Bechouche Ali

RPUBLIQUE ALGRIENNE DMOCRATIQUE ET POPULAIRE
MINISTRE DE LENSEIGNEMENT SUPRIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSIT MOULOUD MAMMERI DE TIZIOUZOU
FACULT DE GNIE LECTRIQUE ET DINFORMATIQUE

DPARTEMENT DLECTROTECHNIQUE
THSE DE DOCTORAT
SPCIALIT : LECTROTECHNIQUE
Prsente par
M. BECHOUCHE Ali
Sujet :
UTILISATION DES TECHNIQUES AVANCES POUR LOBSERVATION

ET LA COMMANDE DUNE MACHINE ASYNCHRONE :
APPLICATION UNE OLIENNE
Soutenue publiquement le 22 avril 2013 devant le jury dexamen compos de :

Prsident
Rapporteur
Examinateurs
Invit
Nacereddine BENAMROUCHE
Salah HADDAD
El Madjid BERKOUK
Sad DJENNOUNE
Toufik REKIOUA
Jean-Philippe URBAN
Djaffar OULD ABDESLAM
Professeur, UMM, TiziOuzou

Professeur, ENSP, Alger
Professeur, UAM, Bejaia
Professeur, UHA, France
Matre de Confrences, UHA, France
Thse prpare au Laboratoire L2CSP de lUniversit Mouloud Mammeri de TiziOuzou en collaboration

avec le Laboratoire MIPS de lUniversit de HauteAlsace de Mulhouse, France
Directeur de thse : Pr. Salah HADDAD
Co-encadrant : Dr. Djaffar OULD ABDESLAM
A mon pre et ma mre,

A mes frres et surs,
A tous ceux qui me sont chers.
Avant-Propos
ES TRAVAUX DE RECHERCHE prsents dans ce mmoire de thse ont t raliss au

Laboratoire de Conception et Conduite des Systmes de Production (L2CSP) de
lUniversit Mouloud Mammeri de TiziOuzou (UMMTO) en collaboration avec le Laboratoire Modlisation, Intelligence, Processus & Systmes (MIPS) de lUniversit de Haute
Alsace (UHA) de Mulhouse.
Le sujet trait est : Utilisation des techniques avances pour lobservation et la commande
dune machine asynchrone : application une olienne .
Je tiens tout dabord remercier Monsieur Salah HADDAD, Professeur l UMMTO, davoir
accept de diriger ma thse. Je le remercie galement pour ses qualits humaines, ses conseils
prcieux et ses encouragements durant toute la dure de ce travail. Quil trouve ici ma grande
reconnaissance.
Je tmoigne ma profonde reconnaissance Monsieur Djaffar OULD ABDESLAM, Matre de
Confrences l UHA, pour mavoir encadr durant toutes les phases de ce travail malgr la
distance Tizi-Ouzou Mulhouse et son emploi du temps souvent trs charg. Ses prcieux
conseils et ses orientations primordiales mont permis de mener efficacement ce travail. Je le
remercie galement pour mavoir accueilli lors de mes sjours Mulhouse et mavoir assur
toutes les conditions ncessaires pour bien mener mes recherches.
Un grand merci Monsieur Hamid SEDIKI, Matre de Confrences l UMMTO, pour son
encadrement de haute qualit, ses prcieux conseils et sa disponibilit sans faille. Ses qualits
scientifiques et humaines mont t dun apport absolu laboutissement de cette thse. Ses
grandes comptences sur le plan exprimental mont permis de valider exprimentalement
plusieurs simulations. Sa contribution est tellement importante quon peut trouver ses apports
dans toutes les pages de ce document.
Je remercie Monsieur Nacereddine BENAMROUCHE, Professeur l UMMTO, pour son
aide, ses encouragements et lhonneur quil nous fait en acceptant de prsider ce jury.
Que Monsieur El Madjid BERKOUK, Professeur lEcole Nationale Polytechnique dAlger,
trouve ici lexpression de mes plus vifs remerciements pour avoir accept dexaminer ce travail.
Je tiens galement remercier Monsieur Sad DJENNOUNE, Professeur l UMMTO,
davoir accept de participer ce jury.
Je remercie Monsieur Toufik REKIOUA, Professeur lUniversit Abderrahmane Mira de
Bejaa, davoir accept dexaminer ce travail et de faire partie du jury.
Un grand merci Monsieur Jean Philippe URBAN, Professeur l UHA, pour son aide et ses
encouragements ainsi que pour lhonneur quil nous fait en acceptant de participer au jury.
Que Messieurs Boussad BOUKAIS et Sad HARMIM, Matres de Confrences l UMMTO,
trouvent ici ma profonde reconnaissance pour leur amiti, leurs encouragements et lattention
constante quils ont apport mon gard. Les diffrentes discussions que nous avons eues
ensemble mont permis dapprofondir davantage mes connaissances dans le domaine des machines lectriques.
i
Je remercie Monsieur Tahar OTMANE-CHERIF, Matre de Confrences l UMMTO et

Monsieur Nahid MUFIDZADA, Professeur l UMMTO, pour leurs encouragements durant
ce travail.
Je remercie le Doctorant Monsieur Koussaila MESBAH, pour sa sympathie et ses encouragements.
Jadresse galement mes remerciements aux membres du laboratoire MIPS, en particulier
ceux de lquipe TROP, pour laccueil chaleureux et lambiance amicale quils ont su crer
pendant mes diffrents sjours Mulhouse.
Mes remerciements vont galement tous les collgues et amis (es) de la Facult de Gnie
Electrique et dInformatique et en particulier ceux de notre laboratoire L2CSP.
Je ne peux oublier de remercier Monsieur Azouaou AOUDJ, informaticien de notre facult,
pour sa disponibilit, sa serviabilit et son aide prcieuse.
Je termine cet avant propos en remerciant ma famille en particulier mes parents et mes frres
et surs pour mavoir accompagn, aid et soutenu durant toutes ces longues annes dtudes.
ii
Table des matires
Table des matires
Table des matires
Introduction gnrale
Techniques neuronales pour lidentification et la commande des systmes dynamiques

1.1
1.2
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rseaux de neurones artificiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2 Processus dapprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.3 Types dapprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.4 Algorithmes dapprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Mthodes neuronales didentification et de commande de systmes dynamiques.
1.3.1 Mthodes didentification de systmes dynamiques . . . . . . . . . . . . . . . . . . .
1.3.2 Mthodes de commande de systmes dynamiques . . . . . . . . . . . . . . . . . . . .
1.4 Avantages des techniques neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
Identification des paramtres de la machine asynchrone par les rseaux

ADALINE
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Identification des paramtres lectriques de la machine asynchrone larrt . . . .
2.2.1 Modle de la machine asynchrone larrt . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Compensation des chutes de tension dans londuleur . . . . . . . . . . . . . . . . . .
2.2.3 Approximation au premier ordre du modle de la machine asynchrone . . . .
2.2.4 ADALINE pour lidentification des paramtres lectriques . . . . . . . . . . . . .
2.2.5 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Identification des paramtres mcaniques de la machine asynchrone . . . . . . . . . .
1
8
10
11
11
12
13
13
22
23
25
29
30
31
33
34
35
36
39
43
46
52
Table des matires
2.3.1 Modle de la machine asynchrone en commande vectorielle . . . . . . . . . . . .

2.3.2 ADALINE pour lidentification des paramtres mcaniques . . . . . . . . . . . . .
2.3.3 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
Emulation de la turbine olienne par un moteur courant continu

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Modlisation de la turbine olienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Modle arodynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2 Modle du multiplicateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.3 Equation dynamique de larbre de la turbine . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.4 Simulation du modle de la turbine olienne fonctionnant vide . . . . . . . . .
3.3 Extraction du maximum de la puissance du vent . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Bilan des puissances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.2 Contrle sans asservissement de la vitesse de rotation . . . . . . . . . . . . . . . . . .
3.3.3 Contrle avec asservissement de la vitesse de rotation . . . . . . . . . . . . . . . . .
3.3.4 Estimation de la vitesse du vent par RNA . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4 Construction dun mulateur de la turbine olienne base dun MCC . . . . . . . . .
3.4.1 Modle du MCC excitation spare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.2 Compensation de linertie et du coefficient de frottement . . . . . . . . . . . . . . .
3.4.3 Simulation de lensemble modle de la turbine olienneMCCContrle
MPPT avec asservissement de la vitesse de rotation . . . . . . . . . . . . . . . . . . .
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Machine asynchrone double alimentation pour la conversion de lnergie olienne ; modlisation et commande
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Modlisation de la MADA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 PLL conventionnelle pour la synchronisation de la MADA au rseau lectrique
4.3.1 Principe de fonctionnement de la PLL conventionnelle . . . . . . . . . . . . . . . . .
4.4 Modle de la MADA avec orientation du flux statorique . . . . . . . . . . . . . . . . . . .
4.5 Modle moyen du convertisseur cot MADA . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6 Commande de la MADA dans un systme olien . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.1 Dispositif de commande du systme olien . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.2 Commande du convertisseur cot MADA . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.3 Gnration des courants rotoriques de rfrence . . . . . . . . . . . . . . . . . . . . . .
4.7 PLL neuronale pour la synchronisation de la MADA au rseau lectrique . . . . .
4.7.1 Poursuite de la frquence du rseau par un ADALINE en prsence
dharmoniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.2 Filtrage des tensions au moyen dADALINE. Dtermination de la phase
instantane au moyen dune PLL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.3 Comparaison des performances entre la PLL neuronale et la PLL conventionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
53
56
59
62
64
66
67
67
72
72
73
75
75
78
81
83
85
85
86
86
89
90
92
93
95
95
98
100
101
101
102
103
111
112
117
123
Table des matires
4.7.4 Validation exprimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.8 Exprimentation de la commande dcouple des puissances active et ractive
statoriques de la MADA raccorde au rseau lectrique . . . . . . . . . . . . . . . . . . . .
4.8.1 Plateforme exprimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.8.2 Accrochage de la MADA au rseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.8.3 Commande de la MADA puissance active non nulle . . . . . . . . . . . . . . . . .
4.8.4 Commande de la MADA puissance ractive non nulle . . . . . . . . . . . . . . . .
4.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
130
136
136
138
140
142
144
Conclusion gnrale
145
Annexe
148
Bibliographie
152
Publications du doctorant
163
Introduction gnrale
Introduction gnrale
ES TECHNIQUES AVANCES de lautomatique issues de lintelligence artificielle deviennent de plus en plus familires dans divers domaines dapplication ces dernires annes. Lintelligence artificielle est une discipline scientifique relative au traitement des connaissances et au raisonnement, dans le but de permettre une machine dexcuter des fonctions normalement associes lintelligence humaine telles que la comprhension, le raisonnement, le dialogue, ladaptation, lapprentissage, etc.
Le concept qui nous intresse plus particulirement dans la notion de lintelligence artificielle est celui des rseaux de neurones artificiels (RNAs). Lide forte de ce concept est la
suivante : plutt que de donner des connaissances sophistiques un systme, on le dote de
capacits en acqurir et/ou amliorer des connaissances simples.
Les RNAs se sont imposs dans un grand nombre de domaines (traitement du signal, reconnaissance de forme, commande, ). Le secteur de llectronique de puissance et celui des
entrainements lectriques sont galement concerns par cette avance. En effet, ces deux dernires dcennies, lactivit scientifique lie aux applications de ces techniques dans
lidentification et la commande des systmes lectriques na cess daugmenter. Les solutions
proposes dpassent les limitations des mthodes classiques et apportent des possibilits novatrices.
Le travail prsent dans cette thse concerne lapplication des RNAs lidentification des
paramtres de la machine asynchrone puis la commande dun systme de conversion de
lnergie olienne quip dune machine asynchrone double alimentation (MADA). Ce travail comporte de nombreux volets et touche plusieurs disciplines en mme temps. Il comporte de plus des parties exprimentales fortes en enseignements et qui permettent, non seulement de voir concrtement laboutissement et la finalit de ltude, mais aussi de faire ressortir les problmes cruciaux de mise en uvre.
Notre ide de dpart tait de savoir quel pourrait tre lapport de ces techniques neuronales
appliques lidentification et la commande de la machine asynchrone. Cette dernire est
devenue aujourdhui un actionneur lectrique trs intressant dans de nombreuses applications
industrielles.
En effet, la machine asynchrone associe un convertisseur statique constitue un variateur
dont lutilisation industrielle est de plus en plus importante. Un tel intrt a t suscit dune
part cause des caractristiques de cette machine : faible cot dachat, maintenance simplifie
et robustesse mcanique et dautre part grce lessor de llectronique de puissance et au
dveloppement de processeurs de traitement de signaux trs puissants. Il est incontestable
4
Introduction gnrale
quil y a une demande certaine pour intgrer cette machine lectrique dans la commande de
procds o un haut degr de prcision est ncessaire, par exemple, robots et machines outils ; mais galement, dans les domaines de larospatial et de la propulsion lectrique sans
oublier le domaine des nergies renouvelables. Cependant, obtenir un haut niveau de performances dans la commande de la machine asynchrone ncessite une trs bonne connaissance
de ses paramtres lectriques et mcaniques. Traditionnellement, ces paramtres sont calculs
partir des caractristiques donnes sur la plaque signaltique et/ou en utilisant des essais
classiques vide et rotor bloqu. Par ailleurs, les paramtres obtenus avec ces mthodes
classiques sont loin dtre prcis pour prtendre des entrainements hautes performances.
Dans cette direction, nous proposons un travail original pour lidentification des paramtres
lectriques et mcaniques de la machine asynchrone bas sur les RNAs de type ADALINE
(ADAptiveLInearNEuron).
Lutilisation de la machine asynchrone dans le domaine des nergies renouvelables, notamment dans la conversion de lnergie olienne, prsente un intrt tout fait particulier.
Actuellement, le systme olien vitesse variable bas sur la MADA est le plus utilis dans
les fermes oliennes terrestres. Son principale avantage, et non des moindres, est davoir ses
convertisseurs statiques triphass dimensionns pour une partie de la puissance nominale de la
MADA, ce qui est en fait un bnfice conomique important par rapport dautres solutions
possible de conversion lectromcanique. En effet, la MADA permet un fonctionnement sur
une plage de vitesse de 30% autour de la vitesse de synchronisme, garantissant ainsi un dimensionnement rduit des convertisseurs statiques car ceux-ci sont connects entre le bobinage rotorique de la MADA et le rseau lectrique.
Dans la commande dun systme olien, la synchronisation approprie avec le rseau lectrique est lun des aspects les plus importants considrer dans le contrle dun tel dispositif
connect au rseau. La solution la plus largement adopte pour la synchronisation est la PLL
(PhaseLocked Loop ou boucle verrouillage de phase). Dans la plupart des stratgies de
commande classiques des systmes oliens, lamplitude, la frquence et la phase instantane
du vecteur tension rseau sont ncessaires pour la synchronisation des variables de sortie du
systme, le calcul de puissances, la transformation des variables dtat dans des rfrentiels
tournants, etc. La technique la plus utilise pour la synchronisation des dispositifs relis au
rseau lectrique est la PLL triphase conventionnelle base sur un rfrentiel synchrone.
Cette technique utilise la transformation de Concordia et la transformation de Park pour transformer les tensions triphases du rfrentiel naturel celui tournant. Dans lidal, la PLL conventionnelle fournit des rsultats acceptables, cependant, en prsence de perturbations dans
les tensions rseau, cette technique devient imprcise. En consquence, les performances de la
commande deviennent compltement dgrades. Nous allons proposer dans ce mmoire une
nouvelle PLL adaptative base des rseaux de neurones ADALINE qui permet de rsoudre ce
problme.
Ce mmoire de thse est organis en quatre chapitres dtaills ci-aprs.
Au Chapitre 1, nous exposons un tat de lart sur lidentification et la commande des systmes dynamiques en utilisant les techniques neuronales. Cette tude permettra danalyser les
mcanismes du processus dapprentissage insr dans un schma didentification ou de commande. Nous tudions au dbut le processus dapprentissage. Ensuite, Plusieurs techniques et
stratgies neuronales didentification seront voques et diffrents schmas de commandes
neuronales seront exposs. Nous prsentons aussi dautres techniques de commande bases
sur lapprentissage dun rgulateur conventionnel.
Introduction gnrale
Notre contribution originale dbute au Chapitre 2 o nous proposons une nouvelle stratgie didentification des paramtres lectriques et mcaniques de la machine asynchrone en
utilisant les RNAs de type ADALINE. Lidentification se fait en deux tapes ; une tape
didentification des paramtres lectriques et une autre didentification des paramtres mcaniques.
Dans ltape didentification des paramtres lectriques, nous dterminons dabord le modle de la machine asynchrone larrt. Nous proposons par la suite une approximation du
modle de la machine par un systme lent de premier ordre aux basses frquences (BFs) et par
un systme rapide de premier ordre aux hautes frquences (HFs). En utilisant les rseaux
ADALINE, nous identifions les deux soussystmes lent et rapide aux BFs et aux HFs respectivement. Les poids des rseaux ADALINE permettent de retrouver les paramtres lectriques
recherchs. Nous ralisons des tests exprimentaux dans une configuration larrt et en
fonctionnement normal de la machine afin de prouver la prcision des paramtres lectriques
obtenus. Ensuite, nous tendons lapproche ADALINE lidentification des paramtres mcaniques. Nous exposons le modle de la machine asynchrone ainsi que le modle mcanique
de la machine sous la commande flux rotorique orient. Deux stratgies didentification des
paramtres mcaniques en utilisant les rseaux ADALINE seront proposes. La premire stratgie est base sur lquation mcanique et la deuxime est base sur la rponse harmonique
de la vitesse mcanique. Les poids de lADALINE permettent de retrouver facilement les
paramtres mcaniques de la machine. Vers la fin, nous vrifions exprimentalement les deux
mthodes et nous validons les paramtres obtenus par des essais de dmarrage direct de la
machine asynchrone.
Au Chapitre 3, nous prsentons une tude dun mulateur dune turbine olienne vitesse
variable dune puissance de 3kW destin lentrainement dune MADA. Nous proposons au
dbut une nouvelle mthode de modlisation de la caractristique de puissance de la turbine
au moyen dun rseau MLP (Multi-Layer Perceptron ou Perceptron Multicouches). Ensuite,
deux mthodes de commande de la turbine olienne permettant dextraire le maximum de
puissance du vent seront synthtises. Afin dviter une mesure locale du vent, nous proposons un estimateur neuronale de la vitesse du vent base dun rseau MLP. A la fin de ce
chapitre, nous prsentons la construction de lmulateur de la turbine olienne o le MCC
remplace la turbine dans le systme de conversion de lnergie olienne. Le couple de compensation de linertie et des frottements de la turbine sera pris en considration. Tout le systme est implment sous MATLABSimulink et valid par des essais en simulations.
Lobjectif de ce chapitre, en plus de celui du dimensionnement dun mulateur dune turbine
olienne, est de montrer lapport des RNAs dans la modlisation de la caractristique de puissance dune turbine olienne ainsi que dans la conception dun estimateur neuronal de la vitesse du vent.
Finalement, dans le Chapitre 4, nous traitons la modlisation et la commande neuronale
dune MADA dune puissance de 3kW ddie la conversion de lnergie olienne. Nous
prsentons initialement deux stratgies de commande de la MADA; la commande en couple
lectromagntique et la commande dcouple des puissances active et ractive statoriques.
Ensuite, nous traitons le problme de la synchronisation de la MADA au rseau lectrique o
nous proposons une nouvelle PLL neuronale adaptative base sur les rseaux ADALINE. Les
rsultats dexprimentation de la nouvelle PLL neuronale sur un rseau rel prsentant des
dfauts montrent son efficacit et sa robustesse par rapport la PLL conventionnelle. Vers la
fin, nous prsentons une validation exprimentale de la commande dcouple des puissances
active et ractive de la MADA utilisant la PLL neuronale propose. Les diffrents rsultats
exprimentaux obtenus valident les thories et la stratgie dveloppe de la commande dcouple des puissances de la MADA.
6
Introduction gnrale
Cette thse sachvera par une conclusion gnrale rsumant les principaux rsultats obtenus ainsi que les perspectives ouvertes par ce travail.
Techniques neuronales pour lidentification et

la commande des systmes dynamiques
Rsum : Ce chapitre dcrit un tat de lart sur les techniques neuronales nouvellement introduites
dans le monde de llectrotechnique. Nous commenons notre tude par prsenter quelques gnralits
sur les rseaux de neurones artificiels (RNAs). Nous abordons par la suite le processus dapprentissage
des RNAs o nous prsentons seulement lapprentissage supervis pour sa large utilisation et nous
exposons trois algorithmes dapprentissage. Nous tudions en dtail lapprentissage par correction
derreur et lapprentissage rtropropagation. Ensuite, nous discutons diffrents schmas
didentification et de commande neuronales de systmes dynamiques existants dans la littrature.
Dautres schmas de commande base dapprentissage de rgulateurs conventionnels seront galement prsents. Quelques avantages des techniques neuronales par rapport aux techniques conventionnelles dans la commande et lidentification de systmes dynamiques seront voqus en dernier.
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Rseaux de neurones artificiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1
1.2.2
1.2.3
1.2.4
Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Processus dapprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Types dapprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Algorithmes dapprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
12
13
13
1.3 Mthodes neuronales didentification et de commande de systmes

dynamiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.1
1.3.2
Mthodes didentification de systmes dynamiques . . . . . . . . . . . . . . . . . . . 23

Mthodes de commande de systmes dynamiques . . . . . . . . . . . . . . . . . . . . . 25
1.4 Avantages des techniques neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . 29

1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.1
Introduction
ES TECHNIQUES DE LINTELLIGENCE ARTIFICIELLE telles que les systmes experts, la logique floue, les algorithmes gntiques et les rseaux de neurones artificiels
(RNAs) ont t largement utilises dans le domaine de llectronique de puissance et de la
commande des machines lectriques [1], [2], [3]. Lobjectif recherch dans lutilisation des
techniques de lintelligence artificielle est darriver lmulation du raisonnement humain sur
un DSP (Digital Signal Processor) (processeur de signal numrique) de telle sorte que le systme complet commandemachine puisse penser et ragir intelligemment comme un tre humain [4]. Un systme commandemachine quip dun algorithme dveloppant un calcul par
intelligence est appel systme intelligent [5]. En effet, un systme intelligent possde la caractristique dapprentissage, dauto-organisation et dauto-adaptation. Les techniques de
lintelligence artificielle ont t discutes pendant longtemps et le seront galement lavenir
[6], [7].
Actuellement, les techniques de lintelligence artificielle sont largement utilises dans de
nombreux domaines tels que la rgulation de processus industriels, le traitement dimage, le
diagnostic, la mdecine, la technologie spatiale et les systmes de gestion de donnes informatiques. Parmi toutes les techniques intelligentes, le RNA semble avoir le maximum
dimpact dans le domaine de llectronique de puissance et dans la commande de machines
lectriques, ce qui est vident par le nombre important de publications ralises dans la littrature [5], [8].
Les RNAs constituent une technique de traitement de donnes bien comprise et bien maitrise. Ces techniques sintgrent parfaitement dans les stratgies de commande. En effet,
elles ralisent des fonctionnalits didentification, de contrle ou de filtrage, et prolonge les
techniques classiques de lautomatique non linaire pour aboutir des solutions plus efficaces
et robustes.
Lobjectif de ce chapitre est de prsenter un tat de lart sur lidentification et la commande
de systmes dynamiques en utilisant les techniques neuronales. Cette tude permettra
danalyser les mcanismes du processus dapprentissage insr dans un schma
didentification ou dans une stratgie de commande.
Nous abordons au dbut quelques concepts et gnralits de base sur les RNAs. Le processus dapprentissage sera dvelopp sous diffrents algorithmes. Nous exposerons notamment
lapprentissage par correction derreur, lapprentissage rtropropagation derreur et
lapprentissage comptitif. Ensuite, diffrentes techniques et stratgies neuronales seront voques pour lidentification dun systme dynamique afin de reproduire son comportement.
Diffrents schmas de commandes neuronales seront exposs, notamment la commande directe, la commande inverse et la commande directe-inverse avec et sans modle de rfrence.
Quelques architectures de commande bases sur lapprentissage dun rgulateur conventionnel seront galement prsentes. Cette tude permettra de mieux interprter les mcanismes
dun processus dapprentissage insr dans un schma didentification ou de contrle. Nous
prsenterons la fin de ce chapitre quelques avantages de lutilisation des techniques neuronales dans lidentification et la commande par rapport aux techniques classiques.
Dans le but de gnralisation, nous portons notre raisonnement dans ce chapitre sur des
systmes dynamiques de faon gnrale, sachant que les systmes lectriques que nous allons
traiter dans cette thse sont aussi des systmes dynamiques et multivariables caractres non
linaires.
10
1.2
Rseaux de neurones artificiels
Dans cette section, nous prsentons dans un premier temps un bref historique sur les RNAs
et des gnralits sur leurs concepts de base. Nous abordons ensuite le processus
dapprentissage. Lapprentissage dun RNA se ralise par le choix du type dapprentissage et
de lalgorithme de mise jour. Comme type, seul lapprentissage supervis sera dtaill vu
son intrt dans la commande et lidentification des systmes dynamiques. Nous prsentons
trois algorithmes dapprentissage : lapprentissage par correction derreur, lapprentissage
rtropropagation du gradient derreur et lapprentissage par renforcement. Seuls les deux
premiers algorithmes seront dtaills en raison de leur large utilisation.
1.2.1 Gnralits
Dans les premiers travaux, en 1943, McCulloch et Pitts laissent leurs noms une modlisation du neurone biologique. Ce sont les premiers montrer que des rseaux de neurones formels simples peuvent raliser des fonctions logiques, arithmtiques et symboliques complexes
(tout au moins au niveau thorique). Quelques annes plus tard, en 1949, Hebb complte ces
travaux en introduisant une formulation du mcanisme dapprentissage, sous la forme dune
rgle de modification des connexions synaptiques [9].
Les premiers succs de cette discipline remontent 1957, lorsque Rosenblatt dveloppe le
modle du Perceptron. Il construit le premier neuroordinateur bas sur ce modle et
lapplique au domaine de la reconnaissance des formes [10]. Notons qu cette poque les
moyens sa disposition taient limits et ctait une prouesse technologique que de russir
faire fonctionner correctement cette machine plus de quelques minutes. Cest alors quen
1960, lautomaticien Widrow dveloppe le modle ADALINE (ADAptive LInear NEuron).
Dans sa structure, le modle ressemble au Perceptron, cependant la loi dapprentissage est
diffrente. Celle-ci est lorigine de lalgorithme de rtropropagation de gradient trs utilis
aujourdhui avec les MLPs (Multi-Layer Perceptrons) (Perceptrons Multicouches). Minsky et
Papert publient ensuite en 1969 un ouvrage qui met en vidence les limitations thoriques du
Perceptron. Ces limitations concernent limpossibilit de traiter des problmes non linaires
en utilisant ce modle [11].
Le renouveau de cette discipline reprend en 1982 grce Hopfield. Au travers dun article,
il prsente une thorie du fonctionnement et des possibilits des rseaux de neurones. Ce nest
ensuite quaux environs de 1985 que la rtropropagation du gradient apparat. Cest un algorithme dapprentissage adapt aux MLPs. Sa dcouverte est ralise par Rumelhart et McClelland, mais aussi par Werbos et LeCun. Depuis cette dcouverte, on avait la possibilit de raliser une fonction non linaire dentresortie sur un rseau, en dcomposant cette fonction en
une suite dtapes linairement sparables [12].
Depuis ce temps, le domaine des rseaux de neurones fourni constamment de nouvelles
thories, de nouvelles structures et de nouveaux algorithmes. Dans ce chapitre, nous allons
tenter dexposer les plus importants.
Les neurones sont responsables de la perception, de lintgration puis de lmission et de la
propagation des messages nerveux. La cellule nerveuse constitue une unit lmentaire de
calcul, elle est lunit de base de traitement de linformation effectu par les rseaux de neurones rels ou artificiels.
Un neurone formel ou artificiel est une opration mathmatique trs simple. La sortie du
neurone est une fonction gnralement non linaire dune combinaison des entres xi pondres par les paramtres wi, qui sont souvent dsigns sous le nom de poids, en raison de
linspiration biologique poids synaptiques. La figure 1.1 montre le schma de principe dun
11
neurone formel. La fonction f(.) est une fonction dactivation qui calcule la sortie du neurone
en fonction dun potentiel v constitu de la somme des entres xi pondres par les valeurs des
poids wi, laquelle sajoute un terme constant appel biais.
La sortie du rseau de neurone formel f(v) est donne par lexpression suivante :
n
y = f ( v ) = f xi .wi + b
i =1
(1.1)
avec b=x0.w0=w0.
Lutilisation dune fonction dactivation non linaire permet aux RNAs de modliser des
quations dont la sortie nest pas une combinaison linaire des entres. Cette caractristique
confre aux RNAs de grandes capacits de gnralisation et de modlisation fortement apprcies pour la rsolution des problmes non linaires [5].
Biais
w0
x1
w1
x2
w2
Noyau cellulaire
xn
wn
Entre
Poids
f(.)
Sortie
Fonction
dactivation
Figure 1.1. Topologie dun neurone formel
1.2.2 Processus dapprentissage

