UNIVERSITÉ HASSAN II DE CASABLANCA

FACULTÉ DES SCIENCES BEN M’SIK

DÉPARTEMENT DE PHYSIQUE

Master : Physique & Nouvelles Technologies

Parcours : Physique des Matériaux et Nanomatériaux

Mémoire de Fin d’Étude

En vue de l’obtention du diplôme de MASTER
Thème
Intelligence artificielle pour l’extraction des
paramètres des cellules photovoltaïques

Présenté par :

OUSSAMA JAGHLAL
Soutenu le : 09/07/2024
Membres du jury :

Pr : M. BENNAI Faculté des sciences Ben M’sick Casablanca Président

Pr : T. SAID Faculté des sciences Ben M’sick Casablanca Examinateur

Pr : M. BADIA Ecole Royale de l’air de Marrakech Examinateur

Dr : L. NOURI Faculté des sciences Ben M’sick Casablanca Invitée

Pr : Z. SAKHI Faculté des sciences Ben M’sick Casablanca Encadrant

Année universitaire : 2023-2024

 Remerciement
ALLAH

Tout d’abord, je tiens à remercier mon dieu le tout puissant de m’avoir

donné la santé, la volonté, le courage et la patience pour réaliser ce travail.
Je tiens à remercier cordialement Pr. ZOUBIDA SAKHI mon encadrante
pour sa disponibilité, ses conseils précieux, son écoute active, son partage
de son expertise et son encouragement.

Je tiens à remercier Pr. Mohammed bennai, Coordonnateur de Master

physique et la nouvelle technologie, pour les bonnes conditions d’études
qu’ils nous ont procurées.

Mes sincères remerciements à Pr. Mohammed TALBI, Doyen de la

faculté des sciences Ben M’Sick.

Je remercie aussi tous les enseignants qui ont contribué à notre formation.

Enfin, je tiens à remercier tous ceux et celles ayant contribué, de près ou

de loin, à l’accomplissement de ce travail.

1
 Dédicaces

A ma très chère mère

Affable, honorable, aimable : vous êtes la source de tendresse, le symbole
de la bonté par excellence et l’exemple du sacrifice qui n’a pas cessé de
m’encourager et de prier pour moi.
A mon très cher père
Tu as toujours été à mes côtés pour me soutenir et m’encourager. Que ce
travail traduit ma gratitude et mon affection.
A mes très chers frères

Toujours présents dans tous mes moments par votre soutien moral et
votre sacrifice et votre gentillesse sans égale.
Puisse dieu vous donne santé, bonheur, courage et surtout réussite.

A ma famille et mes amis

Veuillez trouver ici l’expression de mes profonds sentiments de respect et

de reconnaissance pour le soutien que vous n’avez jamais cessé de m’a
porté.

2
 Sommaire
Introduction générale ..................................................................................................................................... 8
Chapitre I : Application d’intelligence artificielle sur les systèmes photovoltaïques ...................................... 9
I-1- Généralités sur photovoltaïques............................................................................................................. 10
I-1-1-Introduction ...................................................................................................................................... 10
I-1-2- Historique ........................................................................................................................................ 10
I-1-3 Cellule photovoltaïque ...................................................................................................................... 12
I-1-3-1 Conversion photovoltaïque : ..................................................................................................... 12
I-1-3-2 Principe de fonctionnement ...................................................................................................... 13
I-1-3-3 Absorption optique : .................................................................................................................. 15
I-1-4 les types de cellules photovoltaïques : ............................................................................................. 15
I-1-4-1 Cellules cristallines..................................................................................................................... 15
I-1-4-1-1 Cellules en silicium polycristallin ............................................................................................ 15
I-1-4-1-2 Cellules en silicium monocristallin : ....................................................................................... 16
I-1-4-3Cellules à base de couches minces ................................................................................................. 17
I-1-4-3-1 Cellules en silicium amorphe : ................................................................................................ 17
I-4-3-2 Cellules CIGS : ............................................................................................................................ 17
I-4-2-3 Cellules CdTe.............................................................................................................................. 17
I.4.3 Cellules à haut rendement : .............................................................................................................. 18
I-4-3-1 Cellules à jonctions .................................................................................................................... 18
I.5.3.2 Cellules multi-jonctions : ................................................................................................................ 19
I-4-4 Cellule organique : ............................................................................................................................ 20
I-4-5-Cellules solaires sensibilisées par colorant (CSSC)............................................................................ 20
I-4-6- Association des modules photovoltaïques ...................................................................................... 21
I-1-6 Extraction des paramètres : .............................................................................................................. 21
I-1-6-1. Schéma de circuit équivalent :.................................................................................................. 21
I-1-4-5-2 Tension de circuit-ouvert, 𝑽𝑶𝑪 : .............................................................................................. 23
I-1-7 Avantages et inconvénients de l’énergie photovoltaïque : .............................................................. 25
I-1-7-1 Avantages : ................................................................................................................................ 25
I-1-7-2 Inconvénients ............................................................................................................................ 25
I-2- Intelligence artificielle......................................................................................................................... 26
I-2-1-Historiques .................................................................................................................................... 27
I-2-2- importance d’intelligence artificielle ........................................................................................... 27
I-2-3- Les types d’intelligence artificielle (IA) ........................................................................................ 28

3
 I-3- Relation entre l’intelligence artificielle et photovoltaïque : ............................................................... 32
I-4 Conclusion ............................................................................................................................................ 34
Chapitre II : .................................................................................................................................................... 35
Les algorithmes métaheuristiques ................................................................................................................ 35
II -1-INTRODUCTION : ................................................................................................................................ 36
II -2- La méthode métaheuristique :.......................................................................................................... 36
II -3- Algorithme génétique (A.G.) ............................................................................................................. 37
II -4- Algorithme artificiel des abeilles (ABC) ............................................................................................. 38
I I -5- Algorithme l'évolution différentielle ................................................................................................ 39
II -6-Contribution des algorithmes : .......................................................................................................... 42
I I -8- Conclusion : ...................................................................................................................................... 44
Chapitre III : Résultats et discussions .......................................................................................................... 45
III-1) Introduction ...................................................................................................................................... 46
III-2-Les résultats des simulations ............................................................................................................. 46
III-2-1- L’influence des paramètres sur la courbe I-V : .......................................................................... 49
III-2-3- la courbe de puissance : ............................................................................................................ 53
III-2-4- la courbe de puissance et les caractéristiques courant-tension (IV) : ....................................... 54
III-2- Conclusion : ....................................................................................................................................... 55
Conclusion générale ...................................................................................................................................... 56

4
 Les figures :

Figure I.1: premiers satellites avec panneaux solaires

Figure I.2 : Les Cellules photovoltaïque

Figure I.3 : effet photovoltaïque

Figure I.4 : Principe de fonctionnement d’une cellule photovoltaïque

Figure I.5 : Photo d’un substrat de silicium polycristallin

Figure I.6: Cellule photovoltaïque à base de silicium monocristallin

Figure I.7: Schéma d’une structure tandem.

Figure I.8 : Principe de la cellule à hétérojonctions

Figure I.9 : Schéma de principe d’un concentrateur photovoltaïque.

Figure I.10 : Branchement en série des modules PV

Figure I.11 : Branchement en parallèle des modules PV

Figure I.12: Schéma électrique réel d’une cellule solaire.

Figure I.13: l'intelligence artificielle

Figure I.14 : Efficacité L’intelligence artificielle :

Figure I.15 : la Sécurité L’intelligence artificielle :

Figure I. l6 : Les applications d'intelligence artificielle

Figure I.17 : applications d'intelligence artificielle sur la sante

Figure I.18 : applications d'intelligence artificielle sur la Commerce

5
Figure I.19: l’intelligence artificielle et photovoltaïque

Figure I I -1: les méthodes métaheuristiques

Figure I I -2: schéma d’algorithme de l'évolution différentielle

Figure III-1 : la courbe I-V de L’influence des paramètres

Figure III-2: effet de Iph sur la courbe I-V de L’influence des paramètres

Figure III-3 : effet de Rs et Rp sur la courbe I-V de L’influence des paramètres

Figure III-4 : effet de I0 et A sur la courbe I-V de L’influence des paramètres

Figure III-5 : La courbe d’erreur quadratique

6
 LES TABLEAUX :

Tableau 1 : Contribution des algorithmes

Tableau 2 : Avantages et inconvénients de certains algorithmes d'optimisation :

Tableau 3 : Caractéristiques du modèle à simple diode :

Tableau 4 : Résultats d’algorithme d’évolution différentiel

Tableau5 : Fiche technique de panneau solaire (sicell) monocristallins

Table 6 : La comparaison entre résultats (DE) avec résultats d’autres algorithmes

7
 Introduction générale
Dans un contexte de transition énergétique mondiale, la recherche et l'exploitation des sources
d'énergie renouvelables sont devenues primordiales. Parmi celles-ci, l'énergie photovoltaïque
joue un rôle crucial en transformant la lumière du soleil en électricité. Cette technologie, bien
que complexe, offre des solutions prometteuses pour répondre à la demande croissante en
énergie de manière durable et respectueuse de l'environnement.

Depuis la découverte de l'effet photovoltaïque au 19ème siècle, le domaine des cellules solaires
a connu des avancées significatives, tant sur le plan des matériaux que sur celui des technologies
de fabrication. Ces progrès ont permis de développer des systèmes photovoltaïques plus
efficaces et plus accessibles. Cependant, l'optimisation de la performance des cellules
photovoltaïques reste un défi majeur, nécessitant une compréhension approfondie des
paramètres influençant leur fonctionnement.

Parallèlement, l'intelligence artificielle (IA) a révolutionné de nombreux domaines grâce à sa

capacité à traiter des données complexes et à fournir des solutions optimisées à des problèmes
variés. Les algorithmes d'apprentissage automatique et d'optimisation sont particulièrement
adaptés pour améliorer les performances des systèmes énergétiques, y compris les systèmes
photovoltaïques.

Ce rapport explore la synergie entre l'énergie photovoltaïque et les techniques d'intelligence

artificielle, en mettant l'accent sur l'utilisation des algorithmes d'évolution différentielles (DE).
Ces algorithmes, bien que moins puissants que d'autres méthodes métaheuristiques, offrent une
robustesse et une simplicité qui les rendent attractifs pour l'optimisation des paramètres des
systèmes photovoltaïques.

Nous nous focaliserons sur l'application de l'algorithme (DE) pour l'extraction itérative des
paramètres dans les systèmes de diodes simples (SMD), en exploitant également la fonction
Lambert W pour améliorer l'évaluation et la précision des solutions obtenues.

