REPUBLIQUE ALGERIENNE DEMOGRATIQUE ET POPULAIRE MINISTERE DE L’ENSAINEMENT SUPERIEUR

REPUBLIQUE ALGERIENNE DEMOGRATIQUE ET POPULAIRE
MINISTERE DE LENSAINEMENT SUPERIEUR
ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE HADJ LAKHDAR -BATNA
FACULTE DE TECHNOLOGIE
DEPARTEMENT DE GENIE INDUSTRIEL
THESE
PRÉSENTEE AU LABORATOIRE DAUTOMATIQUE ET PRODUCTIQUE
POUR LOBTENTION DU DIPLÔME DE DOCTORAT
Spécialité : Génie industriel
Option : informatique industrielle et productique
Par
REZGUI Wail
Master 2 en Génie Industriel, option informatique industrielle et productique
THEME
Système intégré pour la supervision et le diagnostic des défauts dans
les systèmes de production d’énergies : les installations
photovoltaïque
Soutenue publiquement le :
Devant le jury composé de :
Président DRID Said Prof Université de Batna.
Examinateur BENBOUZID Mohamed Prof Université de Bretagne Occidentale.
Examinateur DIALLO Demba Prof Université Paris Sud.
Examinateur KAZAR Okba Prof Université de Biskra.
Rapporteur MOUSS Leila-Hayet Prof Université de Batna.
Co-Rapporteur MOUSS Mohamed Djamel Prof Université de Batna.

I
(1). Au nom de Dieu, Le Tout Clément, Le Tout Miséricordieux. (2). Louange à
Dieu, Seigneur des Mondes. (3). Le Clément, Le Miséricordieux. (4). Maître du
jour du Jugement. (5). Cest toi que nous adorons, de Toi seul implorons le
secours. (6). Guide-nous dans le droit chemin. (7). Chemin de ceux que Tu as
comblé de bienfaits, non de ceux que Tu réprouves, ni des égarés.

Remerciements
II
Remerciements
Au nom de Dieu le Clément, le Tout Miséricordieux
« Nous remercions tout d’abord Dieu de nous avoir offert tout ce que nous possédons »
Nous tenons à remercier vivement nos encadreurs Prof. Leila-Hayet MOUSS et Prof.
Mohamed Djamel MOUSS pour avoir accepté de diriger et de suivre la réalisation de notre
projet de thèse doctorat, pour leurs conseils et remarques qui nous ont dun grand apport.
Nous tenons à remercier aussi vivement Prof. Mohamed BENBOUZID, Dr. Kinza
Nadia MOUSS, Dr. Yassine AMIRAT et Prof. Rachid ABDESSEMED pour leurs conseils,
remarques et encouragements durant la réalisation de ce projet de recherche.
Nous remercions également les membres de jury : Mr. Said DRID Professeur à
niversité de Batna, Mr. Mohamed BENBOUZID Prof  niversité de Bretagne
Occidentale, Mr. Demba DIALLO Profniversité Paris Sud et Mr. Okba KAZAR
Profesniversité de Biskra pour avoir accepté de juger et critiquer ce travail, ainsi que
tout ceux quont honore de leur présence.
Nous remercions aussi lensemble des enseignants du Département de Génie industriel
qui ont participé à notre formation.
Wail REZGUI

Résumé
IV
Résumé
Dans cette thèse, un nouvel algorithme pour la smart surveillance de défauts dans un champ PV a
été développé. Ce nouvel algorithme est basé sur le développement dun modèle pour le comportement
dun champ PV en fonctionnement normal et défectueux. La nouvelle méthodologie utilisée pour le
développement de cet algorithme a pour objectif daugmenter le taux de disponibilité totale du champ PV,
avec un meilleur rendement.
 développée, basée sur la modélisation mathématique de la caractéristique I-V des
composants défectueux et les regroupements dun champ PV      
modélisation des champs PV. Elle a permis de quantifier le degré de linfluence des différents défauts sur
le fonctionnement de tout le champ PV. Aussi, ce modèle a facilité les mesures de tolérance et
dexpérimentation, et a réalisé également des économies substantielles en temps et en coût.
De plus, une amélioration des méthodes de la smart surveillance prédictive de
défauts affectant un champ PV a été développée. outils de régression
ce qui a permis . Elle est basée sur
loptimisation du SVR par les RdNs de type récurrent et la méthode classique k-PPV de régression. Aussi,
ce travail a conduit au développement de deux modèles SVR-PQ optimisée par RdNR et SVR-PL
optimisée par k-PPVR. Les résultats de cette étape utilisés dans lalgorithme proposé pour la prédiction, la
classification, la localisation prédictive, et lidentification prédictive des causes des défauts dun champ
PV, avec une précision de surveillance prédictive optimisée a donné des résultats plus homogènes et plus
fiables.
Enfin, une approche basée sur 
améliorer les méthodes de la smart surveillance en temps réel des défauts affectant un champ PV, la
diminution du taux de surveillance avec laugmentation de son erreur a poussé dutiliser les outils de lIA
pour améliorer ses performances. Le choix est tombé sur loptimisation du SVM par les RdNs de type
perceptron multicouches, et la méthode classique k- PPV. Lhybridation de ces trois outils résulte les deux
modèles SVM-PQ optimisé par RdN-PM et SVM-PL optimisé par k-PPV, avec un taux de surveillance
élevé, un taux derreur faible, mais avec un temps de calcul lent.
      une meilleure fonction de surveillance des défauts
pouvant entrainer une dégradation remarquable dans la productivité dun champ PV.

Abstract
V
Abstract
In this thesis, we have developed an algorithm for the faults smart monitoring in a PV array. This
new algorithm is based on the development of a proposed model presented the behavior of a PV array in
its normal and abnormal operation. This new methodology aims to increase the rate of the PV arrays
availability with a better performance.
This work can improve modeling approaches of the PV arrays. Its based in its methodology on the
analysis of the operating parameters of the defective components and its combinations. It aims to quantify
the influence degree of the various defects on the PV array operation. Therefore, this model can facilitate
measurements of tolerance and experimentation, and also realizes substantial savings in times and costs.
Also, this work can improve the smart approaches of the preventive monitoring of the PV arrays.
This approach relied on the development of regression tools. It is based on the optimization of SVR by
neural network of recurrent type (NNR), and the conventional method k- nearest neighbor of regression
(k-NNR). Therefore, it results two models SVR-PQ optimized by NNR, and SVR-PL optimized by k-
NNR. The results of this step are subsequently used in the proposed algorithm for prediction,
classification, preventive localization, and preventive Identification of defects causes in a PV array, with
an optimized preventive monitoring precision, and results more consistent and more reliable.
Thus, this work can improve the approaches of the smart monitoring in real-time of defects in a PV
array. Initially, this approach is based on the analysis of the operating parameters in real time of the
defective components in a PV array. However, the decrease in the monitoring rate with increasing its error
pushing the approach to using the AI tools to improve its performance. Therefore, this approach is based
on the optimization of SVM by neural network of multilayer perception type (NN-MP), and the classical
method k- nearest neighbor (k-NN). The hybridization of these three tools results two models SVM-PQ
optimized by NN-MP and PL-SVM optimized by k-NN, with a high monitoring rates, a low error rates,
but in a slow computation time.
Finally with all these approaches, we can provide a better monitoring function of the faults that can
make a remarkable deterioration in the PV array productivity.