Intelligence Artificielle pour la maintenance prédictive d'une centrale photovoltaïque
AI for predictive maintenance of a photovoltaic power plants
Jury
Directeur de these_DO_PHUC_IMT MINES ALES
CoDirecteur de these_HAI-CANH_VU_Université de de technologie de Compiègne
Examinateur_VOISIN_ALEXANDRE_Université de Lorraine
Examinateur_SOUAD _RABAH CHANIOUR_IMT Mines Alès
Rapporteur_NGUYEN_KHANH_Université de Technologie Tarbes Occitanie Pyrénées
Rapporteur_ZENG_ZHIGUO_CentraleSupélec – Université Paris-Saclay
école doctorale
IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire
CRAN - Centre de Recherche en Automatique de Nancy
Mention de diplôme
Automatique, Traitement du signal et des images, Génie informatique
Amphi 7
Faculty of sciences and technology of Nancy (Campus, Bd des Aiguillettes, 54506 Vandœuvre-lès-Nancy)
Mots clés
Maintenance prédictive,Pronostics,Apprentissage automatique,Intelligence artificielle,onduleurs solaires,centrales photovoltaïques
Résumé de la thèse
L'expansion rapide de la production photovoltaïque a fait de l'exploitation et de la maintenance économiques des actifs solaires une préoccupation croissante, les onduleurs étant systématiquement identifiés comme le composant le plus sujet aux défaillances d'une centrale photovoltaïque.
Keywords
Photovoltaic power plants,Machine Learning,Predictive Maintenance,Prognostics,RUL,System Reliability
Abstract
The rapid expansion of photovoltaic generation has made the cost-effective operation and maintenance of solar assets a growing concern, with inverters consistently identified as the most failure-prone component of a photovoltaic plant. This thesis, conducted under a CIFRE contract with Feedgy, investigates how the operational data already produced by grid-connected photovoltaic inverters can be exploited to anticipate failures and support the transition from corrective and preventive maintenance towards data-driven predictive maintenance.
