] Gardner, W. (1988). Statistical Spectral Analysis A Nonprobabilistic
Theory. Prentice Hall, Université du Michigan, 19, illust edition.
[Gardner et Franks, 1975] Gardner, W. et Franks, L. (1975). Characterization of Cy-
clostationary Random Signal Processes. IEEE Transactions on Information Theory,
21(1) :414.
[Gardner, 1994] Gardner, W. A. (1994). Cyclostationarity in Communications and Signal
Processing. IEEE Press, New York.
[Gardner et al., 2006] Gardner, W. A., Napolitano, A., et Paura, L. (2006). Cyclostatio-
narity : Half a Century of Research. Signal Processing, 86(4) :639697.
[Gladysev, 1961] Gladysev, E. (1961). Periodically Correlated Random Sequences. So-
vietMath, 2 :385388.
[Greacen et Green, 2001] Greacen, C. et Green, D. (2001). The Role of Bypass Diodes
in the Failure of Solar Battery Charging Stations in Thailand. Solar Energy Materials
and Solar Cells, 70(2) :141149.
[Green et Hernandez-Aramburo, 2008] Green, T. C. et Hernandez-Aramburo, C. A.
(2008). Analysis of Perturb and Observe Maximum Power Point Tracking Algorithm
for Photovoltaic Applications. In 2008 IEEE 2nd International Power and Energy
Conference, pages 237242. IEEE.
[Hasselmann, K. and Barnett, 1981] Hasselmann, K. and Barnett, T. (1981). Techniques
of Linear Prediction of Systems with Periodic Statistics. Journal of the Atmospheric
Sciences, 38(10) :22752283.
[Hohm et Ropp, 2003] Hohm, D. P. et Ropp, M. E. (2003). Comparative Study of Maxi-
mum Power Point Tracking Algorithms. Progress in Photovoltaics : Research and Ap-
plications, 11(1) :4762.
[Hosbach, 2011] Hosbach, R. A. (2011). Testing and Analysis of the SolarMagic 3320.
Master thesis, The Faculty of Humboldt State University.
[Houssein et al., 2010] Houssein, A., Heraud, N., Souleiman, I., et Pellet, G. (2010). Moni-
toring and Fault Diagnosis of Photovoltaic Panels. In Energy Conference and Exhibition
(EnergyCon), 2010 IEEE International, pages 389 394, Manama. IEEE.
[Hurd, 1969] Hurd, H. (1969). Investigation of Periodically Correlated Stochastic Pro-
cesses. Thèse de Doctorat, Duke University, Durham, NC.
[Iea, 2001] Iea, R. (2001). Innovative Electrical Concepts. Technical report.
[IEC, 2008] IEC (2008). IEC 60904-3 (Ed. 2), Photovoltaic devices - Part 3 : Measure-
ment Principles for Terrestrial Photovoltaic (PV) Solar Devices with Reference Spectral
Irradiance Data. Technical report.
111
BIBLIOGRAPHIE
[IEC 61724, 1998] IEC 61724 (1998). Photovoltaic System Performance Monitoring Gui-
delines for Measurement, Data Exchange and Analysis. Technical report.
[Ikeda et Sakamoto, 2003] Ikeda, K. et Sakamoto, R. (2003). Convergence Analyses of
Stereo Acoustic Echo Cancelers with Preprocessing. IEEE Transactions on Signal Pro-
cessing, 51(5) :13241334.
[Ishaque et al., 2011] Ishaque, K., Salam, Z., Taheri, H., et Syafaruddin (2011). Modeling
and Simulation of Photovoltaic (PV) System during Partial Shading Based on a Two-
Diode Model. Simulation Modelling Practice and Theory, 19(7) :16131626.
[Islam et al., 2011] Islam, M. K., Ahammad, T., Pathan, E. H., Haque, a. N. M. M.,
et Khandokar, M. R. H. (2011). Analysis of Maximum Possible Utilization of Solar
Radiation on a Solar Photovoltaic Cell with a Proposed Model. International Journal
of Modeling and Optimization, 1(1) :6669.
[Israil et al., 2014] Israil, M., Ghani, A., et Kerm, Y. (2014). Non-destructive Microcracks
Detection Techniques in Silicon Solar Cell. Physical Science International Journal,
4(8) :10731087.
[Janez Krc, 2013] Janez Krc, M. T. (2013). Optical Modeling and Simulation of Thin-Film
Photovoltaic Devices. CRC Press.
[June et al., 2012] June, M., Pachpande, S. G., Elec, M. E. S. Y., et Jalgaon, S. C. O. E.
