Spaces:
Sleeping
Sleeping
File size: 7,208 Bytes
1eaefb6 7111901 06c32ff 1bd1f28 06c32ff c3958a7 5f88a63 06c32ff 1bd1f28 06c32ff 1bd1f28 06c32ff 1bd1f28 06c32ff 2e5b1a1 06c32ff 2e5b1a1 06c32ff 643d6e9 06c32ff c3958a7 06c32ff c3958a7 06c32ff 1bd1f28 06c32ff 1bd1f28 06c32ff 1bd1f28 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 | import numpy as np
from pvlib.pvsystem import i_from_v
def get_parameter_error_bounds(I, V, Rs, Rsh, n, J0, Jph, condition_initiale=1e-7,
facteur_adaptation=10, max_tentatives=3):
"""
Fonction améliorée pour calculer les bornes d'erreur des paramètres d'un modèle photovoltaïque.
Paramètres:
-----------
I, V : array-like
Courants et tensions mesurés
Rs, Rsh, n, J0, Jph : float
Paramètres initiaux du modèle
condition_initiale : float, optional
Seuil initial pour la sélection des paramètres intéressants
facteur_adaptation : float, optional
Facteur par lequel multiplier la condition si aucun paramètre n'est trouvé
max_tentatives : int, optional
Nombre maximal de tentatives d'adaptation de la condition
Retourne:
---------
dictionnaire_bornes : dict
Dictionnaire contenant les bornes min et max pour chaque paramètre
"""
k = 1.3806503e-23 # Boltzmann constant (J/K)
q = 1.60217646e-19 # Elementary charge (C)
Tmes = 25 + 273.15
Vth = k * Tmes / q
condition = condition_initiale
def generer_bruit_unique(valeur, n=4000, pourcentage=0.0035):
valeurs = []
for h in range(0, n):
valeurs.append(valeur)
signal = np.array(valeurs)
bruit = np.random.normal(0, valeur*pourcentage, size=signal.shape)
signal_bruité = list(signal + bruit)
return signal_bruité
# Génération des valeurs bruitées
Rs_bruité1 = generer_bruit_unique(Rs)
n_bruité1 = generer_bruit_unique(n)
J0_bruité1 = generer_bruit_unique(J0)
Rsh_bruité1 = generer_bruit_unique(Rsh)
# Ajout des valeurs originales au début
Rs_bruité1.insert(0, Rs)
n_bruité1.insert(0, n)
J0_bruité1.insert(0, J0)
Rsh_bruité1.insert(0, Rsh)
Rs_bruité = [Rs_bruité1]
n_bruité = [n_bruité1]
J0_bruité = [J0_bruité1]
Rsh_bruité = [Rsh_bruité1]
# Fonction pour calculer chi2 et collecter les paramètres intéressants
def chi2_général(V, I, Jph, Rsh_bruité, J0_bruité, Rs_bruité, n_bruité, j, condition):
n_intéressants = []
J0_intéressants = []
Rs_intéressants = []
Rsh_intéressants = []
chi2_values = [] # Pour stocker toutes les valeurs de chi2
try:
I_bruite_j = i_from_v(V, Jph, J0_bruité[0][j], Rs_bruité[0][j], Rsh_bruité[0][j], n_bruité[0][j]*Vth)
# Vérification de validité physique
if not isinstance(I_bruite_j, np.ndarray) or np.isnan(I_bruite_j).any():
print(f"Résultat non valide pour j={j}")
return n_intéressants, J0_intéressants, Rs_intéressants, Rsh_intéressants, chi2_values
I_bruite_j = np.array(I_bruite_j)
# Méthode améliorée pour déterminer si une inversion est nécessaire
# Calculer la corrélation entre I et I_bruite_j
correlation = np.corrcoef(I, I_bruite_j)[0, 1]
if correlation < 0: # Si corrélation négative, inverser
I_bruite_j = -I_bruite_j
chi21 = np.sum((I_bruite_j - I) ** 2)
chi2_values.append(chi21)
