Faults Diagnosis PV Panels Using Artificial Intelligence and Simulation

Abstract

Photovoltaic (PV) systems have become one of the most widely adopted renewable energy technologies due to their ability to generate clean and sustainable electrical energy. However, the performance and reliability of PV installations can be significantly affected by various faults and environmental conditions, leading to power losses, reduced efficiency, and increased maintenance expenses. Therefore, the development of effective fault diagnosis techniques is essential to ensure the reliable operation of photovoltaic systems. This thesis presents a comprehensive framework for detecting and classifying photovoltaic faults through the integration of models, simulations, and AI techniques. First, the operating principles of photovoltaic systems and the most common fault types, including partial shading, increased series resistance (Rs), decreased shunt resistance (Rsh), and bypass diode failures, are investigated. Their impact on the electrical performance of PV modules is analysed using their current-voltage (I-V) and powervoltage (P-V) characteristics. A detailed photovoltaic model is then developed in MATLAB/Simulink based on the single-diode equivalent circuit. Various fault conditions are introduced into the model to generate representative datasets under different operating scenarios. Several electrical and statistical features, including photovoltaic current, voltage, power, fill factor, irradiance, temperature, RMS value, mean value, energy, and I–V curve slope, are extracted and used for fault characterisation. To automate the fault diagnosis process, artificial intelligence techniques such as artificial neural networks (ANN), convolutional neural networks (CNN), and support vector machines (SVM) are employed. The developed models are trained and tested to classify the operating condition of the PV system into five categories: normal operation, partial shading, increased series resistance, decreased shunt resistance, and bypass diode failure. The obtained results demonstrate the effectiveness of AI-based methods in achieving accurate and reliable fault detection and classification.The proposed approach contributes to improving the monitoring, maintenance, reliability, and energy efficiency of photovoltaic systems and highlights the potential of artificial intelligence for advanced renewable energy applications. تُعد الأنظمة الكهروضوئية ) (PVSمن أهم تقنيات الطاقة المتجددة المستخدمة في إنتاج الطاقة الكهربائية النظيفة والمستدامة. ومع ذلك، فإن أداء وموثوقية هذه الأنظمة قد يتأثران بالعديد من الأعطال والظروف التشغيلية والبيئية المختلفة، مما يؤدي إلى انخفاض القدرة المنتجة وتراجع الكفاءة وارتفاع تكاليف الصيانة. لذلك أصبح تطوير تقنيات فعالة للكشف عن الأعطال وتشخيصها ضرورة أساسية لضمان التشغيل الأمثل للأنظمة الكهروضوئية. تهدف هذه الرسالة إلى تطوير إطار عمل متكامل للكشف عن أعطال الأنظمة الكهروضوئية وتصنيفها من خلال الجمع بين النمذجة والمحاكاة وتقنيات الذكاء الاصطناعي. في البداية، تم دراسة المبادئ الأساسية لعمل الأنظمة الكهروضوئية وتحليل أكثر الأعطال شيوعاً، والتي تشمل التظليل الجزئي، زيادة المقاومة التسلسلية)، (Rs انخفاض المقاومة التفرع ) ،(Rshوأعطال الصمام الثنائي التجاوزي ). (Bypass Diodeكما تم تحليل تأثير هذه الأعطال على الخصائص الكهربائية للمنظومة من خلال منحنيات التيار-الجهد ) (I–Vوالقدرة-الجهد.)(P–V بعد ذلك، تم بناء نموذج تفصيلي للمنظومة الكهروضوئية باستخدام برنامج MATLAB/Simulinkاعتماداً على نموذج الدايود الأحادي. وتم إدخال مجموعة من الأعطال المختلفة إلى النموذج بهدف توليد بيانات تمثل حالات تشغيل متعددة. كما تم استخراج مجموعة من الخصائص الكهربائية والإحصائية المهمة، مثل التيار والجهد والقدرة ومعامل الامتلاء ) (FFوالإشعاع الشمسي ودرجة الحرارة والقيمة الفعالة ) (RMSوالمتوسط الحسابي والطاقة وميل منحنى التيار-الجهد، وذلك لاستخدامها في عملية تشخيص الأعطال. ولأتمتة عملية التشخيص، تم توظيف عدد من تقنيات الذكاء الاصطناعي، من بينها الشبكات العصبية الاصطناعية ) ،(ANNوالشبكات العصبية الالتفافية) ، (CNNوآلة المتجهات الداعمة .) (SVMوقد تم تدريب هذه النماذج واختبارها من أجل تصنيف حالة النظام الكهروضوئي إلى خمس فئات مختلفة هي: التشغيل العادي، التظليل الجزئي، زيادة المقاومة التسلسلية، انخفاض المقاومة التفرع، وعطل الصمام الثنائي التجاوزي. وأظهرت النتائج المتحصل عليها قدرة تقنيات الذكاء الاصطناعي على تحقيق تشخيص دقيق وموثوق للأعطال. تساهم المنهجية المقترحة في تحسين مراقبة وصيانة الأنظمة الكهروضوئية وزيادة موثوقيتها وكفاءتها في إنتاج الطاقة، كما تبرز الإمكانات الكبيرة للذكاء الاصطناعي في تطبيقات الطاقة المتجددة الحديثة