La conception dun RNA passe par une tape importante appele processus
dapprentissage. Cette tape offre la possibilit au RNA dapprendre et damliorer ses performances pour les tches de commande ou didentification de systmes dynamiques [13]. Le
processus dapprentissage peut se faire par la modification et ladaptation des poids et du biais
du RNA afin de converger vers des valeurs constantes et optimales.
Diffrents algorithmes dapprentissage et diffrents types dapprentissage ont t dvelopps dans la littrature dans le but de raliser ladaptation et loptimisation des poids dun
RNA. Lapprentissage par correction derreur (apprentissage rtropropagation),
lapprentissage type Boltzmann, lapprentissage Hebbien et lapprentissage comptitif peuvent tre mentionns parmi les algorithmes les plus cits dans la littrature [14], [15], [16].
Quant aux types dapprentissages : lapprentissage supervis, lapprentissage par renforcement et lapprentissage non supervis peuvent tre aussi mentionns [11], [14], [17], [18],
[19].
Dans le domaine de lidentification et la commande de systmes dynamiques,
lapprentissage supervis est souvent utilis pour corriger lerreur de la sortie dun RNA. Ce
type dapprentissage sera abord en dtail dans la partie suivante.
12
1.2.3 Types dapprentissage

1.2.3.1 Apprentissage non supervis
Lapprentissage est non supervis lorsque ladaptation des poids ne dpend que des critres
internes au rseau. Ladaptation se fait uniquement avec les signaux dentres. Aucun signal
derreur, aucune sortie dsire nest prise en compte.
1.2.3.2 Apprentissage par renforcement
Lapprentissage est de type par renforcement lorsque le rseau de neurones interagit avec
lenvironnement. Lenvironnement donne une rcompense pour une rponse satisfaisante du
rseau et assigne une pnalit dans le cas contraire. Le rseau doit ainsi dcouvrir les rponses
qui lui donnent un maximum de rcompenses.
1.2.3.3 Apprentissage supervis
Lapprentissage supervis consiste adapter les poids dun RNA de telle sorte que sa sortie
(sortie calcule) soit la plus proche possible de la sortie que produira son superviseur (sortie
dsire) lorsquils sont excits par la mme entre. Le principe de lapprentissage supervis
est montr la figure 1.2. Sur ce schma, un vecteur dentre X est appliqu la fois au superviseur et au RNA. Le superviseur produit une sortie dsire yd et le RNA calculera une
sortie y. Lerreur entre ces deux sorties, e=ydy, sera exploite pour la modification et
ladaptation de la structure du RNA (processus de mise jour des poids) jusqu avoir une
erreur suffisamment faible. Ce processus sopre itrativement et lorsque lerreur est minime
le RNA devient pratiquement identique son superviseur en termes de comportement entre
sortie.
Une fois lapprentissage est accompli, le RNA peut alors tre exploit dans lidentification
ou dans la commande de systmes.
X
yd
Superviseur
+
e
RNA
Figure 1.2. Apprentissage supervis
1.2.4 Algorithmes dapprentissage

Diffrents types dalgorithmes dapprentissage peuvent tre utiliss pour modifier les poids
dun RNA dans le but davoir sa sortie une rponse dsire. Les algorithmes dapprentissage
par correction derreur, rtropropagation du gradient derreur et comptitif seront abords
dans cette partie pour leur large utilisation.
La mthode dapprentissage rtropropagation du gradient derreur sera utilise dans nos
travaux, notamment dans la modlisation par RNA du coefficient de puissance dune turbine
13
olienne et dans la conception dun estimateur neuronal de la vitesse du vent insr dans la
commande dune olienne (Chapitre 3).
1.2.4.1 Apprentissage par correction derreur
La figure 1.3 montre la structure dun rseau de neurones une seule couche cache [5],
[13], auquel un vecteur dentre X(k)=[x1(k) x2(k)xm(k)]T est appliqu. Le signal
yd(k)=[yd1(k) yd2(k)ydp(k)]T reprsente le vecteur de la sortie dsire, yest(k)=[y1est(k)
y2est(k)yp-est(k)]T est le vecteur de la sortie du rseau de neurones (sortie estime). yi-est(k) est
la sortie du ime neurone linstant discret k. Lentre X(k) et la rponse dsire correspondante yd(k) constituent un exemple particulier qui reprsente le systme linstant discret k.
Lerreur ei(k) la ime sortie du RNA est constitue par la diffrence entre ydi(k) et yi-est(k). Elle
est dfinie par :
ei ( k ) = ydi ( k ) yi -est ( k )
(1.2)
Lapprentissage par correction derreur consiste minimiser une fonction J dfinie comme
suit :
1 p
J = E . ei2 ( k )
2 i =1
(1.3)
avec E lesprance mathmatique. Le facteur est utilis dans la mthode de correction de

lerreur pour simplifier lcriture de la drivation de J par rapport aux poids du rseau. La
mthode du gradient est utilise pour raliser la minimisation de la fonction J [13], [14]. La
difficult de cette mthode doptimisation vient du fait que le calcul de la matrice de corrlation ncessite la connaissance de la relation entre les entres et les sorties.
Couche dentre
Couche cache
Couche de sortie
Biais
Biais
w(2)11
Entre
X(k)
(1)
Dnormalisation
11
x1
y1 est
w(2)1p
(1)
Sortie
yest(k)
1n
e1
+
yd1
y2 est
x2
(1)
m1
e2
xm
+
yd2
w(2)n1
w
Normalisation
(1)
yp est
mn
Poids
(2)
+
ydp
np
ep
Mise jour des poids
e2
Algorithme
dapprentissage
Figure 1.3. Structure dun rseau de neurones une seule couche cache
14
e1
Afin de surmonter cette difficult, Widrow et Hoff ont propos une solution
dapproximation valable dans le cas dun environnement inconnu en crivant la fonction J
sous la forme suivante [15] :
1 p
J = . ei2 ( k )
2 i =1
(1.4)
En observant lquation (1.4), nous remarquons que cette solution dapproximation retient
uniquement les vecteurs instantans de la somme de lerreur au carr. En consquence, une
mthode en dcoule qui est connue sous le nom dalgorithme des Moindres carres communment appel algorithme LMS (Least Mean Square). Nous dveloppons les dtails de cette
mthode dans la partie suivante.
a. Algorithme LMS
Lalgorithme LMS a t formul par Widrow et Hoff pour tre utilis dans les circuits de
commutation adaptative (Adaptive Switching Circuit) [15]. Ce type de rseau de neurones
linaire appel galement ADALINE prsente certains avantages tels quune architecture
simple, un apprentissage rapide et une possible interprtation physique de ses poids [20], [21],
[22]. Cependant, cet algorithme nest utilis quavec un rseau particulier o la structure entre
les entres et les sorties est linaire [12], [13]. Ci-aprs, nous tudierons un algorithme bas
sur lquation de WienerHopf pour ensuite dduire une extension de lalgorithme LMS [15].
i.
Equation de WienerHopf
Considrons un vecteur dentre X(k) de dimension m comme le montre la figure 1.4. La

nouvelle fonction de cot J(k) peut scrire de la faon suivante :
1
J ( k ) = .E e 2 ( k )
2
(1.5a)
avec :
m
e ( k ) = yd ( k ) yest ( k ) = yd ( k ) wi ( k ).xi ( k )
(1.5b)
i =1
X(k)
x1(k)
x2(k)
W(k)
w1(k)
yd(k)
w2(k)
w .x
i =1
xm(k)
yest(k)
wm(k)
Mise jour
des poids
e(k)
Figure 1.4. Topologie dun ADALINE
15
Lalgorithme dapprentissage consiste minimiser la fonction J en modifiant les poids wi.

Aprs dveloppement du carr dans (1.5a), nous obtenons lexpression suivante [13] :
m
1
1 m m
J ( k ) = .E ( yd2 ( k ) ) wi ( k ) .E ( xi ( k ) . yd ( k ) ) + . w j ( k ) .wi ( k ) .E ( x j ( k ) .xi ( k ) )
2
2 j =1 i =1
i =1
(1.6)
o les poids wi(k) sont considrs comme des valeurs constantes en rgime permanent. Afin
dallger lexpression (1.6), nous posons : rd=E(yd2(k)) comme une valeur moyenne de la sortie dsire au carr, rydx(i)=E(yd(k).xi(k)) comme une fonction de corrlation entre la sortie
dsire et lentre xi, rx(j,i)=E(xj(k).xi(k)) comme une fonction dauto-corrlation de
lensemble des vecteurs dentres (i,j=1,2,,m). Aprs remplacement, lquation (1.6) peut
tre rcrite sous la forme suivante :
m
1
1 m m
J ( k ) = .rd wi ( k ) .rydx ( i ) + . w j ( k ) .wi ( k ) .rx ( j , i )
2
2 j =1 i =1
i =1
(1.7)
La convergence de lalgorithme est atteinte pour une valeur minimale de la fonction de

cot J qui reprsente la surface de lerreur du rseau. Cette condition optimale est obtenue
quand la drive de J par rapport aux poids wi, appele le gradient de lerreur surfacique, est
nulle. Cette drive est dfinie comme suit :
J ( k )
= wi J ( k )
wi
(1.8)
avec :
m
wi J ( k ) = ryd x ( i ) + w j ( k ) .rx ( j , i )
(1.9)
i =1
Lgalisation zro de lquation (1.9) nous permet de minimiser la fonction J(k) et de dduire une quation permettant de calculer les poids optimaux :
m
w ( k ) .r ( j, i ) = r ( i )
i =1
yd x
(1.10)
Dans lquation de Wiener-Hopf (1.10), les poids sont obtenus par la division de la fonction de corrlation entre yd(k) et xi(k) avec la fonction dauto-corrlation inverse du vecteur
dentre X(k). Deux mthodes ont t proposes dans la littrature pour viter le calcul de
linverse de la matrice rx(j,i) [13], [14], [15]. Ci-aprs, nous exposons ces deux mthodes.
ii.
Mthode du gradient
La mthode du gradient suppose que les poids varient avec le temps et ses valeurs sont
modifies de manire itrative suivant lerreur surfacique afin datteindre le point minimal de
J. La figure 1.5 montre le principe de cette approximation. Il est intuitif de montrer que la
direction de ladaptation des poids est oppose celle du vecteur du gradient J dont les lments sont dfinis par wiJ(k), avec : i=1,2, ,m. En suivant cette mthode, ladaptation applique au poids wi(k) litration k est dfinie par :
wi ( k ) = . wi J ( k )
16
(1.11)
o est une constante positive proche de zro appele le coefficient dapprentissage. A la fin,
la mise jour des poids se ferra comme suit :
wi ( k + 1) = wi ( k ) . wi J ( k )
(1.12)
A partir des quations (1.9) et (1.12), nous obtenons une relation entre deux poids conscutifs en fonction de la matrice de corrlation rydx(i) et dauto-corrlation rx(j,i) :
m
wi ( k + 1) = wi ( k ) + . ryd x ( i ) w j ( k ) .rx ( j , i )
i =1
(1.13)
La ncessit de disposer des fonctions de corrlation rydx(i) et rx(j,i) est un inconvnient majeur de la mthode par descente du gradient. En effet, dans certain cas ces fonctions ne sont
pas connues et cest ce qui conduit utiliser des estimations. Pour rsoudre ce problme,
lalgorithme LMS a t propos afin destimer ces fonctions de corrlation.
J
J ( k )
w
J(k)
w = .
Jmin
J ( k )
w
Poids
wopt
w(k+1)
w(k)
w(0)
Figure 1.5. Principe de la mthode de la descente du gradient
iii.
Algorithme LMS
Lalgorithme LMS est bas sur lutilisation de lestimation instantane des fonctions de
corrlation. Ces estimations sont donnes par [13] :
ryd x ( i; k ) = yd ( k ) .xi ( k )
rx ( j , i; k ) = x j ( k ) .xi ( k )
(1.14a)
(1.14b)
En remplaant (1.14a) et (1.14b) dans lquation (1.13), nous obtenons :

m
wi ( k + 1) = wi ( k ) + . yd ( k ) .xi ( k ) w j ( k ) .x j ( k ) .xi ( k )
j =1
= wi ( k ) + . yd ( k ) w j ( k ) .x j ( k ) .xi ( k )
j =1
= wi ( k ) + . yd ( k ) yest ( k ) .xi ( k )
(1.15)
Finalement, lalgorithme dapprentissage LMS ralis par itrations se prsente selon les
tapes suivantes [15], [20] :
17
1. Initialiser le vecteur poids W(k) et le paramtre dapprentissage (les lments de

W(0) sont choisis alatoirement).
2. Appliquer le vecteur X(k) en entre du rseau.
3. Calculer la sortie yest(k)=WT(k)X(k).
4. Calculer lerreur e(k)=y(k)yest(k).
5. Calculer le nouveau vecteur poids W(k+1)=W(k)+e(k)XT(k).
6. k k+1 et aller ltape 2.
iv.
Choix du coefficient dapprentissage
Le coefficient dapprentissage dtermine la stabilit et le taux dapprentissage dun

RNA. Pour des entres indpendantes du temps, la convergence et la variance du vecteur
moyen du poids sont assures pour la plus part des cas pratiques si :
0 < <
1
trace [ R ]
(1.16)
o trace[R]= (lments diagonaux de R), avec R est la matrice de corrlation dentre dfinie comme : R= E(X.XT).
Le coefficient dapprentissage est un paramtre important. Le choix dune petite valeur
de permet une meilleure stabilit du rseau de neurones mais une convergence des poids
lente [23], [24]. En consquence, pour acclrer la convergence du vecteur poids et raffiner
les rsultats, doit tre variable pendant le processus dapprentissage. Sa valeur doit tre slectionne relativement grande au dbut, et sera dcroissante et prendra une valeur faible la
fin de lapprentissage. Lexpression de peut tre dcrite par lquation suivante :
t
tmax
= i f
i
(1.17)
o i et f sont respectivement la valeur initiale et la valeur finale du coefficient

dapprentissage. La variable t est le temps et tmax est le temps ncessaire la dcroissance du
coefficient dapprentissage.
Il est noter que, dans la mthode de la descente du gradient, le vecteur de poids W(k)
converge vers un vecteur optimal Wopt et cela en commenant par les valeurs initiales W(0) et
en poursuivant une trajectoire lopposition de la direction du gradient (figure 1.5). Quant
lalgorithme LMS appliqu un environnement inconnu, le vecteur de poids est estim et
poursuit sa trajectoire vers des poids optimaux. En consquence, le vecteur de poids estim
converge vers un vecteur optimal Wopt, quand le nombre ditrations tend vers linfini.
Une diffrence entre les deux mthodes existe et lanalyse de la manire avec laquelle la
correction de lerreur est effectue peut bien mettre en vidence cette diffrence [13]. En effet, chaque itration, la mthode du gradient minimise la valeur moyenne au carr de
lerreur impliquant un ensemble de valeurs moyennes, donnant de ce fait un vecteur gradient
qui permet de dtecter le point optimal quand le nombre ditrations tend vers linfini. Alors
que, lalgorithme LMS minimise une estimation instantane de la fonction J. Du point de vue
temporel, la premire mthode minimise la somme de lerreur au carr .e2(k) qui est intgre dans toutes les itrations prcdentes. En consquence, un stockage dinformation pour
calculer les estimations des fonctions de corrlation est ncessaire. Par contre, lalgorithme
LMS minimise lerreur estime instantane au carr exprime par .eest2(k) rduisant ainsi le
volume de stockage. Dans ce dernier cas, aucune information stocker nest demande part
18
le vecteur des poids actuel du rseau. Lorsque le point optimal des poids change en fonction
du temps, lalgorithme LMS a pour tche non seulement de trouver ce point optimal de la
surface derreur mais galement de le suivre condition que le coefficient dapprentissage
soit choisi positif proche de zro.
La preuve de convergence du vecteur poids dun ADALINE peut tre trouve dans [15],
[25]. Les rseaux de neurones de type ADALINE seront utiliss dans nos travaux dans
lidentification des paramtres de la machine asynchrone (Chapitre 2) et dans le filtrage et la
poursuite de la frquence des tensions du rseau lectrique (Chapitre 4).
1.2.4.2 Apprentissage rtropropagation du gradient derreur
Lalgorithme dapprentissage LMS abord dans la section prcdente permet de mettre
jour les poids dun rseau un seul neurone sans couches caches (ADALINE), par contre,
lalgorithme rtropropagation derreur que nous allons aborder dans cette section permet la
mise jour des poids dun rseau de neurones multicouche (MLP). Dans ce dernier, lerreur
est propage travers le rseau de la couche de sortie vers la couche dentre do
lappellation de cette mthode rtropropagation [12]. Contrairement au rseau ADALINE
utilisant lalgorithme LMS, lavantage majeur dun MLP avec lalgorithme de rtropropagation de lerreur est quil permet de modliser des systmes non linaires en introduisant des
fonctions dactivation non linaires dans son architecture. LADALINE prsente uniquement
des relations linaires entre les entres et la sortie (fonction dactivation linaire), par consquent, il ne peut que rsoudre des problmes linaires.
f(s)
f(s)
f(s)
+1
+1
+1
s
s
0
(a) fonction bipolaire linaire
(b) fonction de seuil
=1
f(s)
f(s)
+1
f ( s) =
1
1 + e s
(c) fonction de seuil bipolaire
=1
+0.5
s
+1
e s e s
f ( s ) = s s
e +e
=0.5
s
=2
1
(d) fonction sigmode
(e) fonction tangente hyperbolique
Figure 1.6. Fonctions dactivation dun neurone artificiel
Compar au principe de fonctionnement de lalgorithme LMS, lalgorithme rtropropagation derreur possde une tape supplmentaire de rtropropagation de lerreur de la couche
de sortie vers la couche dentre. Dans ce cas, les poids sont mis jour par le calcul du gra19
dient de lerreur obtenu partir de la drivation et le stockage local de la sortie de chaque

neurone [26]. Donc, les fonctions dactivations doivent tre drivables. Diffrentes fonctions
dactivations existent. Les plus frquemment utilises sont montres dans la figure 1.6 [5],
[12], [13]. Elles sont la fonction bipolaire linaire (a), la fonction de seuil (b), la fonction de
seuil bipolaire (c), la fonction sigmodale (d) et la fonction tangente hyperbolique (e). Les
fonctions de seuil sont gnralement utilises pour la classification [27], tandis que les deux
fonctions sigmodale et hyperbolique sont utilises dans diverses applications relevant du domaine de llectronique de puissance et la commande de machines lectriques [1], [5]. Ces
deux fonctions non linaires permettent de tenir compte des non linarits du systme commander ou identifier. En utilisant la fonction dactivation linaire, toutes les non linarits
du systme sont ngliges.
a. Calcul de la sortie du rseau MLP
Dans le but de simplifier le calcul, considrons le rseau de neurones multicouche, donn
dans la figure 1.3, ayant m entres, une couche cache de n neurones et une couche de sortie
de p neurones. Le calcul que nous allons dvelopper peut tre facilement gnralis sur un
rseau ayant plusieurs couches caches.
Avant de commencer les calculs, dfinissons dabord les vecteurs suivants : X(k) est le
vecteur dentre du rseau de neurone de dimension (m1), W(1)(k) est la matrice des poids
dans la couche cache de dimension (mn), X(1)(k) et O(1)(k) sont respectivement les vecteurs
dentre et de sortie de la couche cache de dimension (n1), (1)(k) est le vecteur de lerreur
de rtropropagation de la couche cache de dimension (n1), W(2)(k) est la matrice des poids
de la couche de sortie de dimension (np), X(2)(k) et O(2)(k) sont respectivement les vecteurs
dentre et de sortie des neurones dans la couche de sortie de dimension (p1), (2)(k) est le
vecteur de lerreur de rtropropagation de la couche de sortie de dimension (p1).
Suivant le schma de la figure 1.3, nous pouvons crire :
X (1) ( k ) = W (1) ( k ) . X ( k )
T
(1.18)
O (1) ( k ) = f (1) ( X (1) ( k ) )
(1.19)
X (2) ( k ) = W (2) ( k ) O (1) ( k )
(1.20)
O (2) ( k ) = f (2) ( X (2) ( k ) )
(1.21)
y ( k ) = O (2) ( k )
(1.22)
avec : f(1)(.) et f(2)(.) sont respectivement les fonctions dactivation de la couche cache et de la
couche de sortie.
En utilisant les quations prcdentes (1.18) (1.22), nous pouvons calculer la sortie y(k)
du rseau de neurone montr dans la figure 1.3 comme suit :
y ( k ) = f (2) W (2) ( k ) . f (1) W (1) ( k ) . X ( k )

T
))
(1.23)
Dans le cas o la fonction dactivation de la couche de sortie du RNA est linaire (f(2)(.) est
une fonction identit), alors la sortie y(k) du RNA peut tre rcrite sous la forme :
y ( k ) = W (2) ( k ) . f (1) W (1) ( k ) . X ( k )

T
20
(1.24)
Finalement, la fonction J minimiser est dfinie par :

2
1 p
J ( k ) = . ydi ( k ) yi ( k )
2 i
(1.25)
b. Rtropropagation des erreurs et mise jour des poids