(2012). Studying The Eect of Shading on Solar Panel using MATLAB. International
Journal of Science and Applied Information Technology, 1(2278) :4651.
[Jutten, 2009] Jutten, C. (2009). Théorie du Signal. Cours de deuxième année (3i4),
Université Joseph Fourier Polytech Grenoble.
[Kacimov et al., 2004] Kacimov, A. R., Obnosov, Y. V., et Perret, J. (2004). Phreatic Sur-
face Flow from a Near-Reservoir Saturated Tongue. Journal of Hydrology, 296(1) :271
281.
[Karatepe et al., 2007] Karatepe, E., Boztepe, M., et Çolak, M. (2007). Development of a
Suitable Model for Characterizing Photovoltaic Arrays with Shaded Solar Cells. Solar
Energy, 81(8) :977992.
[Kaushika et Gautam, 2003] Kaushika, N. et Gautam, N. (2003). Energy Yield Simula-
tions of Interconnected Solar PV Arrays. IEEE Transactions on Energy Conversion,
18(1) :127134.
[Kaushika et Rai, 2007] Kaushika, N. D. et Rai, A. K. (2007). An Investigation of Mis-
match Losses in Solar Photovoltaic Cell Networks. Energy, 32(5) :755759.
[Kawamura et al., 2003] Kawamura, H., Naka, K., Yonekura, N., Yamanaka, S., Kawa-
mura, H., Ohno, H., et Naito, K. (2003). Simulation of I-V Characteristics of a PV
Module with Shaded PV Cells. Solar Energy Materials and Solar Cells, 75(3-4) :613
621.
[Keeler, 1972] Keeler, J. (1972). Piecewise-Periodic Analysis of Almost-Periodic Sounds
and Musical Transients. IEEE Transactions on Audio and Electroacoustics, 20(5) :338
344.
[Kidar, 2015] Kidar, T. (2015). Diagnostic des Défauts de Fissures d'Engrenages par
l'Analyse Cyclostationnaire. Thèse de Doctorat, Laboratoire des Signaux et des Pro-
cessus Industriels (LASPI) Université Jean Monnet St-Etienne, France.
112
BIBLIOGRAPHIE
[Kjaer et al., 2002] Kjaer, S. B., Pedersen, J. K., et Blaabjerg, F. (2002). Power Inverter
Topologies for Photovoltaic Modules-a Review. In Conference Record of the 2002 IEEE
Industry Applications Conference, 2002. 37th IAS Annual Meeting., volume 2, pages
782788, Pittsburgh, PA, USA. IEEE.
[Kjaer et al., 2005] Kjaer, S. B., Pedersen, J. K., et Blaabjerg, F. (2005). A review of
single-phase grid-connected inverters for photovoltaic modules. IEEE Transactions on
Industry Applications, 41(5) :12921306.
[Kopp, 2012] Kopp, E. S. (2012). I-V Analysis of Photovoltaic Modules Deployed Outdoors
at Tucson Electric Power Solar Test Yard. Master of science thesis, The University of
Arizona.
[Kymakis et al., 2009] Kymakis, E., Kalykakis, S., et Papazoglou, T. M. (2009). Perfor-
mance Analysis of a Grid Connected Photovoltaic Park on the Island of Crete. Energy
Conversion and Management, 50(3) :433438.
[L. Schirone, F. P. Califano, U. Moschella, 2013] L. Schirone, F. P. Califano, U. Mo-
schella, U. R. (2013). Fault Finding in a 1 MW Photovoltaic Plant by Reectometry.
In IEEE Conference on Photovoltaic Energy Conversion, pages 204208.
[Leprettre et Rebière, 2001] Leprettre, B. et Rebière, Y. (2001). Détection d'Arcs Elec-
triques Séries par Analyse Temps-Fréquence et Traitement Morphologique. In Colloques
sur le Traitement du Signal et des Images GRETSI, Toulouse,France.
[Liu et al., 2011] Liu, G., Nguang, S. K., et Partridge, A. (2011). A General Modeling Me-
thod for IV Characteristics of Geometrically and Electrically Congured Photovoltaic
Arrays. Energy Conversion and Management, 52(12) :34393445.
[Lushanur, 2013] Lushanur, R. (2013). Study of the Cyclostationarity Properties of Va-
rious Signals of Opportunity. Master of science thesis, Tampere University of techno-
logy, Finlande.
[Maiz, 2014] Maiz, S. (2014). Estimation et Détéction des Signaux Cyclostationaires par
les Méthodes de Re-Echantillonnage Statistique :Applications à l'Analyse des Signaux
Biomécaniques. Thèse de Doctorat, Laboratoire des Signaux et des Processus Indus-