L'objectif principal de cette étude a démontré l'efficacité de l'algorithme (DE) dans ce contexte
spécifique et d'identifier les opportunités d'amélioration pour obtenir des estimations de
paramètres encore plus précises.

Ce mémoire est organisé comme suit dans première chapitre on va présenter la synergie entre
l'énergie photovoltaïque et intelligence artificielle. On la 2eme chapitre on explore les méthodes
métaheuristiques et la 3eme chapitre est consacré à résultats de simulation.

8
 Chapitre I : Application d’intelligence
artificielle sur les systèmes photovoltaïques

9
I-1- Généralités sur photovoltaïques
I-1-1-Introduction
Le développement de l'industrie, des transports et des communications a été étroitement lié à la
consommation mondiale d'électricité au cours des dernières décennies. Aujourd'hui, la
production d'électricité repose principalement sur des ressources non renouvelables telles que
le charbon, le gaz naturel, le pétrole... et leur renouvellement est extrêmement lent à l'échelle
humaine. Le risque d'épuisement de ces ressources est donc élevé à plus ou moins brève
échéance. De plus, la demande ne cesse d'augmenter et dépasse déjà l'offre, comme en
témoignent, par exemple, les fortes fluctuations des prix mondiaux du pétrole.

L'anticipation de l'épuisement des énergies fossiles nous oblige à chercher des sources d'énergie
alternatives. Certaines de ces sources d'énergie, telles que l'énergie solaire et éolienne, sont
intermittentes car elles sont soumises à des conditions climatiques telles que l'ensoleillement.
Il est donc impossible que notre développement repose sur une seule source d'énergie, comme
cela a été discuté au XXe siècle. Dans une pile, Antoine-César Becquerel observe en 1839 les
effets électriques des rayons solaires. En 1905, Einstein a découvert que l’énergie des quanta
de lumière est proportionnelle à la fréquence de l'onde électromagnétique. Au fil des décennies,
jusqu'à nos jours avec les hydrocarbures, la notion de mix énergétique est devenue de plus en
plus pertinente. L'équation énergétique des années à venir inclura diverses contributions :
biomasse, éolien, photovoltaïque, géothermie, hydroélectricité, entre autres. La production
d'électricité d'origine photovoltaïque, en particulier, a connu une croissance exponentielle
depuis 2001, et les prévisions pour les années à venir sont très optimistes

I-1-2- Historique
Le Soleil est une source d'énergie primordiale, et il est essentiel que nous apprenions à capter,
convertir et stocker cette énergie. La conversion de la lumière en énergie électrique est connue
sous le nom d'effet photovoltaïque. Ce phénomène a été découvert en 1839 par le physicien
français Alexandre Edmond Becquerel, qui a observé une tension générée en éclairant des
électrodes en argent plongées dans un électrolyte. En 1875, le physicien Werner von Siemens
a présenté un article sur l'effet photovoltaïque des semi-conducteurs à l'Académie des sciences
de Berlin. La première cellule solaire fonctionnelle a été construite en 1883 par Charles Fritts.
Toutefois, l'efficacité de cette cellule était très faible, ce qui limitait son utilisation à l'époque.
Ce phénomène est resté anecdotique jusqu'à la Seconde Guerre mondiale. Les premières vraies
cellules sont apparues en 1930 avec les cellules à oxyde cuivreux puis au sélénium. Les
10
recherches après la guerre ont permis d'améliorer leurs performances et leur taille et ce n'est
qu'en 1954 que trois chercheurs américains, Chapin, Pearson et Prince mettent au point une
cellule photovoltaïque au silicium dans les laboratoires de la compagnie Bell téléphone. On
entrevoit alors la possibilité de fournir de l'électricité grâce à ces cellules. Au même moment,
l'industrie spatiale naissante, cherche de nouvelles solutions (autre que le procédé nucléaire)
pour alimenter ses satellites. Le premier satellite scientifique Américain l'Explorer-6 lancé en
aout 1959 il est équipé de panneaux solaires, il a une masse de 40 Kg et dispose d'une caméra
sommaire pour voir la terre. En 1958, les premiers satellites avec des panneaux solaires sont
envoyés dans l'espace et au même moment une cellule avec un rendement de 9% est mise au
point. Mais il faudra attendre les années 70 pour que les gouvernements et les industries
investissent dans la technologie photovoltaïque. En effet des efforts ont été faits pour réduire
les coûts de sorte que l'énergie photovoltaïque soit également utilisable pour des applications
terrestres. Et en 1973, la première maison alimentée par des cellules photovoltaïques est
construire à l'Université de Delaware.[1]

Figure I.2: premiers satellites avec panneaux solaires [1].

Ainsi, dans les années 1980, la technologie photovoltaïque terrestre a progressé et des
centrales électriques de plusieurs mégawatts ont été installées. La croissance de cette
industrie a été phénoménale, notamment grâce aux nombreux produits de faible
consommation alimentés par l'énergie solaire, tels que : les montres, les calculatrices,
les radiobalises et les balises météorologiques, les pompes solaires et les réfrigérateurs.
En 1983, la première voiture propulsée à l’énergie photovoltaïque parcourait 4 000
kilomètres en Australie. En 1995, le Japon et l’Allemagne ont lancé des plans de
connexion au réseau photovoltaïque sur les toits et ont commencé une large promotion

11
en 2001. Bien que les prix soient légèrement stables, les expéditions de modules
photovoltaïques continuent d'augmenter chaque année [1].

Figure I.3 : Les Cellules photovoltaïque [2].

I-1-3 Cellule photovoltaïque

Une cellule photovoltaïque est un dispositif électronique qui convertit l'énergie lumineuse
en énergie électrique. Sa structure est basée sur une jonction PN, composée de deux
couches : une couche de type P et une couche de type N. Fabriquée à partir de semi-
conducteurs tels que le silicium, elle agit comme un convertisseur instantané, fournissant
de l'énergie électrique lorsqu'elle est exposée à la lumière solaire. Ensuite, elle se
comporte comme une source d'énergie en courant continu [3].

I-1-3-1 Conversion photovoltaïque :

La conversion d’une énergie solaire (énergie du photon) en énergie électrique est appelée
L’effet photovoltaïque. Ce dernier a été découvert par Antoine Becquerel en 1839 qui mit
en évidence l’apparition d’une tension aux bornes de deux électrodes immergées dans une
solution électrolytique, lorsque celle-ci était exposée à la lumière naturelle [2].

L’énergie photovoltaïque a suscité un intérêt grandissant et de nombreuses avancées

technologiques ont été réalisées jusqu’à présente travers à plusieurs filières
technologiques.

La production d’électricité d’origine photovoltaïque est accrue de manière exponentielle

depuis 2001 et les projections sont assez optimistes pour les années à venir. La recherche
dans le domaine de l’énergie solaire photovoltaïque est appelée à surmonter le défi suivant
: améliorer le rendement de conversion des cellules solaires tout en diminuant le coût de

12
production de l’énergie propre pour assurer une utilisation très large et la rendre accessible
à tous [4].

Figure I.3 : effet photovoltaïque

Le développement de l’énergie photovoltaïque passe obligatoirement par la recherche

accentuée pour résoudre cette énigme. Trois axes essentiels doivent être optimisés
séparément par un choix déterminant :

• Le matériau ;

• La technique de croissance ;

• La structure.

En considérant le coût de fabrication, la cellule doit être conçue au moyen de couches

minces assurant un gain énorme de matière, ce qui revient à choisir la filière des matériaux
photovoltaïques à grand pouvoir d’absorption [3].

I-1-3-2 Principe de fonctionnement

L'utilisation de l'effet photovoltaïque dans les cellules solaires permet de transformer
directement l'énergie lumineuse des rayons solaires en électricité en produisant et en
transportant des charges électriques positives et négatives dans un matériau semi-conducteur
sous l'influence de la lumière [5]. Il y a deux parties dans ce matériau, l'une avec un excès
d'électrons et l'autre avec un déficit d'électrons, appelées respectivement dopée de type n et
dopée de type p. En contactant la première avec la seconde, les électrons en surplus présents
dans le matériau n se propagent dans le matériau p. La zone dopée initialement n devient
positivement chargée, tandis que la zone dopée initialement p est négativement chargée. Ainsi,
un champ électrique se forme entre elles qui cherche à repousser les électrons vers la zone n et
les trous vers la zone p. Une union (appelée p-n) a été créée. On obtient une diode en ajoutant
13
des contacts métalliques sur les zones n et p. Quand la jonction est éclairée, les photons
d'énergie égale ou supérieure à la largeur de la bande interdite transmettent leur énergie aux
atomes. Chaque photon fait passer un électron de la bande de valence dans la bande de
conduction et laisse également un trou capable de se déplacer, créant ainsi une paire électron-
trou. Les électrons de la zone n rejoignent les trous de la zone p par la connexion extérieure
lorsque la charge est placée aux bornes de la cellule, ce qui entraîne une différence de potentiel.

Figure I.4 : Principe de fonctionnement d’une cellule photovoltaïque [05].

Il convient donc de noter que la conversion de l’énergie solaire en électricité est possible
si et seulement si trois phénomènes physiques de base ont lieu quasi simultanément :

• L’absorption d’un maximum de photons possible.

• La transformation de l’énergie ainsi absorbée en charges électriques libres.

• La collecte, sans perte, de ces derniers vers un circuit électrique extérieur.

Le premier phénomène consiste à absorber les photons par un matériau semi-conducteur

adéquat dans la partie la plus intense du spectre solaire. En utilisant un semi-conducteur
à grand gap, l'absorption sera restreinte aux longueurs d'onde très courtes, dans l'ultra-
violet, tandis que la majorité du spectre solaire se trouve dans le visible et le proche infra-
rouge. Afin d'absorber un maximum de photons, il serait donc nécessaire d'utiliser un
semi-conducteur avec un petit espacement. Cependant, la tension de sortie est
inversement proportionnelle à la distance, ce qui signifie que la puissance de la photopile
(P = VI) serait trop faible pour être utilisée. Le gap idéal du matériau utilisé comme
14
absorbeur est de 1,5 eV. Le second concerne la séparation rapide des électrons et des trous
avant leur recombinaison. La troisième porte sur l’entraînement des électrons et des trous
vers les électrodes collectrices.