Ladaptation des poids de la couche de sortie (W(2)(k)) se calcule en fonction de lerreur
de rtropropagation de la couche de sortie ((2)(k)) et du vecteur de sortie des neurones de la
couche cache (O(1)(k)) comme suit :
w(2) ( k ) = .O (1) ( k ) . ( (2) ( k ) )
(1.26)
Dans le cas o la fonction dactivation de la couche de sortie est linaire (f(2)(.) est une
fonction identit), lerreur de rtropropagation (2)(k) sexprime par :
(2) ( k ) = y ( k ) yest ( k )
(1.27)
La mise jour des poids de la couche cache peut se faire aussi de la manire suivante :
w(1) ( k ) = . X ( k ) . ( (1) ( k ) )
(1.28)
Le vecteur de lerreur de rtropropagation de la couche cache contenant toutes les erreurs

des neurones de la couche de sortie est donn par lquation suivante :
i(1) ( k ) = Oi(1) ( k ) . (1 Oi(1) ( k ) ) . wij ( k ) . (2)

avec i=1, , n
j (k ) ,
p
(1.29)
j =1
Le terme Oi(1)(k).(1Oi(1)(k)) correspond la drive de la sortie de la fonction dactivation

sigmodale dans la couche cache. Dans le cas dune fonction dactivation tangente hyperbolique de la couche cache, le vecteur derreur de rtropropagation de la couche cache est
exprim par [13] :
i(1) ( k ) = (1 + Oi(1) ( k ) ) . (1 Oi(1) ( k ) ) . wij ( k ) . (2)

j ( k ) , avec i=1, , n
p
(1.30)
j =1
1.2.4.3 Apprentissage comptitif

Dans un apprentissage comptitif, les neurones sont mis en comptition pour dterminer
lequel sera actif un instant donn. Contrairement aux autres types dapprentissage,
lapprentissage comptitif produit un vainqueur ainsi que, parfois, un ensemble de neurones
voisins du vainqueur, et seuls ce vainqueur et son voisinage bnficient dune adaptation de
leurs poids. Lapprentissage est dit local car limit un sousensemble des neurones du rseau [12]. La figure 1.7 montre la structure de ce type de rseau de neurones. Un neurone j est
dit neurone gagnant si la somme dactivit Oj(k)=mi=1 wij(k).xj(k) est la plus grande parmi
toute celles des neurones de sortie. Ce neurone est donc mis 1 et les autres sont mis zro.
En utilisant lalgorithme dapprentissage comptitif, ladaptation wij(k) applique au poids
wij(k) est donne par :
si j me neurone gagne la comptition
. ( xi ( k ) wij ( k ) )
wij ( k ) =
(1.31)
si non
0
21
o 0<<1 est le coefficient dapprentissage. Un neurone qui ne gagne pas la comptition ne

modifiera aucunement ses poids.
Parfois, on dfinit galement un voisinage autour du neurone gagnant et on applique une
rgle similaire sur les voisins, mais avec un coefficient dapprentissage diffrent [12] :
1. ( xi ( k ) wij ( k ) )
wij ( k ) = 2 . ( xi ( k ) wij ( k ) )
si le j me neurone est vainqueur

si le j me neurone est voisin du vainqueur
si non
(1.32)
avec 2<1. Lapprentissage comptitif est surtout utilis dans le contexte dun apprentissage
dit non-supervis, cest--dire lorsque on ne connait pas les valeurs dsires pour les sorties
du rseau [12].
Couche de sortie
Couche dentre
Sortie
O1
Entre
y1
w(1)11
x1
y2
w(1)1n
O2
w(1)m1
O3
x2
y3
xm
w(1)mn
yn
On
Poids
Figure 1.7. Structure dun rseau de neurones avec apprentissage comptitif
1.3
Mthodes neuronales didentification et de commande de systmes

dynamiques
La commande utilisant un contrleur neuronal se distingue par deux tapes : une tape
didentification et une tape de commande. Ltape didentification vise reproduire le comportement dun systme quil soit linaire ou non linaire par un rseau de neurones identificateur (RNI) au moyen dune phase dapprentissage. Lapprentissage peut tre effectu hors
ligne, ou bien il peut tre effectu compltement en ligne. Quand ltape de commande,
celle-ci consiste utiliser les connaissances acquises pendant lidentification pour fournir les
signaux de commande dans le but de faire suivre au systme command une consigne bien
dfinie ou un tat dsir de sortie en prsence ou non de perturbations. Lapprentissage en
ligne prsente un intrt particulier dans le processus didentification et de commande de systmes dynamiques. En effet, pendant la commande dun systme si une perturbation vient
changer ltat de ce systme, le rseau de neurones contrleur (RNC) suivra en ligne ces
22
changements en ajustant ses paramtres. Autrement dit, la commande neuronale est adaptative.
Avant dexposer les diffrentes mthodes neuronales didentification et de commande,
nous allons donner une dfinition dun systme dynamique.
Un systme dynamique (figure 1.8) peut tre dfini comme un processus ayant un vecteur
dentre X(k) (signaux de commande) et un vecteur de sortie y(k) (mesures) qui sont parfois
perturbes par des bruits b(k) (signaux extrieurs non dsirs). Au cours de son fonctionnement, le systme suit sa propre loi en faisant varier ses variables internes S(k). Lvolution
dun systme dynamique peut se dfinir par une loi dcrite par une fonction F(.) linaire ou
non linaire. Lexpression de la sortie y(k) du processus diffre selon quil soit autorgressif
ou non. Dans le cas o il nest pas autorgressif, la sortie y(k) sexprime par :
y ( k ) = F ( X ( k ) , S ( k )) + b ( k )
(1.33)
Lorsque le processus est autorgressif, lexpression de sa sortie y(k) scrit par :
y ( k ) = F ( X ( k ) ,..., X ( k i ) , S ( k ) ,..., S ( k j ) , y ( k 1) ,..., y ( k l ) ) + b ( k )
(1.34)
Suivant lquation (1.34), la sortie du processus linstant k dpend de son tat interne et
de lentre de commande mais galement des i dernires entres de commande, des j derniers
tats internes et de ses l sorties prcdentes. Contrairement au systme dcrit par lquation
(1.33), le caractre dynamique du systme peut tre reconnu dans le systme autorgressif
(1.34) dont la majorit des systmes dynamiques en possdent le caractre.
Bruits
b (k ) R p
Entres
de commande
X (k ) R m
Processus
Sorties mesures
y (k ) R p
Variables internes
S (k ) Rn
Figure 1.8. Schma de principe dun systme dynamique
Le reste de ce chapitre sera consacr un tat de lart sur les architectures et les stratgies
didentification et de commande bases sur les RNAs le plus souvent utilises dans la littrature. Diffrents schmas seront exposs. Quelques avantages des techniques neuronales par
rapport aux techniques conventionnelles dans la commande et lidentification seront cits vers
la fin.
1.3.1 Mthodes didentification de systmes dynamiques
Lidentification dun systme dynamique consiste en llaboration dun modle mathmatique dcrivant fidlement son comportement entresortie. Lidentification dun systme
permet non seulement de le simuler dans diffrentes conditions de fonctionnement mais ga23
lement de concevoir des lois de commande dans le but de lui faire suivre des consignes bien
dfinies.
La figure 1.9 montre le principe dun apprentissage supervis (identification directe) dun
processus. Dans cette configuration, le processus prsente son vecteur dentre et celui de
sortie respectivement lentre et la sortie du RNI. Pour chaque itration k, le RNI tente de
produire une sortie yest(k) (sortie estime) qui sera plus proche de la sortie du processus yd(k)
(sortie dsire). Lerreur entre la sortie estime et la sortie dsire, e(k)=yd(k)yest(k), est utilise pour la modification et ladaptation des poids du RNI jusqu avoir une erreur acceptable.
Une fois lerreur minimale souhaite est atteinte, alors le modle direct du processus est identifi.
X(k)
yd(k)
Processus
+
yest(k)
RNI
e(k)
Figure 1.9. Identification directe dun processus
Dans le but de prendre en compte le caractre dynamique dun processus lors de son identification, deux solutions peuvent tre utilises. La premire solution consiste utiliser les
RNAs rcurrents ou ceux qui sont capables de reproduire leffet dynamique du processus.
Lautre solution se base sur la prsentation au RNI dun vecteur contenant des informations
sur leffet dynamique du processus. Dans ce cas, il sagit de prsenter des lignes retard au
RNI. Pour lefficacit de lapprentissage, le RNI doit avoir des informations adquates travers les signaux des entres et des sorties. Les lignes retard prsentes au RNI peuvent contenir la fois des signaux de lentre et de la sortie du processus. Le schma dapprentissage
de cette stratgie est montr dans la figure 1.10. Cette stratgie est appele aussi mthode
didentification directe.
X(k)
yd(k)
Processus
e(k)
-1
yest(k)
z-1
z-1
z-1
RNI
Figure 1.10. Identification directe dun processus laide de lignes retard
Il existe une autre mthode didentification qui consiste apprendre linverse du processus
(identification inverse). Dans cette stratgie, lentre du processus est utilise comme la sortie
24
dsire au RNI, tandis que la sortie du processus est injecte comme une entre au RNI. La
figure 1.11 montre le principe de cette mthode. Aprs un apprentissage hors ligne du modle
inverse, le RNI estime la fonction inverse F-1(.) du processus. Lun des avantages de cette
mthode est quaprs lapprentissage, le RNI plac en srie avec le processus permettra
dassurer un contrle direct sans boucle de retour.
X(k)
yd(k)
Processus
+ y (k)
est
RNI
e(k)
Figure 1.11. Identification inverse dun processus
Il est parfois intressant de disposer du Jacobien dun processus reprsentant la drive

temporelle du systme, notamment lorsquune approche linaire locale du processus est dsire. Ce Jacobien peut tre identifi en utilisant des lignes retard. Lapprentissage de ce Jacobien seffectue en prsentant pour chaque itration k, les vecteurs dentresortie X(k) et
yd(k), reprsentant les variations dans le temps des entres X(k) et des sorties yd(k) du processus. La figure 1.12 montre le schma de principe didentification du Jacobien. Sur ce
schma, une entre supplmentaire constitue du vecteur dentre X(k) est rajoute au RNI
[21].
X(k)
+
yd(k)
Processus
z-1
yd(k)
e(k)
X(k)
yest(k)
z-1
RNI
Figure 1.12. Identification du Jacobien dun processus
1.3.2 Mthodes de commande de systmes dynamiques

Plusieurs architectures de commande neuronales existent dans la littrature. Dans cette section, nous exposons quelques-unes : la commande directe, la commande inverse-directe, la
commande inverse et la commande indirecte [21]. Nous prsentons vers la fin dautres schmas de commandes plus simples bases sur lapprentissage dun rgulateur conventionnel
[20].
1.3.2.1 Commande directe base sur linverse du systme
La commande directe base sur linverse du systme est le schma de commande le plus
simple. Elle repose sur lapprentissage de linverse du processus. Aprs lapprentissage sui25
vant la stratgie dj montre dans la figure 1.11, le RNI peut tre plac en srie avec le processus commander et devient ainsi un RNC. Le schma de principe de cette mthode est
illustr sur la figure 1.13. La consigne de commande est applique en entre au RNC et la
sortie de ce RNC constitue la commande du processus. Dans ce cas, la commande peut se
faire mme sans la boucle de retour (commande en boucle ouverte). Cependant, cette mthode
est trs peu utilise car ses performances sans trs limites. Elle prsente aussi un inconvnient majeur qui est celui destimer linverse du processus. En effet dans la pratique, un processus nest pas toujours inversible. Cest le cas dun processus pouvant donner une mme
rponse pour plusieurs entres de commande diffrentes.
R(k)
+
X(k)
Processus
yd(k)
RNC
e(k)
Figure 1.13. Commande base sur linverse du systme
1.3.2.2 Commande inverse-directe sans modle de rfrence

La commande inverse-directe sans modle de rfrence consiste estimer dabord
linverse du processus en utilisant un RNI et ensuite ce mme rseau sera utilis en tant que
RNC du processus en boucle ferme. Le schma de principe de cette mthode est montr la
figure 1.14. Sur ce schma, la commande neuronale est reprsente en effet en deux phases ;
une phase didentification et une autre de commande. Les performances de cette commande
dpendent largement du modle inverse identifi du processus par le RNI, et donc la base
dapprentissage influe fortement sur les performances de la boucle de commande. En effet,
elle doit contenir toutes les informations ncessaires la modlisation de linverse du processus. Sur le schma de commande, nous pouvons constater que le RNI possde deux entres
composes de deux vecteurs distincts y(k) et y(k1). Donc, le rseau de neurones ne modlise
pas tout fait linverse du systme. Le RNC possde deux entres y(k) et R(k) qui sont respectivement la sortie du processus et la consigne de la commande [21].
X(k)
yd(k)
Processus
R(k)
RNC
+ y (k)
est
e(k)
RNI
z-1
Figure 1.14. Commande inverse-directe sans modle de rfrence
26
1.3.2.3 Commande directe avec modle de rfrence

La commande directe avec modle de rfrence est le contrle bas sur un modle de rfrence le plus simple. Lorsquun modle de rfrence est utilis dans un schma de commande
neuronale, alors on parle de Model Referencing Adaptive Control (MRAC) ou de Contrle
Adaptatif bas sur un Modle de Rfrence [5], [21]. Son schma de principe est reprsent
sur la figure 1.15. Dans ce schma, un modle de rfrence est utilis auquel on a appliqu le
signal de commande R(k). Lobjectif de la commande est alors de faire suivre au processus la
sortie M(k) du modle de rfrence. Pour ce faire, les poids du RNC sont directement ajusts
en permanence grce lerreur entre la sortie du modle de rfrence et la sortie du processus,
e(k)=M(k)yd(k). En regardant de plus prs ce schma, nous pouvons constater galement que
la sortie du RNC nest compare aucun signal. Par consquent, les performances de cette
commande se dterminent uniquement en fonction du modle de rfrence utilis.
X(k)
R(k)
MRACRNC
Processus
yd(k)
e(k)
Modle de rf- M(k)

+
rence
Figure 1.15. Commande directe avec modle de rfrence
1.3.2.4 Commande inverse avec modle de rfrence

Le schma de principe de la commande inverse avec modle de rfrence est illustr la
figure 1.16. Dans ce schma, deux rseaux de neurones sont utiliss. Le RNI est utilis pour
estimer le modle inverse du processus en utilisant les entres et les sorties de ce dernier et le
RNC est exploit en tant que contrleur pour commander le processus. Le RNC peut mme
utiliser des signaux issus du RNI. Ces signaux peuvent tre par exemple des variations, une ou
plusieurs sorties futures (prdites). Dans ce schma, les poids du RNC sont ajusts aussi grce
lerreur entre la sortie du modle de rfrence et la sortie du processus, e2(k)=M(k)yd(k).
R(k)
X(k)
Processus
MRACRNC
+ y (k)
est
e2(k)
e1(k)
Modle de
rfrence
M(k)
+
RNI
Figure 1.16. Commande inverse avec modle de rfrence
27
yd(k)
1.3.2.5 Commande indirecte avec modle de rfrence

Un autre schma de commande plus robuste par rapport au schma de commande inverse
avec le modle de rfrence (figure 1.16) est le schma de commande indirecte avec modle
de rfrence. Il est reprsent sur la figure 1.17. Dans ce schma, deux rseaux de neurones
sont galement utiliss. Le RNC prend en entre, en complment de lentre de rfrence, des
paramtres dtermins par le RNI ainsi que la sortie mesure du processus, ce qui lui offre
plus de robustesse par rapport au schma de commande prcdent [21].
X(k)
yd(k)
Processus
R(k)
MRACRNC
e2(k)
RNI
Modle de
rfrence
M(k)
+
-1
yest(k 1)
e1(k)
Figure 1.17. Commande indirecte avec modle de rfrence
1.3.2.6 Autres architectures de commande

Ci-aprs, dautres types darchitectures de commande neuronale plus simples sont exposs.
Elles sont bases sur lapprentissage dun contrleur conventionnel dj insr dans la boucle
de commande. La figure 1.18 regroupe quatre architectures de commande. Le rgulateur conventionnel de type proportionnelintgraldriv (PID) est pris comme exemple dans les diffrentes illustrations.
Le schma de commande par identification directe dun rgulateur est illustr la figure
1.18a. Dans ce schma, un RNI est utilis pour faire une identification hors ligne du rgulateur. Une fois cette identification est accomplie, le RNI remplacera le rgulateur conventionnel dans la boucle de commande et fonctionnera en tant que RNC. Cette mthode trouve son
intrt lorsquon veut saffranchir des contraintes lies limplmentation des rgulateurs
conventionnels.
La commande par apprentissage en parallle avec un rgulateur reprsente par le schma
de la figure 1.18b est constitue dun RNC qui fonctionne en ligne et en parallle avec le rgulateur PID. Le RNC ralise un apprentissage en ligne grce lerreur calcule partir de la
consigne R(k) et la sortie du processus yd(k). La sortie du RNC, U2(k), est additionne avec la
sortie U1(k) du rgulateur conventionnel afin de la corriger. Lintrt de ce schma est que le
RNC opre en ligne et permet de corriger les insuffisances du rgulateur PID notamment lors
du changement des paramtres du processus.
Un autre schma consiste en la commande par apprentissage dun rgulateur (figure
1.18c). Dans cette configuration, le RNC est corrig par la sortie U2(k) du rgulateur conventionnel dans le but de minimiser cette sortie et donc dliminer son effet dans la boucle de
28
commande. Aprs apprentissage, donc U2(k) tend vers une trs faible valeur, le RNC sera utilis pour la commande du processus en boucle ouverte.
La dernire stratgie prsente est la commande par auto-ajustement des paramtres dun
rgulateur PID (figure 1.18d). Dans ce schma, les paramtres du rgulateurs PID (Kp, Ki,
KD) sont dtermins en ligne par le RNC. Ensuite, ils sont injects dans la structure du PID
afin de procder la rgulation du processus. Cette architecture offre la caractristique adaptative la structure du rgulateur conventionnel. Ceci permettra aux paramtres du rgulateur
PID de suivre en temps rel les changements des paramtres du processus.
PID
R(k)
X(k)
Processus
yd(k)
U1(k)
R(k)
+
e(k)
+
RNI
RNC
e(k)
Processus
U2(k)
PID
(b)
R(k)
+
U1(k)
+
RNC
Processus
e(k)
e(k)
PID
X(k)
PID
Processus
yd(k)
Kp
yd(k)
Ki
ei(k)
(a)
R(k)
+
yd(k)
RNC
U2(k)
KD
(d)
(c)
Figure 1.18. Commande neuronale par apprentissage dun rgulateur conventionnel : (a) identification
dun rgulateur, (b) apprentissage en parallle avec un rgulateur, (c) apprentissage dun rgulateur et
(d) auto-ajustement des paramtres dun rgulateur
1.4
Avantages des techniques neuronales
Le grand avantage des RNAs compars la majorit des mthodes de lintelligence artificielle ou des mthodes conventionnelles rside dans le principe fondamental de
lapprentissage. Un RNA est capable de reproduire un fonctionnement en ajustant uniquement
ses poids. Les RNAs sont des approximateurs universels parcimonieux : estimer un modle
linaire ou non linaire avec un RNA ncessite souvent moins de paramtres ajustables
quavec les mthodes classiques de rgression [21].
Comme nous le venons de le voir, les schmas de commandes adaptatifs base de RNAs
reprennent simplement les principes fondamentaux de la thorie de la commande. Insrs
dans un schma de commande, ils permettent daller au-del des techniques classiques pour
sadapter aux changements, compenser les variations de paramtres, compenser les nonstationnarits et viter lemploi de modles paramtriques trop lourds. Selon [5], [20], [21],
les techniques neuronales appliques lidentification et la commande des systmes dynamiques prsentent plusieurs avantages. Parmi ces avantages, nous pouvons citer :
- Lidentification ou la commande neuronale dun systme ne demande pas la connaissance de son modle mathmatique interne.
29
1.5
Compares aux techniques conventionnelles, les techniques neuronales amliorent

considrablement les performances de la commande.
Lorsque lexpertise humaine est disponible, elle peut tre introduite dans leurs conceptions, sinon la commande neuronale se basera uniquement sur la rponse du systme.
La commande neuronale sadapte facilement aux changements du systme (commande
adaptative).
Certaines architectures sont moins couteuses en termes dimplmentation matrielle,
etc.
Conclusion
Nous avons prsent dans ce chapitre un tat de lart sur les techniques neuronales appliques lidentification et la commande des systmes dynamiques.
Nous avons commenc notre tude par donner quelques gnralits sur les RNAs ; un bref
historique et le modle mathmatique dun neurone formel. Nous avons abord ensuite le processus dapprentissage des RNAs. Lapprentissage supervis a t prsent et trois algorithmes dapprentissage ont t exposs; lapprentissage par correction derreur, lapprentissage rtropropagation du gradient derreur et lapprentissage comptitif. Pour leurs large utilisation, nous avons dtaill les algorithmes dapprentissage par correction derreur et rtropropagation du gradient derreur.
Ensuite, nous avons discut diffrents schmas didentification et de commande neuronales
de systmes dynamiques : la commande directe, la commande inverse et la commande directe-inverse, avec et sans modle de rfrence. Dautres schmas de commande base
dapprentissage de rgulateurs conventionnels ont t galement prsents.
Quelques avantages dutilisation des techniques neuronales dans la commande et
lidentification de systmes dynamiques par rapport aux techniques classiques ont t donns
vers la fin.
30
Identification des paramtres de la machine asynchrone par les rseaux ADALINE
Identification des paramtres de la machine

asynchrone par les rseaux ADALINE
Rsum : Ce chapitre dveloppera une nouvelle stratgie didentification en ligne des paramtres de
la machine asynchrone en utilisant les rseaux ADALINE (ADAptive LInear NEuron). Au dbut, nous
proposerons une mthode didentification des paramtres lectriques de la machine larrt base sur
deux tests. Il sera montr que le modle de la machine asynchrone larrt rgi par une quation diffrentielle de second ordre peut tre approxim par deux fonctions de transfert de premier ordre correspondant aux fonctionnements basses et hautes frquences. Par consquent, cette dcomposition en
deux soussystmes rend lidentification plus simple par ADALINE. Les coefficients des deux sous
systmes identifis par lADALINE permettront de retrouver facilement les paramtres lectriques de
la machine asynchrone. A la fin, nous prsenterons galement deux nouvelles mthodes pour
lidentification en ligne des paramtres mcaniques de la machine asynchrone par les ADALINE. La
premire mthode est base sur le modle mcanique de la machine tandis que la seconde mthode est
base sur la rponse harmonique en vitesse de la machine. La mise en uvre pratique des deux mthodes proposes est simple. Elle ncessite uniquement la connaissance du courant en quadrature et de
la vitesse mcanique de la machine asynchrone commande flux rotorique orient. Lefficacit des
mthodes et lexactitude des paramtres lectriques et mcaniques identifis seront valids par des
tests exprimentaux.
31
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Identification des paramtres lectriques de la machine asynchrone
larrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2.1
2.2.2
2.2.3
2.2.4
2.2.5
Modle de la machine asynchrone larrt . . . . . . . . . . . . . . . . . . . . . . . .

Compensation des chutes de tension dans londuleur . . . . . . . . . . . . . . . . . .
Approximation au premier ordre du modle de la machine asynchrone . . . . . .
ADALINE pour lidentification des paramtres lectriques . . . . . . . . . . . . .
Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Identification des paramtres mcaniques de la machine asynchrone

2.3.1
2.3.2
2.3.3
35
36
39
43
46
52
Modle de la machine asynchrone en commande vectorielle . . . . . . . . . . . . . 53

ADALINE pour lidentification des paramtres mcaniques . . . . . . . . . . . . . 56
Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
32
2.1
Introduction
A MACHINE ASYNCHRONE associe un convertisseur statique constitue un variateur de vitesse robuste et peu coteux. Cependant, obtenir un haut niveau de performances dans le domaine de la vitesse variable ncessite une trs bonne connaissance des paramtres du modle de la machine.
Traditionnellement, les paramtres lectriques et mcaniques de la machine asynchrone
sont calculs partir des caractristiques donnes sur la plaque signaltique et/ou en utilisant
des essais classiques vide et rotor bloqu. Gnralement, les paramtres identifis avec ces
mthodes sont loin dtre prcis pour prtendre des entrainements hautes performances.
En plus, ces tests prsentent quelques inconvnients : lessai rotor bloqu exige que le rotor
de la machine soit extrieurement bloqu, et lessai vide exige que le rotor tourne librement.
Ainsi, ces mthodes sont parfois impraticables quand la machine asynchrone est dj couple
sa charge mcanique. Afin dapporter une contribution lidentification des paramtres de
la machine asynchrone, le prsent chapitre proposera une mthode didentification de ces paramtres en utilisant des techniques avances tels que les rseaux de neurones artificiels
(RNAs).
En effet, nous proposons dans ce chapitre une nouvelle stratgie didentification des paramtres lectriques et mcaniques de la machine asynchrone en utilisant les RNAs de type
ADALINE (ADAptive LInear NEuron). Lidentification des paramtres de la machine se ralisera en deux tapes ; une tape didentification des paramtres lectriques de la machine
fonctionnant larrt et une autre didentification des paramtres mcaniques de la machine
commande par orientation du flux rotorique.
La premire section consacre lidentification des paramtres lectriques de la machine
asynchrone larrt est organise comme suit : nous dterminerons dabord le modle de la
machine asynchrone larrt o nous obtenons une quation diffrentielle de second ordre.
Vu que les tensions didentification larrt sont relativement faibles, alors la compensation
des chutes de tension dans londuleur sera prise en compte. Par la suite, nous dcomposons le
modle de la machine asynchrone en deux soussystmes. Une approximation du modle de
la machine par un systme lent aux basses frquences (BFs) et par un systme rapide aux
hautes frquences (HFs) sera prsente. En utilisant les ADALINE, les deux soussystmes
lent et rapide seront facilement identifis aux BFs et aux HFs respectivement. Leurs poids
permettront de retrouver les paramtres lectriques recherchs. A la fin, des tests exprimentaux de validations seront raliss dans une configuration larrt et en fonctionnement normal de la machine afin de montrer lexactitude des paramtres obtenus.
La deuxime section ddie lidentification des paramtres mcaniques de la machine
asynchrone est structure de la faon suivante : au dbut, le modle de la machine asynchrone
ainsi que la commande vectorielle flux rotorique orient utiliss dans le processus
didentification seront exposs. Ensuite, nous prsentons le modle mcanique de la machine
avec la commande flux rotorique orient. A la fin, deux stratgies didentification des paramtres mcaniques du modle par les ADALINE seront proposes. La premire stratgie est
base sur lquation mcanique et la deuxime sur la rponse harmonique de la vitesse mcanique. En consquence, les poids de lADALINE vont permettre de retrouver facilement les
paramtres mcaniques de la machine. Les deux mthodes seront vrifies exprimentalement
et les paramtres obtenus seront tests et valids par des essais de dmarrage direct de la machine asynchrone.
33
2.2
Identification des paramtres lectriques de la machine asynchrone

