Polyfit / app /error_bar_utils.py
ClementGERARD's picture axelrvite's picture
Update app/error_bar_utils.py (#75)
5f88a63 verified
Raw History Blame Contribute Delete
7.21 kB
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