Thèse Diagnostic Explicable et Frugal des Systèmes Photovoltaïques à Partir de Données Fonctionnelles H/F

Doctorat.Gouv.Fr

Établissement : Université de Perpignan Via Domitia École doctorale : Energie et Environnement Laboratoire de recherche : LAboratoire de Modélisation Pluridisciplinaire et Simulations Direction de la thèse : Sylvie VIGUIER PLA ORCID 0000000340681595 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-06-01T23:59:59 L'énergie photovoltaïque occupe une place centrale dans la transition énergétique, mais le déploiement massif des installations s'accompagne de défis importants liés à leur fiabilité. En particulier, certains défauts apparaissent progressivement, restent peu visibles et présentent des signatures proches du fonctionnement nominal, ce qui rend leur détection difficile en conditions réelles d'exploitation.
Les approches classiques de diagnostic reposent sur l'inspection visuelle, l'imagerie infrarouge ou électroluminescente, l'analyse des courbes courant-tension, ou encore l'ajout de capteurs dédiés. Bien qu'efficaces dans certains contextes, ces méthodes présentent plusieurs limites : coût élevé, faible transférabilité à grande échelle, interruption éventuelle du système et difficulté d'automatisation. Par ailleurs, les approches d'intelligence artificielle appliquées aux signaux photovoltaïques reposent souvent sur des caractéristiques globales extraites des séries temporelles, ce qui entraîne une perte d'information et limite la détection de défauts subtils. Les approches de deep learning, quant à elles, restent exigeantes en données annotées, peu explicables et parfois difficilement déployables dans des environnements contraints.
Dans ce contexte, cette thèse propose de développer un cadre méthodologique fondé sur l'exploitation exclusive des signaux électriques issus des onduleurs, en particulier la tension, le courant et la puissance, sans recourir à des capteurs supplémentaires ni à des données d'imagerie. L'idée centrale est de considérer ces signaux comme des objets fonctionnels dans le cadre de l'analyse de données fonctionnelles, afin de préserver leur structure temporelle et d'exploiter plus finement l'information qu'ils contiennent.
L'objectif scientifique est de concevoir des modèles fonctionnels interprétables capables de détecter et de discriminer des défauts subtils dans des signaux fortement variables et peu annotés, tout en garantissant robustesse et capacité de généralisation. Deux directions principales seront étudiées. La première consistera à intégrer explicitement la composante fréquentielle dans les modèles fonctionnels, à travers des représentations temps-fréquence, l'analyse de phase ou l'usage de fonctions dérivées. La seconde visera à prendre en compte les dépendances spatiales présentes entre modules, chaînes ou variables électriques, en mobilisant des outils à l'intersection entre statistique spatiale et analyse de données fonctionnelles.
Les développements méthodologiques seront d'abord réalisés sur des bases de données publiques de référence, afin d'assurer une validation reproductible et une comparaison avec l'état de l'art. Ils seront ensuite évalués sur des données simulées et sur des données issues de systèmes photovoltaïques contrôlés, intégrant différents types de défauts. Une attention particulière sera portée au déséquilibre des classes, à la rareté des défauts et à la variabilité météorologique.
L'ambition de cette thèse est ainsi de proposer un cadre méthodologique cohérent, interprétable et frugal pour le diagnostic des systèmes photovoltaïques, capable de relier les décisions du modèle aux structures temporelles, fréquentielles et spatiales des signaux analysés.
Le diagnostic des systèmes photovoltaïques repose principalement sur l'analyse de signaux électriques tels que le courant, la tension et la puissance, ainsi que sur des approches instrumentées ou d'imagerie. Si ces méthodes ont permis des avancées importantes, elles restent limitées lorsqu'il s'agit de détecter des défauts subtils, peu séparables du fonctionnement nominal et fortement dépendants des conditions météorologiques.
Les méthodes d'apprentissage appliquées à ces signaux reposent fréquemment sur l'extraction préalable de caractéristiques globales ou locales, ce qui peut conduire à une perte d'information et à une diminution de la capacité de généralisation. En outre, de nombreuses approches récentes, notamment fondées sur le deep learning, posent des difficultés en termes d'interprétabilité, de besoin en données annotées et de robustesse hors du domaine d'apprentissage.
1. Modéliser les signaux photovoltaïques dans un cadre fonctionnel. Représenter tension, courant et puissance comme des objets fonctionnels afin de préserver leur structure temporelle et améliorer le diagnostic de défauts.
2. Intégrer les dimensions temps-fréquence dans les modèles. Exploiter des représentations temps-fréquence (spectrogrammes, phase, dérivées) pour capturer des dynamiques locales et non stationnaires.
3. Concevoir des modèles fonctionnels discriminants et interprétables. Développer des approches capables de relier explicitement les décisions du modèle aux structures des signaux.
4. Assurer robustesse et validation en conditions réelles. Prendre en compte variabilité, déséquilibre des classes et dépendances spatiales, et valider les méthodes sur données publiques, simulées et expérimentales. L'analyse de données fonctionnelles offre un cadre particulièrement pertinent pour traiter ces signaux comme des objets continus, en préservant leur structure temporelle et en permettant une interprétation directe des zones discriminantes du signal. Toutefois, les approches existantes se concentrent encore largement sur les variations d'amplitude et prennent insuffisamment en compte les dimensions fréquentielles et spatiales, pourtant essentielles dans les systèmes photovoltaïques réels.
Ce projet se situe ainsi à l'interface entre analyse de données fonctionnelles, modélisation statistique et diagnostic photovoltaïque. Il vise à lever plusieurs verrous scientifiques en proposant des modèles interprétables capables d'intégrer simultanément la structure temporelle, les composantes temps-fréquence et les dépendances spatiales présentes dans les données.