larrt
Rcemment, diverses mthodes didentification de la machine asynchrone ont t proposes dans la littrature. Celles-ci peuvent tre devises en deux familles principales :
lidentification dans un tat de fonctionnement normal et lidentification dans une configuration larrt. Dans le cas de lidentification dans un tat de fonctionnement normal, les techniques didentification bases sur les algorithmes gntiques adaptatifs (adaptive genetic algorithms) [28], les approches des moindres carrs non linaires (nonlinear leastsquare approachs) [29], les algorithmes dynamiques univariables de codage (univariate dynamic encoding algorithms for searches) [30], et les rseaux de neurones artificiels (RNAs) [31], [32],
ont t dveloppes. Dans [33], une mthode base sur des mesures en mode sinusodal quilibr, incluant les pertes fer, est galement prsente. Cependant, certaines de ces mthodes
exigent un matriel complexe [30] et des stratgies de commande particulires [31], [32] qui
peuvent tre peu pratiques ou mme impraticables si la machine est dj couple sa charge
mcanique.
La mthode didentification des paramtres lectriques la plus populaire est celle base sur
une configuration larrt de la machine. Dans ce cas, deux des trois phases de la machine
sont alimentes avec une mme tension, de sorte que, les signaux ne produisent pas de couple
lectromagntique capable de provoquer une rotation de la machine. En effet, beaucoup de
chercheurs ont propos des mthodes didentification de la machine asynchrone dans une configuration larrt. Une mthode base sur la rponse frquentielle (model fitting method
using frequencyresponse data) est propose dans [34]. Dans [35], les auteurs ont mesur la
rponse en courant de la machine diffrentes frquences statoriques et ont utilis la mthode
des moindres carrs pour identifier le courant magntisant. Dans [36], les auteurs ont propos
un estimateur bas sur une mthode de normalisation du gradient (gradient normalization
method). Une boucle dasservissement du courant est ajoute afin dviter la saturation du
circuit magntique. Dans [37], une approche base sur un modle de rfrence adaptatif du
systme a t adopte, o le processus didentification est ralis au moyen dun observateur
adaptatif parallle. Les auteurs dans [38] ont propos une mthode base sur trois essais dans
le domaine frquentiel. Afin davoir des mesures exactes, ils ont utilis une mthode de dtection de sensibilit de phase (phasesensitive detection method). Dans [39], la reconstruction
de la rponse en courant statorique pour une variation en chelon de la tension au stator a t
propose. Des algorithmes volutionnaires (evolutionary algorithms) ont t utiliss dans le
processus didentification. Dans [40], les auteurs dcrivent deux mthodes bases sur
linjection de courant. Un contrleur de courant appropri en boucle ferme a t introduit
dans le processus didentification comme une technique dinjection. Bien que plusieurs des
mthodes mentionnes prcdemment fournissent des rsultats acceptables, certaines dentre
elles exigent des quipements particuliers [34], des modles de rfrences adaptatifs [37],
plusieurs essais [38], des mthodes statistiques [35], qui compliquent leur mise en uvre. A
notre connaissance, une mthode simple et prcise qui permet dobtenir les paramtres lectriques de la machine asynchrone en utilisant seulement deux essais na pas t propose
avant ce travail.
Dans cette section, nous proposons deux essais pour lidentification en ligne de paramtres
lectriques de la machine asynchrone fonctionnant l'arrt. Cette approche utilise les
ADALINE. Les principaux avantages de cette mthode sont son exactitude, et le fait quelle
exige une installation exprimentale simple. A larrt, le modle de la machine asynchrone est
dcrit par une quation diffrentielle de second ordre. Lidentification de ces paramtres par
un seul essai seulement est exprimentalement difficile. Ceci est du aux constantes de temps
34
naturelles du systme qui sont trs espaces [35]. Pour surmonter cette difficult, la dynamique lente sera spare de la dynamique rapide [41], et ainsi, le modle de la machine asynchrone sera approch par un systme rapide aux HFs et par un systme lent aux BFs [42]. Par
consquent, le processus didentification devient simplifi. Des chelons de tension statorique
sont vits, car des modes ngligs tels que leffet de peau pourraient tre excits. Dans cette
tude, des tensions sinusodales avec des amplitudes adquates et des frquences assurant des
valeurs nominales de courants dans le stator sont appliques. Le niveau des tensions statoriques est faible l'arrt. Ainsi, les tensions mesures sont gnralement remplaces par leurs
rfrences. Dans ce contexte, les chutes de tensions et les problmes lis leffet du temps
mort seront considrs dans londuleur [43], [44].
Les ADALINE sont bien connus dans la thorie des RNAs. Ils sont utiliss dans plusieurs
domaines du gnie lectrique tels que la poursuite de la frquence du rseau [45], [46], la dtection des dfauts transitoires et permanents dans les lignes de haute tension [47],
lextraction de composantes de courant et de tension dans un systme triphas dsquilibr
[48], la dtection dvnement de la qualit de puissance [45], [49], et lidentification des
harmoniques de courants [50]. La structure de lADALINE est simple, il est rapide et capable
dapprendre en ligne. De plus, les poids de lADALINE peuvent tre interprts physiquement [49], [50]. Il est ainsi trs efficace pour lidentification des paramtres des systmes linaires. Dans cette section, cette technique sera utilise pour une identification en ligne des
paramtres lectriques de la machine asynchrone larrt. Pour identifier les systmes lent et
rapide, les fonctions de transfert sont exiges. Pour chaque soussystme, un ADALINE sera
conu. Aprs un apprentissage en ligne, la rsistance statorique Rs et linductance cyclique
statorique Ls seront identifis aux BFs. La constante de temps rotorique Tr et le coefficient de
dispersion seront identifis aux HFs [42].
2.2.1 Modle de la machine asynchrone larrt
Le modle de la machine asynchrone est considr dans cette partie avec les hypothses
simplificatrices couramment poses telles que : la distribution de linduction magntique dans
lentrefer est sinusodale, la saturation du circuit magntique est ngligeable et lalimentation
est sinusodale et quilibre.
Bas sur la reprsentation biphase, le modle de la machine asynchrone peut tre dcrit
par cinq quations diffrentielles non linaires avec quatre variables lectriques [courants statoriques (Is, Is), courants magntisants rotoriques (Irm, Irm)], une variable mcanique [vitesse rotorique ()], et deux variables de commande [tensions statoriques (Vs, Vs)]. Dans un
repre biphas (, ) li au stator, le modle de la machine asynchrone est dcrit comme suit :
dI s
1
(1 ) I + 1 V
1
1
=
+
I rm +
I s +
rm
Tr
Ls s
dt
Ts Tr
dI s
1
(1 ) I + 1 I + 1 V
1
=
+
I s
rm
dt
Tr rm Ls s
Ts Tr
dI rm 1
1
= I s I rm I rm
dt
Tr
Tr
dI rm 1
1
= I s + I rm I rm
dt
Tr
Tr
p2
p
d p
= (Tem Tl ) =
(1 ) Ls ( I rm I s I rm I s ) J Tl
dt J
J
35
(2.1a)
(2.1b)
(2.1c)
(2.1d)
(2.1e)
o Rs, Ls, Ts sont respectivement la rsistance, linductance cyclique et la constante de temps

statoriques. Tr et sont respectivement la constante de temps rotorique et le coefficient de
dispersion. J et f sont respectivement le moment dinertie et le coefficient de frottement visqueux. Tem et Tl sont respectivement le couple lectromagntique et le couple de charge total.
p est le nombre de paire de ples.
Les conditions ncessaires pour que la machine soit identifie larrt et vide sont comme
suit [36]:
1) La vitesse de rotation de la machine doit tre nulle durant toute la phase
didentification (=0).
2) Les signaux didentification ne doivent en aucun cas crer de couple lectromagntique capable de provoquer une rotation de la machine (Tem=0).
La machine asynchrone ne cre pas de couple lectromagntique si et seulement si le flux
rotorique ne change pas dorientation, ainsi le couple lectromagntique est nul. Nous avons
alors deux manires de procder : soit choisir une orientation du courant magntisant rotorique selon laxe (Irm=Irm) et maintenir Irm=0, ou inversement, i.e., garder lorientation du
courant magntisant rotorique selon laxe (Irm=Irm) et contraindre Irm=0. Si on fait rfrence la commande vectorielle de la machine asynchrone, il serait plus naturel de se placer
dans le premier cas de figure : Irm=0 et Irm=Irm0. Il est vident que labsence du courant
magntisant rotorique (Irm=0 et Irm=0) ne cre pas de couple lectromagntique mais cela
suppose quil ny a aucune alimentation sur le stator de la machine.
Le modle de la machine asynchrone dcrit prcdemment moyennant les hypothses =0,
Irm=0 et Irm=Irm0, permet daboutir aux contraintes supplmentaires suivantes : Vs=0,
Is=0. Par consquent, le modle de la machine asynchrone sera rgi par les deux quations
suivantes :
1
dI s
1
1
1
=
+
I rm +
V
I s +
dt
Tr
Ls s
Ts Tr
dI rm 1
1
= I s I rm
dt
Tr
Tr
(2.2a)
(2.2b)
En utilisant les relations du courant magntisant (2.1c) et (2.1d), et aprs arrangement des
quations prcdentes (2.2a) et (2.2b), le modle de la machine asynchrone sera rgi par une
seule quation diffrentielle de second ordre liant le courant mesur Is la tension de commande Vs . Cette quation scrit sous la forme suivante :
LsTr
d 2 I s
dI
dV
+ ( RsTr + Ls ) s + Rs I s = Tr s + Vs
dt
dt
dt 2
(2.3)
Lquation (2.3) fait apparaitre quatre paramtres. Les paramtres identifiables sont Rs, Ls,
et Tr ou leurs combinaisons. Il est noter que ce sont ces paramtres qui apparaissent dans
le modle standard de variation de vitesse de la machine asynchrone. Le but de lidentification
est de rcuprer ces paramtres sans pour autant rcuprer sparment les valeurs
dinductances et de rsistances.
2.2.2 Compensation des chutes de tension dans londuleur
Dans cette section, nous prsenterons une mthode de compensation en ligne du temps
mort et des chutes de tension dans londuleur. Cette mthode est base sur la thorie de la
valeur moyenne, dans laquelle la chute voltsecond est moyenne sur une priode MLI (Modulation de Largeur dImpulsion) puis rajoute la tension de rfrence en accord avec la
direction du courant de charge [43]. Les principaux avantages de cette mthode de compensa36
tion sont : sa validit pour la MLI sinusodale et la MLI vectorielle [44], sa simplicit pour
une implmentation sous dSPACE DS1102 et en plus elle fournit une trs bonne compensation compare sa simplicit. Avant deffectuer la compensation des chutes de tension, nous
dterminerons les tensions de rfrence et les tensions de commande appliques la machine
asynchrone l'arrt.
Les tensions dalimentation de la machine asynchrone sous la contrainte mentionne prcdemment Vs=0, qui implique un couple lectromagntique nul larrt et vide, ont la
forme suivante :
Vs =
2
2
vsa vsb ) =
(
(v v )
3
3 sa sc
(2.4)
o vsa, vsb et vsc sont les tensions de phases statoriques de la machine.

Lors de la phase didentification, il est conseill de saffranchir du capteur de tension pour
les raisons suivantes :
1) Le filtrage de la tension MLI peut induire des dphasages qui peuvent fausser
lidentification.
2) Le capteur peut savrer imprcis cause des valeurs relativement faibles de la tension.
Nous sommes amens donc substituer les tensions appliques sur la machine par les tensions de rfrence. Cette hypothse sera vraie si et seulement si la composante homopolaire
des tensions est nulle tout instant. Ce qui nous permet dcrire :
vsa + vsb + vsc = 0 vsb = vsc =
vsa
2
(2.5a)
La relation (2.5a) prcdente nous exige donc de commander londuleur avec un systme
de rfrences tel que :
vsbref = vscref =
vsaref
2
(2.5b)
Le systme de tensions triphases de rfrence appliquer la machine asynchrone fonctionnant larrt est illustr la figure 2.1.
v
sa-ref
Tension de reference
0.8
v
0.6
sb-ref
sc-ref
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0
0.02
0.04
0.06
Temps (s)
0.08
0.1
Figure 2.1. Systme de tensions triphases de rfrence de la machine asynchrone larrt
37
Bloc MLI
-1/2
+
vscref
vsbref
vsaref=rsin(st)
vsaref
Eq.
(2.6a)
Uc
vsbref
Eq.
(2.6b)
isa
isb
vscref
Eq.
(2.6c)
isc
Figure 2.2. Schma de compensation des chutes de tensions.
Les valeurs relativement faibles des tensions didentification larrt, nous contraint
prendre en considration les chutes de tension dues au temps mort et la conduction dans les
transistors. Ces deux phnomnes peuvent induire une forte attnuation et une distorsion de
la tension de sortie [43]. Pour surmonter ces problmes, une compensation en ligne est introduite. Comme montr la figure 2.2, les tensions de rfrence seront donc corriges par les
termes additifs fonction du temps mort et des caractristiques des IGBTs (InsulatedGate
BipolarTransistors) utiliss [43], [44]. Les termes de correction scrivent comme suit :
2
2
sign(isa )(VD + RD isa ) + sign(isa )(Td + Ton Toff )
Uc
TH
2
2
=
sign(isb )(VD + RD isb ) +
sign(isb )(Td + Ton Toff )
Uc
TH
2
2
=
sign(isc )(VD + RD isc ) +
sign(isc )(Td + Ton Toff )
Uc
TH
vsaref =
(2.6a)
vsbref
(2.6b)
vscref
(2.6c)
o vsaref=rsin(st) est la tension de rfrence de la phase a, s est la frquence dexcitation, et

r est le rapport cyclique avec : 0r1. Uc est la tension continue lentre de londuleur. Vd et
Rd sont, respectivement, la tension seuil et la rsistance de la diode antiparallle. Td est le
temps mort. TH est la priode de la MLI. Ton et Toff sont les temps de commutation des IGBTs.
15
Mesure
Rfrence
10
Tension de phase statorique (V)
Tension de phase statorique (V)
15
5
0
-5
-10
20 s
-15
5
0
-5
-10
20 s
-15
Temps (s)
(a)
Mesure
Rfrence
10
Temps (s)
(b)
Figure 2.3. Compensation des chutes de tension de la phase a : (a) avant compensation et (b) aprs compensation.
38
(a)
(b)
Figure 2.4. Tension et courant statorique de la phase a : (a) avant compensation et (b) aprs compensation, [#1:1
Courant mesur ias, #1:2 Tension mesure vas].
La figure 2.3 montre clairement leffet des imperfections de londuleur sur la tension de
sortie. A la figure 2.3a, nous remarquons une attnuation de lordre de 30% par rapport la
tension de rfrence et une forte distorsion au passage par zro. Aprs compensation, la tension de sortie est devenue quivalente la tension de rfrence (figure 2.3b). Les figures 2.4a
et 2.4b prsentent respectivement la tension et le courant statorique de la phase a de la machine asynchrone avant et aprs compensation des chutes de tensions dans londuleur. Nous
constatons que la compensation des chutes de tensions introduite rend effectivement les allures de la tension et du courant statorique quasisinusodales. Les paramtres utiliss dans
cette compensation sont rsums dans le tableau 2.1.
Tension seuil de la diode antiparallle Vd (V)
Rsistance de la diode antiparallle Rd ()
Temps mort Td (s)
Temps de commutation la conduction de lIGBT Ton (s)
Temps de commutation la fermeture de lIGBT Toff (s)
Priode de la MLI TH (s)
Tableau 2.1. Paramtres de la compensation des chutes de tensions.
2.2.3 Approximations au premier ordre du modle de la machine asynchrone

Les coefficients du modle de la machine asynchrone, indiqus par lquation (2.3), sont
crits en fonction des paramtres lectriques. Lidentification de ces paramtres par un seul
essai, bien que thoriquement possible, est difficile implmenter exprimentalement en raison des constantes de temps naturelles du systme qui sont trs espaces [41]. Dans cette section, une mthode pour simplifier et approximer le modle de la machine asynchrone (2.3) par
deux soussystmes de premier ordre sera prsente. Un soussystme valide aux HFs est
appel systme rapide, et lautre valide aux BFs est appel systme lent.
Considrons le modle standard de la machine asynchrone larrt. Dans le domaine de
Laplace, la relation entresortie scrit comme suit:
39
I s ( s) 1
Tr s + 1
=
2
Vs ( s) Rs TsTr s + (Tr + Ts ) s + 1
Tr s + 1
1
=
Rs (Trapide s + 1)(Tlent s + 1)
H (s) =
(2.7)
avec
2
Tr + Ts Tr + Ts
T
-
=
- Tr Ts
rapide
2
2
T + Ts
T + Ts
Tlent = r
+ r
- TrTs
2
(2.8)
Le systme possde naturellement deux constantes de temps trs espaces lune de lautre
(Tlent>>Trapide). Dans [41], les auteurs ont estim que pour une machine asynchrone de 3kW ;
Tlent60Trapide. A partir de l, nous pouvons dcomposer le problme didentification des
quatre paramtres lectriques en deux sous problmes. La dcomposition se fait selon les
chelles de temps naturelles du systme. Pour vrifier ceci, nous avons trac exprimentalement le diagramme de Bode de la machine asynchrone tudie larrt sur une large plage de
variation de la frquence dexcitation statorique [42].
Comme montr la figure 2.5, la machine asynchrone est alimente par des tensions sinusodales via londuleur IGBT, et la phase a est alimente par une tension vsa=Vsin(st) avec
une frquence dexcitation s. Puis, le courant de phase statorique isa exprim par
isa=Isin(st), ayant une amplitude maximale I et un dphasage par rapport la tension vsa,
est enregistr dans un oscilloscope. Pour chaque frquence, le niveau du courant statorique est
maintenu sa valeur nominale, et pour tracer le diagramme de Bode, lamplitude et la phase
sont calcules comme suit :
I
Magnitude ( dB ) = 20log
V
Phase =
(2.9)
La figure 2.6 montre le diagramme de Bode obtenu, tandis que le tableau 2.2 donne les caractristiques de la machine asynchrone tudie.
isa
isb
Onduleur
IGBT
Uc
MAS
isc
Bloc MLI
Compensation
des chutes de tension
1/2
vscref
vsbref
-1/2
Oscilloscope
vsaref=rsin(st)
Figure 2.5. Schma synoptique du banc de tests de dtermination du diagramme de Bode.
40
Amplitude (dB)
0
-5
-10
-15
-20
Phase (deg)
-25
0
-25
-50
-75
0.1
10
Frquence (rad/s)
100
500
Figure 2.6. Diagramme de Bode de la machine asynchrone larrt (mesures exprimentales).

Puissance nominale Pn (kW)
Tension dalimentation nominale /Y Usn (V)
Courant statorique nominale /Y Isn (A)
Vitesse nominale Nn (rpm)
Nombre de paires de ples p
Tableau 2.2. Caractristiques de la machine asynchrone tudie.
Suivant le diagramme de Bode obtenu, nous constatons que pour des frquences suprieures 60rad/s, le modle de la machine peut tre approxim par une dynamique rapide de
premier ordre ayant pour fonction de transfert :
H f (s) =
K rapide
Trapide s + 1
(2.10)
et pour des frquences infrieures 6rad/s, le modle de la machine sapproxime par une dynamique lente qui admet pour fonction de transfert :
Hs (s) =
1 Tlent1s + 1
Rs Tlent 2 s + 1
(2.11)
Pour retrouver la relation existant entre les paramtres de la machine (Rs, Ls, et Tr) et les
paramtres des deux sous systmes lent et rapide, i.e., Krapide, Trapide, Tlent1 et Tlent2, la machine
est alimente par une tension sinusodale, Vs(t)=Vsinst, et ensuite les sorties en rgime permanent du modle de la machine asynchrone (2.7), du systme rapide (2.10) et du systme
lent (2.11) sont calcules, respectivement par :
1) Is=Isin(st), avec
2
1 + (sTr )
I = V
Rs 1 T T 2 2 + ( T + T )2
s r s
s r
s s
T + sTs
= arctan sTr + arctan s r
1 TsTrs 2
2) Isf=Ifsin(stf), avec
41
(2.12)
I f
K rapide
1 + (sTrapide )
(2.13)
= arctan sTrapide
3) Iss=Issin(sts), avec
2
I = V 1 + (sTlent1 )
s
Rs 1 + (sTlent 2 )2
s = arctan sTlent 2 arctan sTlent1
(2.14)
Les relations liant les paramtres du systme lent et du systme rapide (If, f) et (Is, s),
respectivement, sont retrouves par linversion de (2.12), (2.13) et (2.14). Dans les deux cas,
pour le systme rapide :
1 If
K rapide =
cos f V
tan f
Trapide =
s
(2.15a)
et pour le systme lent :
V cos s Rs I s
Tlent1 =
V s sin s
V Rs I s cos s
T
=
lent 2
Rs I ss sin s
(2.15b)
Pour calculer les coefficients prcdents en fonction des paramtres de la machine asynchrone, les dphasages (f, s) et les amplitudes des courants (If, Is) sont remplacs par le dphasage et lamplitude du courant I du modle de la machine asynchrone. Par consquent,
les paramtres des systmes rduits qui fournissent la mme rponse en sortie que le modle
de la machine sont obtenus. Il est vident que le systme rapide est considr aux HFs et le
systme lent est considr aux BFs. Ainsi, pour le systme rapide :
2
1 + (sTr )
K rapide = lim 1
s Rs 1 + sTr sTr + (1 ) sTs
1 + (sTr )
Ls
T
=
lim
rapide
s Rs 1 + sTr sTr + (1 ) sTs
Tr
RsTr + (1 ) Ls
LsTr
RsTr + (1 ) Ls
(2.16a)
et pour le systme lent :
(1 ) Tr = 1 T
Tlent1 = lim
(
) r
s 0 1 + (sTr )2
Ts (sTr )2
1+
Ts + (1 ) Tr
Tlent 2 = lim Ts + (1 ) Tr
2
s 0
1 + (sTr )
(2.16b)
= (Ts + (1 ) Tr )
La figure 2.7 montre lerreur relative des paramtres du modle lent et du modle rapide en
fonction de la frquence des tensions dalimentation statorique. Daprs cette figure, nous
42
pouvons constater que, effectivement, lerreur relative des paramtres du systme rapide et du
systme lent est faible aux HFs et aux BFs respectivement.
40
0
K
35
rapide
Trapide
-0.5
Erreur relative (%)
Erreur relative (%)
30
25
20
15
10
-1
-1.5
T
lent1
Tlent2
0
50
100
150
200 250 300 350

Frquence (rad/s)
400
450
-2
0
500
2
3
Frquence (rad/s)
(a)
(b)
Figure 2.7. Erreur relative des paramtres des modles en fonction de la frquence : (a) systme rapide et (b)
systme lent.
A la fin, une fois que les coefficients de (2.10) et de (2.11) sont dtermins, lADALINE
pourra les identifier facilement.
2.2.4 ADALINE pour lidentification des paramtres lectriques
LADALINE a t initialement conu et formul par Widrow [14], [51]. Bas sur
lalgorithme des moindres carrs (LMS), ce modle reprsente un exemple classique dun
systme autoprogramm intelligent simple qui peut sadapter pour raliser une tche donne
de modlisation linaire [50], [52]. Lavantage principal de cette architecture est sa capacit
sadapter en ligne, liminant le besoin dun apprentissage hors ligne rpt. Bien que la plupart des RNAs aient la capacit de faire lapprentissage en ligne, lADALINE est suprieur en
raison de sa rapidit et de sa structure simple. Les poids de lADALINE peuvent tre interprts, donnant de ce fait un avantage non ngligeable par rapport dautres RNAs [49], [50].
Dans ce travail, lADALINE sera appliqu pour la premire fois lidentification des paramtres lectriques de la machine asynchrone larrt [42], [53].
Deux stratgies didentification du systme lent et du systme rapide bases sur
lADALINE seront prsentes. Au dbut, nous rappelons larchitecture dun ADALINE et
nous dveloppons les deux stratgies pour lidentification de Rs et Ls aux BFs, et
lidentification de et Tr aux HFs. Les schmas de principe de la mise en uvre exprimentale de ces deux stratgies seront galement fournis.
2.2.4.1 Topologie de lADALINE
Graphiquement, un ADALINE est reprsent par la topologie montre la figure 2.8, o
yest(k) est la sortie de lADALINE (sortie estime), y(k) est la mesure (sortie dsire), e(k) est
lerreur, W(k) est le vecteur poids de dimension (1n) et X(k) est le vecteur entre de
lADALINE de dimension (n1).
Le problme consiste trouver un ensemble appropri de poids tels que le comportement
entresortie de lADALINE devient proche dun ensemble de caractristiques dentre
sortie dsires. Les poids de lADALINE sont mis jour en utilisant un algorithme linaire
itratif LMS afin de rduire lerreur e(k). LADALINE est itrativement adapt avec une rgle
dapprentissage LMS comme suit [14], [51] :
W (k + 1) = W (k ) + e(k ) X T (k )
43
(2.17)
o est le taux dapprentissage de lADALINE. Pour acclrer la convergence de la mthode

et raffiner les rsultats, le taux dapprentissage doit tre variable. Sa valeur relativement
grande au dbut de lapprentissage, diminue ensuite sensiblement et prend une petite valeur
la fin de lapprentissage. La loi de variation de peut tre exprime selon lexpression suivante :
t
f tmax
(2.18)
= i
i
o i et f sont, respectivement, la valeur initiale et la valeur finale du taux dapprentissage et

tmax est le temps maximal dapprentissage. Puisque lADALINE est bien adapt et idal pour
approcher et apprendre les systmes linaires, il sera utilis pour apprendre les expressions
prcdemment dveloppes du systme lent (2.10) et du systme rapide (2.11). Les poids optimaux de lADALINE obtenus seront utiliss pour trouver les paramtres recherchs de la
machine tudie.
X(k)
W(k)
w0(k)
x1(k)
w1(k)
x2(k)
w2(k)
xn(k)
y(k)
yest(k)
wn(k)
Rgle
dapprentissage
e(k)
Figure 2.8. Topologie dun ADALINE.
2.2.4.2 ADALINE pour lestimation de Rs et Ls

Considrons la forme discrte de la fonction de transfert (2.11) correspondant la dynamique lente donne par :
I s l (k ) = b0 I s l (k -1) + a0Vs l (k ) + a1Vs l (k -1)
(2.19)
Les coefficients b0, a1 et a0 sont identifis respectivement par les poids ws1, ws2 et ws3 de
lADALINE prsent dans la figure 2.9a. Leurs expressions sont donnes par (Te tant la priode dchantillonnage) :
b0 = ws1 = exp Te
Tlent 2
Tlent1
a0 = ws 2 =
RsTlent 2
a = w = 1 1 exp Te
1
s3
Rs
Tlent 2
44
(2.20)
Tlent1

RsTlent 2
Aprs le processus dapprentissage, les poids ws1, ws2 et ws3, nous permettent par inversion
de la relation (2.20) de retrouver Tlent1 et Tlent2. Ainsi, nous trouvons:
Te ( ws1 1) ws 2
Tlent1 =
( ws 2 + ws3 ) ln ( ws1 )
Te
Tlent 2 = ln ( w )
s1
(2.21)
A la fin, une fois les deux constantes Tlent1 et Tlent2 sont dduites partir des poids de
lADALINE optimiss, il est facile de dduire les deux paramtres de la machine Rs et Ls en
combinant les relations donnes par (2.16b) et (2.21). Nous obtenons alors :
Rs
L
s
Tlent1
ws 2Tlent 2
= Rs (Tlent 2 Tlent1 )
=
(2.22)
2.2.4.3 ADALINE pour lestimation de et Tr

