Détection et diagnostic des défauts dans les systèmes photovoltaïques à l’aide de l’intelligence artificielle et de l’analyse temps–fréquence

Maintenir la production solaire en bon fonctionnement

À mesure que les panneaux solaires se répandent sur les toits et dans les déserts, il devient crucial de les maintenir à leur rendement optimal. Des problèmes discrets — comme des défauts de câblage ou des panneaux ombragés — peuvent réduire silencieusement la production et les revenus bien avant qu’on ne s’en aperçoive. Cette étude explore une nouvelle façon d’écouter automatiquement le « rythme » d’une centrale solaire à l’aide d’outils avancés de reconnaissance de motifs issus de l’intelligence artificielle, visant à repérer les anomalies tôt, même lorsque les données sont bruyantes et désordonnées, comme dans la réalité.

Pourquoi les systèmes solaires peuvent mal fonctionner

Les grandes centrales solaires sont composées de nombreux panneaux interconnectés, et de petits problèmes peuvent se cumuler. Quelques cellules peuvent être en court-circuit, des strings entiers mal câblés, ou des sections partiellement ombragées par des arbres, des saletés ou des bâtiments proches. Ces problèmes modifient la façon dont les grandeurs électriques du système — niveau d’ensoleillement, température des panneaux, tension, courant et puissance — évoluent au cours de la journée. Traditionnellement, les ingénieurs recherchent ces défauts à l’aide de caméras thermiques, d’inspections visuelles ou de règles manuelles élaborées. Ces approches sont exigeantes en main-d’œuvre, peuvent manquer des problèmes subtils et peinent souvent lorsque plusieurs défauts surviennent simultanément ou lorsque les capteurs sont anciens et bruyants.

Transformer des nombres en images lisibles par l’ordinateur

Les chercheurs proposent un changement de perspective : au lieu d’alimenter le modèle avec des nombres bruts, ils convertissent d’abord les mesures électriques en petites cartes similaires à des images qui captent l’évolution des signaux à la fois dans le temps et en fréquence. Ils utilisent un outil mathématique appelé distribution de Wigner–Ville, qui peut révéler des motifs tels que des sauts brusques, des dérives lentes ou des ondulations répétées correspondant à différents types de défauts. Pour chaque instantané du système, cinq mesures clés — ensoleillement, température, et la tension, le courant et la puissance au point de puissance maximale — sont chacune converties en une bande de blocs colorés représentant leur comportement sur environ une heure. Ces bandes, plus une sixième qui les combine, sont empilées pour former une tuile compacte de 6×12. Chaque tuile constitue l’empreinte visuelle du comportement du système à ce moment-là.

Apprendre à un inspecteur numérique à lire les motifs

Une fois les données présentées sous forme de petites images, l’équipe peut appliquer une classe de modèles d’IA qui excellent en analyse d’images : les réseaux de neurones convolutionnels. Ils construisent d’abord un modèle numérique détaillé d’un champ solaire de 30 panneaux et simulent 17 conditions de fonctionnement différentes : un état sain et 16 types de défauts, allant de quelques modules en court-circuit à un ombrage partiel étendu et des défauts complexes ligne-à-ligne entre strings. Pour chaque cas, par ciel dégagé et nuageux, ils génèrent de longues séquences de mesures capteur réalistes, les convertissent en cartes 6×12 et les étiquettent selon le défaut sous-jacent. Le réseau convolutionnel apprend alors, à partir de milliers d’exemples, quelles dispositions de couleurs et de formes dans ces cartes correspondent à chaque problème spécifique. En parallèle, les auteurs testent aussi des réseaux neuronaux plus simples et des outils classiques d’apprentissage automatique comme les machines à vecteurs de support et les forêts aléatoires, tous entraînés sur les mêmes données transformées, pour déterminer quelle méthode est la plus précise et la plus résiliente.

Éprouver la méthode en conditions bruyantes

Dans des simulations parfaitement propres, les réseaux neuronaux traditionnels qui travaillent directement sur les cinq entrées numériques atteignent une précision quasi parfaite — supérieure à 99 % — pour distinguer les différents défauts. Le réseau convolutionnel basé sur les images obtient aussi d’excellents résultats, avec une précision juste au‑dessus de 97 %. Mais les centrales solaires n’évoluent pas dans un monde propre : les capteurs vieillissent, la météo est imprévisible et les mesures deviennent bruitées. Lorsque les chercheurs injectent délibérément du jitter réaliste dans les lectures d’ensoleillement, de température, de tension, de courant et de puissance, le classement change radicalement. Les réseaux plus simples perdent une grande partie de leur avantage, chutant dans les bas 80 % voire moins. En revanche, le réseau convolutionnel, qui analyse des cartes temps–fréquence structurées, conserve environ 90 % de précision à des niveaux de bruit normaux et identifie encore correctement la plupart des défauts même lorsque le bruit est triplé pour simuler des capteurs très vieillissants ou de mauvaise qualité.

Ce que cela signifie pour les fermes solaires de demain

Pour le lecteur non spécialiste, la leçon est que la façon dont nous présentons l’information à un modèle d’IA compte autant que le modèle lui‑même. En transformant les données brutes de production solaire en images compactes qui capturent à la fois quand et comment les signaux fluctuent, les auteurs permettent un inspecteur numérique qui n’est pas seulement précis en conditions idéales mais aussi suffisamment robuste pour traiter les données désordonnées des centrales réelles. Leur approche peut automatiquement distinguer un champ en bon état de nombreux types de défauts au comportement similaire, avec peu de règles manuelles nécessaires. En pratique, un tel système pourrait fonctionner en arrière-plan d’une grande ferme photovoltaïque, alerter les opérateurs tôt sur des problèmes spécifiques, réduire les temps d’arrêt et rendre l’énergie solaire plus fiable et économique sur le long terme.

Citation: Seghiour, A., Bendjeddou, Y., Mostefaoui, I.M. et al. Fault detection and diagnosis in photovoltaic systems using artificial intelligence and time–frequency analysis. Sci Rep 16, 10056 (2026). https://doi.org/10.1038/s41598-026-39386-7

Mots-clés: détection des défauts solaires, surveillance photovoltaïque, analyse temps-fréquence, réseaux de neurones convolutionnels, diagnostic des énergies renouvelables