I-1-3-3 Absorption optique :

L’absorption des photons est la première étape nécessaire au processus de conversion
photovoltaïque. La plus élémentaire est celle d’un photon d’énergie hν qui excite un
électron d’un niveau de basse énergie vers un niveau de plus haute énergie. Ainsi, l’une
des propriétés d’un matériau photovoltaïque est son coefficient d’absorption (α).
L’exploitation du spectre d’absorption permet de calculer toutes les transitions que peut
subir un électron et ainsi accéder à la distribution des niveaux énergétiques dans le semi-
conducteur. Ce coefficient est donc lié à l’énergie du gap en fonction des énergies des
photons incidents, d’après les relations établies par Pankove et qui permettent de
déterminer la nature des transitions existantes entre les bandes d’énergies.

Le spectre solaire s’étend de l’ultra-violet à l’infrarouge lointain en passant par le domaine

de visible. La partie la plus importante du spectre solaire à la surface de la Terre concerne
le domaine du visible (390-780 nm) et du proche infrarouge. L’énergie de photon
correspondant à une radiation donnée est reliée à sa longueur d’onde par relation suivante
ℎ𝑐
: 𝐸𝑃 (𝑒𝑣) = hν = (1)
𝝀

𝐸𝑃 =Energie de photon

h= constant de Planck .
λ =longueur d’onde la radiation .
c : Vitesse de la lumière.

ν= fréquence de la radiation .
I-1-4 les types de cellules photovoltaïques :
I-1-4-1 Cellules cristallines
Les cellules, qui sont généralement fabriquées en silicium, ne contiennent qu'une seule jonction
p-n. Les cellules cristallines sont classées en deux catégories :

I-1-4-1-1 Cellules en silicium polycristallin

La fabrication du silicium polycristallin est beaucoup plus simple que celle du silicium
monocristallin, ce qui signifie qu'elle est beaucoup moins coûteuse à mettre en place.
15
Cependant, cette matière présente une qualité moins élevée en raison de la présence de joints
de grains qui créent des zones fortement recombinantes et un taux assez élevé d'impuretés
métalliques et autres. Les surfaces adjacentes des grains d'orientations cristallographiques
différentes forment ces joints, qui renferment de nombreuses liaisons pendantes.
Les effets de ces produits sont de diminuer la durée de vie globale des porteurs.
De plus, ces joints de gains empêchent le déplacement des porteurs et présentent une possibilité
de fuite d'un courant à travers la jonction. Ce genre de cellule est également bleu, mais pas
uniforme, on distingue des motifs créés par les différents cristaux [8].

Figure I.5 : Photo d’un panneau de silicium polycristallin

I-1-4-1-2 Cellules en silicium monocristallin :

Les cellules au silicium monocristallin offrent le meilleur rendement parmi les panneaux
solaires disponibles dans le marché : entre 13 à 15%. Il faudra donc moins de cellules pour
atteindre la puissance désirée, mais comme le silicium monocristallin est aussi le plus cher,
son seul avantage est finalement d'utiliser une surface réduite : il faut environ 7 m² pour
obtenir 1 kilo-Watt-crête (kWc).

Figure I.6: Cellule photovoltaïque à base de silicium monocristallin

16
I-1-4-3Cellules à base de couches minces
I-1-4-3-1 Cellules en silicium amorphe :
Ses atomes sont donc agencés sans réelle organisation, ce qui leur permet de mieux capter
la lumière (par rapport au silicium cristallin).

Problème : les charges générées ont plus de difficulté pour se déplacer à cause de la
désorganisation de la matière, ce qui se traduit par un mauvais coefficient de conversion.

Par conséquent, leur rendement est faible. La désorganisation atomique a d’autres

conséquences. Les électrons de valence des atomes de Si ne forment pas toujours des
liaisons covalentes au sein du semi-conducteur. Il apparaît alors des liaisons pendantes
qui peuvent dénaturer les propriétés électroniques du matériau. Pour limiter ce
phénomène, les couches de silicium sont régulièrement passivées avec de l’hydrogène (a-
Si:H). Des atomes d’hydrogène établissent des liaisons avec les électrons restés libres, et
réduisent ainsi le nombre de liaisons pendantes.

I-4-3-2 Cellules CIGS :

L'absorbeur des cellules CIGS est constitué de cuivre, de gallium, d'indium et de
sélénium. Étant donné l'épaisseur de cette couche de 1 à 2,5 μm, elle doit être recouverte
d'un matériau de type n, comme le sulfure de cadmium (CdS).

Il y a donc du cadmium qui représente un défi pour l'environnement en raison de sa

toxicité, mais il est principalement employé avec des épaisseurs allant de 0,04 à 0,07 μm.
Étant donné qu'il existe deux semi-conducteurs distincts, les cellules CIGS se composent
donc d'hétérojonctions. La cellule CIGS, tout comme son homologue en silicium
amorphe, est plus résistante à l'échauffement que les cellules en silicium cristallin, mais
moins que les cellules en CdTe. De plus, elle est un peu mieux captée la lumière en début
et en fin de journée [9].

I-4-2-3 Cellules CdTe

Les scientifiques ont été poussés à rechercher des alternatives en raison du faible
rendement des cellules à base de silicium amorphe. Le tellure de cadmium (CdTe) est le
matériau le plus prometteur, offrant la possibilité de fabriquer des modules à des coûts
plus bas avec un rendement de 10%, et un avantage qui réside dans sa forte absorption.
Toutefois, la présence de toxicité dans le matériau entrave le progrès de cette technologie
[9].
17
I.4.3 Cellules à haut rendement :
I-4-3-1 Cellules à jonctions
• Cellules tandem :
Les cellules tandem sont obtenues à partir de deux cellules simples empilées l’une sur
l’autre, par exemple, une couche mince de silicium amorphe empilée sur une couche
silicium cristallin. Ce tandem est censé optimiser le rendement comparé à celui produit
par des cellules simples seules et ce qu’elles que soient leur caractéristiques, amorphes,
cristallines ou microcristallines. Il s’agit de l’empilement de deux cellules l’une sur
l’autre. Ces deux cellules sont mises en série grâce à une couche de recombinaison des
porteurs de charges.

La tension de circuit-ouvert du dispositif est donc la somme des tensions de circuit ouvert
des deux cellules si elles étaient prises seules, et le courant de court-circuit est le plus
faible des deux cellules. Cette structure offre l’avantage de pouvoir utiliser deux
matériaux dont les bandes interdites (Spectres d’absorption) différentes. Ce dispositif est
capable d’absorber la somme des deux spectres d’absorption. Les couches actives peuvent
être composées de mélanges polymère/fullerène ou de petites molécules. On peut par
ailleurs utiliser différents types de matériaux dans les deux couches, ce qui donne une
grande latitude quant à la fabrication de la cellule. La première des cellules tandem était
par exemple composée d’une couche de petites molécules évaporées pour la première
cellule et d’une couche polymère déposée par voie humide pour la seconde.

Des cellules tandem utilisant différents matériaux ont été testées, qui atteindre des
rendements de l'ordre de 6.7% grâce à l’utilisation d’une couche de recombinaison en
TiOx et de deux polymères dont les bandes interdites sont différentes [10].

Figure I.7: Schéma d’une structure tandem.

18
Ce type de cellules a commencé à être industrialisé en 2007 au Japon. En Suisse
l’entreprise Orlikon considère qu’en 2020, le marché des panneaux à cellules tandem sera
de 30 % de la totalité du marché photovoltaïque et elle en a débuté également la
commercialisation en 2007 [11].

I.5.3.2 Cellules multi-jonctions :

Les cellules multi-jonctions sont constituées à partir de différentes couches minces, ce qui
optimise le travail d’absorption de la lumière solaires, et ce qui atteint un meilleur
rendement de conversion. Ce type de cellules n’est pas vendu à des fins commerciales et
reste utilisée dans le domaine spatial. Et pour cause, les techniques d’exploitation sont
très complexes. On parle de jet moléculaire ou d’épitaxie. Le fonctionnement de ces
cellules réside sur le même principe que celui des cellules Tandem. Les cellules multi-
jonctions sont composées d'un grand nombre de semi-conducteurs (GaAs, Ge, GaInP2...)
possédant chacun un spectre limité. En choisissant des matériaux dont les longueurs
d'onde limitées sont les plus proches possibles les unes aux autres, l'ensemble des cellules
absorbe un spectre, le plus complet possible donnant à l'ensemble un rendement très élevé
pouvant atteindre 50%. Le gros défaut de ces cellules est leur coût de fabrication, car
aucune production industrielle n'a encore pu être mise en place. Ces cellules limitent les
pertes d’énergie car il suffit d’utiliser des systèmes à plusieurs niveaux, en empilant des
jonctions possédant des gaps décroissants, (Figure). Ainsi il est possible d’exploiter le
spectre solaire dans sa quasi-totalité avec des rendements de conversion très importants
[15] .

Figure I.8 : Principe de la cellule à hétérojonctions

19
En utilisant des concentrateurs solaires, certains pensent pouvoir baisser les prix (moins
de surface de cellule utilisée) et prendre une place dans le marché conventionnel terrestre.
Ainsi, si on compare le meilleur rendement sans concentrateur d’une triple jonction
GaInP/GaAs/Ge atteignant les 32%, cette même cellule arriverait à 40.7% avec
concentrateur. On peut même envisager des rendements encore plus importants avec des
cellules complexes [15]

Figure I.9 : Schéma de principe d’un concentrateur photovoltaïque.

I-4-4 Cellule organique :

Face à la technologie utilisant les matériaux inorganiques, les cellules solaires à base de
composés organiques connaissent un développement considérable. L’intérêt de ces cellules
vient aussi du fait que, contrairement aux cellules à base de matériaux inorganiques, elles
offrent beaucoup d’avantages : la possibilité d’être déposée en grande surface, la facilité de la
fabrication et de la manipulation, la possibilité de réaliser ces cellules sur des substrats flexibles,
et grâce à des coûts de fabrication et de matériaux plus faibles, ces cellules devraient dans
l’ensemble revenir beaucoup moins chères que leurs concurrentes. Elles possèdent en revanche
à l’heure actuelle des durées de vie jugées inférieures à celles des cellules inorganiques, et des
rendements de conversion plus faibles.

I-4-5-Cellules solaires sensibilisées par colorant (CSSC)

Inspiré par la photosynthèse, l’équipe de Michael Grätzel a développé au début des années
90 des cellules solaires composées d’un électrolyte, d’un colorant et d’un oxyde
semiconducteur inorganique. Le meilleur rendement certifié est de 10,4℅ pour une cellule
de 1 cm2, réalisé par la société Sharp.

20
I-4-6- Association des modules photovoltaïques
Les modules peuvent également être associés en série et en parallèle pour former le
champ photovoltaïque afin d’augmenter la tension et l’intensité d’utilisation.