La forme discrte de la fonction de transfert (2.10) correspondant la dynamique rapide
est donne par :
I s f ( k ) = B0 I s f ( k 1) + A0Vs f ( k 1)
(2.23)
Les coefficients B0 et A0 sont identifis, respectivement, avec les poids wf1 et wf2 de
lADALINE reprsents dans la figure 2.9b. Leurs expressions sont donnes par :
Te
B0 = w f 1 = exp
Trapide
Te
A0 = w f 2 = K rapide 1 exp
Trapide
(2.24)
Aprs le processus dapprentissage en ligne, linversion des deux relations prcdentes

nous permet de retrouver aisment les paramtres Trapide et Krapide une fois les poids wf1 et wf2
sont connus. Ainsi, nous obtenons:
Te
Trapide =
ln w f 1
wf 2
K rapide = 1 w
f1
(2.25)
A la fin, en combinant les relations donnes par (2.16a) et (2.25) pour le systme rapide,
sachant que Rs et Ls sont dj identifies, les deux paramtres de la machine et Tr
scrivent :
Trapide
=
Ls K rapide
1
1
T
=
1
) sK
s
r (
rapide
45
(2.26)
Les structures des principaux blocs ncessaires lidentification aux BFs et aux HFs sont
prsentes dans la figure 2.9. Pour valider pratiquement les stratgies proposes, la section
suivante prsentera les rsultats exprimentaux obtenus.
isa
Source
Triphase
PD3
isb
Onduleur
IGBT
Uc
MAS
isc
ADALINE
Bloc MLI
z-1
Compensation des
chutes de tensions
ws1
+
ws2
vsbref
vscref
yest
-1/2
ws3
z-1
1/2
vsaref=rsin(st)
Eq.
(22)
Rs
Ls
Identification du systme lent
(a)
isa
Source
Triphase
PD3
isb
Onduleur
IGBT
Uc
MAS
isc
ADALINE
Bloc MLI
Compensation des
chutes de tensions
vscref
vsbref
z-1
wf1
z-1
wf2
yest
e
-1/2
1/2
Eq.
(26)
vsaref=rsin(st)
Tr
Identification du systme rapide
(b)
Figure 2.9. Schma du processus didentification propos: (a) systme lent et (b) systme rapide.
2.2.5 Rsultats exprimentaux

Pour tester et valider la mthode didentification en ligne des paramtres lectriques de la
machine asynchrone, une plateforme exprimentale a t mise en uvre. Une carte numrique
dSPACE DS1102 base sur le processeur numrique DSP TMS320C31 est utilise.
Lalgorithme de commande et didentification est implment sous MATLABSimulink.
Loutil Real Time Interface (RTI) est utilis pour charger et excuter le code sur la carte numrique dSPACE. Du cot puissance, un onduleur de tension transistor IGBT, aliment par
un redresseur triphas diodes, a t utilis pour alimenter la machine asynchrone. Les courants et les tensions sont mesurs par des capteurs effet Hall. Tous les signaux peuvent tre
46
visualiss et enregistrs sur le PC via le logiciel ControlDesk. La figure 2.10 montre une photo du banc dessais utilis lors de cette identification.
Capteur de
tensions
Onduleur
IGBT
Capteur de
courants
Redresseur
triphas
PC
MATLABSimulink
ControlDesk
Machine courant
continu
Machine
asynchrone
Capteur de
vitesse
Figure 2.10. Photo du banc dessai didentification des paramtres de la machine asynchrone.
Pour lidentification des paramtres lectriques, deux tests seront effectus. Les paramtres
Rs et Ls seront identifis aux BFs, tandis que et Tr seront identifis aux HFs. Les valeurs
initiales et finales des coefficients dapprentissage (i,f) et le temps maximal dapprentissage
tmax assurant une vitesse optimale de convergence des poids ont t ajustes exprimentalement. Leurs valeurs sont rsumes dans le tableau 2.3.
i
tmax (s)
Test aux BFs

Test aux HFs
Tableau 2.3 : Paramtres des coefficients dapprentissage.
Les rsultats exprimentaux obtenus sont montrs dans les figures 2.11 2.20. La figure
2.11a montre lvolution des poids de lADALINE ws1, ws2 et ws3 aux BFs (s=1rad/s). Nous
constatons quaprs le rgime transitoire les poids convergent vers des valeurs constantes. Au
rgime permanent les valeurs des poids sont : ws1=0.966, ws2=0.008 et ws3=0.031. Lerreur
destimation du courant de phase statorique isa est donne par la figure 2.11b. Cette erreur est
trs faible et justifie les bonnes performances du rseau de neurone ADALINE. La priode
dchantillonnage utilise pour lidentification est Te=5ms. En utilisant les quations (2.21) et
(2.22), nous obtenons lvolution de la rsistance statorique Rs et linductance cyclique statorique Ls identifies pendant la phase dapprentissage. Les paramtres Rs et Ls sont respectivement donns dans la figure 2.12a et la figure 2.12b. Au rgime permanent Rs=1.50 et
Ls=0.22H. La figure 2.13 montre le rsultat didentification de Rs et Ls dans une large plage
aux BFs. Pendant les essais, le courant statorique est maintenu gal sa valeur nominale.
Lvolution de ces deux paramtres est trace dans une plage de frquence allant de 0.5
5rad/s. Nous notons que, dans lintervalle 0.5 1rad/s, les deux paramtres sont constants et
bien identifis. Ils valent respectivement 1.50 et 0.22H. De la mme manire, nous notons
que durant les essais, pour des frquences suprieures 1rad/s, Rs et Ls deviennent de plus en
plus fausses cause de lerreur du modle qui est valide uniquement aux BFs.
47
Dans la figure 2.14a, lvolution des poids wf1 et wf2 de lADALINE aux HFs (s=60rad/s)
est donne. Aprs le rgime transitoire, les poids de lADALINE convergent vers des valeurs
finales constantes. Les valeurs optimises sont wf1=0.968 et wf2=0.009. La figure 2.14b
montre lerreur destimation du courant de phase statorique isa. Cette erreur est relativement
faible ; ce qui prouve le bon fonctionnement du rseau de neurone ADALINE. La priode
dchantillonnage utilise pour lidentification est Te=0.2ms. En utilisant les quations 2.25 et
2.26, pendant lapprentissage, nous obtenons lvolution de la constante de temps rotorique Tr
et le coefficient de dispersion qui sont donns par la figure 2.15a et la figure 2.15b, respectivement. Les valeurs des deux paramtres se sont finalement stabiliss =0.093 et
Tr=0.097s. La figure 2.16 montre les rsultats exprimentaux de lidentification, aux HFs, de
et Tr. Lvolution de ces deux paramtres est reprsente dans un intervalle de frquence
allant de 10 500 rad/s. Durant les essais, le courant statorique est maintenu gal sa valeur
nominale. Nous notons que la constante de temps rotorique et le coefficient de dispersion sont
bien identifis dans lintervalle 50 100rad/s, leurs valeurs sont 0.99s et 0.0872, respectivement. En dessous de 50rad/s, leurs valeurs deviennent de plus en plus fausses cause de
lerreur commise sur lapproximation du modle. La valeur de la constante de temps rotorique
Tr chute de 30% quand la frquence passe de 100 500 rad/s. Cette diminution de Tr, aux
HFs, est due laugmentation de leffet de peau dans le rotor. Ceci tend augmenter la rsistance rotorique et par consquent la valeur de la constante de temps rotorique diminue.
1.5
1
Erreur d'estimation (A)
1.2
Poids
0.8
ws1
0.6
ws2
0.4
ws3
0.2
0
-0.5
-1
0
-0.2
0
0.5
60
120
180
Temps (s)
(a)
240
300
-1.5
0
360
60
120
180
Temps (s)
(b)
240
300
360
Figure 2.11. (a) Evolution des poids et (b) erreur destimation du courant statorique isa aux BFs (s=1rad/s).
0.4
Inductance cyclique statorique (H)
Rsistance statorique (Ohm)
3
2.5
2
1.5
1
0.5
0
0
60
120
180
Temps (s)
(a)
240
300
0.3
0.2
0.1
0
0
360
60
120
180
Temps (s)
(b)
240
300
360
Figure 2.12. Identification de la rsistance et de linductance cyclique statoriques aux BFs (s=1rad/s).
48
0.4
Inductance cyclique statorique (H)
Rsistance statorique (Ohm)
3
2.5
2
1.5
1
0.5
0
0,5
0.3
0.2
0.1
0
0,5
Frquence (rad/s)
(a)
Frquence (rad/s)
(b)
Figure 2.13. Rsultats didentification aux BFs : (a) rsistance statorique et (b) inductance cyclique statorique.
1.5
1
Erreur d'estimation (A)
1.2
Poids
0.8
0.6
wf1
wf2
0.4
0.2
0
-0.5
-1
0
-0.2
0
0.5
10
20
30
Temps (s)
(a)
40
50
-1.5
0
60
10
20
30
Temps (s)
(b)
40
50
60
Figure 2.14. Lvolution des poids et de lerreur destimation de isa aux HFs (s=60rad/s).
0.2
0.4
Coefficient de dispersion
Constante de temps rotorique (s)
0.5
0.3
0.2
0.1
0.15
0.1
0.05
0
-0.1
0
10
20
30
Temps (s)
(a)
40
50
0
0
60
10
20
30
Temps (s)
(b)
40
50
60
Figure 2.15. Identification de Tr et aux HFs (s=60rad/s).

0.6
0.5
Coefficient de dispersion
Constante de temps rotorique (s)
0.2
0.15
0.1
0.05
0.4
0.3
0.2
0.1
0
10
100
Frquence (rad/s)
(a)
0
10
500
100
Frquence (rad/s)
(b)
500
Figure 2.16. Rsultats didentification aux HFs : (a) constante de temps rotorique et (b) coefficient de dispersion.
49
Le tableau 2.4 donne les valeurs des paramtres lectriques identifis de la machine asynchrone. La rsistance statorique Rs et linductance cyclique statorique Ls ont t moyennes
dans lintervalle de frquences [0.5, 1rad/s], tandis que, le coefficient de dispersion et la
constante de temps rotorique Tr ont t moyennes dans lintervalle de frquences [50,
100rad/s].
Rs()
Ls (mH)
Tr (ms)
Tableau 2.4. Valeurs numriques des paramtres identifis.

Technique ADALINE
Tests classiques
Rs()
Ls (mH)
Tr (ms)
Tableau 2.5. Valeurs des paramtres identifis avec la technique ADALINE et les tests classiques.
Pour prouver la validit des paramtres identifis, des tests larrt et dans une application
de commande en vitesse haute performance de la machine asynchrone ont t effectus.
Initialement, la rponse frquentielle de la machine asynchrone donne par la figure 2.6 et
le modle de la machine avec les paramtres identifis ont t tracs dans un mme graphe
(voir figure 2.17). Les deux courbes damplitude et de phase concident parfaitement sur tout
lintervalle de frquences. Le diagramme donne aussi les tracs du systme lent et du systme
rapide obtenus avec les paramtres identifis. En effet, ces deux soussystmes approximent
parfaitement le systme global aux BFs et aux HFs, respectivement. Par la suite, un chelon
de tension de rfrence a t appliqu la machine asynchrone larrt et la rponse en courant de phase statorique isa a t mesure. La rponse a t compare avec le courant de phase
isa simul avec le modle de la machine et les paramtres identifis. Les deux courbes obtenues, donnes la figure 2.18, montrent un trs bon accord, ce qui valide les paramtres identifis par la mthode ADALINE dans un fonctionnement larrt de la machine asynchrone.
A la fin, dans le but de vrifier la validit des paramtres identifis dans une application de
commande en vitesse haute performance, une commande vectorielle flux rotorique orient
de la machine asynchrone a t mise en uvre. Trois rgulateurs de type proportionnel
intgral (PI) ont t utiliss pour la rgulation du courant magntisant rotorique, du couple
lectromagntique et de la vitesse rotorique. La vitesse de rfrence applique prsente deux
valeurs ; elle passe de 500 +500 tr/mn en 0.5s. La vitesse rotorique est mesure laide un
codeur incrmental dune rsolution globale de 2104 point/tour (figure 2.10). La priode
dchantillonnage utilise pour limplmentation de lalgorithme de commande est de 0.5ms.
Durant le test, la machine asynchrone fonctionne vide. Suivant la rfrence de vitesse applique, la rponse en vitesse rotorique, donne la figure 2.19, suit parfaitement sa rfrence.
Cependant, des dpassements peuvent tre observs sur la rponse en vitesse, qui sont dus aux
rgulateurs PI utiliss dans la stratgie de commande vectorielle flux orient. Ensuite, les
paramtres identifis par la technique ADALINE ont t compars avec ceux obtenus avec
des tests classiques qui sont : mesure en courant continu pour estimer Rs, test rotor bloqu
pour dterminer et Tr et un test vide pour estimer Ls. Les paramtres estims sont rsums
dans le tableau 2.5. Les paramtres identifis partir des deux mthodes sont remplacs dans
(2.1a) (2.1d) pour simuler isa. Les courants simuls et mesurs, correspondant linversion
de la vitesse, sont montrs la figure 2.20a. Un zoom sur les 0.125s dernires est montr la
figure 2.20b. Suivant ce rsultat, il est claire que le courant simul avec les paramtres identifis par la technique ADALINE approxime mieux la courbe relle, spcialement avant et
50
aprs le rgime transitoire. Donc, les paramtres identifis avec la technique ADALINE seront retenus.
0
Bode Diagram
-5
-10
Magn.
(dB) -15
-20
-25
0
Phase
(deg)
-25
-50
Systme lent
Systme rapide
Modle de la MAS
Mesures exprimentales
-75
0.1
10
Frequency (rad/s)
100
500
Frequency (rad/sec)
Figure 2.17. Rponses frquentielles du systme lent, systme rapide, modle de la machine et mesures exprimentales.
8
Mesur
Simul
Courant statorique (A)
7
6
5
4
3
2
1
3s
0
Temps (s)
Figure 2.18. Courant de phase statorique simul et exprimental de la machine larrt.
750
Rfrence
Mesure
Vitesse rotorique (tr/mn)
500
250
0
-250
-500
1s
-750
Temps (s)
Figure 2.19. Rponse en vitesse de la machine asynchrone identifie et commande flux rotorique orient.
51

Vitesse rotorique (62.5 tr/mn)
8
6
Courant mesur
Technique ADALINE
Tests classiques
Vitesse rotorique
3
10
4
2
0
-2
-4
0.125 s
-6
-8
2
1
0
-1
-2
-3
Zoom
-10
-4
Temps (s)
(a)
Courant mesur
Technique ADALINE
Tests classiques
0.125 s
Temps (s)
(b)
Figure 2.20. (a) courant simul et exprimental et (b) zoom sur les dernires 0.125s.
Aprs avoir identifi et valid les paramtres lectriques de la machine asynchrone, la section suivante sera consacre une extension de cette technique ADALINE lidentification
des paramtres mcaniques o deux nouvelles mthodes didentification seront prsentes.
2.3
Identification des paramtres mcaniques de la machine asynchrone
Pour raliser des entrainements vitesse variable de hautes performances dune machine
asynchrone, la connaissance des paramtres lectriques nest pas suffisante. Les paramtres
mcaniques tels que le moment dinertie et le coefficient de frottement visqueux sont ncessaires et indispensables pour concevoir des commandes et des observateurs dtats [54], [55].
Par consquent, il est ncessaire de dvelopper des algorithmes pour lidentification des paramtres mcaniques de la machine asynchrone.
Pour identifier le moment dinertie J, des mthodes classiques peuvent tre utilises. Ces
techniques peuvent tre divises en deux groupes : les techniques directes et indirectes. Les
techniques directes consistent extraire le rotor de la machine et effectuer certaines mesures
exigeant dautres dispositifs difficiles runir et pas toujours adaptables pour toutes les
gammes de puissance [56]. Pour les techniques indirectes, la mthode de ralentissement peut
tre mentionne [57]. Cette dernire exige que le bout de larbre du systme tournant soit facilement accessible. La mesure seffectue en rajoutant sur larbre du moteur un volant dinertie
bien connu J0. Les relevs des courbes de ralentissement avec et sans volant permet de dduire le moment dinertie J. Une autre mthode indirecte est base sur la mesure de la puissance consomme par le moteur lorsquil tourne une vitesse donne et le relev de la courbe
de ralentissement la coupure de lalimentation. Le coefficient de frottements visqueux f peut
tre dtermin en rgime permanent en mesurant la puissance consomme vide du moteur et
une vitesse donne ou, il peut tre dduit directement de la constante de temps mcanique
qui est ellemme calcule partir de lessai de ralentissement. Les mthodes classiques que
nous venons de citer manquent gnralement de prcision, elles sont encombrantes et pas toujours possibles adopter en pratique. De plus, ces techniques ne peuvent pas suivre en ligne
les variations des paramtres du systme.
Ces dernires annes, plusieurs algorithmes ont t dvelopps pour identifier les paramtres mcaniques des machines asynchrones commandes par orientation du flux rotorique.
Lavantage dune machine asynchrone commande par orientation du flux rotorique est la
connaissance du couple de la machine puisque les courants statoriques et le flux rotorique
sont connus [58]. Dans ces conditions, beaucoup de techniques ont t dveloppes. Les mthodes bases sur lalgorithme des moindres carrs (Least Mean Squares) (LMS) et
52
lalgorithme des moindres carrs rcursifs (Recursive Least Squares) (RLS) utiliss pour
lidentification en ligne peuvent tre mentionnes [59], [60]. La limitation principale de ces
mthodes est due leur sensibilit aux bruits. Dans beaucoup de travaux, les techniques
dobservateurs ont t prsentes [61], [62]. Dans [62], les auteurs ont propos un algorithme
pour estimer le moment dinertie en observant le signal derreur de position fourni par un observateur de vitesse qui contient linformation derreur sur le moment dinertie. Un observateur de Luenberger tendu dordrerduit (ReducedOrder Extended Luenberger Observer) a
t propos pour estimer la valeur du moment dinertie [63]. Cependant, ces mthodes exigent
que certaines conditions soient vrifies telles que l'observabilit. Un espace mmoire important lors de la mise en uvre est ncessaire.
Rcemment, des approches heuristiques pour lidentification des paramtres mcaniques
de la machine asynchrone ont t proposes et ont fourni des rsultats acceptables. Dans [64],
une mthode hors ligne base sur les algorithmes gntiques a t propose pour estimer les
paramtres mcaniques et lectriques. Des algorithmes doptimisation (Particle Swarm Optimisation) ont t galement utiliss afin didentifier les paramtres de la machine asynchrone
[65]. Cependant, les plus connues sont celles base sur les RNAs et utilisant la mthode heuristique [31], [32]. Durant ces dernires annes, ces techniques ont t proposes et dveloppes comme une alternative aux mthodes classiques pour les dfis modernes de commande
[66], [67], [68], [69]. Les travaux prcdents ont dmontr lefficacit des RNAs dans
lestimation des variables dtat et lidentification des paramtres de la machine asynchrone
[31], [70]. Comme il a t dj statu dans la section prcdente, la technique neuronale la
plus attrayante pour lidentification des systmes linaires est celle base sur les rseaux de
neurones de type ADALINE [71]. Dans certaines applications telles que le traitement adaptatif de signal [72] ou lidentification des harmoniques de courants dans les systmes lectriques
[50], le rseau ADALINE est devenu un outil puissant [51], [73].
Cette section propose et vrifie deux nouvelles mthodes didentification en ligne des paramtres mcaniques de la machine asynchrone [74]. Ces mthodes sont bases sur
lADALINE utilisant un algorithme dapprentissage en ligne LMS. La mise en uvre de ces
mthodes est trs simple et nexige aucun matriel supplmentaire que celui utilis gnralement dans la commande flux rotorique orient. Les vecteurs entresortie de lADALINE
sont, respectivement, le courant statorique et la vitesse mcanique. Ces grandeurs dentre
sortie peuvent tre obtenues en utilisant des capteurs simples. Les deux mthodes fournissent
les deux paramtres mcaniques J et f en ligne. Ceci prsente un avantage majeur quand un
rgulateur auto ajust en ligne est exig.
2.3.1 Modle de la machine asynchrone en commande vectorielle
Avec les hypothses simplificatrices couramment poses, le modle dq de la machine asynchrone peut tre dcrit par cinq quations diffrentielles avec quatre variables lectriques
[courants statoriques (Isd, Isq), et courant magntisant rotoriques (Irmd, Irmq)], une variable mcanique [vitesse rotorique ()], et deux variables de commande [tensions statoriques (Vsd,
Vsq)].
-
Le sous systme lectrique est reprsent par :
dI sd
= a1 I sd + s I sq + a3a2 I rmd + a3 I rmq + bV
1 sd
dt
dI sq
= s I sd a1 I sq a3 I rmd + a3a2 I rmq + bV
1 sq
dt
dI rmd
= a2 I sd a2 I rmd + (s ) I rmq
dt
53
(2.27a)
(2.27b)
(2.27c)
dI rmq
= a2 I sq (s ) I rmd a2 I rmq
dt
-
(2.27d)
Le sous systme mcanique est donn par :

d p
= (T T )
dt J em l
(2.28)
avec :
T = b I I I I
em
2
rmd sq
rmq sd
Tl = f + Td
(2.29)
et
Ts =
Ls
T + T (1 )
(1 )
1
1
,a = r s
, a2 = , a3 =
, b1 =
, b = p(1 ) Ls .
Rs 1
Tr
TrTs
Ls 2
Durant toute la phase didentification, la machine asynchrone fonctionne vide (Td=0) et

en commande vectorielle flux rotorique orient. Comme pour la machine courant continu,
cette commande assure un dcouplage entre le flux et le couple lectromagntique quelle
exerce [54], [57]. Il faut noter que le courant Isq assure le contrle du couple lectromagntique travers la tension Vsq de laxe quadratique q, tandis que le flux rotorique est command
par le courant magntisant Irmd par lintermdiaire de la tension Vsd daxe direct d.
Lorientation du courant magntisant rotorique Irm suivant laxe d, (Irmd= Irm), implique
lannulation du courant magntisant en quadrature (Irmq=0) [58].
Comme indiqu la figure 2.21, deux rgulateurs de type PI sont utiliss pour rguler le
couple lectromagntique Tem et le courant magntisant Irmd. Les termes de dcouplage Ed et
Eq sont ajouts la sortie de chaque rgulateur pour reconstituer le vecteur de tension Vsd et
Vsq appliquer la machine. Ils permettent de dcoupler la rgulation du courant Isq (couple
lectromagntique) et celle de Irmd (flux rotorique).
La vitesse de rotation du flux rotorique s est calcule en additionnant la vitesse lectrique
du rotor et la pulsation de glissement r. Le dcouplage de la machine nous permet
daboutir des relations linaires reliant, respectivement, les courants Irmd et Isq aux tensions
Vsd et Vsq. Dans le domaine de Laplace, ces relations sont exprimes par :
I rmd
a2b1
=
Vsd 1 ( s + a1 )( s + a2 )
I sq
b1
=
Vsq1 ( s + a1 )
(2.30)
(2.31)
Les termes de dcouplage Ed et Eq, ajouts en aval, sont donns par :

1
( I + a a I )
b1 s sq 2 3 rmd
1
Eq = ( s I sd a3 I rmd )
b1
Ed =
(2.32)
(2.33)
Le courant magntisant rotorique Irmd, le couple lectromagntique Tem ainsi que la pulsation de glissement r sont estims par les relations suivantes :
a
Irmd = 2 I sd
s + a2
(2.34)
54
Tem = b2 Irmd I sq
I
r = a2 sq
Irmd
(2.35)
(2.36)
Lquation mcanique liant la vitesse de rotation du rotor au couple lectromagntique est

donne par la fonction de transfert suivante :
Tem
(2.37)
m s +1
avec
K=
1
J
et m =
f
f
Ainsi, la relation (2.37) sera exploite pour lidentification des paramtres mcaniques J et
f. Le schma de commande de la machine asynchrone adopt pour lidentification des paramtres mcaniques est reprsent la figure 2.21.
isa
Source
Triphase
Redresseur
PD3
isb
Onduleur
IGBT
Uc
isc
abc to dq
Bloc MLI
Isq
Isd
dq to abc
Vsd
Dcouplage
Ed
Estimateurs
s
Vsq
Tem
Irm
Eq
Vsq1
Vsd1
PI
Flux
Irm_ref
Capteur de
vitesse
MAS
PI
Couple
Tem_ref
Figure 2.21. Schma de principe de la commande vectorielle flux rotorique orient.
Le diagramme fonctionnel du systme mcanique est montr la figure 2.22. Le couple de

charge total Tl sexprime par lquation suivante:
Tl = f + sign() s + Td
55
(2.38)
Td
Tem
1
Js
f
s
Figure 2.22. Diagramme fonctionnel du systme mcanique.
2.3.2 ADALINE pour lidentification des paramtres mcaniques

La thorie de base de cette stratgie didentification est de retrouver et exploiter la relation
linaire existant entre les poids dun ADALINE et les paramtres mcaniques. Si lajustement
des poids de lADALINE donne une erreur entre la vitesse estime et la vitesse mesure suffisamment faible, alors les paramtres mcaniques sont bien identifis. Ci-aprs, nous proposons deux mthodes didentification des paramtres mcaniques de la machine qui sont : une
mthode base sur lquation mcanique et une mthode base sur la rponse harmonique de
la vitesse mcanique.
2.3.2.1 Mthode base sur lquation mcanique
La mthode que nous dveloppons ici sapplique pour des formes quelconques du couple
de rfrence impos et de la vitesse de rotation. Elle sappuie sur lidentification pralable des
coefficients de lquation mcanique sous sa forme discrte. Cependant, nous avons constat
en pratique que, pour avoir un coefficient de frottement valable sur une large gamme de vitesse, il est prfrable dimposer des couples lectromagntiques de rfrence alternatifs qui
provoquent des vitesses de rotation de la machine positives et ngatives et dont lamplitude
est proche de la vitesse nominale.
Pour ce faire, considrons lquation mcanique (2.37) donne sous sa forme discrte suivante :
( k ) = B0 ( k 1) + A0Tem ( k 1)
(2.39)
Les coefficients A0 et B0 seront identifis, respectivement, aux poids w1 et w2 de

lADALINE reprsent dans la figure 2.23. Ils sont donns par les expressions suivantes :
Te
B0 = w1 = exp
Te
A0 = w2 = K 1 exp
m
(2.40)
Une fois que les valeurs des poids w1 et w2 de lADALINE sont optimiss en ligne, les valeurs des paramtres f et J seront obtenus par inversion des quations (2.40), ainsi leurs expressions seront comme suit :
1 1 w1
=
K
w2
=m f = f
Te
ln w1
56
(2.41)
Le schma de principe de limplmentation pratique de cette mthode est illustr par la figure 2.23 donne ci-aprs.
isa
Uc
isb
Onduleur
IGBT
Capteur de
vitesse
MAS
isc
ADALINE
Bloc MLI
-1
Commande flux
rotorique orient
-1
Z
Irm_ref
w1
est
-
w2
Tem_ref
Eq.
(2.41)
f
J
Figure 2.23. Schma de principe didentification des paramtres mcaniques par la mthode base sur lquation
mcanique.
2.3.2.2 Mthode base sur la rponse harmonique de la vitesse mcanique