triels (LASPI) Université Jean Monnet St-Etienne, France.
[Maiz et al., 2014] Maiz, S., Elbadaoui, M., Bonnardot, F., et Serviere, C. (2014). New
Second Order Cyclostationary Analysis and Application to the Detection and Charac-
terization of a Runner's Fatigue. Signal Processing, 102(October 2016) :188200.
[Markvart et Castañer, 2003] Markvart, T. et Castañer, L. (2003). Practical Handbook of
Photovoltaics : Fundamentals and Applications. Science, e edition.
[Meekhun, 2010] Meekhun, D. (2010). Réalisation d'un Système de Conversion et de
Gestion de l'Energie d'un Système Photovoltaïque pour l'Alimentation des Réseaux de
Capteurs sans Fil Autonomes pour l'Application Aéronautique. Thèse de Doctorat,
Institut National des Sciences Appliquées Université de Toulouse.
[Messai et al., 2011] Messai, A., Mellit, A., Massi Pavan, A., Guessoum, A., et Mekki, H.
(2011). FPGA-based Implementation of a Fuzzy Controller (MPPT) for Photovoltaic
Module. Energy Conversion and Management, 52(7) :26952704.
[Myrzik et Calais, 2003] Myrzik, J. M. a. et Calais, M. (2003). String and Module In-
tegrated Inverters for Single-Phase Grid Connected Photovoltaic Systems - A Review.
In 2003 IEEE Bologna PowerTech - Conference Proceedings, volume 2, pages 430437,
Bologna Italy.
113
BIBLIOGRAPHIE
[Newton, 1982] Newton, H. (1982). Using Periodic Autoregressions For Multiple Spectral
Estimation. Technometrics, 24(2) :109116.
[Nguyen et Lehman, 2006] Nguyen, D. et Lehman, B. (2006). Modeling and Simulation
of Solar PV Arrays under Changing Illumination Conditions. In 2006 IEEE Workshops
on Computers in Power Electronics, pages 295299, New York USA.
[Orfanidis, 1996] Orfanidis, S. J. (1996). Introduction to Signal Processing. Englewood
Clis, N.J : Prentice Hall.
[Pastor, 2006] Pastor, A. C. (2006). Conception et Réalisation de Modules Photovoltaiques
Electroniques. Thèse de Doctorat, Institut National des Sciences Appliquées de Tou-
louse, France.
[Patel et al., 2008] Patel, H., Agarwal, V., et Member, S. (2008). MATLAB-Based Mo-
deling to Study the Eects of Partial Shading on PV Array Characteristics. IEEE
Transactions On Energy Conversion, 23(1) :302310.
[Petrone et al., 2007] Petrone, G., Spagnuolo, G., et Vitelli, M. (2007). Analytical Model
of Mismatched Photovoltaic Fields by Means of Lambert W-Function. Solar Energy
Materials and Solar Cells, 91(18) :16521657.
[Picault et al., 2010a] Picault, D., Raison, B., Bacha, S., Aguilera, J., et De La Casa, J.
(2010a). Changing photovoltaic array interconnections to reduce mismatch losses : a
case study. 2010 9th International Conference on Environment and Electrical Enginee-
ring, 2010 :3740.
[Picault et al., 2010b] Picault, D., Raison, B., Bacha, S., de la Casa, J., et Aguilera, J.
(2010b). Forecasting Photovoltaic Array Power Production Subject to Mismatch Losses.
Solar Energy, 84(7) :13011309.
[Piegari et Rizzo, 2010] Piegari, L. et Rizzo, R. (2010). Adaptive Perturb and Observe
Algorithm for Photovoltaic Maximum Power Point Tracking. IET Renewable Power
Generation, 4(4) :317328.
[Quaschning et Hanitsch, 1996] Quaschning, V. et Hanitsch, R. (1996). Numerical Simu-
lation of Current-Voltage Characteristics of Photovoltaic Systems with Shaded Solar
Cells. Solar Energy, 56(6) :513520.
[Randall, 2011] Randall, R. B. (2011). Vibration-Based Condition Monitoring :Industrial,
Aerospace and Automotive Applications. John Wiley & Sons, Ltd.
[Reynaud, 2011] Reynaud, J.-F. (2011). Recherches d'Optimums d'Energies pour
Charge/Décharge d'une Batterie à Technologie Avancée Dédiée à des Applications Pho-
tovoltaïques. Thèse de Doctorat, Université Toulouse III Paul Sabatier.
[Rezgui et al., 2015] Rezgui, W., Mouss, H., Mouss, N., Mouss, D., Rezgui, W., Mouss,