if chi21 < condition:
n_intéressants.append(n_bruité[0][j])
J0_intéressants.append(J0_bruité[0][j])
Rs_intéressants.append(Rs_bruité[0][j])
Rsh_intéressants.append(Rsh_bruité[0][j])
except Exception as e:
print(f"Erreur à l'étape j={j} avec paramètres: Rs={Rs_bruité[0][j]}, n={n_bruité[0][j]}, "
f"J0={J0_bruité[0][j]}, Rsh={Rsh_bruité[0][j]}: {e}")
return n_intéressants, J0_intéressants, Rs_intéressants, Rsh_intéressants, chi2_values
# Boucle d'adaptation de la condition
tentative = 0
tous_chi2 = []
while tentative < max_tentatives:
n_intéressants = []
J0_intéressants = []
Rs_intéressants = []
Rsh_intéressants = []
for j in range(len(Rs_bruité[0])):
n_int, J0_int, Rs_int, Rsh_int, chi2_vals = chi2_général(
V, I, Jph, Rsh_bruité, J0_bruité, Rs_bruité, n_bruité, j, condition)
n_intéressants.extend(n_int)
J0_intéressants.extend(J0_int)
Rs_intéressants.extend(Rs_int)
Rsh_intéressants.extend(Rsh_int)
tous_chi2.extend(chi2_vals)
# Si on a trouvé assez de paramètres intéressants, on sort de la boucle
if len(n_intéressants) >= 4: # Seuil arbitraire, à ajuster
print(f"Condition adaptée à {condition}, {len(n_intéressants)} paramètres trouvés")
break
# Sinon, on relâche la condition et on réessaie
condition *= facteur_adaptation
print(f"Adaptation de la condition à {condition}")
tentative += 1
# Si après toutes les tentatives on n'a toujours pas de paramètres intéressants
if not n_intéressants:
print("Aucun paramètre intéressant trouvé même après adaptation de la condition")
print(f"Chi2 min: {min(tous_chi2) if tous_chi2 else 'N/A'}, "
f"Chi2 max: {max(tous_chi2) if tous_chi2 else 'N/A'}")
# Utiliser les paramètres originaux comme valeurs centrales
Rs_central, n_central, J0_central, Rsh_central = Rs, n, J0, Rsh
# Calculer des bornes basées sur la distribution des paramètres testés
if len(Rs_bruité[0]) > 1:
Rs_min, Rs_max = min(Rs_bruité[0]), max(Rs_bruité[0])
n_min, n_max = min(n_bruité[0]), max(n_bruité[0])
J0_min, J0_max = min(J0_bruité[0]), max(J0_bruité[0])
Rsh_min, Rsh_max = min(Rsh_bruité[0]), max(Rsh_bruité[0])
else:
# Fallback si même les paramètres bruités ne sont pas disponibles
Rs_min, Rs_max = 0.9*Rs, 1.1*Rs
n_min, n_max = 0.9*n, 1.1*n
J0_min, J0_max = 0.9*J0, 1.1*J0
Rsh_min, Rsh_max = 0.9*Rsh, 1.1*Rsh
else:
# Calcul normal des bornes avec les paramètres intéressants trouvés
Rs_central = Rs_intéressants[0]
n_central = n_intéressants[0]
J0_central = J0_intéressants[0]
Rsh_central = Rsh_intéressants[0]
Rs_min = min(Rs_intéressants)
Rs_max = max(Rs_intéressants)
n_min = min(n_intéressants)
n_max = max(n_intéressants)
J0_min = min(J0_intéressants)
J0_max = max(J0_intéressants)
Rsh_min = min(Rsh_intéressants)
Rsh_max = max(Rsh_intéressants)
dictionnaire_bornes = {
'Rs': {'min': Rs_min, 'max': Rs_max, 'central': Rs_central},
'n': {'min': n_min, 'max': n_max, 'central': n_central},
'J0': {'min': J0_min, 'max': J0_max, 'central': J0_central},
'Rsh': {'min': Rsh_min, 'max': Rsh_max, 'central': Rsh_central}
}
return dictionnaire_bornes
|