Digital Twin et Détection de Défauts Basée sur l'IA les Systèmes Photovoltaïques : Étude de Cas d'ELHADJIRA

Abstract

This thesis presents an innovative approach for the monitoring and fault diagnosis of photovoltaic (PV) systems by leveraging Digital Twin (DT) technology integrated with Artificial Intelligence (AI). The primary challenge addressed is the vulnerability of PV installations to various electrical and environmental faults, which significantly degrade energy yield and are often difficult to detect using conventional maintenance methods. Through a practical case study of the EL-HADJIRA power plant, a digital model was developed to simulate the real-time behavior of the physical asset using Python and Machine Learning algorithms. The results demonstrate the model's high capability in predicting power generation with significant accuracy (Coefficient of Determination R² ≈ 0.88) and effectively identifying deviations caused by system faults. The study concludes that the synergy between Digital Twin and AI serves as a powerful tool for optimizing maintenance strategies, reducing operational costs, and ensuring the long-term sustainability of renewable energy production. تتناول هذه المذكرة تطوير حل مبتكر لمراقبة وتشخيص الأعطال في الأنظمة الفوتوضوئية باستخدام تقنية التوأم الرقمي (Digital Twin) المدعومة بـالذكاء الاصطناعي (AI). تكمن المشكلة الأساسية في تأثر مردودية المحطات الشمسية بالأعطال الكهربائية والبيئية، وصعوبة الكشف عنها بالطرق التقليدية.من خلال دراسة حالة تطبيقية على محطة ""الحجيرة""، تم تصميم نموذج رقمي يحاكي سلوك المحطة الفيزيائية في الوقت الفعلي باستخدام لغة البرمجة Python وخوارزميات تعلم الآلة (Machine Learning). أظهرت النتائج قدرة النموذج على التنبؤ بإنتاج الطاقة بدقة عالية (معامل تحديد (R² ≈ 0.88، وتحديد الانحرافات الناتجة عن الأعطال بكفاءة. تخلص الدراسة إلى أن دمج التوأم الرقمي مع الذكاء الاصطناعي يمثل أداة فعالة لتحسين استراتيجيات الصيانة، وتقليل التكاليف التشغيلية، وضمان استدامة إنتاج الطاقة المتجددة.