H., Mouss, N., Mouss, D., et Benbouzid, M. (2015). Photovoltaic Module Simultaneous
Open-and Short-Circuit Faults Modeling and Detection Using the I-V Characteristic.
In 2015 IEEE 24th International Symposium on Industrial Electronics (ISIE), pages
855860, Buzios - Rio de Janeiro Brazil. IEEE.
[Rustemli et Dincer, 2011] Rustemli, S. et Dincer, F. (2011). Modeling of Photovoltaic
Panel and Examining Eects of Temperature in Matlab / Simulink. Electronics and
Electrical Engineering, 3(109) :3540.
114
BIBLIOGRAPHIE
[Salas et al., 2006] Salas, V., Olías, E., Barrado, A., et Lázaro, A. (2006). Review of the
Maximum Power Point Tracking Algorithms for Stand-Alone Photovoltaic Systems.
Solar Energy Materials and Solar Cells, 90(11) :15551578.
[Schimpf et Norum, 2008] Schimpf, F. et Norum, L. E. (2008). Grid Connected Conver-
ters for Photovoltaic, State of the Art, Ideas for Improvement of Transformerless Inver-
ters. In Proceedings of Nordic Workshop on Power and Industrial Electronics, page 6.
[Sidhu et al., 1998] Sidhu, T., Singh, G., et Sachdev, M. (1998). Arcing Fault Detection
using Articial Neural Networks. Neurocomputing, 23(1-3) :225241.
[Silvestre et al., 2009] Silvestre, S., Boronat, A., et Chouder, A. (2009). Study of Bypass
Diodes Conguration on PV Modules. Applied Energy, 86(9) :16321640.
[Singo, 2010] Singo, A. T. (2010). Systéme d'Alimentation Photovoltaïque avec Stockage
Hybride pour l'Habitat Energétiquement Autonome. Thèse de Doctorat, Université
Henri Poincaré Nancy-I, France.
[Stéphane, 2009] Stéphane, P. (2009). Nouvelles Architectures Distribuées de Gestion et
de Conversion de l'Energie pour les Applications Photovoltaïques. Thèse de Doctorat,
Université Toulouse III - Paul Sabatier, France.
[Takashima et al., 2009] Takashima, T., Yamaguchi, J., Otani, K., Oozeki, T., Kato, K.,
et Ishida, M. (2009). Experimental Studies of Fault Location in PV Module Strings.
Solar Energy Materials and Solar Cells, 93(6-7) :10791082.
[Teja et al., 2012] Teja, D., Challa, R., et Raghavendar, I. (2012). Implementation of
Incremental Conductance MPPT with Direct Control Method Using Cuk Converter.
International Journal of Research in Engineering and Technology(IJMER), 2(6) :4491
4496.
[Telidjane et al., 2014] Telidjane, M., Bonnardot, F., El Badaoui, M., et Marrakchi, G.
(2014). Study of the Cyclostationary Nature of Photovoltaic Panels and Meteorological
Signals. In The 4th International Conference on Condition Monitoring of Machinery
in NonStationary, Lyon, France.
[Telidjane et al., 2015a] Telidjane, M., Bonnardot, F., El Badaoui, M., et Marrakchi, G.
(2015a). Extraction du Motif Cyclique sur des Signaux d'Ensoleillement par la Méthode
MTSA. In Colloques sur le Traitement du Signal et des Images GRETSI, Lyon, France.
[Telidjane et al., 2015b] Telidjane, M., Bonnardot, F., El Badaoui, M., et Marrakchi, G.
(2015b). Separation of Stochastic and Deterministic Signal by Cepstral Method : Appli-
cation to Solar Radiation. In International Conference Surveillance8, Roanne, France.
[testing laboratory, 2011] testing laboratory, E. (2011). Electroluminescence @ Eliosys
available on :http ://www.eliosys.eu.
[The Helioclim-3 Database, 2016] The Helioclim-3 Database (2016). available on :
www.soda-is.com.
[Tian et al., 2012] Tian, H., Mancilla-David, F., Ellis, K., Muljadi, E., et Jenkins, P.
(2012). A Cell-to-Module-to-Array detailed Model forPhotovoltaic Panels. Solar
Energy, 86(9) :26952706.
[Vecchia, 1985] Vecchia, A. (1985). Periodic Autoregressive-Moving Average (PARMA)
Modeling with Applications to Water Resources. Water Resources Bulletin, 21 :721
730.
115
BIBLIOGRAPHIE
[Wikipedia, 2010] Wikipedia (2010). Traitement du Signal available on :