En additionnant des modules identiques en série, le courant de la branche reste le même mais
la tension augmente proportionnellement au nombre de modules en série. Contrairement, pour
l’association en parallèle, la tension de la branche est égale à la tension de chaque module et
l’intensité augmente proportionnellement au nombre de modules en parallèle dans la branche.

Figure I.10 : Branchement en série des modules PV

Figure I.11 : Branchement en parallèle des modules PV

I-1-6 Extraction des paramètres :

I-1-6-1. Schéma de circuit équivalent :
Le schéma équivalent est représenté par une diode idéale montée en parallèle avec
une source de courant Les résistances série𝑅𝑆 et shunt 𝑅𝑆𝐻 modélisent les pertes
engendrées par la résistivité des couches et la présence de courants de fuite.

21
 Figure I.12: Schéma électrique réel d’une cellule solaire.

Les grandeurs caractéristiques principales des cellules solaires sont :

𝐈𝐏𝐇 : courant de photovoltaïques.

Id : courant à travers la diode.

I : courant généré par la cellule.

𝐑 𝐒𝐇 : résistance parallèle

𝐑 𝐒 : résistance série
V : la tension aux bornes de la cellule.
𝐈𝐜𝐜 : Courant de court-circuit

P : point de la puissance maximale.

𝐕𝐨𝐜 : Tension de circuit-ouvert

a : facteur de idéalité de simple diode 1≤ a ≤ 2

q : la charge d’électron.

k : constante de Boltzmann.

𝑽𝒕 : tension thermique du module photovoltaïque.

Pour caractériser le comportement de la cellule photovoltaïques et comprendre ses

performances électriques ont droit trouver les paramètres des cellules solaires.

On applique l'équation de Kirchhoff fondamentale pour extraire les paramètres suivants :

22
 D’après loi de nœud : IPH = Id + ISH + I

D’où I = IPH - Id +ISH (2)

V+RS .I
Avec : Id =I0 [exp ( ) -1] (3)
a .Vt

Et d’après la loi de maille :

V+RS
I. R S .V - ISH . R SH = 0 ↔ ISH . ( )
RS

V+RS .I V+ RS .I
On a I =IPH – I0 [exp ( ) – 1)] - (4)
a . Vt RSH

I-1-4-5-1 Courant de court-circuit, 𝑰S𝑪 :

Il s’agit du courant obtenu en court-circuitant les bornes de la cellule (en prenant

V= 0 dans le schéma équivalent).

Dans le cas de court-circuit :

V=0 et I=ISC , R S= 0

V+RS .I
I =IPH - I0 [exp ( ) – 1)
a . Vt

D’où IPH = Isc (5)

I-1-4-5-2 Tension de circuit-ouvert, 𝑽𝑶𝑪 :

La tension à circuit ouvert est obtenue quand le courant qui traverse la cellule est
nul. Elle dépend de la barrière d’énergie et de la résistance shunt. Elle décroît avec
la température et varie peu avec l’intensité lumineuse.

23
 Dans le cas de circuit ouvert

V=VOC , I=0, IPH =ISC et R SH →∞

On a

𝑉𝑂𝐶
𝐼𝑆𝐶 =I0 [exp ( ) – 1)]
a . Vt

𝐼𝑆𝐶 𝑉𝑂𝐶
= [exp ( ) – 1)]
I0 a . Vt

𝑉𝑂𝐶 𝐼
=Ln ( 𝐶𝐶 +1)
a . Vt I0

𝐼
En obtient 𝑉𝑂𝐶 = a . Vt .Ln ( 𝑆𝐶 +1) (6)
I0

Alors en déterminent I0 ∶
V+RS .I
I =IPH - I0 [exp ( ) – 1)]
a . Vt

On a: V=𝑉𝑂𝐶𝑛 , I=0, 𝐼𝑃𝐻 =𝐼𝑆𝐶 et 𝑅𝑆𝐻 →∞

𝑉𝑂𝐶𝑛
IPH =I0 [exp ( ) – 1)]
a . Vt

𝐼𝑠𝑐
I0 = 𝑉 (7)
[exp ( 𝑂𝐶𝑛 ) – 1)]
a . Vt

Pour trouver 𝑅𝑠 :

Dans le cas court-circuit : V=0, I=𝐼𝑆𝐶 et 𝑅𝑆𝐻 →∞

RS . 𝐼𝑆𝐶
𝐼𝑆𝐶 =IPH - I0 [exp ( ) – 1)]
a . Vt
24
 RS . 𝐼𝑆𝐶
I0 [exp ( ) – 1)] = IPH -𝐼𝑆𝐶
a . Vt

RS . 𝐼𝑆𝐶 I −𝐼𝑆𝐶
( ) = ln ( PH ) +1
a . Vt I0

a .Vt I −𝐼𝑆𝐶
𝑅𝑠 = (ln ( PH ) +1 (8)
𝐼𝑆𝐶 I0

I-1-7 Avantages et inconvénients de l’énergie photovoltaïque :

I-1-7-1 Avantages :
Cette énergie présente de nombreux avantages, à savoir :

• Les installations photovoltaïques sont en général de haute fiabilité, peu sujettes

à l’usure, elles demandent peu d’entretien.
• Le montage des installations photovoltaïques est simple et les installations sont
adaptables aux besoins de chaque projet.
• Il s’agit d’une source d’énergie électrique totalement silencieuse ce qui n’est pas
le cas, par exemple des installations éoliennes.
• Il s'agit d'une source d'énergie inépuisable.

• L'énergie photovoltaïque est une énergie propre et non-polluante qui ne dégage

pas de gaz à effet de serre et ne génère pas de déchets.
• Les systèmes photovoltaïques sont fiables : aucune pièce employée n'est en
mouvement. Les matériaux utilisés (silicium, verre, aluminium), résistent aux
conditions météorologiques extrêmes.
• Sur les sites isolés, l'énergie photovoltaïque offre une solution pratique pour
obtenir de l'électricité à moindre coût.
• Le contrat d'achat est conclu pour une durée assez longue.

I-1-7-2 Inconvénients
• Un cycle de vie en question : la durée de vie d’une installation photovoltaïque
n’est pas éternelle mais de l’ordre de 20 à 30 ans.

25
 • Le rendement des cellules photovoltaïques diminue avec le temps qui passe. On
parle en général pour les panneaux photovoltaïques, d’une perte de rendement
de 1 % par an.

• De plus, les panneaux solaires contiennent des déchets toxiques : cuivre,

chrome, silicium, cadmium et tellure.

• Les rendements des panneaux photovoltaïques sont encore faibles et de l’ordre

de 20% (pour les meilleurs). L’énergie photovoltaïque convient donc mieux
pour des projets à faible besoins, comme une maison unifamiliale.

I-2- Intelligence artificielle

L'intelligence artificielle (IA) est un domaine de l'informatique qui se concentre sur la création
de machines capables d'exécuter des tâches nécessitant habituellement l'intelligence humaine.
Les systèmes d'IA sont conçus pour apprendre, raisonner et résoudre des problèmes. Ces
technologies révolutionnaires ont le potentiel de transformer de nombreux aspects de notre vie
quotidienne, de la médecine à la finance en passant par les transports. [12] En effet, l'IA est déjà
largement présente dans nos vies grâce aux assistants personnels, aux recommandations de
contenu en ligne et aux véhicules autonomes. Cependant, l'IA soulève également des questions
éthiques et sociales importantes, notamment en ce qui concerne la confidentialité des données
et les implications sur le marché du travail. Malgré ces défis, de nombreux experts estiment que
l'IA a le pouvoir de résoudre certains des problèmes les plus pressants de notre époque, et son
développement continue de susciter un intérêt croissant à l'échelle mondiale. [13]

Figure I.13: l'intelligence artificielle

26
I-2-1-Historiques
[15] L’histoire du développement de l'intelligence artificielle (IA) remonte aux débuts de
l'informatique. :

• 1940-1950 : Émergence des premiers concepts et idées concernant l'IA, avec des
contributeurs majeurs comme Alan Turing et son célèbre "Test de Turing".
• 1950-1960 : Période fondatrice de l'IA, marquée par la tenue d'ateliers et de
conférences, ainsi que par la formulation des premiers programmes informatiques
capables de simuler des processus cognitifs.
• 1960-1970 : Division de l'IA en différentes approches, notamment symbolique et
connexionniste. Développement des premiers systèmes experts pour des applications
spécifiques.
• 1980 : Avènement de l'apprentissage automatique (machine learning) et des réseaux
neuronaux, inaugurant une nouvelle ère pour l'IA.
• 1990-2000 : Développement de technologies telles que la reconnaissance vocale, la
vision par ordinateur et les assistants virtuels, ouvrant la voie à des techniques
avancées d'IA.
• 2010-Aujourd’hui : Explosion des applications de l'IA dans divers domaines tels que
la santé, la finance, la robotique et les véhicules autonomes, grâce aux progrès en deep
learning et au big data. [16]

I-2-2- importance d’intelligence artificielle

L'intelligence artificielle (IA) joue un rôle crucial et présente de nombreux bénéfices dans
différents domaines :

1.Efficacité et Productivité : L’IA peut automatiser des tâches, libérant ainsi les agents humains
pour des problèmes plus complexes. Par exemple, les programmes de chat basés sur l’IA gèrent
les demandes des clients, permettant aux humains de se concentrer sur des tâches à plus forte
valeur ajoutée.

Figure I.14 : Efficacité L’intelligence artificielle :

27
2.Personnalisation : Les systèmes de recommandation alimentés par l’IA peuvent personnaliser
les expériences des clients, en suggérant des produits ou des services adaptés à leurs préférences
et comportements.

3.Précision : L’IA peut analyser d’énormes quantités de données et détecter des modèles que
les humains pourraient manquer. Cela conduit à des prédictions plus précises et à une meilleure
prise de décision.

4.Innovation : L’IA permet le développement de nouveaux produits et services. Par exemple,

dans le domaine des soins de santé, elle crée des solutions personnalisées pour les patients.

5.Rentabilité : L’automatisation des tâches grâce à l’IA réduit les coûts et diminue la
dépendance à l’intervention humaine, bénéficiant ainsi aux entreprises et aux organisations.[17]

Figure I.15 : la Sécurité L’intelligence artificielle :

6.Amélioration de la Sécurité : L’IA peut surveiller les signes vitaux des patients et alerter le
personnel médical en cas d’anomalie, améliorant ainsi la sécurité dans les domaines tels que les
soins de santé et les transports

I-2-3- Les types d’intelligence artificielle (IA)

Il existe différents types d’intelligence artificielle :

1. IA faible : Ce type d’IA consiste à programmer des systèmes informatiques pour effectuer
une tâche spécifique plus efficacement que les humains dans certains cas, par exemple en
classant les e-mails comme spam ou non (filtre anti-spam).

