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