Détection et classification des défauts dans les systèmes photovoltaïques par IA utilisant des techniques de deep learning

Une énergie solaire plus intelligente pour la vie quotidienne

Les panneaux solaires promettent une énergie propre, mais comme toute technologie, ils peuvent développer des défauts cachés qui gaspillent discrètement de l’électricité et de l’argent. De minuscules fissures, des connexions défectueuses ou des dommages thermiques sont souvent invisibles à l’œil nu, surtout dans les vastes champs de panneaux qui alimentent les réseaux modernes. Cette étude présente PVDefectNet, un système d’intelligence artificielle conçu pour repérer automatiquement ces problèmes et expliquer ses observations, contribuant ainsi à rendre l’énergie solaire plus fiable, efficace et abordable.

Pourquoi les problèmes cachés des panneaux comptent

La demande mondiale en électricité explose, tandis que le charbon, le pétrole et le gaz entraînent le changement climatique et restent en fin de compte limités. Les fermes solaires devraient fournir une part importante de l’électricité future, mais leur performance dépend du bon fonctionnement de milliers de cellules individuelles. Les défauts dus à la fabrication, aux intempéries, à la poussière ou au vieillissement peuvent réduire la production ou, dans les cas extrêmes, endommager l’équipement. Les contrôles conventionnels reposent sur des inspections manuelles lentes et des tests électriques difficiles à déployer à grande échelle.

Voir à l’intérieur des panneaux avec des caméras spéciales

Pour détecter les défauts cachés, les ingénieurs utilisent une technique appelée imagerie électroluminescente, qui fait « briller » les cellules solaires de manière à révéler fissures, zones déconnectées et autres défauts. Les auteurs ont construit leur système à partir d’une collection publique d’images de ce type provenant de 44 modules solaires, couvrant 2 624 cellules. Chaque cellule a été soigneusement annotée par des experts comme saine, clairement défectueuse, légèrement endommagée ou présentant des marques de surface sans gravité. Cela a fourni à l’IA un terrain d’entraînement réaliste incluant différents types de panneaux, conditions d’éclairage et degrés de gravité des défauts.

Comment l’IA apprend à détecter les problèmes

PVDefectNet suit un pipeline en cinq étapes. D’abord, il nettoie et standardise les images, les redimensionne et ajuste la luminosité tout en créant des copies variées par rotation et symétrie. Ces ajustements imitent les variations réelles d’angle de caméra et d’éclairage, aidant le système à rester stable dans des conditions diverses. Ensuite, il utilise une architecture reconnue de reconnaissance d’images appelée ResNet pour apprendre automatiquement des motifs qui distinguent les cellules saines des cellules endommagées, sans que des caractéristiques soient conçues manuellement. Le modèle est ensuite entraîné et affiné, évalué avec des métriques standard de performance, puis analysé pour comprendre comment et pourquoi il prend chaque décision.

Rendre visibles les décisions de l’IA

Beaucoup de systèmes d’IA puissants fonctionnent comme des boîtes noires : ils produisent une réponse sans exposer leur raisonnement. Pour y remédier, les auteurs ajoutent une étape « explicable » en utilisant une technique appelée Grad-CAM. Celle-ci génère des superpositions en forme de cartes de chaleur sur chaque image solaire, mettant en évidence précisément où le modèle se concentre lorsqu’il classe une cellule comme fissurée ou saine. Dans les cas réussis, les régions lumineuses correspondent aux zones de défaut physiques confirmées par des experts. Ce retour visuel aide les ingénieurs à faire confiance au système, à vérifier son comportement et à utiliser ses résultats comme guide fiable pour la maintenance.

Performance du système

Testé sur des images inédites, PVDefectNet a correctement classé les défauts avec environ 98 % de précision globale, avec des scores de précision et de rappel tout aussi élevés. Il a fonctionné de manière fiable sur des images monochromes et couleurs et s’est montré favorable par rapport à plusieurs méthodes récentes utilisant des architectures plus complexes ou moins transparentes. Des vérifications croisées avec des inspections physiques détaillées ont montré un accord étroit dans presque tous les cas. Les auteurs notent que le jeu de données reste limité et que les performances doivent être validées dans d’autres climats et types de panneaux, mais les résultats indiquent un outil robuste et pratique pour la surveillance quotidienne des installations solaires.

Ce que cela signifie pour l’avenir du solaire

Pour les non-spécialistes, le message clé est que l’IA peut désormais jouer le rôle d’un inspecteur permanent pour les fermes solaires, détectant les problèmes tôt et indiquant aux ingénieurs où intervenir. PVDefectNet ne remplace pas les experts humains ni les systèmes de sécurité traditionnels, mais il peut aider à prioriser les réparations, réduire le gaspillage d’énergie et diminuer les coûts d’exploitation. Avec des données plus diverses et un déploiement réfléchi, des outils intelligents et explicables similaires pourraient devenir la norme dans les salles de contrôle qui gèrent notre réseau croissant de centrales solaires.

Citation: Talaat, F.M., Salem, M. & Shaban, W.M. AI-driven fault detection and classification in photovoltaic systems using deep learning techniques. Sci Rep 16, 8727 (2026). https://doi.org/10.1038/s41598-026-40246-7

Mots-clés: défaillances de panneaux solaires, surveillance photovoltaïque, deep learning, imagerie électroluminescente, maintenance des énergies renouvelables