2. IA puissante : Également connu sous le nom d’intelligence artificielle générale (AGI) Ce

type d’intelligence artificielle vise à se concentrer sur l’intelligence de niveau humain, les
compétences en résolution de problèmes, avec la capacité d’apprendre et d’effectuer toute tâche
intellectuelle qu’un humain peut faire.

28
3. Super intelligence : Il s’agit du niveau hypothétique de l’IA qui transcende l’intelligence et
les capacités humaines dans tous les domaines.

4. Machines interactives : Ce sont les formes les plus simples d’IA qui ne peuvent répondre à
des entrées spécifiques que par des actions prédéfinies sans mémoire ni capacité à utiliser les
expériences passées pour des actions futures.

5. Mémoire limitée : Ces systèmes d’IA peuvent stocker les expériences passées et les utiliser
pour éclairer les décisions futures, comme les voitures autonomes qui se souviennent des
itinéraires passés et font des ajustements en fonction des obstacles passés.

6. Théorie de l’esprit : Il fait référence à la capacité des systèmes d’IA à comprendre les
sentiments, les croyances et les intentions humains, et à utiliser cette compréhension pour
interagir avec eux plus efficacement. [17]

7. IA consciente d’elle-même : Ce type d’IA est hypothétique, mais il implique une machine
consciente capable de penser et de réaliser son existence. [17]

I-2-4) Les caractéristiques d 'intelligence artificielle :

L'intelligence artificielle (IA) possède un certain nombre de caractéristiques :

L'intelligence : Les systèmes d'IA peuvent apprendre et s'adapter à de nouvelles situations, ce

qui leur permet d'effectuer des tâches réservées aux humains.

Auto-apprentissage : Les systèmes d'IA peuvent améliorer leurs performances au fil du temps
sans intervention humaine directe.

Prise de décision : L'IA est capable de prendre des décisions sur la base de données, de règles
et de raisonnements probabilistes.

Traitement du langage naturel : Les systèmes d'IA comprennent, interprètent et génèrent le

langage humain, facilitant ainsi une communication plus naturelle avec les utilisateurs.

Perception : L'IA peut détecter et interpréter son environnement à l'aide d'une variété de
capteurs et de dispositifs d'entrée.

Créativité : Les systèmes d'IA peuvent générer de nouvelles idées et solutions, conduisant à des
innovations dans divers domaines.

29
Résolution de problèmes : L'IA analyse des problèmes complexes et fournit souvent des
solutions plus rapidement et plus précisément que les humains.

Traitement parallèle : Les systèmes d'IA peuvent traiter simultanément d'énormes quantités de
données, ce qui accélère les calculs et améliore l’efficacité. [17]

I-2-5) Les applications d'intelligence artificielle :

L'intelligence artificielle (IA) a des applications nombreuses et variées dans de nombreux

domaines. Voici quelques exemples d'applications de l'IA :

Figure l6 : Les applications d'intelligence artificielle

Soins de santé :

Diagnostic médical : L'IA peut aider à détecter des maladies, à interpréter des images médicales
(telles que des radiographies et des IRM) et à fournir des recommandations de traitement.

Découverte de médicaments : L'IA accélère la recherche de nouvelles molécules et de nouveaux

médicaments en analysant de vastes bases de données.

Plans de traitement personnalisés : L'IA peut proposer des plans de traitement adaptés à chaque
patient en fonction de ses caractéristiques individuelles.

30
 Figure I.17 : applications d'intelligence artificielle sur la sante

Finances :

Détection des fraudes : L'IA analyse les transactions financières pour identifier les activités
suspectes.

Évaluation des risques : L'IA évalue les risques d'investissement, de prêt et d'assurance.

Gestion des investissements : L'IA aide à prendre des décisions d'investissement éclairées.

Commerce de détail :

Marketing personnalisé : L’IA personnalise les offres et les publicités en fonction des
préférences des clients.

Recommandation de produits : L'IA suggère des produits similaires ou complémentaires en

fonction des achats précédents.

Optimisation de la chaîne d'approvisionnement : L'IA améliore la gestion des stocks, la

livraison et la prévision de la demande.

31
 Figure I.18 : applications d'intelligence artificielle sur la Commerce

Maintenance : L'IA surveille les équipements industriels et prédit les pannes pour une
maintenance proactive. [17]

I-3- La relation entre l’intelligence artificielle et photovoltaïque :

L'intelligence artificielle (IA) peut jouer un rôle crucial dans l'amélioration de l'efficacité des
panneaux photovoltaïques :

Surveillance et maintenance prédictive : En utilisant des algorithmes avancés d'apprentissage

automatique, l'IA peut analyser et interpréter les données en temps réel pour surveiller en
permanence l'efficacité des panneaux solaires. Cela permet de détecter rapidement les
problèmes potentiels tels que les pannes, les dégradations ou les obstructions, ce qui permet
d'effectuer des interventions de maintenance préventive et d'optimiser les performances des
panneaux solaires. [18]

Optimisation de la production d'énergie : L'IA peut également être utilisée pour optimiser la
production d'énergie des panneaux solaires en ajustant automatiquement les paramètres de
fonctionnement en fonction des conditions météorologiques, de l'ensoleillement et d'autres
facteurs. Cela permet d'obtenir un rendement maximal des panneaux solaires et d'optimiser la
production d'énergie renouvelable. [19]

32
 Figure I.19 : l’intelligence artificielle et photovoltaïque

Prédiction de la production d'énergie : Grâce à l'analyse des données historiques et en temps

réel, l'IA peut prédire la production d'énergie des panneaux solaires avec une grande précision.
Cela permet aux gestionnaires de réseaux électriques de mieux planifier et d'intégrer l'énergie
solaire dans le réseau, en optimisant la gestion de la demande et en assurant un
approvisionnement équilibré en énergie renouvelable. [19]

Amélioration de la conception des systèmes photovoltaïques : L'IA peut être utilisée pour
optimiser la conception des systèmes photovoltaïques en analysant les données géospatiales,
les conditions environnementales et les contraintes spécifiques du site. Cela permet de
maximiser l'utilisation de l'énergie solaire disponible et d'optimiser l'agencement des panneaux
solaires pour une efficacité maximale. [19]

Stockage de l’énergie et efficacité : L’IA contribue à l’amélioration du stockage et de la gestion

de l’énergie renouvelable en prédisant la demande et l’offre d’énergie. Les algorithmes d’IA
permettent d’optimiser l’utilisation des systèmes de stockage, tels que les batteries, afin
d’assurer une utilisation efficace des sources d’énergie renouvelable. Cela se traduit par une
réduction des coûts énergétiques et une augmentation de l’utilisation des énergies renouvelables
dans le mix énergétique global. [20]

33
I-4 Conclusion
Photovoltaïque et l'intelligence artificielle (IA) favorisent l'innovation dans le domaine de
l'énergie. L'IA peut améliorer l'efficacité des panneaux solaires en prédisant la production, en
assurant la maintenance et en optimisant les angles des panneaux. Elle aide également à la
gestion des réseaux intelligents, à l'intégration des énergies renouvelables et à l'analyse de la
consommation d'énergie. Dans le domaine de la recherche et développement, l'IA accélère la
découverte de nouveaux matériaux et la conception de systèmes solaires sur mesure. Ces
technologies contribuent à une utilisation plus efficace et durable de l'énergie solaire.
L’intelligence artificielle peut aider à améliorer l'efficacité des panneaux photovoltaïques en
surveillant en temps réel leur performance, en optimisant la production d'énergie, en prédisant
la production d'énergie et en améliorant la conception des systèmes photovoltaïques.

34
 Chapitre II :
Les algorithmes métaheuristiques

35
II -1-INTRODUCTION :

Les algorithmes métaheuristiques sont une catégorie de méthodes d'optimisation très prisées
pour leur efficacité à traiter des problèmes complexes là où les techniques traditionnelles
échouent. Contrairement aux algorithmes exacts, qui garantissent une solution optimale mais
exigent souvent des ressources computationnelles considérables, les métaheuristiques
cherchent à obtenir une solution satisfaisante en un temps raisonnable, en explorant de manière
intelligente l'ensemble des solutions possibles. Ces méthodes s'inspirent souvent de
phénomènes naturels ou de comportements collectifs observés dans la nature, comme
L'algorithme artificiel des abeilles.

Parmi les algorithmes métaheuristiques les plus populaires, on peut citer les algorithmes
génétiques, évolutions déférentielles et L'algorithme artificiel des abeilles.

II -2- La méthode métaheuristique :

Une métaheuristique est un algorithme d’optimisation visant à résoudre des problèmes
d’optimisation difficiles pour lesquels on ne connaît pas de méthode classique plus efficace.
Les métaheuristiques sont généralement des algorithmes stochastiques itératifs, qui progressent
vers un optimum global. Elles se comportent comme des algorithmes de recherche, tentant
d’apprendre les caractéristiques d’un problème afin d’en trouver une approximation de la
meilleure solution. Il existe un grand nombre de métaheuristiques différentes, allant de la simple
Recherche Locale à des algorithmes complexes de recherche globale. Ces méthodes utilisent
cependant un haut niveau d’abstraction, leur permettant d’être adaptées à une large gamme de
problèmes différents. En d’autres termes, ces algorithmes se veulent des méthodes génériques
pouvant optimiser une large gamme de problèmes différents, sans nécessiter de changements
profonds dans l’algorithme employé. [21]

* Les métaheuristiques sont des stratégies permettant de guider la recherche d’une solution
optimale.

* Le but visé par les métaheuristiques est d’explorer l’espace de recherche efficacement afin de
déterminer des solutions (presque) optimales.

• Les techniques qui constituent des algorithmes de type métaheuristique vont de la simple
procédure de Recherche Locale à des processus d’apprentissage complexes.

36
 Figure II.1 : les méthodes métaheuristiques

* Les métaheuristiques sont en général non-déterministes et ne donnent aucune garantie

d’optimalité.

• Les métaheuristiques peuvent contenir des mécanismes qui permettent d’éviter d’être bloqué
dans des régions de l’espace de recherche.

• Les concepts de base des métaheuristiques peuvent être décrit de manière abstraite, sans faire
appel à un problème spécifique.

• Les métaheuristiques peuvent faire appel à des heuristiques qui tiennent compte de la
spécificité du problème traité, mais ces heuristiques sont contrôlées par une stratégie de niveau
supérieur.

