Etude et modélisation d'un système photovoltaïque par réseaux de neurones artificiels

Abstract

e mémoire de fin d’études porte sur la modélisation d’un système photovoltaïque en utilisant deux approches distinctes : les modèles physiques (à une et deux diodes) et les réseaux de neurones artificiels (RNA). L’objectif principal est de comparer leur efficacité pour prédire les caractéristiques électriques des panneaux solaires, notamment les courbes courant-tension (I-V) et puissance-tension (P-V), sous différentes conditions d’irradiance et de température. Les modèles physiques, basés sur les équations des semi-conducteurs, permettent une représentation théorique du comportement des cellules PV. Le modèle à une diode, bien que simple, présente des limites en conditions extrêmes, tandis que le modèle à deux diodes offre une meilleure précision en intégrant les phénomènes de recombinaison des charges. Ces modèles sont résolus numériquement à l’aide de la méthode Newton-Raphson Parallèlement, un réseau de neurones artificiels (RNA) est développé sous MATLAB pour prédire les performances du système. Le RNA utilise trois entrées (irradiance, température et tension) et une couche cachée de 15 neurones, entraînée avec l’algorithme LevenbergMarquardt.

Les résultats montrent que le RNA offre une précision remarquable (erreur quadratique moyenne inférieure à 0,001) et une excellente capacité d’adaptation, même pour des conditions non incluses dans les données d’apprentissage. Les simulations confirment que le RNA surpasse les modèles analytiques en termes de flexibilité et de précision, notamment pour identifier le point de puissance maximale (MPP). Cette approche ouvre des perspectives prometteuses pour l’optimisation des systèmes photovoltaïques, notamment dans des applications intelligentes comme le suivi du MPP ou la détection de pannes.