Cette mthode est un peu restrictive puisquelle ne sapplique que dans le cas o le couple
lectromagntique de rfrence impos la machine est de forme sinusodale. Certainement,
avec cette forme de couple, la vitesse de rotation du moteur sera aussi sinusodale. De ce fait,
lide est donc dutiliser en entre de lADALINE deux termes sinusodaux (sint et cost),
comme montr la figure 2.24, dont les amplitudes (qui sont aussi les poids de lADALINE)
sajusteront en temps rel pour approcher le plus possible la forme de la vitesse de rotation
mesure de la machine. Une fois que les poids convergent vers des valeurs fixes et optimales,
il sera ais de remonter aux paramtres mcaniques f et J recherchs. Dans ce qui suit, nous
allons donner le dveloppement mathmatique de cette mthode.
Si nous imposons un couple lectromagntique de rfrence de la forme suivante :
Tem _ ref = Tem max sin t
(2.42)
et si le modle du systme mcanique de la machine asynchrone est suffisamment reprsentatif, alors en rgime permanant, la rponse obtenue en vitesse scrira comme suit :
(t ) = max sin(t + )
(2.43)
K 2Tem2 max
max =
m2 2 + 1
= arctan m
(2.44)
avec
Lexpression de la vitesse, donne par lquation (2.43), peut tre dcompose en deux
termes de la faon suivante :
(t ) = max sin t cos + sin cos t

= A1 sin t + B1 cos t
57
(2.45)
avec
A1 = max cos
B1 = max sin
Nous prenons donc les termes sint et cost comme entres de lADALINE. Aprs le processus dapprentissage, les termes constants A1 et B1 concideront respectivement avec les
poids w1 et w2 recherchs.
Une fois que les poids sont connus, il est ais de remonter aux paramtres mcaniques de
la faon suivante :
tan
max
B1 w2
=
A1 w1
(2.46)
= A +B = w +w
2
1
2
1
2
1
2
2
En combinant les relations prcdentes (2.44) avec celles donnes par (2.46), nous obtenons :
2
K 2Tem2 max
2
w1 + w2 = 2 2
m + 1
w2 =
m
w
1
(2.47)
Finalement, la rsolution du systme dquation prcdent permet de remonter aux paramtres mcaniques de la faon suivante :
w1Tem max
1
=
K w w2 + w2
2
1
2
w
=m f = f 2
w1
=
(2.48)
Le schma de principe de limplmentation pratique de cette mthode est illustr la figure

2.24 donne ci-aprs.
isa
Onduleur
IGBT
Uc
isb
Capteur de
vitesse
MAS
isc
ADALINE
Bloc MLI
Commande flux
rotorique orient
Irm_ref
sint
w1
cost
est
-
w2
Tem_ref
Eq.
(2.48)
f
J
Figure 2.24. Schma de principe didentification des paramtres mcaniques par la mthode base sur la rponse
harmonique de la vitesse mcanique.
58
2.3.3 Rsultats exprimentaux

Le systme identifier est une machine asynchrone triphase dune puissance de 3kW. Les
valeurs des paramtres lectriques de la machine tudie Rs, Ls , et Tr, utilises dans la
commande en couple et les diffrentes simulations, ont t identifies avec succs en utilisant
la stratgie ADALINE [53]. La machine est alimente par un onduleur de tension IGBTs. La
commande vectorielle de la machine, la gnration des signaux MLI et lacquisition des signaux sont fait numriquement par lintermdiaire dune carte dSPACE DS1102. Les programmes sont transcrits sous MATLABSimulink, puis compils laide de la boite outils
Real Time Workshop (RTW). La vitesse mcanique est mesure laide dun codeur incrmental deux pistes ayant une rsolution de 5000 points chacune. Les courants sont mesurs
laide dun capteur effet Hall de LEM Components. Toutes les grandeurs peuvent tre
visualises et enregistres sur PC via le logiciel de visualisation ControlDesk. La photo du
dispositif exprimental a t dj montre la figure 2.10.
Pour avoir une meilleure identification du point de vue prcision ou encore de rapidit de
convergence, nous avons procd durant lexprience certains ajustements. Les signaux
didentification doivent contenir le moins de bruit possible. Par consquent le signal de vitesse dlivr par le codeur incrmental est filtr par un filtre passebas de premier ordre. Le
couple lectromagntique estim, est remplac par le couple de rfrence. Cette dernire approximation est bien justifie pratiquement puisque les signaux didentification sont relativement lents par rapport au temps de rponse du rgulateur du couple lectromagntique.
Lidentification a t effectue avec un couple lectromagntique de rfrence sinusodal
damplitude 2.25N.m et de pulsation 0.6rad/s. Ce dernier a provoqu une rotation de la machine atteignant une valeur de 90rad/s. Les coefficients dapprentissage maximal et minimal
assurant une vitesse de convergence optimale des poids ont t ajusts aux valeurs max et
min. Le temps didentification maximal est tmax=400s. Les calculs numriques ont t excuts avec une priode dchantillonnage Te=0.5ms.
La figure 2.25 montre le couple lectromagntique de rfrence et la vitesse mcanique
mesure de la machine tudie. Il est noter que la forme de la vitesse obtenue nest pas
compltement sinusodale, particulirement au passage par zro. Cela peut tre expliqu par le
coefficient de frottement visqueux f qui nest pas constant, mais dpend de la vitesse mcanique. En effet, f est grand aux basses vitesses et devient petit quand la machine fonctionne
aux hautes vitesses.
100
Vitesse rotorique (rad/s)

Couple (0.05 Nm)
Vitesse rotorique
Couple de rfrence
50
-50
3s
-100
Temps (s)
Figure 2.25. Signaux didentification: couple lectromagntique et vitesse rotorique.
59
2.3.3.1 Mthode base sur lquation mcanique

La figure 2.26a montre lvolution des poids de lADALINE w1 et w2. Aprs le rgime
transitoire, les poids se stabilisent aux valeurs w1=0.9998 et w2=0.0133. Lerreur destimation
de la vitesse mcanique de la machine est relativement faible, comme ceci est montr par la
figure 2.26b, ce qui justifie le bon fonctionnement du rseau ADALINE. La figure 2.27 donne
les paramtres identifis tels que linertie J (figure 2.27b) et le coefficient de frottement visqueux f (figure 2.27a). Au rgime permanent les valeurs identifies sont J=0.08934kgm2 et
f=0.00657Nms/rad. La fluctuation de la valeur de f est explique par le fait que le coefficient
de frottement visqueux nest pas constant. La valeur obtenue de f est seulement une valeur
moyenne dans cette gamme de vitesse.
1.2
Erreur d'estimation (rad/s)
Poids
0.8
w1
0.6
w2
0.4
0.2
0
0
100
200
Temps (s)
(a)
300
0.5
-0.5
-1
0
400
100
200
Time (s)
(b)
300
400
300
400
Figure 2.26. (a) Evolution des poids et (b) erreur destimation de la vitesse rotorique.
0.2
0.06
0.15
0.05
0.04
0.05
J (kg.m2)
f (Nm.s/rad)
0.1
0
-0.05
0.03
0.02
-0.1
0.01
-0.15
-0.2
0
100
200
Temps (s)
(a)
300
0
0
400
100
200
Temps (s)
(b)
Figure 2.27. Paramtres mcaniques identifis: (a) coefficient de frottement visqueux et (b) moment dinertie.
2.3.3.2 Mthode base sur la rponse harmonique de la vitesse mcanique

La figure 2.28 montre lvolution des poids de lADALINE et lerreur destimation de la
vitesse de la machine. Dans la figure 2.28a, les poids w1 et w2 se stabilisent, respectivement,
des valeurs 37.2 et 78.1 au rgime permanent. Lerreur destimation donne par la figure
2.28b reste relativement importante par rapport celle donne par la premire mthode (figure 2.26b), ceci est du la prsence de la fonction arctan dans lquation (2.44) qui est trs
sensible aux variations des poids. Dans la figure 2.29, il est montr lvolution des paramtres
J et f au cours de lapprentissage du rseau ADALINE. Au rgime permanent, les deux grandeurs prennent des valeurs constantes, ainsi les valeurs identifies sont J=0.000674kgm2 et
f=0.004563Nms/rad. Comme montr la figure 2.29a, le coefficient de frottement visqueux f
semble tre mieux identifi compar au rsultat de la premire mthode. Une amlioration
significative dans la prcision est obtenue. Lapplication de cette mthode consiste filtrer le
60
signal de vitesse pour extraire la composante fondamentale. Il en rsulte des valeurs constantes de J et f.
200
20
w1
150
15
Erreur d'estimation (rad/s)
w2
100
Poids
50
0
-50
-100
-150
-200
0
10
5
0
-5
-10
-15
100
200
Temps (s)
(a)
300
-20
0
400
100
200
Temps (s)
(b)
300
400
300
400
Figure 2.28. (a) Evolution des poids et (b) erreur destimation de la vitesse rotorique.
0.14
0.3
0.12
0.2
0.1
J (kg.m2)
f (Nm.s/rad)
0.1
0.08
0.06
-0.1
0.04
-0.2
0.02
0
0
100
200
Temps (s)
(a)
300
-0.3
0
400
100
200
Temps (s)
(b)
Figure 2.29. Paramtres mcaniques identifis: (a) coefficient de frottement visqueux et (b) moment dinertie.
2.3.3.3 Tests de validation

Pour vrifier lexactitude des paramtres identifis par les deux mthodes proposes ; deux
essais de dmarrage direct de la machine asynchrone ont t effectus. La vitesse mcanique
et le courant dans une phase statorique ont t enregistrs durant les rgimes transitoire et
permanent. Pour viter des appels de courant importants pendant la phase de dmarrage, la
machine asynchrone est alimente par une tension rduite avec un onduleur de tension
IGBT. Le maximum de tension est denviron 1000V et la frquence a t fixe 30Hz. Deux
essais ont t effectus par simulation avec les paramtres identifis et dans les mmes conditions. Afin deffectuer une comparaison, les mesures exprimentales et les courbes simules
par les paramtres identifis ont t superposs sur un mme graphe. Les figures 2.30 et 2.31
montrent les rsultats de validation des paramtres identifis pour les deux mthodes proposes. Ces paramtres sont rsums dans le tableau 2.6.
Incontestablement, les paramtres identifis semblent tre prcis et bien identifis puisque
les courbes thoriques concident parfaitement avec celles obtenues par lexprimentation.
Dans les deux cas, la dure du rgime transitoire est de 0.2s et le courant maximal atteint 20A
au dbut, ensuite il prend une valeur de 3A au rgime permanent. Cependant, un petit dphasage entre les courbes simules et mesures apparait au rgime transitoire. Il est d au coefficient de frottements visqueux f qui constitue seulement une valeur moyenne sur la gamme de
la vitesse considre.
61

J (kg.m2)
f (N.m.s/rad)
Mthode base sur lquation mcanique

Mthode base sur la rponse harmonique de la vitesse
Tableau 2.6. Valeurs des paramtres identifis.
90
30
Courant de phase statorique (A)
80
70
60
50
Mesure
Simule
40
30
20
10
0
0
0.1
0.2
0.3
Temps (s)
(a)
0.4
0.5
10
0
-10
-20
-30
0
0.6
Mesur
Simul
20
0.1
0.2
0.3
Temps (s)
(b)
0.4
0.5
0.6
Figure 3.30. Test de validation : mthode base sur lquation mcanique.
90
30
Courant de phase statorique (A)
80
70
60
50
Mesure
Simule
40
30
20
10
0
0
0.1
0.2
0.3
Temps (s)
(a)
0.4
0.5
10
0
-10
-20
-30
0
0.6
Mesur
Simul
20
0.1
0.2
0.3
Temps (s)
(b)
0.4
0.5
0.6
Figure 3.31. Test de validation : mthode base sur la rponse harmonique de la vitesse mcanique.
2.4
Conclusion
Nous avons propos dans ce chapitre une nouvelle stratgie didentification des paramtres
lectriques et mcaniques de la machine asynchrone en utilisant les RNAs de type ADALINE.
Cette stratgie a t divise en deux tapes essentielles ; une tape didentification des paramtres lectriques de la machine larrt et une tape didentification des paramtres mcaniques de la machine commande flux rotorique orient.
La mthode didentification des paramtres lectriques de la machine nous a permis
davoir les quatre paramtres en deux essais seulement, lun est effectu aux BFs et lautre est
effectu aux HFs. En effet, aprs avoir dtermin le modle de la machine larrt, les tensions de commande laissant la machine larrt ont t dtermines et ensuite une compensation des chutes de tension dues au temps mort et la conduction des IGBTs dans londuleur a
t effectue. En utilisant le diagramme de Bode, nous avons vrifi que le modle de la machine asynchrone larrt peut tre approxim par deux soussystmes de premier ordre ; lun
est valide aux BFs et lautre est valide aux HFs. Chaque soussystme a t identifi en utilisant un ADALINE et en consquence les paramtres lectriques ont t facilement dduits
partir des poids des ADALINE. La rsistance Rs et linductance Ls statoriques ont t identi62
fis aux BFs, tandis que le coefficient de dispersion et la constante de temps rotorique Tr ont
t identifis aux HFs. Les paramtres lectriques identifis ont t tests avec succs dans un
fonctionnement larrt et dans un fonctionnement de commande en vitesse hautes performances. Compars aux paramtres identifis par la mthode classique, ceux identifis par la
technique ADALINE ont t beaucoup plus prcis.
A la fin, nous avons tendu lapplication de la technique ADALINE lidentification des
paramtres mcaniques de la machine asynchrone. En effet, deux nouvelles techniques
didentification en ligne du moment dinertie J et du coefficient de frottement visqueux f ont
t proposes. Lune exploite lquation dynamique du systme mcanique et le couple lectromagntique de la machine, lautre exploite la rponse harmonique de la vitesse mcanique.
Ces techniques ont t faciles implmenter et nont exig que la connaissance des courants
statoriques, la vitesse mcanique ainsi que la commande flux rotorique orient de la machine. La faisabilit des mthodes proposes a t vrifie par des essais pratiques.
Lexactitude des paramtres identifis a t teste par des dmarrages directs de la machine et
cela en comparant les rponses en courant et en vitesse par expriences et par simulations en
utilisant les paramtres identifis.
63
3
Emulation de la turbine olienne par un
moteur courant continu
Rsum : Ce chapitre prsente une tude dun mulateur dune turbine olienne de petite puissance
(3kW) base dun moteur courant continu (MCC) command en couple. Dans un premier temps,
nous proposerons une nouvelle mthode de modlisation de la caractristique de puissance de la
turbine olienne. Cette mthode base sur un rseau de neurone artificiel (RNA) trois couches
permettra dobtenir un modle prcis de la caractristique de puissance. Dans un second temps, nous
prsenterons deux mthodes de commande de la turbine permettant dextraire le maximum de la
puissance disponible dans le vent; la premire mthode sera ralise sans asservissement de la vitesse
de rotation et la seconde le sera avec un asservissement de la vitesse de rotation. Ensuite, nous
dvelopperons un estimateur de vitesse du vent bas sur un RNA trois couches. Cet estimateur
neuronal permettra de reconstituer la vitesse du vent avec prcision. A la fin, le couple mcanique de
la turbine sera mul laide dun MCC command en couple. Une compensation de linertie et des
frottements de la turbine sera effectue. Les rsultats de simulations obtenus de lmulateur vont
montrer son efficacit et son exactitude reproduire le comportement de la turbine sur larbre du
gnrateur.
64
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2 Modlisation de la turbine olienne . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2.1
3.2.2
3.2.3
3.2.4
Modle arodynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modle du multiplicateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Equation dynamique de larbre de la turbine . . . . . . . . . . . . . . . . . . . . . . . . .
Simulation du modle de la turbine olienne fonctionnant vide . . . . . . . . .
67
72
72
73
3.3 Extraction du maximum de la puissance du vent . . . . . . . . . . . . . . . . . 75

3.3.1
3.3.2
3.3.3
3.3.4
Bilan des puissances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Contrle sans asservissement de la vitesse de rotation . . . . . . . . . . . . . . . . . .
Contrle avec asservissement de la vitesse de rotation . . . . . . . . . . . . . . . . .
Estimation de la vitesse du vent par RNA . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
78
81
83
3.4 Construction dun mulateur de la turbine olienne base dun MCC. 85

3.4.1
3.4.2
3.4.3
3.5
Modle du MCC excitation spare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

Compensation de linertie et du coefficient de frottement . . . . . . . . . . . . . . . 86
Simulation de lensemble modle de la turbine olienneMCCContrle
MPPT avec asservissement de la vitesse de rotation . . . . . . . . . . . . . . . . . . . 86
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
65
3.1 Introduction
MULATEUR DE LA TURBINE OLIENNE est un quipement indispensable pour

dvelopper les systmes de conversion de lnergie olienne. En effet, il simule les
comportements dynamique et statique de larbre de la turbine dans un environnement de
commande sans liaison avec le vent naturel et les turbines oliennes relles. Par consquent,
lmulateur peut tre aussi utilis pour ltude dans des applications o le gnrateur doit tre
entrain dune faon similaire une turbine olienne, en reproduisant le couple mcanique
dvelopp par la turbine pour un profil de vent donn. Cet mulateur peut mme constituer un
outil pdagogique pour enseigner le comportement, le fonctionnement et le contrle dun
systme de conversion dnergie olienne.
Diverses tudes sur les mulateurs de turbines oliennes ont t ralises. Certains auteurs
[75], [76], [77], [78] ont utilis des moteurs courant continu (MCC) excitation spare et
commande par induit afin dmuler le comportement de la turbine. Dans [79], [80], [81] des
moteurs asynchrones contrls par des convertisseurs IGBTs (InsulatedGateBipolar
Transistors) ont t galement utiliss comme mulateur de la turbine olienne. Les courants
statoriques et la frquence de rfrence ont t commands de faon gnrer larbre du
moteur asynchrone les caractristiques statiques dune turbine olienne angle de calage fixe.
Actuellement, les chercheurs choisissent souvent des machines asynchrones par rapport aux
MCC cause de leur faible cot, de leur maintenance simplifie et de leur robustesse
mcanique [82]. Cependant, les inconvnients de lutilisation des moteurs asynchrones sont
leur commande en vitesse qui exige un quipement en lectronique de puissance plus cher et
un contrle plus complexe quun MCC. En effet, lentranement dun MCC est facile
comprendre et le contrle de vitesse ou de couple est moins complexe. Dans un MCC, le
couple et la vitesse peuvent tre contrls directement en contrlant le courant et la tension
dinduit respectivement. Pour ces raisons, nous allons opter pour un MCC excitation spare
afin dmuler la turbine olienne. Dans le but davoir une modlisation plus prcise sur le
comportement de la turbine olienne, certains effets tels que leffet dombre de la tour (Tower
shadow), cisaillement du vent (Wind shear) et leffet de linertie de la turbine (Inertia effect)
ont t pris en considration [76], [81], [83], [84]. En effet, lorsque le vent traverse la tour, sa
vitesse diminue cause de la rsistance de la structure de celle-ci. Ainsi, cette diminution
entrainera un effet dondulation du couple de la turbine au moment du passage de la pale
devant la tour. Linertie du rotor de la turbine doit tre aussi compense afin dmuler son
effet sur larbre du gnrateur. Il est noter que leffet des coefficients de frottements du
MCC et de la turbine na pas t pris en considration dans les travaux antrieurs. Nous le
prendrons en considration dans cette tude.
Lmulateur de la turbine olienne que nous dvelopperons dans ce chapitre visera
reproduire le comportement mcanique du rotor de la turbine et du multiplicateur de vitesse
dans des conditions dynamique et statique par la commande en couple dun MCC excitation
spare. Le couple de rfrence appliqu au MCC contient le couple mcanique dvelopp
par la turbine et le couple de compensation d leffet de linertie et des frottements de la
turbine et du MCC. Lobjectif principal de ce chapitre est ltude et le dimensionnement dun
mulateur dune turbine olienne vitesse variable de petite puissance (3kW) destin
lentrainement dune machine asynchrone double alimentation (MADA) de 3kW. Par
ailleurs, un autre objectif sera attendu dans cette tude savoir lapport des rseaux de
neurones artificiels (RNA) dans la modlisation de la caractristique de puissance dune
turbine olienne ainsi que dans la conception dun estimateur neuronal de la vitesse du vent.
Pour ce faire, nous allons mener notre tude comme suit : initialement, nous prsenterons
le modle mathmatique de la turbine olienne o une nouvelle mthode de modlisation de
66
la caractristique de puissance par les RNA multicouches sera labore. Ensuite, deux
mthodes de commande de la turbine olienne permettant dextraire le maximum de
puissance du vent seront synthtises. La premire mthode sera ralise sans asservissement
de la vitesse de rotation de la turbine, tandis que la deuxime mthode le sera avec un
asservissement de la vitesse de rotation. Afin dviter une mesure locale du vent, nous
proposons un estimateur de vitesse du vent base de RNA. A la fin de ce chapitre, nous
prsenterons la construction de lmulateur de la turbine olienne o le MCC va remplacer la
turbine dans le systme de conversion de lnergie olienne. Le couple de compensation de
linertie et des frottements de la turbine seront ici pris en considration. Tout le systme sera
implment sous MATLABSimulink et valid par des essais en simulations. Les rsultats
obtenus vont montrer lefficacit de lmulateur reproduire avec exactitude le comportement
de la turbine olienne.
3.2 Modlisation de la turbine olienne

3.2.1 Modle arodynamique
La ressource en vent, du point de vue de sa distribution statique, est primordiale dans un
projet olien et constitue un facteur dterminant pour le calcul de la production de llectricit
et de la rentabilit. Les proprits dynamiques du vent sont capitales pour ltude de
lensemble du systme de conversion de lnergie car la puissance de la turbine (puissance
arodynamique), dans les conditions optimales, volue au cube de la vitesse du vent. La
vitesse du vent est un vecteur tridimensionnel. Dans ce travail, la direction du vecteur de la
vitesse du vent se limite une dimension [85]. Il peut tre modlis par une valeur moyenne
et une somme de plusieurs harmoniques [86] comme suit :
n
v = Av + ak sin ( k t )
(3.1)
k =1
o Av est la valeur moyenne, ak et k sont respectivement lamplitude et la frquence de

lharmonique dordre k.
La puissance cintique du vent peut tre dcrite par lquation (3.2) suivante [87] :
Pv =
1
R 2 v3
2
(3.2)
o v est la vitesse du vent (m/s), est la masse volumique de lair (approximativement

1.225kg/m3 la pression atmosphrique et 15C) et R est la longueur dune pale ou le rayon
de larognrateur (m).
Lolienne ne pouvant rcuprer quune fraction de la puissance du vent et la puissance
arodynamique apparaissant au niveau du rotor de la turbine scrit alors :
1
C p ( ) R 2v3
(3.3)
2
o Cp() est le coefficient de puissance qui reprsente le rendement arodynamique de la turbine olienne. Il dpend de la caractristique de la turbine. La vitesse relative (en anglosaxon tip speed ratio) est dfinie comme tant le rapport entre la vitesse linaire des pales
(tR) et la vitesse du vent comme suit :
R
= t
(3.4)
v
o t (rad/s) est la vitesse mcanique de larbre de la turbine.
Pt =
67
Le couple exerc par le vent sur larbre de la turbine (ou couple mcanique la sortie de la
turbine) est dfini par :
Tt =
Pt
t
(3.5)
3.2.1.1 Modle analytique du coefficient de puissance

Le coefficient de puissance Cp() dpend du nombre de ples du rotor et de leurs formes
gomtrique et arodynamique (longueur et profil des sections). Celles-ci sont conues en
fonction des caractristiques du site, de la puissance nominale souhaite, du type de
rgulation (en pitch ou par dcrochage) et du type de fonctionnement ( vitesse fixe ou
variable) [88].
Des approximations numriques ont t dveloppes dans la littrature pour modliser le
coefficient Cp et diffrentes expressions ont t proposes. Ci-aprs, nous prsentons quatre
des formes les plus utilises dans diffrents travaux scientifiques [89], [90], [91], [92] :
i)
Cp =
avec =
1
( 0.022 2 5.6) e0.17 ,
2
(3.6)
9 v
est le rapport de vitesse priphrique et est langle dorientation des pales
4 t
[degr].
ii)
( 3)
C p = ( 0.44 0.0167 ) sin
0.00184 ( 3) ,
15 0.3
(3.7)
iii)
116
C p = 0.22
0.4 5 e
'
1
1
0.035
avec
.
=
3
' + 0.08 + 1
12.5
'
(3.8)
iv)
18
151
C p = 0.73
0.58 0.002 2.14 13.2 e ' ,
'
1
1
0.003
avec
.
=
' 0.002 3 + 1
(3.9)
La courbe relle du coefficient de puissance Cp() de la turbine olienne tudie dans cette
thse est montre la figure 3.1. Cette caractristique correspond des mesures
exprimentales obtenues partir de la rfrence [--].
Vu son caractre non linaire, nous proposons ci-aprs une nouvelle mthode de
modlisation du coefficient de puissance de la turbine partir de mesures exprimentales en
utilisant un RNA trois couches.
68
Figure 3.1.
3.2.1.2 Modlisation du coefficient de puissance par un RNA