* Les métaheuristiques peuvent faire usage de l’expérience accumulée durant la recherche de

l’optimum, pour mieux guider la suite du processus de recherche. [21]

II -3- Algorithme génétique (A.G.)

Algorithme génétique (A.G.) constituent un exemple représentatif d'un ensemble des méthodes
connues sous le nom d'algorithmes évolutionnaires (A.E.). Ces méthodes servent à implanter
sur des systèmes artificiels les mécanismes néodarwiniens de l'évolution naturelle. Cette
approche initiée dans les années 1970 par John Holland connaît depuis le début des années 1990
une forte croissance. Les A.E. sont des algorithmes itératifs fondés sur la notion de génération
; mais ils sont, également, par nature, hautement parallèles dans la mesure où ils simulent
l'évolution de tout un ensemble de solutions. [22]. Les algorithmes génétiques (AG) sont une
classe d'algorithmes d'optimisation inspirés du processus d'évolution naturelle. Ils sont
37
largement utilisés pour résoudre des problèmes d'optimisation complexes, notamment
l'identification de paramètres dans divers domaines, tels que les systèmes solaires
photovoltaïques. Dans un algorithme génétique, une population de solutions potentielles évolue
au fil des générations pour trouver la solution optimale. Chaque solution potentielle, également
appelée chromosome, représente une solution candidate au problème posé. Les chromosomes
sont codés avec un ensemble de paramètres qui doivent être optimisé [23].

Les éléments essentiels d'un algorithme génétique incluent : [24]

Population : Elle représente un ensemble de chromosomes, où chaque

chromosome représente une solution potentielle. La population évolue au fil des
générations grâce à des opérations génétiques.

Chromosomes : Chaque chromosome de la population est constitué de gènes qui

codent les paramètres à optimiser.

La combinaison des gènes forme une représentation de la solution.

II -4- L'algorithme artificiel des abeilles (ABC)

L'algorithme artificiel des abeilles est un algorithme méta-heuristique basé sur des essaims qui
a été introduit par Kara-Bogaz en 2005 (Kara-Bogaz, 2005) pour l'optimisation des problèmes
numériques. Il a été inspiré par le comportement de nourriture intelligent des abeilles du miel.
L'algorithme est spécifiquement basé sur le modèle proposé par Terechka et Loengarov (2005)
pour le comportement de nourriture des colonies d'abeilles de miel. Le modèle se compose de
trois composants essentiels : les abeilles de nourriture employées et sans emploi et les sources
alimentaires. Les deux premières composantes, employées et sans emploi abeilles, recherchent
de riches sources de nourriture, qui est le troisième composant, près de leur ruche. Le modèle
définit également deux principaux modes de comportement qui sont nécessaires à l'auto-
organisation et à l'intelligence collective : le recrutement de butineuses à de riches sources
alimentaires entraînant une rétroaction positive et l'abandon de mauvaises sources par des
puanteurs provoquant une rétroaction négative [25]. Dans ABC, une colonie d'abeilles
butineuses artificielles (agents) recherche des sources de nourriture artificielles riches (bonnes
solutions pour un problème donné). Pour appliquer ABC, le problème d'optimisation considéré
est d'abord converti en problème de recherche du meilleur vecteur de paramètres qui minimise
une fonction objective. Ensuite, les abeilles artificielles découvrent aléatoirement une
38
population de vecteurs de solutions initiales et les améliorent ensuite de manière itérative en
employant les stratégies suivantes : se diriger vers de meilleures solutions au moyen d'un
mécanisme de recherche de voisins tout en abandonnant les solutions médiocres [25].

Étapes de l’ABC : La colonie d’abeilles artificielles se compose de trois types d’abeilles : les
abeilles employées, les abeilles observatrices et les abeilles éclaireuses. Les abeilles éclaireuses
cherchent aléatoirement des sources de nourriture. Une fois les sources potentielles identifiées,
les abeilles éclaireuses deviennent des abeilles employées. Les abeilles employées exploitent
les sources de nourriture et informent les abeilles observatrices de leur qualité et de leur
quantité. Les abeilles observatrices attendent ces informations pour sélectionner leurs propres
sources de nourriture. [26]

I I -5- L’algorithme l'évolution différentielle

L’algorithme l'évolution différentielle est une méthode d'optimisation qui est souvent utilisée
pour résoudre des problèmes d'optimisation continus, non linéaires et non différentiables.
Contrairement à d'autres algorithmes d'optimisation, tels que l'algorithme génétique ou
l'optimisation par essaims particulaires, l'évolution différentielle ne nécessite pas de calculer de
gradients. Au lieu de cela, elle se base sur le concept de mutation, croisement et sélection pour
itérer vers une solution optimale. En termes simples, l'algorithme d'évolution différentielle
génère une population initiale de solutions potentielles, puis effectue des mutations et
croisements pour créer de nouvelles solutions candidates. Ces solutions candidates sont ensuite
évaluées en fonction d'une fonction objectif spécifique, et les individus les plus performants
sont sélectionnés pour survivre et se reproduire. Ce processus itératif se poursuit jusqu'à ce
qu'une solution satisfaisante soit trouvée ou qu'un critère d'arrêt défini soit atteint. L'évolution
différentielle est largement utilisée dans divers domaines tels que l'ingénierie, les sciences de
la gestion, l'apprentissage automatique et l'optimisation des systèmes complexes. Elle offre un
équilibre entre exploration et exploitation, ce qui en fait une méthode efficace pour trouver des
solutions optimales dans des espaces de recherche complexes et multidimensionnels.

Histoire de l'évolution différentielle :

On peut classifier l'évolution différentielle parmi les méthodes méta-heuristiques stochastiques

d'optimisation. D'après la classification acceptée, l'évolution différentielle est inspirée par
les algorithmes génétiques et les stratégies évolutionnistes combinées avec une technique
géométrique de recherche. Les dix dernières années, on peut trouver une grande quantité de

39
problèmes scientifiques et industriels résolus par l'évolution différentielle. Parmi eux, on peut
citer : ordonnancement de tâches d'un satellite, photovoltaïques et traitement d'image…

L'idée fondamentale derrière l'algorithme Différentiel Evolution est de simuler l'évolution d'une
population de candidats de solutions potentielles à un problème donné. Initialement, un
ensemble de solutions est généré aléatoirement. Ces solutions sont ensuite évaluées en fonction
d'une fonction objectif, et les candidats les plus performants sont sélectionnés pour créer de
nouvelles solutions.

Les étapes clés de l'algorithme Différentiel Evolution :

➢ Initialisation de la population : Une population initiale de solutions est générée

aléatoirement dans l'espace de recherche du problème.
➢ Évaluation des solutions : Chaque solution de la population est évaluée en utilisant la
fonction objective du problème. Cela permet de quantifier la performance de chaque
solution par rapport à l'objectif à optimiser.
➢ Mutation : Pour chaque solution de la population, un nouveau candidat est généré en
combinant plusieurs solutions existantes de manière aléatoire. Cela crée une nouvelle
solution perturbée dans l'espace de recherche.
➢ Croisement : Les nouvelles solutions candidates générées à l'étape de mutation sont
croisées avec les solutions existantes de la population. Cela crée une nouvelle
population de solutions en combinant les caractéristiques des solutions actuelles avec
celles des solutions mutées.
➢ Sélection : Les solutions de la nouvelle population sont évaluées en utilisant la fonction
objective, et les solutions les plus performantes sont sélectionnées pour former la
population de la génération suivante. Ce processus de sélection peut suivre différentes
stratégies, telles que la sélection des meilleurs individus ou la sélection basée sur des
critères de probabilité.
➢ Critère d'arrêt : L'algorithme continue d'itérer à travers les étapes de mutation, de
croisement et de sélection jusqu'à ce qu'un critère d'arrêt soit atteint. Ce critère peut être
un nombre maximum d'itérations, une tolérance de convergence, ou l'obtention d'une
solution suffisamment satisfaisante.

40
Organigramme de l’algorithme évolution différentielle :

41
II -6-la Contribution des algorithmes :

Tableau 1 : la Contribution des algorithmes

Références Algorithme Contribution

[27] GA L'algorithme génétique a été utilisé pour optimiser les paramètres
du SDM. Les paramètres optimisés ont permis de calculer avec
précision la sortie du modèle dans différentes conditions de
fonctionnement, améliorant ainsi la performance prédictive du
modèle photovoltaïque.

[28] DE L'évolution différentielle a été employée pour estimer les

paramètres du SDM en prenant en compte les variations de
température et de rayonnement solaire. Les courants de diode et
de photo-courant sont obtenus par des méthodes analytiques,
tandis que les autres paramètres (facteur d'idéalité de la diode,
résistance shunt, résistance série) sont optimisés en fonction de
l'équation du point de puissance maximale, permettant une
meilleure adaptation du modèle aux conditions réelles.

[29,30] ABC L'algorithme ABC a été utilisé pour extraire les paramètres des
modèles SDM.

Des modifications ont été apportées à l'ABC standard pour

améliorer la vitesse de convergence et éviter les pièges des minima
locaux. Ces ajustements ont amélioré les performances de l'ABC,
le rendant très efficace pour ce type de problème d'optimisation.

Ces contributions démontrent l'efficacité des algorithmes métaheuristiques dans

l'optimisation des paramètres des modèles photovoltaïques, chaque algorithme offrant
des avantages spécifiques en termes de précision, vitesse de convergence et robustesse
face aux conditions variables indispensables pour améliorer la performance et la fiabilité
des systèmes photovoltaïques sous des conditions réelles et variables.

42
 II-7) Avantages et inconvénients des algorithmes :

Tableau 2 : Avantages et inconvénients de certains algorithmes d'optimisation : [31]

ALGORITHME AVANTAGES DESAVENTAGES

DE Facile à coder. Pour les modèles PV, DE et ses variantes
fournissent de meilleurs résultats en
Convergence rapide.
matière de précision, de fiabilité et de
temps de calcul. Sujet à une convergence
prématurée.

Trois paramètres doivent être réglés

GA Convergence rapide. Compliqué dans le réglage.

Il peut gérer un grand Grosse charge de calcul.

nombre de variables.

ABC Forte capacité de Sa vitesse de recherche n'est pas stable

recherche. et ralentit à mesure que le processus de
recherche avance.
Vitesse de convergence
élevée

Evolution différentielle est facile à coder et a une convergence rapide, mais peut souffrir de
convergence prématurée et nécessite le réglage de trois paramètres. GA converge
rapidement et peut gérer un grand nombre de variables, mais est compliqué à régler et
impose une grande charge de calcul. ABC a une forte capacité de recherche et une vitesse
de convergence élevée, mais cette vitesse n'est pas stable et ralentit à mesure que le
processus de recherche avance.