http ://www.traitement-signal.com.
[Wikipedia, 2016a] Wikipedia (2016a). Centrale solaire de Cestas available on :
https ://fr.wikipedia.org/wiki/Centrale_solaire_de_Cestas.
[Wikipedia, 2016b] Wikipedia (2016b). https ://fr.wikipedia.org/wiki/Raies_de_Fraunhofer.
[Zandi, 2010] Zandi, M. (2010). Contribution au Pilotage des Sources Hybrides d'Energie
Electrique Soutenue. Thèse de Doctorat, Institut National Polytechnique de Lorraine
Université de Nancy, France.
[Zhao et al., 2013] Zhao, Y., Member, S., Palma, J.-f. D., et Mosesian, J. (2013). Line-
Line Fault Analysis and Protection Challenges in Solar Photovoltaic Arrays. IEEE on
Industrial Electronic, 60(9) :37843795.
116

These Telidjane Mohammed 2017 PDF

Transféré par

Droits d'auteur :

Formats disponibles

These Telidjane Mohammed 2017 PDF

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 Telidjane Mohammed 2017 PDF

Transféré par

Droits d'auteur :

Formats disponibles

N°d’ordre NNT : 2017LYSES023

THESE de DOCTORAT DE L’UNIVERSITE DE LYON

Ecole Doctorale ED SIS 488

Spécialité de doctorat : Traitement de signal

Soutenue publiquement/à huis clos le 13/07/2017, par :

Modélisation des panneaux

Devant le jury composé de :

H. Razik Professeur à l'Université Claude Bernard Lyon 1 Président.e

M.Benbouzid Professeur à l'Université Bretagne Occidentale, Brest Rapporteur.e

J'exprime ma gratitude aux membres du jury de soutenance pour avoir accepté de

Je remercie également Claire Thomas, responsable du projet SoDa à Transvalor

3 Modélisation des défauts 67

La seconde partie, consacrée aux outils théoriques. On rappel la dénition de la

Une troisième partie traitant de la modélisation de défauts indique comment construire

Mots clés : panneau photovoltaïque, cyclostationnarité, diagnostic, ATSA.

Les systèmes PV générateurs d'électricité peuvent être exploités dans diérents

An de maximiser l'ecacité de la conversion PV et réduire les coûts de maintenance,

Le fonctionnement des panneaux PV est tributaire des conditions météorologiques

Le troisième chapitre s'intéresse à la modélisation des panneaux PV dans le cas sain

Le quatrième chapitre se concentre sur le bilan des diérents résultats du diagnostic.

Cependant, des points faibles sont également à noter [Zandi, 2010] :

1.1 La cellule photovoltaïque

2000 Corps noir parfait

250 500 750 1000 1250 1500 1750 2000 2250 nm

Figure 1.1  Spectre du rayonnement solaire reçu [Wikipedia, 2016b].

