A lightweight multi-scale deep learning approach for robust photovoltaic fault detection under noisy conditions

Les panneaux solaires sont les travailleurs de l'ombre de la transition énergétique moderne, transformant la lumière du soleil en électricité sans pièces mobiles ni fumée. Pourtant, comme toute machine complexe, ils sont sujets aux pannes. Un simple fil fissuré, une zone d'ombre provenant d'un arbre voisin ou un composant défaillant peut faire chuter la performance de l'ensemble d'un système, gaspillant ainsi de l'énergie et de l'argent. Le défi pour les ingénieurs a longtemps été de déterminer exactement ce qui ne va pas, et avec quelle rapidité, surtout lorsque les données provenant des panneaux sont désordonnées. Les capteurs captent souvent des parasites aléatoires, des erreurs d'étalonnage ou des pics électriques soudains qui ressemblent à des défauts mais ne sont que du bruit. Distinguer un véritable problème d'un bug de mesure a été un puzzle difficile, nécessitant souvent un équipement coûteux ou des inspections manuelles lentes qui laissent les systèmes fonctionner de manière inefficace pendant trop longtemps.

Une équipe de chercheurs de l'Université Kookmin en Corée du Sud a développé une nouvelle façon de résoudre ce problème, créant un système numérique capable de repérer ces problèmes avec une rapidité et une précision remarquables, même lorsque les données sont imparfaites. Ils ont conçu un programme informatique spécialisé destiné à agir comme un diagnostiqueur hautement qualifié. Au lieu de s'appuyer sur une seule méthode pour analyser les données, ce programme utilise une approche hybride qui imite la façon dont un expert humain examinerait un problème sous plusieurs angles à la fois. Il recherche de petits motifs locaux dans les signaux électriques tout en comprenant le contexte plus large de la manière dont ces signaux sont liés les uns aux autres au fil du temps. Cette double perspective lui permet d'ignorer le bruit de fond et de se concentrer sur les véritables signes de trouble.

Le système, que les chercheurs ont nommé BLGSNet, a été testé sur un ensemble de données représentant six états différents d'un réseau solaire : fonctionnement normal, une chaîne de panneaux cassée, un défaut de terre, un court-circuit entre les chaînes, un composant défaillant et un ombrage partiel. Dans un environnement parfait et sans bruit, le système a identifié correctement l'état des panneaux 99,36 % du temps. C'est une barre très haute, mais le véritable test est survenu lorsque les chercheurs ont introduit des interférences réalistes. Ils ont simulé les erreurs de capteurs et le bruit électrique qui se produisent dans le monde réel, ajoutant des parasites aléatoires et des pics soudains aux données. Même lorsque les données étaient corrompues par un bruit de niveau 10 %, le système maintenait une précision de 98,08 %. Lorsque le bruit a été augmenté pour atteindre un niveau de 15 %, il a tout de même réussi à diagnostiquer les défauts avec une précision de 94,87 %. Cette stabilité est cruciale car elle signifie que le système n'a pas besoin d'être associé à des filtres complexes et lents pour nettoyer les données au préalable ; il peut gérer directement le désordre.

Ce qui rend cette approche particulièrement efficace est sa conception. Les chercheurs ont combiné deux types différents de traitement numérique. Une partie du système scanne les données en utilisant trois « lentilles » différentes simultanément, recherchant des motifs qui sont très courts, moyens ou légèrement plus longs. Cela lui permet de détecter des défauts qui pourraient paraître différents selon la précision de l'examen. L'autre partie du système prend ensuite ces résultats et les examine dans les directions avant et arrière, comprenant comment les caractéristiques électriques se connectent les unes aux autres dans une séquence. Cette combinaison permet au système d'apprendre la « signature » unique d'un défaut sans être confondu par le bruit environnant. Contrairement aux anciennes méthodes qui peinent souvent lorsque les données sont sales ou qui nécessitent de grandes quantités de puissance de calcul, ce nouveau design est léger. Il est assez petit pour fonctionner sur un ordinateur compact et à faible consommation d'énergie de la taille d'une carte de crédit, un NVIDIA Jetson Nano, qui a été utilisé lors des tests en laboratoire de l'équipe.

Pour prouver que le système fonctionne en dehors d'une simulation informatique, l'équipe a construit une installation solaire à petite échelle dans son laboratoire. Ils ont connecté deux panneaux solaires à une batterie et un onduleur, puis ont soumis le système à diverses conditions de défaut, incluant des fils déconnectés et un ombrage artificiel. Le système a traité les données en direct en temps réel, réalisant un diagnostic en moins de 19 millisecondes. Cette vitesse est suffisante pour permettre une action immédiate. Lorsque le système détecte un problème, il ne se contente pas de dire « quelque chose ne va pas ». Il traduit cette découverte en un plan clair et exploitable. S'il identifie un défaut de chaîne, il recommande de vérifier le câblage et les fusibles. S'il voit un ombrage partiel, il suggère de chercher des débris ou des obstructions sur la surface du panneau. Cette couche d'aide à la décision transforme un point de donnée brut en une instruction pratique pour un agent de maintenance.

Les chercheurs ont également comparé leur nouveau système à plusieurs méthodes existantes, y compris les modèles traditionnels d'apprentissage automatique et d'autres réseaux d'apprentissage profond. Les résultats ont montré que si d'autres modèles pouvaient bien performer dans des conditions propres, leur précision chutait considérablement lorsque le bruit était introduit. Le nouveau système, en revanche, est resté robuste. Il a atteint cette haute performance tout en utilisant beaucoup moins de ressources informatiques que ses concurrents, nécessitant moins de la moitié de la mémoire et une fraction de la puissance de traitement des autres modèles avancés. Cette efficacité suggère qu'une telle technologie pourrait être déployée largement, même sur de petites installations solaires ou isolées où des ordinateurs puissants ne sont pas disponibles.

Bien que les résultats soient prometteurs, les chercheurs veillent à noter les limites de leurs travaux actuels. Les tests ont été effectués sur un ensemble de données relativement restreint et une installation de deux panneaux limitée dans un environnement de laboratoire contrôlé. Les données du « monde réel » qu'ils ont utilisées pour une validation supplémentaire ont été générées à l'aide d'étiquettes basées sur des règles plutôt que de comptes rendus de maintenance vérifiés provenant de défaillances réelles sur le terrain. Cela signifie que le système n'a pas encore été testé sur des années de fonctionnement dans des conditions météorologiques diverses à travers de grands parcs solaires. Cependant, la cohérence des résultats à travers différents niveaux de bruit et la démonstration réussie en temps réel sur du matériel physique constituent une base solide. Ce travail démontre qu'il est possible de construire un système de détection de défauts qui soit non seulement précis, mais aussi résilient à la réalité imparfaite et bruyante du monde physique, offrant une voie vers des réseaux d'énergie solaire plus fiables et autonomes.