43
I I -8- Conclusion :

Les algorithmes métaheuristiques représentent une avancée significative dans le domaine de

l'optimisation, offrant des solutions pratiques et efficaces pour une large gamme de problèmes
industriels et scientifiques. Les algorithmes génétiques, l'algorithme artificiel des abeilles et
l'évolution différentielle sont des exemples notables de métaheuristiques qui démontrent
l'efficacité de ces approches. Les algorithmes génétiques simulent l'évolution naturelle pour
trouver des solutions optimales, tandis que l'algorithme artificiel des abeilles imite le
comportement de recherche de nourriture des abeilles pour explorer efficacement l'espace des
solutions. L'évolution différentielle, de son côté, utilise des techniques de mutation et de
croisement pour optimiser des problèmes continus et non linéaires. Les algorithmes génétiques,
grâce à leur capacité à gérer de grandes populations et à évoluer vers des solutions optimales,
sont particulièrement efficaces pour des problèmes complexes. L'algorithme des abeilles, en
utilisant des stratégies de recherche locales et globales, permet une exploration approfondie et
exploite les meilleures solutions trouvées. L'évolution différentielle, avec ses stratégies de
mutation adaptatives, s'avère être une méthode puissante pour des optimisations de haute
dimension et de complexité variable. Ensemble, ces métaheuristiques offrent un arsenal de
techniques robustes et adaptatives, essentielles pour résoudre des problèmes qui sont autrement
difficile par des méthodes traditionnelles, assurant ainsi des performances optimales et une
flexibilité accrue dans divers domaines d'application.

44
 Chapitre III :
Résultats et discussions

45
III-1) Introduction

Dans cette section, nous examinerons les résultats obtenus à partir de l'application de la méthode
métaheuristique appelée algorithme d'évolution différentielle. Cet algorithme a été codé en
Python pour extraire les paramètres photovoltaïques d'un module à simple diode à l'aide de
données et de caractéristiques réelles. Ensuite, nous effectuerons une comparaison des résultats
obtenus avec ceux d'autres méthodes d'optimisation.

III-2-Les résultats des simulations

Après avoir introduit l'algorithme d'Évolution Différentielle (DE) dans le chapitre précédent,
nous allons maintenant l'appliquer au modèle de Diode Unique (SMD). Dans cette application
spécifique, nous utilisons une version simplifiée de l'algorithme DE, qui ajuste les paramètres
du circuit et, par conséquent, détermine les dimensions de l'espace de recherche.

Les équations SDM sont transcendantes, ce qui rend difficile l'extraction directe du courant à
partir de la tension à partir d'un ensemble de paramètres. Plusieurs techniques utilisant des
méthodes analytiques ou itératives existent dans la littérature [32,33]. Ces techniques ne
fournissent que des approximations du courant ou de la tension, mais permettent d'exprimer la
solution sous forme de fonctions élémentaires simples [34,35]. Dans ce travail, nous utilisons
la méthode de Jain et Kapoor qui utilise la fonction de Lambert W pour une solution analytique
exacte de ces équations. Cependant, la fonction W de Lambert elle-même ne peut pas être
exprimée comme une fonction élémentaire, mais il existe un certain nombre de méthodes de
classe (House Holder) qui permettent d'évaluer efficacement la fonction W, comme la méthode
de Halley [36].

La dernière étape consiste à utiliser la fonction de Lambert W pour affiner la recherche et

évaluer les solutions de manière plus précise. Cela sera réalisé en évaluant les solutions avec la
fonction objectif optimisée par cette méthode.

Fonction Lambert W : Elle pourrait être utilisée après l'optimisation par DE pour raffiner ou
transformer les solutions obtenues. Par exemple, dans certains contextes, la fonction Lambert
W peut être utilisée pour explorer des solutions alternatives ou pour traiter des expressions
mathématiques complexes impliquant des logarithmes et des exponentielles qui peuvent
apparaître dans les équations du modèle SMD.

46
 𝑅𝑃 𝑅𝑆 𝐼0 𝑅 (𝑅 (𝐼 +𝐼 )+𝑉)
𝑊( exp( 𝑃 𝑆 0 𝑃𝐻 ))𝑎𝑉𝑡
𝑅𝑃 (𝐼0 +𝐼𝑃𝐻 )−𝑉 (𝑅𝑃 +𝑅𝑆 )𝑎𝑉𝑡 𝑎𝑉𝑡 (𝑅𝑃 +𝑅𝑆 )
I= -
𝑅𝑃 +𝑅𝑆 𝑅𝑆

La fonction d’Ambert W n'est pas une partie intégrante du modèle SMD ou de l'algorithme DE
appliqué au modèle SMD. Elle est plutôt une méthode mathématique supplémentaire qui
pourrait être explorée pour diverses étapes de traitement ou d'optimisation après avoir obtenu
les solutions initiales du modèle SMD par (DE)

Tableau 3 : les caractéristiques électriques d’un panneau solaire sur laquelle nous sommes basé sur notre travail
(sicell) monocristallins :

Ce tableau qui montre les caractéristiques d'un module solaire. Ces informations sont
essentielles pour comprendre les performances et les caractéristiques techniques.

47
Tableau 4 : les caractéristiques du modèle à simple diode pour (Sicell):

Les valeurs de limites inférieures et supérieures de l’espace de recherche. Les valeurs des
meilleurs paramètres optimaux obtenus doivent appartenir à ce domaine dans tableau suivantes

Le tableau 5 : Meilleurs résultats pour tous les 5 paramètres :

Ce tableau suivant représente les résultats des 5 paramètres obtenus en appliquant l’algorithme
d’évolution différentiel à l’aide de datasheet (sicell).

48
III-2-1- L’influence des paramètres sur la courbe I-V :

Après avoir appliqué la méthode d'optimisation de l'algorithme d'évolution préférentielle, nous

avons obtenu les résultats suivants :

Figure III-1 : la courbe I-V de L’influence des paramètres

La courbe IV, également appelée courbe intensité-tension, est une caractéristique cruciale
qui définit le comportement des systèmes photovoltaïques. Elle décrit précisément la relation
entre la tension (V) et le courant (I), fournissant des informations précieuses à travers une
variété de conditions opérationnelles, incluant IPH , I0, a, Rs, Rp. Chaque facteur influence
distinctement la forme de la courbe et laisse son empreinte sur son trajet. Cette courbe est
essentielle pour évaluer la performance des installations solaires dans divers contextes.

Figure III-2 : effet de IPv sur la courbe I-V de L’influence des paramètres

49
Le premier résultat de notre étude souligne l’impact de IPv sur le courant de court-circuit, Isc.
Lorsque nous avons ajusté Iph, nous avons observé un changement correspondant dans Isc,
indiquant une relation claire entre les deux. Cela montre comment la modification de IPv
influence directement la performance du système photovoltaïque.

Figure III-3 : effet de Rs et Rp sur la courbe I-V de L’influence des paramètres.

La 2eme observation met en évidence l'impact de la résistance série (Rs) et de la résistance

parallèle (Rp) sur la netteté du point de coude et sa forme globale dans la courbe I-V. En ajustant
délibérément ces paramètres, nous avons constaté des modifications notables de la courbure
autour du point de coude, démontrant ainsi le rôle significatif qu'ils jouent dans la détermination
des caractéristiques de performance du système photovoltaïque.

Figure III-4 : effet de (a et 𝐼0 ) sur la courbe I-V de L’influence des paramètres

50
Les facteurs I0 et A sont significatifs pour déterminer la tension en circuit ouvert Voc.
De plus, ces paramètres ont une influence subtile sur la netteté du coude dans la courbe
I-V. Cela souligne comment l'ajustement fin de ces éléments peut entraîner des
changements notables dans le comportement et les performances du système
photovoltaïque.

III-2-2) la courbe de l’erreur quadratique moyenne (RMSE):

La figure III-5 : La courbe de RMSE.

La courbe bleue sur le graphique que vous avez envoyé montre une optimisation efficace de la
forme physique de la population pour un modèle de diode simple. La diminution rapide de la
RMSE au début suggère que le modèle s'améliore de manière significative dans les premières
générations, après la courbe de (RMSE) continue de diminuer, mais à un rythme plus lent
jusqu'à atteindre une valeur très basse et stable. Ce qui indique que le modèle atteint un niveau
élevé de précision après un certain nombre de générations, ce qui signifie qu'il est bien ajusté
aux données expérimentales.

51
Table 6 : La comparaison entre résultats (DE) avec résultats d’autres algorithmes

Method Reference 𝑹𝑺 (Ω) 𝐑 𝐬𝐡 (Ω) a I0 (µA) 𝐈𝐏𝐇 (A) RMSE

0.44012466
DE 54.93275213 1.9999997 5.53498 1.031433 3.1819E-04

ABC [38] 0.0333 27.2772 1.3512 3.4822 1.0305 2.4250 E-03

GA [39] 0.0299 42.3729 1.5751 0.8087 0.7619 1.90 E-02

Newton [37] 15.2625 1.3458 3.2876 1.0318 5.6010 E-01

0.0333
Rafelson

Ce tableau démontre l'efficacité comparative des différents algorithmes pour extraire les
paramètres du modèle de diode simple dans les systèmes photovoltaïques. Bien que toutes les
méthodes fournissent des résultats utilisables, l'algorithme DE (Evolution Différentiel) utilisé
dans ce travail montre une des meilleures performances en termes de précision (faible RMSE
= 3.1819E-04) et de cohérence des paramètres. Cela met en avant la robustesse de l'algorithme
évolution différentiel DE pour ce type de problème d'optimisation. La meilleure méthode
dépendra de l'équilibre entre la précision requise et les performances spécifiques et
L’algorithme Evolution Différentiel DE semble offrir la meilleure précision globale, tandis que
l'algorithme GA (Algorithme génétique) peut être préférable si une faible résistance série et un
faible courant de saturation sont prioritaire.

52
III-2-3- la courbe de puissance :

Ce courbe représenter la relation entre la tension appliquée sur une diode simple et la
puissance dissipée par cette diode. Les Points verts (Données expérimentales) : représentent les
données expérimentales collectées pour la diode. Chaque point montre la puissance dissipée à
une certaine tension. Ces points montrent comment la puissance varie en fonction de la tension
appliquée à la diode.

Ligne bleue (Évolution Différentielle) : Ce ligne représente la modélisation de l'évolution de

la puissance en utilisant une méthode d’une approche différentielle.il montre la tendance
générale des données expérimentales et aide à comprendre le comportement de la diode sous
différents niveaux de tension.