1.1.2 La transformation en énergie électrique

Figure 1.3  Niveau d'énergie d'un semi-conducteur

1.1.3 Modélisation d'une cellule PV

niveaux de rayonnement et diérentes températures de la cellule PV. La modélisation des

1.1.3.1 Modèle à une diode

Modèle Schéma Nombre Précision

Une diode 5 Bien

Bien, avec la représentation en

Dynamique à Bien, avec la représentation en

Deux diodes 7 Très Bien

Table 1.1  Diérents modèles électriques de cellule photovoltaïque

tées en série, et la valeur de la résistance est multipliée par le nombre de cellules

1.1.3.2 Modèle de Bishop

1.1.4 Paramètres de fonctionnement et pertes

Photons réfléchies Photons transmis Excès d’énérgie du photon

Recombinaisons Courant de fuite Pertes par conduction

Figure 1.4  Sources de pertes pour un panneau solaire

1.1.4.2 Type de matériau semi-conducteur

Type des cellules Rendement des cellules (%)

1.1.4.3 Inuence de l'irradiation

Figure 1.5  Caractéristiques I(V) du module PV pour diérentes irradiances

choisir le site approprié pour le générateur PV pour empêcher l'observation de l'ombrage

1.1.4.4 Inuence de la température

Figure 1.6  Caractéristique I(V) du module PV pour diérentes températures

1.1.4.5 Point de fonctionnement

1.1.4.6 Dénitions des rendements associés à la chaîne de conversion

Figure 1.7  Point de puissance maximale du modulePV.

1.2 De la cellule au champ photovoltaïque

1.2.1 Module PV (panneau solaire)

Figure 1.8  Groupe de 18 cellules connectées avec non-overlaped diode

Figure 1.9  Groupe de 18 cellules montées avec overlaped diode

deux congurations de SP et TCT[El-Dein et al., 2013].

Figure 1.10  Diérentes congurations du champ PV

1.2.4 Simulation d'un Champ PV

La seconde partie, consacrée aux outils théoriques. On rappel la dénition de la

Les systèmes PV générateurs d'électricité peuvent être exploités dans diérents

An de maximiser l'ecacité de la conversion PV et réduire les coûts de maintenance,

Le quatrième chapitre se concentre sur le bilan des diérents résultats du diagnostic.

Figure 1.1 Spectre du rayonnement solaire reçu [Wikipedia, 2016b].

Figure 1.3 Niveau d'énergie d'un semi-conducteur

niveaux de rayonnement et diérentes températures de la cellule PV. La modélisation des

Table 1.1 Diérents modèles électriques de cellule photovoltaïque

Figure 1.4 Sources de pertes pour un panneau solaire

1.1.4.3 Inuence de l'irradiation

Figure 1.5 Caractéristiques I(V) du module PV pour diérentes irradiances

1.1.4.4 Inuence de la température

Figure 1.6 Caractéristique I(V) du module PV pour diérentes températures

1.1.4.6 Dénitions des rendements associés à la chaîne de conversion

Figure 1.7 Point de puissance maximale du modulePV.

Figure 1.8 Groupe de 18 cellules connectées avec non-overlaped diode

Figure 1.9 Groupe de 18 cellules montées avec overlaped diode

deux congurations de SP et TCT[El-Dein et al., 2013].

Figure 1.10 Diérentes congurations du champ PV

Figure 1.11 Schéma de raccordement d'un panneau solaire au réseau

Figure 1.12 Champ PV avec diodes antiretour

Figure 1.13 Schéma des topologies Onduleur

Figure 1.14 Concept Team

Figure 1.15 Indices de performance

1.4.1.3 Changement de conguration du champ PV

Figure 1.16 Algorithme Perturb and Observ

Figure 1.17 Caractéristique P-V du module PV. Variation de dP/dV.

Figure 1.18 Algorithme de l'incrément de conductance

Spécications Perturb and observe Incremental Conductance

Figure 1.20 Inspection des cellules PV par électroluminescence

Figure 1.21 Inspection des cellules PV par photoluminescence

Figure 1.22 Inspection des cellules PV par caméra infrarouge

Figure 1.23 Méthode de réectométrie

2.2 Dénitions et propriétés (cas général)

A l'aide d'un oscilloscope (en AC) et en choisissant le facteur d'amplication maxi-

Figure 2.1 Tension de bruit observée.