Lalgorithme de modlisation de la caractristique de puissance de la turbine olienne
tudie est bas sur une fonction non linaire dcrite la figure 3.2. Limplmentation de la
caractristique de puissance sous forme dun tableau deux dimensions (Cp) ou en utilisant
les quations dj dveloppes dans la littrature auront comme consquence un calcul
complexe, long et imprcis, rduisant de ce fait les performances du systme [93]. Les RNA
sont des techniques idales pour rsoudre les problmes lis la modlisation des systmes
complexes et fortement non linaires [5]. Dans ce sens, un RNA supervis est utilis pour la
modlisation de la caractristique de puissance Cp() donne la figure 3.1.
Lapprentissage du RNA, qui consiste modifier chaque itration ces diffrents poids et
minimiser la somme des carrs des erreurs en sorties, peut se faire hors ligne (mthodes
itratives) ou en ligne (mthodes rcursives) [11]. Dans ce travail, nous nous sommes limits
la premire mthode qui consiste prsenter, chaque itration, lensemble dapprentissage
complet (Cp). Lavantage de cette mthode, non adaptative, est que nous disposons dun
choix vari de mthodes de minimisation plus efficaces que celles rencontres dans les
algorithmes rcursifs. Toutes les commandes correspondantes sont disponibles sous
MATLAB et faciles mettre en uvre [26]. Citons comme exemple, lalgorithme de
LevenbergMarquardt que nous avons adopt, auquel on peut faire appel sous MATLAB
avec la commande Trainlm.
Le schma de principe dapprentissage du RNA pour la modlisation du coefficient de
puissance Cp() est montr la figure 3.2.
Figure 3.2.
Dans ce schma, la caractristique de puissance est obtenue par une srie de mesures
exprimentales (des essais en soufflerie, par exemple) [--]. Dune part, les chantillons de
vitesse relative , constituant un vecteur de 45 composantes, sont utiliss comme vecteur
69
dentre du RNA. Dautre part, les chantillons du coefficient de puissance Cp sont utiliss
comme objectif (un vecteur de 45 composantes) pour lapprentissage du RNA suivant les
indications de la figure 3.3.
Le RNA a t dvelopp dans lenvironnement MATLABSimulink. La sortie des
fonctions dactivations sigmodales utilises est donne par :
(3.10)
o a, c et sont des paramtres permettant dobtenir une fonction symtrique ou asymtrique
avec diffrents profils [26] et vj(n) est lactivit du neurone.
Durant le processus dapprentissage, le poids wij entre deux neurones est mis jour selon la
loi suivante :
(3.11)
o est le coefficient dapprentissage qui a une valeur positive infrieure 1, j est lerreur
la sortie du neurone j et yi est la sortie du neurone i. Les paramtres du RNA dvelopp ainsi
que son architecture sont rsums dans le tableau 3.1. Larchitecture du modle neuronal de
Cp est galement montr la figure 3.3.
Couche dentre
Couche cache
Fonction dactivation
Paramtre
Paramtre a
Paramtre c
Nombre de neurones
Coefficient dapprentissage
Nombre dentres
Nombre de paires entresortie
Nombre ditrations
Erreur finale
Tableau 3.1. Paramtres et architecture du RNA.
Couche de sortie
b11
w(1)11
w(2)11
b12
w(1)12
w(1)13
w(2)21
b13
w(2)31
w(1)14
w(2)41
w(1)15
w(2)51
b14
b2
b15
Mise jour des poids
Algorithme
dapprentissage
LMS
Figure 3.3. Modle neuronal du coefficient de puissance.
70
Figure 3.4.
Le modle de la courbe du coefficient de puissance Cp obtenu par le RNA est montr la

figure 3.4 o nous pouvons statuer que cette courbe approxime bien les points exprimentaux
et par consquent le modle neuronal obtenu est assez reprsentatif. Cette courbe possde un
point optimal (opt=6.4486, Cpmax=0.4061) correspondant au rendement maximal de la turbine.
Sur ce point, le maximum de la puissance mcanique peut tre rcupr partir de la
puissance disponible dans le vent.
A partir de la caractristique de puissance Cp() et en exploitant lquation (3.3), les
caractristiques statiques des puissances arodynamiques de la turbine Pt en fonction de la
vitesse de rotation de la turbine t, pour diffrentes valeurs de la vitesse du vent v, peuvent
tre dtermines. Les caractristiques obtenues sont montres la figure 3.5. Il apparat
clairement sur ces caractristiques que si lolienne fonctionne vitesse fixe, les maximums
thoriques des courbes de puissance ne sont pas exploits. Afin dexploiter ces points, la
turbine doit tourner une vitesse bien dtermine pour chaque vitesse du vent. Do lintrt
majeur des oliennes vitesse variable.
4000
Puissance de la turbine (W)
3500
3000
2500
6 m/s
2000
5.5 m/s
1500
5 m/s
1000
4.5 m/s
4 m/s
500
3.5 m/s
3 m/s
0
0
25
50
75
100
125
Vitesse de rotation de la turbine (tr/mn)
150
Figure 3.5. Puissance de la turbine en fonction de sa vitesse pour diffrentes valeurs de vitesse du vent.
La puissance arodynamique dune turbine olienne peut tre reprsente galement par le
couple arodynamique gnr sur son arbre, pour diffrentes valeur de la vitesse du vent, en
fonction de la vitesse de la turbine. Les caractristiques de couple obtenues sont montres la
figure 3.6.
71
Couple de la turbine (Nm)
500
400
300
6 m/s
5.5 m/s
200
5 m/s
4.5 m/s
100
4 m/s
3.5 m/s
3 m/s
0
0
25
50
75
100
125
Vitesse de rotation de la turbine (tr/mn)
150
Figure 3.6. Couple de la turbine en fonction de la vitesse pour diffrentes valeurs de la vitesse du vent.
3.2.2 Modle du multiplicateur

Le multiplicateur est la liaison entre larbre de la turbine et larbre du gnrateur. Il est
suppos rigide et modlis par un simple gain. Llasticit et les frottements du multiplicateur
sont ngligs. Ainsi, les pertes nergtiques dans le multiplicateur sont considres comme
tant nulles. Le couple arodynamique de la turbine olienne est divis par le rapport du
multiplicateur pour obtenir le couple mcanique sur larbre du gnrateur. La figure 3.7
prsente le modle mcanique de larbre de la turbine olienne [94].
m
t
Tt
Tm
Jm
Jt
fm
G
ft
Figure 3.7. Modle mcanique de la turbine olienne.
Le multiplicateur peut tre modlis par un simple gain G. Ceci nous permettra de dduire
lexpression du couple mcanique sur larbre du gnrateur :
Tt
(3.12)
G
et de dduire lexpression de la vitesse du gnrateur :
m = G.t
(3.13)
o G est le rapport de multiplication, Tm est le couple mcanique disponible sur larbre du
gnrateur et m est la vitesse mcanique du gnrateur.
Tm =
3.2.3 Equation dynamique de larbre de la turbine

Lexpression de linertie totale JT quivalente du systme olien vue du rotor de la
gnratrice peut tre retrouve partir de la puissance pJ due linertie totale du systme. En
effet, cette puissance pJ est compose de la puissance pJt due linertie de la turbine (Jt) et la
puissance pJm due linertie du gnrateur (Jm). Ainsi, nous pouvons crire :
(3.14)
En remplaant pJt et pJm par leurs expressions, nous obtenons :
72
(3.15)
ou encore
(3.16)
A partir de lquation (3.16), nous pouvons dduire que linertie totale du systme olien
est compose de linertie de la turbine Jt comprenant les trois pales, du coefficient de
multiplication G et de linertie de la gnratrice Jm comme suit :
(3.17)
De la mme faon, le coefficient de frottements visqueux total fT du systme peut tre
retrouv partir de la puissance totale dissipe par frottements pfT. Elle est constitue des
pertes par frottement pft dans la turbine et des pertes par frottements pfm dans le gnrateur.
Ainsi, nous pouvons crire galement :
(3.18)
En remplaant pft et pfm par leurs expressions, nous obtenons :
(3.19)
ou encore
(3.20)
A partir de lquation (3.20), le coefficient de frottements total fT du systme olien est
compose du coefficient de frottements de la turbine ft, du coefficient de multiplication G et
du coefficient de frottements de la gnratrice fm comme suit :
(3.21)
Finalement, lquation de mouvement permettant de dterminer lvolution de la vitesse
mcanique partir du couple mcanique dentrainement Tm disponible au niveau du rotor de
la gnratrice est donne par la relation suivante :
(3.22)
o Tem est le couple lectromagntique du gnrateur.
Une fois la modlisation de la turbine olienne tablie, la section suivante sera ddie la
simulation de ce modle dans un fonctionnement vide, c'est--dire, le gnrateur entrain
nexerce aucun couple rsistant sur la turbine olienne (Tem=0).
3.2.4 Simulation du modle de la turbine olienne fonctionnant vide
Lensemble des quations du modle arodynamique, du multiplicateur et de la dynamique
de larbre de la turbine olienne ont t implments et simuls sous MATLABSimulink. La
vitesse du vent v et le couple lectromagntique Tem dvelopp par le gnrateur constituent
73
lentre du systme, tandis que, le couple mcanique Tm et la vitesse mcanique m du

gnrateur constituent ses sorties.
Dans cette simulation, le gnrateur coupl mcaniquement larbre de la turbine est
suppos au repos, par consquent, le couple rsistant appliqu par ce gnrateur la turbine
est nul (Tem=0). Le schma bloc reprsentant le modle de la turbine olienne, incluant le
modle neuronal de Cp(), est montr la figure 3.8.
Figure 3.8.
Un essai en simulation a t effectu en utilisant un profil de vent alatoire dune valeur

moyenne de 4.75m/s montr la figure 3.9a. A la figure 3.9b, la puissance disponible sur
larbre de la turbine Pt est montre. La vitesse relative et le coefficient de puissance de la
turbine sont montrs respectivement par les figures 3.9c et 3.9d. A partir de ces rsultats, nous
constatons que la puissance de la turbine extraite disponible sur larbre du gnrateur reste
faible car la vitesse relative de la turbine reste loin de sa valeur optimale (opt=6.4486), ainsi,
le coefficient de puissance Cp reste aussi loin de sa valeur maximale (Cpmax=0.4061). Les
figures 3.9e et 3.9f montrent respectivement la vitesse du gnrateur et le couple mcanique
disponible sur larbre du gnrateur. Il est noter que dans ce mode de fonctionnement, la
vitesse du gnrateur atteint une valeur de 2850tr/mn (-90% du glissement !) et dpasse
largement -30% du glissement, limite ne pas dpasser dans le cas dune machine asynchrone
double alimentation, par exemple. Par consquent, pour la puissance mcanique extraite, le
couple mcanique dentrainement du gnrateur reste trs faible. Les paramtres de la turbine
olienne simule sont rsums dans le tableau 3.2.
Puissance nominale Ptn (kW)
Nombre de pales
Inertie de la turbine Jt (kgm2)
Inertie du gnrateur Jm (kgm2)
Coefficient de frottement visqueux de la turbine ft (Nm.s/rad)
Coefficient de frottement visqueux du gnrateur fm (Nm.s/rad)
Multiplicateur G
Longueur de la pale R (m)
Tableau 3.2. Paramtres de la turbine olienne.
Comme il a t dj constat, le rendement de la turbine olienne simule fonctionnant

vide est trs faible (infrieur Cpmax) do la ncessit dune commande de cette turbine par
action sur le couple lectromagntique du gnrateur (Tem). Ceci permettra de ramener sa
valeur optimale par le biais de la vitesse du gnrateur et dextraire le maximum de puissance
disponible dans le vent.
74
La section suivante sera consacre la synthse de deux stratgies de commande de la

turbine olienne vitesse variable ; selon la prsence ou non dun asservissement de la vitesse
de rotation.
1500
Vitesse du vent (m/s)
5.5
4.5
3.5
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
1000
500
0
5
60
10
15
20
25
(a)
30 35 40
Temps (s)
45
50
55
60
45
50
55
60
45
50
55
60
(b)
12
0.35
0.3
Coefficient de puissance
Vitesse relative
11
10
0.25
0.2
0.15
0.1
0.05
7
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
0
5
60
10
15
20
25
(d)
3000
2800
6
Couple mcanique (Nm)
Vitesse du gnrateur (tr/mn)
(c)
2600
2400
2200
2000
1800
5
30 35 40
Temps (s)
5
4
3
2
1
10
15
20
25
30 35 40
Temps (s)
45
50
55
0
5
60
10
15
20
25
30 35 40
Temps (s)
(e)
(f)
Figure 3.9. Rsultats de simulation du modle de la turbine olienne fonctionnant vide : (a) profil du vent, (b)
puissance de la turbine, (c) vitesse relative, (d) coefficient de puissance, (e) vitesse du gnrateur et (f) couple
mcanique du gnrateur.
3.3 Extraction du maximum de la puissance du vent

3.3.1 Bilan des puissances
Lquation (3.3) quantifie la puissance arodynamique extraite par la turbine olienne.
Cette puissance peut tre essentiellement maximise en ramenant le coefficient Cp sa valeur
maximale. Ce coefficient tant dpendant de la vitesse relative (ou encore de la vitesse du
75
gnrateur), par consquent, lutilisation dune olienne vitesse variable permet de

maximiser cette puissance. Il est donc ncessaire de concevoir des stratgies de commande
permettant de maximiser la puissance lectrique gnre ( travers le couple
lectromagntique) en ajustant la vitesse relative sa valeur optimale (opt) et cela en rgulant
la vitesse de rotation de la gnratrice une valeur de rfrence quel que soit la vitesse du
vent considre comme grandeur perturbatrice [95], [96].
La plupart des stratgies de commande sont bases sur les pertes du systme au rgime
permanent o la puissance arodynamique de la turbine est gale la puissance lectrique
gnre (lorsque les pertes dues aux frottements visqueux sont ngliges). Cependant, dans le
cas rel, la vitesse du vent varie constamment dans le temps et les hypothses prcdentes ne
seront plus valables [93]. Comme montr par lquation (3.23), la puissance arodynamique
Pt de la turbine diminue des pertes (reprsentes par les frottements visqueux et linertie des
masses tournantes) est convertie directement en puissance lectrique Pg [94] (correspondant
la puissance mcanique utile). Il est noter que, dans le cas dune machine asynchrone
double alimentation (MADA) par exemple, cette puissance lectrique du gnrateur Pg
contient les puissances lectriques gnres (puissances actives statorique et rotorique) et les
pertes joules statorique et rotorique. Le diagramme de conversion de puissance dans une
turbine olienne est donn la figure 3.10.
(3.23)
Pv
Pt
Pg
pertes
Figure 3. 10. Diagramme de conversion de puissance olienne.
Le fonctionnement dune olienne vitesse variable peut tre dfini selon trois rgions,
comme lillustre la figure 3.11 [96], [97].
Pn
Rgion 1
Rgion 2
Rgion 3
Pmin
vmax
vmin
vn
Figure 3.11. Rgions de fonctionnement dune olienne vitesse variable.
Dans la rgion 1, la vitesse du vent est faible et insuffisante pour permettre le dmarrage de
lolienne, par consquent, la vitesse de rotation et la puissance mcanique sont alors gales
zro.
Dans la rgion 2, le vent atteint une vitesse minimale vmin pour permettre le dmarrage de
lolienne. Une fois ce dmarrage est effectu, lolienne va fonctionner de manire extraire
76
le maximum de puissance disponible pour avoir un fonctionnement optimal jusqu ce que le

vent atteigne la vitesse nominale vn correspondant la valeur nominale de la puissance mcanique Pn.
A la rgion 3, le vent atteint des vitesses leves suprieures la vitesse nominale. La
puissance mcanique doit tre maintenue sa valeur nominale afin de ne pas dtriorer
lolienne. Ces limitations peuvent seffectuer, par exemple, en orientant les pales de
lolienne afin de dgrader son rendement (augmentation de langle de calage des pales). Ds
que le vent atteint sa valeur maximale vmax, une procdure darrt de lolienne est effectue
afin dviter toute destruction de celleci.
Dans le cadre de cette thse, nous nous intresserons plus particulirement des points de
fonctionnement de lolienne se situant dans la rgion 2. Le profil du vent appliqu, donn en
figure 3.9a, est limit dans lintervalle [vinf, vsup]=[4, 5.7m/s]. Dans la rgion 2, il existe diffrentes stratgies de commande pour contrler le couple lectromagntique de la gnratrice
afin de rgler la vitesse de rotation de manire maximiser la puissance lectrique produite.
Ce principe est connu sous la terminologie Maximum Power Point Tracking (MPPT). On peut
distinguer principalement deux modes de contrle [97] :
- Le contrle sans asservissement de la vitesse de rotation,
- Le contrle avec asservissement de la vitesse de rotation.
Pour ltude de ces deux modes de contrle, on supposera que la gnratrice et ces convertisseurs sont idaux, i.e., quelle que soit la puissance mcanique transmise par la turbine, le
couple lectromagntique Tem dvelopp par la gnratrice est donc tout instant gal sa
valeur de rfrence impose par la commande (Tem=Tem-ref). Ainsi, le gnrateur et ces convertisseurs seront modliss par un gain unitaire.
Dans le cas dune commande MPPT, la vitesse relative de lolienne est maintenue une
valeur optimale (opt) correspondant un coefficient de puissance maximal (Cpmax). La vitesse
du vent v peut tre estime partir de la vitesse de rotation du gnrateur comme suit :
(3.24)
Ainsi, lexpression du couple arodynamique optimal est
(3.25)
et lexpression de la puissance arodynamique maximale extractible du vent peut tre dduite
comme suit :
(3.26)
La figure 3.12 montre la caractristique de puissance de la turbine tudie ainsi que la
courbe de puissance maximale extractible (figure 3.12a), et la caractristique de couple de la
turbine ainsi que le couple arodynamique optimal (figure 3.12b). A partir de ces courbes,
nous constatons que pour faire suivre la turbine la ligne de puissance maximale, il faut ajuster la vitesse du gnrateur une vitesse particulire pour chaque vitesse de vent donne, et
cela en imposant un couple rsistant la turbine par la commande du couple lectromagntique du gnrateur.
77
4000
25
Puissance nominale
Couple nominal
3500
3000
2500 Puissance maximale
6 m/s
2000
5.5 m/s
1500
5 m/s
1000
4.5 m/s
4 m/s
500
20
Couple optimal
15
6 m/s
5.5 m/s
10
5 m/s
4.5 m/s
4 m/s
3.5 m/s
3.5 m/s
3 m/s
3 m/s
0
0
500
1000
1500
2000
2500
3000
0
0
3500
500
1000
1500
2000
2500
3000
3500
(a)
(b)
Figure 3.12. (a) Caractristiques de puissance de la turbine et de puissance maximale extractible et (b) caractristiques de couple de la turbine et couple arodynamique optimal.
3.3.2 Contrle sans asservissement de la vitesse de rotation

Ce mode de contrle repose sur lhypothse que la vitesse du vent varie trs peu en rgime
permanent devant les constantes de temps lectriques du systme olien, ce qui implique que
le couple dacclration de la turbine peut tre considr comme nul [97]. Dans cette stratgie
de commande, un couple de rfrence est impos de manire permettre la gnratrice de
tourner une vitesse rglable afin dassurer un point de fonctionnement optimal en terme
dextraction de puissance du vent.
A partir de lquation (3.22), le couple lectromagntique du gnrateur au rgime permanent scrit :
(3.27)
En remplaant (3.25) dans (3.27), nous obtenons lexpression du couple lectromagntique
de rfrence appliquer au gnrateur afin davoir une puissance mcanique maximale dans
la turbine :
(3.28)
Finalement, la puissance lectrique maximale du gnrateur Pg-max, correspondante, peut
tre dduite comme suit :
(3.29)
Les quations (3.28) et (3.29) donnent respectivement le rapport entre le couple lectromagntique de rfrence et la vitesse de rotation de la gnratrice, ainsi que le rapport entre la
puissance lectrique maximale du gnrateur en fonction de sa vitesse de rotation.
Lvolution de ces grandeurs est montre respectivement sur les caractristiques de puissance
et du couple arodynamique donnes par les figures 3.13a et 3.13b. Il est noter que la diffrence entre la puissance maximale de la turbine et la puissance maximale du gnrateur est
gale la puissance dissipe par les frottements du systme.
En considrant de nouveau la figure 3.13a, si le gnrateur fonctionne au point (a) et la vitesse du vent augmente de 4m/s jusqu 5m/s (point (b)), alors laugmentation de la puissance
et par consquent le couple mcanique fait acclrer le gnrateur. Le couple dacclration
78
est la diffrence entre le couple mcanique de la turbine et le couple optimal. Ainsi, la gnratrice atteindra le point (c) o le couple dacclration est nul. Une situation similaire se produit quand la vitesse du vent diminue [99].
A la fin, le schma de principe de contrle MPPT sans asservissement de la vitesse de rotation est montr la figure 3.14.
25
4000
Puissance nominale
3500
Couple nominal
Puissance maximale
du gnrateur
3000
Puissance maximale
2500
6 m/s
2000
b
5.5 m/s
1500
5 m/s
1000
4.5 m/s
4 m/s
500
0
0
20
Couple lectromagntique
de rfrence du
gnrateur
15
6 m/s
Couple optimal
5.5 m/s
10
5 m/s
4.5 m/s
4 m/s
3.5 m/s
3 m/s
3.5 m/s
3 m/s
500
1000
1500
2000
2500
3000
0
0
3500
500
1000
1500
2000
2500
3000
3500
(a)
(b)
Figure 3.13. (a) Caractristiques de puissance et (b) caractristiques de couple.
Figure 3.14.
La figure 3.15 prsente les rsultats de simulation du systme olien command par la
stratgie MPPT sans asservissement de la vitesse de rotation du gnrateur. Un profil de vent
dune valeur moyenne de 4.75m/s est appliqu (figure 3.15a) sur les pales de la turbine. La
figure 3.15b montre la puissance maximale de rfrence extractible du vent. La puissance
mcanique de la turbine y est galement montre o nous constatons un lger cart entre la
puissance de rfrence et la puissance de la turbine extraite. Cet cart est du au fait que le
couple inertiel de la turbine na pas t tenu en compte dans la synthse de la commande
MPPT. En effet, lorsque la vitesse de la gnratrice augmente, une partie de la puissance
mcanique est stocke dans linertie totale (le couple inertiel total soppose au couple
mcanique de la turbine), et lorsque la vitesse de la gnratrice diminue, la puissance stocke
dans linertie totale est restitue au systme et elle sajoute la puissance mcanique extraite
(le couple inertiel total sajoute au couple mcanique de la turbine). Il est montr galement
dans cette figure la puissance du gnrateur qui reprsente aussi la puissance mcanique utile
reue par le gnrateur. La vitesse relative et le coefficient de puissance Cp de la turbine
sont montrs aux figures 3.15c et 3.15d. Nous remarquons que varie lgrement autour de sa
79
3000
5.5
2500
Puissance (W)
valeur optimale cause de leffet inertiel de la turbine et pour des valeurs de diffrentes de
opt, la valeur de Cp reste lgrement infrieur Cpmax. A la figure 3.15e est montr la vitesse
sur larbre du gnrateur. Le couple mcanique ainsi que le couple lectromagntique du
gnrateur sont montrs la figure 3.15f. Pour le profil de vent appliqu, la vitesse du
gnrateur varie entre 1350 et 1850tr/mn corrependant un glissement de 10% 24%. Cet
intervalle reste acceptable pour une olienne vitesse variable quipe dune MADA par
exemple, qui peut fonctionner sur une plage de variation de 30% du glissement [97], [98],
[99].
4.5
Puissance de la turbine
2000
1500
1000
3.5
5
Puissance maximale de rfrence
10
15
20
25
30 35 40
Temps (s)
45
50
55
500
5
60
Puissance du gnrateur
10
15
20
25
12
0.42
10
0.415
Vitesse relative
8
6
Vitesse relative
optimale
55
60
maximal
0.41
0.405
0.4
10
15
20
25
30 35 40
Temps (s)
45
50
55
0.39
5
60
10
15
20
25
(c)
30 35 40
Temps (s)
45
50
55
60
45
50
55
60
(d)
2200
20
Couple mcanique
de la turbine
2000
15
1800
Couple (Nm)
50
0.395
2
0
5
45
(b)
Coeffocient de puissance
Vitesse relative
(a)
30 35 40
Temps (s)
1600
10
1400
5
Couple lecromagntique
du gnrateur
1200
1000
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
0
5
60
10
15
20
25
30 35 40
Temps (s)
(e)
(f)
Figure 3.15. Rsultats de simulation de la commande MPPT sans asservissement de la vitesse de rotation : (a)
profil du vent, (b) puissance de la turbine, puissance maximale de rfrence et puissance du gnrateur, (c) vitesse relative, (d) coefficient de puissance, (e) vitesse du gnrateur et (f) couple mcanique et couple lectromagntique du gnrateur.
Aprs avoir ralis et test la commande de lolienne par la stratgie MPPT sans
asservissement de la vitesse de rotation, nous allons tudier maintenant les performances de la
80
deuxime stratgie cite prcedemment savoir la commande MPPT avec asservissement de

la vitesse de rotation du gnrateur.
3.3.3 Contrle avec asservissement de la vitesse de rotation
Cette stratgie consiste rgler le couple lectromagntique du gnrateur de manire
fixer la vitesse de rotation une vitesse de rfrence permettant dextraire le maximum de
puissance de la turbine. Ainsi, un asservissement de la vitesse de rotation du gnrateur doit
tre effectu. Pour un point de fonctionnement donn (vitesse du vent fixe), la puissance mcanique est maximale si la valeur maximale du coefficient Cp est atteinte. Celle-ci est obtenue
si la vitesse relative est gale sa valeur optimale opt. Par consquent, la vitesse de rotation
de rfrence du gnrateur m-ref est obtenue partir de lquation (3.24) comme suit :
opt G
(3.30)
m ref =
v
R
Le couple lectromagntique de rfrence Tem-ref permettant davoir une vitesse de rotation
m gale sa valeur de rfrence m-ref est obtenu en sortie du rgulateur de vitesse. Un rgulateur de type proportionnel-intgral (PI) permet ainsi dasservir la vitesse de rotation et
dattnuer leffet du couple mcanique Tm considr comme une perturbation. Le schma de
principe du contrle MPPT avec asservissement de la vitesse de rotation est montr la figure
3.16.
Figure 3.16.
La figure 3.17 prsente les rsultats de simulation du systme olien command par la stratgie MPPT avec asservissement de la vitesse de rotation du gnrateur. Le profil de vent appliqu est montr la figure 3.17a. La puissance maximale de rfrence, la puissance de la
turbine ainsi que la puissance du gnrateur sont montrs la figure 3.17b. Les figures 3.17c
et 3.17d montrent respectivement la vitesse relative et le coefficient de puissance de la turbine
en fonction du temps. La vitesse de rotation du gnrateur ainsi que sa rfrence sont galement illustres la figure 3.17e, tandis que, la figure 3.17f prsente le couple mcanique de la
turbine et le couple lectromagntique du gnrateur. Daprs ces rsultats, nous constatons
que la stratgie de commande MPPT avec asservissement de la vitesse de rotation prsente de
trs bonnes performances par rapport la stratgie de commande MPPT sans asservissement
de la vitesse de rotation. En effet, la vitesse relative de la turbine est maintenue gale sa va81
leur optimale et par consquent le coefficient de puissance est galement maintenu sa valeur
maximale. La puissance de la turbine extraite est gale, tout instant, la puissance maximale
de rfrence. Le gnrateur est parfaitement command sa vitesse optimale de rfrence
permettant dextraire le maximum de puissance.
6
3000
2500
Puissance (W)
5.5
4.5
1500
1000
3.5
5
2000
10
15
20
25
30 35 40
Temps (s)
45
50
55
500
5
60
10
15
20
25
12
0.42
10
0.415
Vitesse relative
8
6
Vitesse relative optimale