Augmentation initiale de la puissance est mesure que la tension augmente à partir de zéro, la
puissance dissipée par la diode augmente également. Cela se produit parce que le courant à
travers la diode augmente, ce qui entraîne une augmentation de la puissance dissipée. Au début,
l'augmentation de la puissance est presque linéaire, puis elle devient plus rapide à mesure que
la tension se rapproche de la valeur de pointe.

Point de puissance maximale : La puissance atteint un maximum (environ 0.021 W) à une

tension de près de 0.4 V. Ce point est crucial car il représente la capacité maximale de
dissipation de puissance de la diode à cette tension spécifique. Le point de puissance maximale
indique le niveau de tension où la diode est la plus efficace pour dissiper la puissance.

53
Diminution après le maximum : Après avoir atteint le maximum, la puissance commence à
diminuer. Cette baisse peut être due à des limitations thermiques ou à une saturation du courant
qui limite la capacité de la diode à dissiper davantage de puissance à des tensions plus élevées.
Cette diminution montre que la diode devient moins efficace pour dissiper la puissance lorsque
la tension dépasse un certain seuil.

III-2-4- la courbe de puissance et les caractéristiques courant-tension (IV) :

Ce graphe présente les caractéristiques courant-tension (IV) et puissance d'une simple diode,
ca se voir clairement que les résultats de les données expérimentales avec les résultats obtenus
à l'aide de l'évolution différentielle.

54
III-2- Conclusion :
Cette étude démontre l'efficacité des algorithmes d'évolution différentielle (DE) dans les
techniques itératives pour extraire les paramètres des systèmes photovoltaïques (PV). Bien que
les algorithmes DE ne soient pas les plus puissants de leur catégorie, ils ont montré leur capacité
à fournir des résultats remarquables dans notre contexte d'application. Il est également
important de noter que notre méthode possède un potentiel significatif pour des améliorations
futures. Cette étude met en lumière non seulement l'efficacité de notre algorithme proposé, mais
aussi les opportunités d'optimisation dans le domaine des systèmes photovoltaïques. Les futurs
travaux pourraient se concentrer sur l'amélioration des paramètres et des techniques de
recherche pour obtenir de meilleurs résultats. Cette étude souligne non seulement l'efficacité
de notre algorithme proposé, mais aussi les opportunités d'optimisation dans le domaine des
systèmes photovoltaïques.

55
 Conclusion générale

Cette étude ouvre des voies prometteuses pour l'application de techniques d'IA dans le domaine
de l'énergie renouvelable, particulièrement dans l'optimisation des systèmes photovoltaïques.
Les algorithmes métaheuristiques, y compris l'évolution différentielle, représentent une avancée
significative, offrant des solutions pratiques et efficaces pour une large gamme de problèmes
industriels et scientifiques. Ces algorithmes démontrent leur efficacité dans l'optimisation des
paramètres des modèles photovoltaïques, chaque algorithme offrant des avantages spécifiques
en termes de précision, vitesse de convergence et robustesse face aux conditions variables.
Photovoltaïque et l'intelligence artificielle (IA) favorisent l'innovation dans le domaine de
l'énergie. L'IA peut améliorer l'efficacité des panneaux solaires en prédisant la production, en
assurant la maintenance et en optimisant les angles des panneaux. Elle aide également à la
gestion des réseaux intelligents, à l'intégration des énergies renouvelables et à l'analyse de la
consommation d'énergie. Dans le domaine de la recherche et développement, l'IA accélère la
découverte de nouveaux matériaux et la conception de systèmes solaires sur mesure. Ces
technologies contribuent à une utilisation plus efficace et durable de l'énergie solaire.
L’intelligence artificielle peut aider à améliorer l'efficacité des panneaux photovoltaïques en
surveillant en temps réel leur performance, en optimisant la production d'énergie, en prédisant
la production d'énergie et en améliorant la conception des systèmes photovoltaïques.

L’algorithme d'évolution différentielle est un outil efficace pour l'optimisation des paramètres
des systèmes photovoltaïques, offrant un bon compromis entre complexité et performance. Les
résultats comparatifs indiquent que l'algorithme d'évolution différentielle est compétitif par
rapport à d'autres algorithmes, avec des améliorations possibles par l'intégration de méthodes
hybrides ou plus sophistiquées.

56
 Références:
[01] Shmelev, Stanislav E., and Jeroen CJM Van Den Bergh. "Optimal diversity of renewable
energy alternatives under multiple criteria: An application to the UK." Renewable and
Sustainable Energy Reviews 60 (2016): 679-691.

[02] Royer, J., et al. "Le pompage photovoltaïque » université d’ottawa, 1998.

[8]: M." Orgeret,«Les piles solaires, le composent et ces applications» Préface de F. Allest.

[03] ‘‘ Simulation, fabrication et analyse des cellules photovoltaïque à contacts arrière

interdigités’’, thèse de doctorat, Institue nationale des sciences appliquées, Lyon,2005.

[04] (simulation, fabrication et analyse de cellule photovoltaïque à contacte arrière interdigités)

Thèse de doctorat. L’institut national des sciences appliquées de Lyon 2005.

[05] Kirchartz, Thomas, Kurt Taretto, and Uwe Rau. "Efficiency limits of organic bulk
heterojunction solar cells." The Journal of Physical Chemistry C 113.41 (2009): 17958-17966.

[06] Photopiles solaires « De la physique de la conversion photovoltaïque aux filières,

matériaux et procédés ». Presses Polytechniques et Universitaires Romandes, Lausanne (1997).

[07] Mokrani zakaria, "Conception et simulation électrique d’une cellule solaire en Si par le
logiciel Tcad-Silvaco", mémoire de master, université Biskra, 2011.

[8] optimisation des émetteurs sélectifs et passible des cellules solaires conventionnelles à base
de mc_si, mémoire de magister, université de Tlemcen, 2012.

[9] Contribution à l’étude d’une conception d’une centrale photovoltaïque de puissance (1MW)
interconnectée au réseau de distribution électrique moyenne tension, thèse de magister,
université de Tizi- Ouzzou, 2015.

[10] ABDELLI, Mohammed Chafik. Etude des cellules photovoltaïques organiques. Diss.
2014..

[11] Etude et réalisation de cellules solaires photovoltaïques à base de matériaux organiques,

thèse de doctorat, université deTizi-Ouzzou.
57
[12] Rssel, Stuart J., and Norvig, Peter. "Artificial Intelligence: A Modern approach." Pearson,
2016.

[13] Domingos, Pedro. "The Master Algorithm: How the Quest for the Ultimate

learning Machine Will Remake Our World." Basic Books, 2018

[14McCorduck, Pamela, and Cli Cfe. Machines who think: A personal inquiry into the history
and prospects of artificial intelligence. AK Peters/CRC Press, 2004.

[15] Crevier, Daniel. "AI: The Tumultuous History of the Search for Artificial Intelligence."
Basic Books, 1993.

[16] Nilsson, Nils J. "The Quest for Artificial Intelligence: A History of Ideas and
Achievements." Cambridge University Press, 2010.

[17] www.annajah.net/intelligence artificielle-definition-importance-types-importantes-

applications-article-30227

[18] https://takoussane.com/lintelligence-artificielle-dans-l-energie-solaire/

[19] https://www.tomorrow.bio/fr/poste/ai-dans-les-satellites-d-energie-solaire

-amelioration-de-l-efficacite-de-l-energie-spatiale-2023-11-5445659764-space

[20] L'intelligence artificielle (IA) au coeur des énergies renouvelables (energie-

domestique.com)

[21] www.gerad.ca/~alainh/Metaheuristiques.pdf

[22] ALGORITHMIQUE Algorithmes génétiques - Encyclopédisa Universalis .

[23] Li S, Wu H, Wan D and Zhu J 2011 An effective feature selection method for hyperspectral
image classification based on genetic algorithm and support vector.

[24] Venkateswara R and Rajasekar N 2021 Review on parameter estimation techniques of

solar photovoltaic systems International Transactions on Electrical Energy Systems.

[25] http://www.scholarpedia.org/article/Artificial_bee_colony_algorithm.

[26] https://www.baeldung.com/cs/artificial-bee-colony.

[27] Ismail, M.S.; Moghavvemi, M.; Mahlia, T.M.I. Characterization of PV panel and global
optimization of its model parameters using genetic algorithm. Energy Convers. Manag. 2013,
58
[28] Ishaque, K.; Salam, Z. An improved modeling method to determine the model parameters
of photovoltaic (PV) modules using differential evolution (DE). Solar Energy 2011, 85, 2349
[29] Ketkar, M.; Chopde, A.M. Efficient parameter extraction of solar cell using modified
ABC.

[30] Oliva, D.; Cuevas, E.; Pajares, G. Parameter identification of solar cells using artificial bee

colony optimization. Energy 2014, 72, 93–102.

[31]A_Comprehensive_Review_of_Photovoltaic_Modules_Models_and_Algorithms_Used_i
n_Parameter_Extrac

[32] Fjeldly TA, Moon B-J, Shur M. Approximate Analytical Solution of Generalized Diode
Equation. IEEE Trans Electron Devices 1991;38(8):1976–7.

[33] Datta SK, Mukhopadhyay K, Bandopadhyay S, Saha H. An improved technique for the
determination of solar cell parameters. Solid State Electron 1992;35(11): 1667–73.

[34] Jain A. Exact analytical solutions of the parameters of real solar cells using Lambert W-
function. Sol Energy Mater Sol Cells 2004;81(2):269–77.

[35] S. xian Lun, S. Wang, G. hong Yang, and T. ting Guo, “A new explicit double-diode
modeling method based on Lambert W-function for photovoltaic arrays,” Solar Energy, 2015.

[36]Veberiˇc D. Lambert W function for applications in physics. Comput Phys Commun

2012;183(12):2622

[37] EASWARAKHANTHAN T, BOTTIN J, BOUHOUCH I, BOUTRIT C. Nonlinear

Minimization Algorithm for Determining the Solar Cell Parameters with Microcomputers. Int
J Solar Energy 1986;4(1):1–12.

[38] Wu Lijun, Chen Zhicong, Long Chao, Cheng Shuying, Lin Peijie, Chen Yixiang, et al.
Parameter extraction of photovoltaic models from measured I-V characteristics curves using a
hybrid trust-region reflective algorithm. Appl Energy 2018;232

[39] ] Hamid NFA, Rahim NA, Selvaraj J. Solar cell parameters identification using hybrid
Nelder-Mead and modified particle swarm optimization. J Renewable Sustainable Energy
2016;8(1):015502.

59