🌞 Heliocity à la pointe de l’IA dans le diagnostic de l’énergie solaire
Comment effectuer une maintenance préventive pour éviter les pannes coûteuses des onduleurs, ou remplacer des modules défectueux avant qu’ils n’impactent la production ?
Les services de diagnostic à distance d’Heliocity reposent sur une base solide de modèles numériques physiques et sur une connaissance détaillée des technologies solaires et des conditions environnementales dans lesquelles elles fonctionnent.
Ces éléments offrent un niveau de précision inégalé pour la détection des anomalies de performance.
Nous capitalisons sur les informations disponibles dans les données de surveillance grâce à une utilisation appropriée des méthodes de science des données.
Le machine learning fait donc partie intégrante de l’analyse d’Heliocity depuis le premier jour.
Aujourd’hui, nous sommes fiers de repousser les limites de l’intégration de l’intelligence artificielle dans les diagnostics basés sur la physique, avec le développement de nouveaux outils et services formés sur des ensembles de données étiquetées de haute qualité générés dans le cadre des audits Heliocity.
Une caractéristique unique de nos efforts dans ce domaine est la construction d’une base de données substantielle de données de performance, de défauts et de facteurs de perte sur des installations réelles.
En 2025, ces données couvrent déjà plusieurs centaines d’installations photovoltaïques de toutes tailles – intégrées au bâtiment ou au sol – analysées sur des mois voire des années, avec une résolution temporelle de quelques minutes et une résolution spatiale allant jusqu’aux panneaux individuels.
Dans le cadre du projet européen Solaris Horizon Europe (solaris-heu.eu), Heliocity pilote le développement d’un service de maintenance prédictive pour gérer les parcs d’installations solaires.
Nous explorons aussi les possibilités d’améliorer les opérations sur le terrain guidées par la détection automatisée des défauts, l’analyse Heliocity, et en intégrant les inspections sur site dans les diagnostics réguliers à distance.
À cette fin, nous nous appuyons sur des méthodes d’apprentissage automatique et d’apprentissage profond pour :
- Identifier les précurseurs de défauts
- Construire des jumeaux numériques
- Automatiser les recommandations d’action
De plus, grâce au projet Solaris, nous étudions la valeur ajoutée de nouveaux capteurs et mesures de diagnostic dans la surveillance solaire.
