Résumé:
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.
