Metadata-Version: 2.4
Name: PV-Diagnostix-Su
Version: 0.1.1
Requires-Python: >=3.8
Description-Content-Type: text/markdown
Requires-Dist: pandas>=1.3.0
Requires-Dist: numpy>=1.21.0
Requires-Dist: scipy>=1.7.0
Requires-Dist: scikit-learn>=1.0.0
Requires-Dist: plotly>=5.0.0
Requires-Dist: pathlib
Requires-Dist: logging
Requires-Dist: PyYAML>=6.0
Requires-Dist: pywavelets
Dynamic: description
Dynamic: description-content-type
Dynamic: requires-dist
Dynamic: requires-python

# PV-Diagnostix-Su: Plateforme de Diagnostic AvancÃ© pour SystÃ¨mes PhotovoltaÃ¯ques

**Une solution de diagnostic de nouvelle gÃ©nÃ©ration, issue de la recherche et du dÃ©veloppement, qui fusionne l'Intelligence Artificielle (IA) et le traitement avancÃ© du signal pour offrir une prÃ©cision inÃ©galÃ©e dans la maintenance prÃ©dictive des Ã©quipements photovoltaÃ¯ques.**

---

## Table des MatiÃ¨res
- [Contexte Technologique](#contexte-technologique)
- [Installation](#installation)
- [DÃ©marrage Rapide](#dÃ©marrage-rapide)
- [CapacitÃ©s de la Plateforme](#capacitÃ©s-de-la-plateforme)
- [Structure du Projet](#structure-du-projet)
- [Exemples d'Application](#exemples-dapplication)
- [Contribution](#contribution)
- [Licence](#licence)
- [Citation](#citation)

## Contexte Technologique

PV-Diagnostix-Su est une initiative de R&D visant Ã  transformer la maintenance des infrastructures solaires. Notre approche unique combine des algorithmes de traitement du signal de pointe avec des modÃ¨les de Machine Learning pour analyser les signaux Ã©lectriques bruts. Cette synergie permet de dÃ©celer des anomalies subtiles, de prÃ©dire les dÃ©gradations et d'identifier des signatures de dÃ©fauts invisibles aux mÃ©thodes traditionnelles, garantissant ainsi une fiabilitÃ© et une performance optimales des actifs.

## Installation

### Via pip (RecommandÃ©)
```bash
pip install pv-diagnostix-su
```

### Installation Locale
1. Clonez le dÃ©pÃ´t.
2. CrÃ©ez et activez un environnement virtuel.
3. Installez les dÃ©pendances :
   ```bash
   pip install -r requirements.txt
   pip install -e .
   ```

## DÃ©marrage Rapide

Lancez une analyse complÃ¨te en quelques minutes :
1.  **PrÃ©parez les donnÃ©es :** Placez vos fichiers CSV dans `data/sample_data/`.
2.  **Configurez l'Ã©quipement :** Assurez-vous qu'un fichier de configuration JSON correspondant existe dans `data/equipment_configs/`.
3.  **ExÃ©cutez un scÃ©nario :**
    ```bash
    python examples/example_single_inverter_analysis.py
    ```
    Un rapport de diagnostic interactif sera gÃ©nÃ©rÃ© dans `examples/results/`.

## CapacitÃ©s de la Plateforme

*   **Moteur d'Ingestion et de Validation :** Chargement robuste des donnÃ©es CSV avec alignement temporel, interpolation intelligente et validation des plages physiques.
*   **Noyau d'Analyse Hybride (IA & Traitement du Signal) :**
    *   **Filtrage IA (BasÃ© sur Kalman) :** Denoising avancÃ© du signal pour une clartÃ© maximale.
    *   **Analyse FrÃ©quentielle (FFT) :** DÃ©tection des harmoniques et des perturbations Ã©lectriques.
    *   **Analyse Temps-FrÃ©quence (Wavelet) :** Identification prÃ©cise des dÃ©gradations progressives et des Ã©vÃ©nements transitoires.
    *   **Analyse d'Enveloppe (Hilbert) :** DÃ©tection des anomalies d'amplitude et des instabilitÃ©s.
    *   **Analyse de PÃ©riodicitÃ© (AutocorrÃ©lation) :** Identification des schÃ©mas rÃ©currents et des dÃ©fauts cycliques.
*   **Scoring de SantÃ© PrÃ©dictif (PHS) :** Un algorithme propriÃ©taire qui convertit les analyses complexes en un score de santÃ© unifiÃ© (0-100), permettant une Ã©valuation rapide de l'Ã©tat des actifs.
*   **Classification de SÃ©vÃ©ritÃ© par Machine Learning :** CatÃ©gorise automatiquement l'Ã©tat de l'Ã©quipement en 'OPTIMAL', 'SOUS SURVEILLANCE', 'CRITIQUE', ou 'DÃ‰FAILLANCE IMMINENTE'.
*   **GÃ©nÃ©rateur de Recommandations :** Fournit des informations exploitables et des recommandations de maintenance basÃ©es sur les signatures de dÃ©fauts dÃ©tectÃ©es.
*   **Configuration Flexible :** DÃ©finissez et personnalisez facilement tout type d'Ã©quipement (onduleurs, panneaux, batteries) via des fichiers de configuration simples.
*   **Rapports Interactifs :** GÃ©nÃ¨re des rapports HTML dynamiques et autonomes avec des visualisations de donnÃ©es interactives (Plotly).

## Structure du Projet
```
pv_diagnostix_su/
â”œâ”€â”€ pv_diagnostix_su/      # Noyau de la bibliothÃ¨que
â”‚   â”œâ”€â”€ core/              # Algorithmes centraux (IA, traitement signal, scoring)
â”‚   â”œâ”€â”€ equipment/         # ModÃ¨les d'Ã©quipement (onduleur, panneau, etc.)
â”‚   â””â”€â”€ utils/             # Utilitaires (validation, visualisation)
â”œâ”€â”€ tests/
â”œâ”€â”€ examples/
â”œâ”€â”€ data/
â”œâ”€â”€ docs/
â”œâ”€â”€ setup.py
â”œâ”€â”€ requirements.txt
â””â”€â”€ README.md
```

## Exemples d'Application
Le rÃ©pertoire `examples/` contient des cas d'usage dÃ©taillÃ©s pour dÃ©montrer la puissance de la plateforme.

## Contribution
Les contributions visant Ã  faire avancer la recherche dans ce domaine sont les bienvenues.

## Licence
Ce projet est sous licence MIT.

## ConfidentialitÃ© des DonnÃ©es
Cette plateforme est conÃ§ue pour le diagnostic technique et ne gÃ¨re aucune DonnÃ©e Ã  CaractÃ¨re Personnel (PII). L'utilisateur est entiÃ¨rement responsable de l'anonymisation de toutes les donnÃ©es d'entrÃ©e.

## Citation
Pour toute utilisation dans un cadre acadÃ©mique ou de recherche, veuillez citer :
```
@misc{pvequipmentdiagnostics,
  author = {PV-Diagnostix Research Group},
  title = {PV-Diagnostix-Su: An AI-Enhanced Diagnostic Platform for Photovoltaic Systems},
  howpublished = {\url{https://github.com/your-username/pv-diagnostix-su}}
}
```