4
2
0
5
50
55
60
50
55
60
50
55
60
0.41
0.405
maximal
0.4
0.395
10
15
20
25
30 35 40
Temps (s)
45
50
55
0.39
5
60
10
15
20
25
(c)
30 35 40
Temps (s)
45
(d)
20
2200
2000
Couple mcanique
de la turbine
Vitesse de rfrence
15
1800
Couple (Nm)
45
(b)
Vitesse relative
(a)
30 35 40
Temps (s)
1600
10
1400
Vitesse mesure
du gnrateur
1200
1000
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
0
5
60
10
15
20
25
30 35 40
Temps (s)
45
(e)
(f)
Figure 3.17. Rsultats de simulations de la commande MPPT avec asservissement de la vitesse de rotation : (a)
profil du vent, (b) puissance de la turbine, puissance maximale de rfrence et puissance du gnrateur, (c) vitesse relative, (d) coefficient de puissance, (e) vitesse du gnrateur et (f) couple mcanique de la turbine et
couple lectromagntique du gnrateur.
A la lumire de ces rsultats, nous pouvons conclure que la stratgie de commande MPPT
avec asservissement de la vitesse de rotation de la gnratrice permet, effectivement,
dextraire le maximum de puissance du vent. Compare la stratgie MPPT sans asservissement de vitesse, qui est base sur lhypothse que le vent varie lentement dans le temps, la
deuxime stratgie ne pose aucune hypothse de dpart pour la synthse de la commande.
82
Elle reste donc plus prcise et plus robuste par rapport aux variations de la vitesse du vent
dans le temps.
Cependant, la mesure de la vitesse du vent ncessite un anmomtre qui la fois augmente
le cot de linstallation et une mesure locale de la vitesse du vent peut induire une erreur sur
la vitesse moyenne du vent appliqu sur les pales de la turbine [88], [97]. Dans la section suivante, nous proposons de reconstruire la vitesse moyenne du vent partir de la vitesse de rotation du gnrateur et de la puissance mcanique de la turbine. Cet estimateur sera bas sur
un RNA multicouche.
3.3.4 Estimation de la vitesse du vent par un RNA
Lutilisation dun unique anmomtre sur lolienne conduit utiliser une mesure locale de
la vitesse du vent qui nest pas reprsentative de la valeur moyenne de la vitesse du vent apparaissant sur les pales. Une mesure errone de la vitesse du vent conduit une valeur errone
de la vitesse de rfrence imposer au gnrateur et donc une dgradation de la puissance
extraite. Pour cette raison, nous proposons ici un algorithme bas sur un RNA qui permet
destimer la vitesse du vent partir de la puissance mcanique et de la vitesse de rotation de la
turbine olienne.
Un RNA trois couches et apprentissage supervis est utilis pour construire un estimateur de la vitesse du vent grande prcision. Le schma dapprentissage propos du RNA
estimateur est montr la figure 3.18. Dans ce schma, la puissance de la turbine Pt a t reconstitue partir de la puissance du gnrateur et de la vitesse son arbre comme suit :
(3.31)
Un essai en simulation a t ralis au pralable. Les chantillons de la vitesse du gnrateur et de la puissance de la turbine ont t recombins en 400201 paires, qui ont t utiliss
comme une matrice dentre du RNA. Dautre part, les chantillons de la vitesse du vent sont
utiliss comme tant la sortie dsire du RNA comme montr la figure 3.19, avec 2 neurones linaires dans la couche dentre, 5 neurones fonctions dactivations sigmodales la
couche cache, et un neurone linaire la couche de sortie. Les paramtres et larchitecture
du RNA estimateur sont rsums dans le tableau 3.3.
La figure 3.20 montre les rsultats de vrification de lestimation de la vitesse du vent.
Deux profils de vent ont t slectionns pour valuer les performances de lalgorithme du
RNA. Un profil de vent lent variant alatoirement comme montr la figure 3.20a. Lautre
profil de vent est rapide variant galement de faon alatoire (figure 3.20b). Dans les deux
cas, les rsultats de simulations montrent que la vitesse du vent est bien estime avec de
faibles erreurs.
Couche dentre
Couche cache
Couche de sortie
Fonction dactivation
Paramtre
Paramtre a
Paramtre c
Nombre de neurones
Coefficient dapprentissage
Nombre dentres
Nombre de paires entre-sortie
Nombre ditrations
Erreur finale
Tableau 3.3. Paramtres et architecture du RNA estimateur du vent.
83
Figure 3.18.
b11
w(1)11
w(2)11
b12
w(2)21
w(1)21
b13
w(2)31
w(2)41
w(1)15
w(2)51
b14
b2
w(1)25
b15
Mise jour des poids
Algorithme
dapprentissage
Figure 3.19. RNA estimateur de la vitesse du vent.

6
0.02
Vitesse du vent mesure
5.5
4.5
Vitesse du vent estime
3.5
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
0.015
0.01
0.005
0
5
60
Erreur=vitesse du vent mesurevitesse du vent estime
10
15
20
25
30 35 40
Temps (s)
45
50
55
60
45
50
55
60
(a)
6
0.02
Erreur=vitesse du vent mesurevitesse du vent estime
Vitesse du vent mesure

5.5
4.5
0.015
0.01
0.005
4
Vitesse du vent estime
3.5
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
0
5
60
10
15
20
25
30 35 40
Temps (s)
(b)
Figure 3.20. Rsultats de vrification de lestimation de la vitesse du vent par le RNA : (a) profil de vent lent et
(b) profil de vent rapide.
84
3.4 Construction de lmulateur de la turbine olienne base dun MCC

Lentrainement dune gnratrice laide dun systme olien constitue une chaine de
conversion complexe dans laquelle le couple mcanique de la turbine prsent sur larbre de la
gnratrice dpend uniquement de la vitesse du vent et de lventuelle prsence dun
dispositif dorientation des pales. Afin dmuler le comportement de la turbine par un MCC,
le couple gnr par la turbine est appliqu en rfrence au MCC accoupl la gnratrice. Le
systme de laboratoire est ralis en remplaant le modle arodynamique, le multiplicateur et
le rotor de la turbine par un PC, un convertisseur DC-DC et un MCC comme montr la
figure 3.21 [83], [84], [100]. Le programme implment sous MATLABSimulink contient le
modle de la turbine et sa commande en MPPT avec asservissement de la vitesse de rotation,
la compensation de linertie et des frottements de la turbine ainsi que la commande en couple
du MCC.
Interface
Couple de
rfrence
Convertisseur
DC/DC
MCC
Gnrateur
Courant dinduit
Profil du vent
et
Modle Simulink
Vitesse de rotation du gnrateur
Figure 3.21. Schma principe du systme mulateur de la turbine olienne.
3.4.1 Modle du MCC excitation spare

Le modle du MCC excitation spare et commande par induit est donn par les
quations lectrique et mcanique suivantes :
dI
U a = Ra I a + La a + K m m
(3.32a)
dt
d
(3.32b)
( J mcc + J m ) m + ( f m + f mcc ) m = K m I a Tl
dt
o m est la vitesse de rotation du moteur, Ia, Ua sont respectivement le courant et la tension
dinduit, La, Ra sont linductance et la rsistance dinduit, Jmcc, fmcc sont linertie et le
coefficient de frottement visqueux, Km est la constante du couple lectromagntique, Tl est le
couple de charge, Jm et fm sont linertie et le coefficient de frottement visqueux du gnrateur.
Il est noter que lquation de mouvement (3.32b) du MCC contient aussi linertie et le
coefficient de frottement du gnrateur auquel il est accoupl. Les caractristiques du MCC
simul sont rsumes dans le tableau 3.4.
Vitesse nominale Nn (tr/mn)
Tension nominale dinduit Ua (V)
Tension nominale dinducteur Uex (V)
Courant nominal dinduit Ia (A)
Courant dexcitation maximal Iex-max (A)
Moment dinertie (Jmcc+Jm) (kgm2)
Coefficient de frottement visqueux (fmcc+ fm) (Nm.s/rad)
Rsistance dinduit Ra (Ohm)
Inductance dinduit La (mH)
Constante de couple lectromagntique Km (V.s/rad)
Tableau 3.4. Caractristiques et paramtres du MCC.
85
3.4.2 Compensation de linertie et du coefficient de frottement

Lobjectif de la compensation est de modifier le couple de la turbine que le MCC produira
en rponse un vent donn, tel que leffet de linertie et du coefficient de frottement du rotor
de la turbine soit mul. Le modle dinertie et du coefficient de frottement est dtermin par
lgalisation de lacclration du gnrateur dans le systme rel et celui du laboratoire. Un
schma reprsentatif du systme mcanique rel et du systme de laboratoire est montr la
figure 3.22. Les quations du mouvement peuvent tre crites pour les deux systmes ; turbine
olienne relle (3.33) et mulateur (3.34). La rsolution de ces quations dtermine le couple
de rfrence (3.35) appliquer comme rfrence de couple au MCC. Ainsi, il contient le
couple mcanique de la turbine et un terme de compensation de linertie et le coefficient de
frottement de la turbine.
(3.33)
(3.34)
(3.35)
Figure 3.22.
3.4.3 Simulation de lensemble : modle de la turbine olienneMCCcontrle MPPT

avec asservissement de la vitesse de rotation
Lmulateur de la turbine olienne consiste reproduire le couple de la turbine olienne
sur larbre du gnrateur laide dun MCC. La figure 3.23 montre un schma bloc de
lmulateur de la turbine olienne couple au gnrateur. Le systme conu est command par
la stratgie MPPT avec asservissement de la vitesse de rotation et sans mesure de la vitesse du
vent. Le MCC est command en couple laide dun rgulateur PI. Le couple
lectromagntique de rfrence du MCC (Tmcc-ref) est constitu du couple mcanique de la
turbine (Tm) et du couple de compensation de linertie et du coefficient de frottement de la
turbine (Tcomp). La vitesse optimale de rfrence du gnrateur est calcule partir de la
vitesse du vent vest estime par le RNA estimateur, utilisant comme entre la vitesse du
gnrateur et la puissance de la turbine. L encore, un rgulateur PI est utilis pour
commander le gnrateur en vitesse. La sortie du rgulateur PI constitue le couple
lectromagntique de rfrence du gnrateur. Comme le gnrateur est considr comme
86
parfaitement command, alors le couple de rfrence est gal au couple lectromagntique

dvelopp par le gnrateur.
Figure 3.23.
Lensemble du modle de lmulateur de la turbine olienne command par la stratgie

MPPT avec asservissement de la vitesse de rotation prsent dans la figure 3.23 a t
implment sous MATLABSimulink.
Un essai en simulation a t effectu en utilisant un profil de vent alatoire ayant une
valeur moyenne de 4.75m/s. La figure 3.24a montre la vitesse du vent mesure et celle
estime par le RNA. Lerreur entre ces deux grandeurs reste trs faible ce qui justifie
lexactitude de lestimateur de la vitesse du vent dvelopp. La puissance maximale de
rfrence, la puissance mcanique de la turbine ainsi que la puissance du gnrateur sont
montres la figure 3.24b. Nous constatons que la puissance de la turbine est maintenue gale
la puissance maximale de rfrence souhaite. Ceci justifie que la dynamique du MCC
insre dans la chaine olienne na pas influenc le fonctionnement du systme et que le
couple mcanique sur larbre du gnrateur a t parfaitement compens. La vitesse relative
est bien maintenue sa valeur optimale, par consquent, le coefficient de puissance est
maintenu sa valeur maximale comme montr respectivement aux figures 3.24c et 3.24d. La
figure 3.24e montre que la vitesse du gnrateur est parfaitement commande sa valeur
optimale de rfrence. La figure 3.25f montre le couple mcanique de la turbine, le couple
lectromagntique du gnrateur, le couple de compensation ainsi que le couple
lectromagntique du MCC.
Afin de mettre en vidence le bon fonctionnement de la commande en couple du MCC, les
figures 3.25a, 3.25b et 3.25c montrent respectivement la tension dinduit, le courant dinduit
ainsi que le couple lectromagntique du MCC. Daprs ces rsultats, nous remarquons que la
tension dinduit dpasse parfois la tension nominale et cela pour des vitesses suprieures la
vitesse de synchronisme, mais ces valeurs restent admissibles. Nous constatons galement que
le MCC est bien command en couple o le couple lectromagntique du moteur est tout le
temps gal au couple de rfrence impos. Sa valeur reste admissible et ne dpasse pas la
87
valeur nominale du MCC, par consquent, le courant dinduit ne dpasse pas sa valeur
nominale.
Ainsi, le profil du vent choisi permet de faire fonctionner le systme mulateur sans
dpasser les valeurs nominales en courant du cot MCC et gnrateur. Ceci constitue un
lment important dont il faut tenir compte lorsquune implmentation sur un banc dessai est
envisageable, o les valeurs nominales en courant des diffrentes machines ne doivent pas
tre dpasses. Par consquent, le profil de vent appliquer et le modle de la turbine doivent
tre bien choisis afin de ne pas avoir des consignes en couple importantes (dpassant les
valeurs nominales).
6
3000
2500
Puissance (W)
5.5
Vitesse du vent
mesure
4.5
Vitesse du vent
estime
3.5
5
10
15
20
25
2000
1500
1000
30 35 40
Temps (s)
45
50
55
500
5
60
10
15
20
25
(a)
50
55
60
0.42
0.415
10
Vitesse relative optimale
Vitesse relative
45
(b)
12
8
6
Vitesse relative
4
2
0
5
30 35 40
Temps (s)
0.41
0.405
0.4
maximal
0.395
10
15
20
25
30 35 40
Temps (s)
45
50
55
0.39
5
60
10
15
20
25
(c)
30 35
Temps (s)
40
45
50
55
60
(d)
2200
20
Vitesse de rfrence
T
15
1800
Couple (Nm)
Tmcc
2000
1600
1400
10
T
T
Vitesse mesure
em
comp
1200
1000
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
0
5
60
10
15
20
25
30 35 40
Temps (s)
45
50
55
60
(e)
(f)
Figure 3.24. Rsultats de simulations de lmulateur de la turbine olienne en commande MPPT avec
asservissement de la vitesse de rotation : (a) profil du vent, (b) puissance de la turbine, puissance maximale de
rfrence et puissance du gnrateur, (c) vitesse relative, (d) coefficient de puissance, (e) vitesse mcanique du
gnrateur et (f) couple mcanique de la turbine (Tm), couple lectromagntique du gnrateur (Tem), couple
lectromagntique du MCC (Tmcc) et couple de compensation (Tcomp).
88
300
20
Courant d'induit (A)
Tension d'induit (V)
250
200
150
100
15
10
50
0
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
0
5
60
10
15
20
25
(a)
30 35 40
Temps (s)
45
50
55
60
(b)
25
de rfrence du MCC
Couple (Nm)
20
15
10
0
5
du MCC
10
15
20
25
30 35 40
Temps (s)
45
50
55
60
(c)
Figure 3.25. Rsultats de simulation de la commande en couple du MCC : (a) tension dinduit, (b) courant
dinduit et (c) couple lectromagntique.
3.5 Conclusion
Un mulateur de la turbine olienne bas sur un MCC command en couple a t propos
afin de reproduire le couple mcanique de la turbine sur larbre dun gnrateur.
Au dbut, une mthode originale de modlisation de la caractristique de puissance dune
turbine olienne partir de mesures exprimentales a t labore. Cette mthode base
essentiellement sur un RNA trois couches a permis dobtenir un modle prcis de la
caractristique de puissance.
Ensuite, deux mthodes de commande de la turbine fonctionnant vitesse variable,
permettant dextraire le maximum de la puissance disponible dans le vent, ont t prsentes;
selon lasservissement ou non de la vitesse de rotation. La comparaison de ces deux mthodes
a montr que la commande MPPT avec asservissement de la vitesse de rotation est beaucoup
plus robuste et performante par rapport la commande MPPT sans asservissement de la
vitesse de rotation. Un estimateur de la vitesse du vent bas sur un RNA trois couches a t
galement propos. Cet estimateur neuronal a permis de reconstituer la vitesse du vent avec
prcision et par consquent, une mesure locale de la vitesse du vent peut tre vite.
A la fin, le couple mcanique de la turbine a t mul au moyen dun MCC command en
couple. Une compensation de linertie et des frottements de la turbine a t effectue. Les
rsultats de simulations obtenus de lmulateur ont montr son efficacit et son aptitude
reproduire fidlement le comportement de la turbine sur larbre du gnrateur.
89
MADA pour la conversion de lnergie olienne ; modlisation et commande
Machine asynchrone double alimentation

pour la conversion de lnergie olienne ;
modlisation et commande
Rsum : Ce chapitre traite de la modlisation et la commande dune machine asynchrone double
alimentation (MADA) dune puissance de 3kW destine la conversion de lnergie olienne.
Initialement, nous prsentons deux stratgies de commande de la MADA; la commande en couple
lectromagntique o le couple de rfrence sera obtenu partir de la stratgie MPPT (maximum
power point tracking) et la commande dcouple des puissances active et ractive statoriques qui
permet une rgulation de ces puissances fournies au rseau selon des consignes bien dfinies. Ensuite,
nous traitons le problme de la synchronisation de la MADA au rseau lectrique et cela en proposant
une nouvelle PLL (phaselocked loop) neuronale adaptative base sur les rseaux ADALINE
(adaptive linear neuron). Compare la PLL conventionnelle, les rsultats dexprimentation de la
nouvelle PLL neuronale sur un rseau rel prsentant des dfauts montrent son efficacit et sa
robustesse. A la fin, nous prsentons une validation exprimentale de la commande dcouple des
puissances active et ractive de la MADA. Les diffrents rsultats exprimentaux obtenus valident les
thories et la stratgie dveloppe de la commande dcouple des puissances de la MADA.
90
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2 Modlisation de la MADA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.3 PLL conventionnelle pour la synchronisation de la MADA au
rseau lectrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.3.1
Principe de fonctionnement de la PLL conventionnelle . . . . . . . . . . . . . . . .
95
4.4 Modle de la MADA avec orientation du flux statorique . . . . . . . . 98

4.5 Modle moyen du convertisseur cot MADA . . . . . . . . . . . . . . . . . 100
4.6 Commande de la MADA dans un systme olien . . . . . . . . . . . . . . 101
4.6.1
4.6.2
4.6.3
Dispositif de commande du systme olien . . . . . . . . . . . . . . . . . . . . . . . . .

Commande du convertisseur cot MADA . . . . . . . . . . . . . . . . . . . . . . . . . .
Gnration des courants rotoriques de rfrence . . . . . . . . . . . . . . . . . . . . .
101
102
103
4.7 PLL neuronale pour la synchronisation de la MADA au rseau

lectrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.7.1
Poursuite de la frquence du rseau par un ADALINE en prsence

dharmoniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.2 Filtrage des tensions au moyen dADALINE. Dtermination de la phase
instantane au moyen dune PLL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.3 Comparaison des performances entre la PLL neuronale et la PLL
conventionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.4 Validation exprimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.8 Exprimentation de la commande dcouple des puissances active

et ractive statoriques de la MADA raccorde au rseau lectrique
4.8.1
4.8.2
4.8.3
4.8.4
Plateforme exprimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Accrochage de la MADA au rseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Commande de la MADA puissance active non nulle . . . . . . . . . . . . . . . . .
Commande de la MADA puissance ractive non nulle . . . . . . . . . . . . . . .
112
117
123
130
136
136
138
140
142
4.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
91
4.1
Introduction
E NOS JOURS, lnergie olienne est devenue une solution viable pour la production
dune nergie d point aux autres sources dnergie renouvelables. Alors que la
majorit des oliennes installes sont vitesse fixe, le nombre des oliennes vitesse variable
ne cesse daugmenter [101].
Actuellement, le systme olien vitesse variable bas sur une machine asynchrone
double alimentation (MADA) est le plus utilis dans les fermes terrestres. Son principal
avantage est davoir ses convertisseurs statiques triphass dimensionns pour une partie de la
puissance nominale de la MADA, ce qui engendre un bnfice conomique important par
rapport dautres solutions utilises (par exemple : gnratrice synchrone aimant
permanent) [102], [103]. En effet, la MADA permet un contrle par le rotor et un
fonctionnement sur une plage de 30% autour de la vitesse de synchronisme, par consquent,
les convertisseurs connects entre le rotor et le rseau lectrique seront dimensionns pour
seulement une fraction de la puissance statorique fournie (30% de la puissance statorique).
Ceci permet la rduction des pertes dans les composants dlectronique de puissance et
laugmentation du rendement du systme global [104].
Un systme olien bas sur une MADA est gnralement donn sous la topologie illustre
par la figure 4.1. La turbine olienne entraine, via un multiplicateur de vitesse, la MADA,
laquelle est raccorde directement au rseau lectrique par le stator et par le rotor travers
deux convertisseurs statiques triphass IGBTs (InsulatedGateBipolarTransistors)
commands en Modulation de Largeur dImpulsion (MLI) ; lun du cot MADA appel
convertisseur cot MADA (CCM) et lautre du cot rseau lectrique appel convertisseur
cot rseau (CCR). Grace la bidirectionnalit du CCM et du CCR, la MADA peut
fonctionner en mode hypo-synchrone et hyper-synchrone [102]. De plus, les puissances
ractives peuvent tre contrles au point de raccordement de lolienne avec le rseau
lectrique par les diffrentes commandes des convertisseurs, offrant ainsi une possibilit
daction sur le facteur de puissance [105]. Le convertisseur CCM permet le contrle de la
puissance active et ractive produite par la MADA. Quant au convertisseur CCR, il permet le
contrle de la tension du bus continu et du facteur de puissance au point de son raccordement
avec le rseau lectrique [106], [107], [108].
Turbine
Rseau
lectrique
Multiplicateur
MADA
CCR
CCM
Figure 4.1. Systme de conversion dnergie olienne bas sur une MADA.
Ce chapitre est organis comme suit : nous commenons ltude par ltablissement dun
modle de la MADA dans le repre de Park et la boucle verrouillage de phase (phase
92
locked loop) (PLL) conventionnelle ncessaire la synchronisation de la MADA au rseau

lectrique. En vue de la synthse dune commande de la MADA, son modle avec orientation
du flux statorique sera galement prsent. Les rsultats de simulation de la commande
dcouple des puissances active et ractive et de la commande en couple de la MADA seront
galement analyss. Ensuite, dans le but de tenir compte de linfluence des tensions rseau
sur la commande de la MADA, notamment dans le cas dun rseau dsquilibr, nous
proposerons une PLL neuronale afin de palier aux limitations de la PLL conventionnelle.
Dans ce sens, nous effectuerons une tude comparative entre les performances de la PLL
conventionnelle et la PLL neuronale par simulation et par exprimentation dans des
conditions extrmes de dfauts du rseau. La supriorit de la PLL neuronale propose en
termes de prcision et de robustesse sera ainsi prouve. Enfin, des rsultats exprimentaux
permettront de valider les algorithmes de commande dcouple des puissances active et
ractive et dapprcier lapport de la PLL neuronale dans la synchronisation au rseau de la
MADA. Principalement, deux essais seront raliss ; un essai puissance active non nulle et
un autre puissance ractive non nulle. Quelques conclusions seront mentionnes la fin de
ce chapitre.
4.2
Modlisation de la MADA
La dtermination du modle dune machine asynchrone rotor bobin permet dtablir la

modlisation de la MADA. Dans la machine asynchrone rotor bobin, les trois phases
rotoriques ne sont pas en courtcircuit mais sont accessibles. Les trois tensions rotoriques
peuvent donc tre imposes de lextrieur [87], [94], [97], [98], [109].
Sous les hypothses couramment poses [108], [110], [111], les quations de la machine
asynchrone rotor bobin dans un repre triphas scrivent de la manire suivante :
d ( abc s )
( vabc s ) = Rs [ I 33 ]. ( iabc s ) +
dt
(4.1)
d (abc r )
v
= Rr [ I 33 ] . ( iabc r ) +
( abc r )
dt
o (vabc-s)=(vas vbs vcs)T est le vecteur tensions statoriques, (vabc-r)=(var vbr vcr)T est le vecteur
tensions rotoriques, (iabc-s)=(ias ibs ics)T est le vecteur courants statoriques, (iabc-r)=(iar ibr icr)T
est le vecteur courants rotoriques, Rs est la rsistance dune phase statorique, Rr est la
rsistance dune phase rotorique et [I33] est une matrice identit de dimension (33).
Dans lhypothse de la non saturation, il est possible dexprimer les flux magntiques en
fonction des courants et des diffrentes inductances propres et mutuelles de la MADA par :
as
4
2 ias
ls
Ms
Ms
M sr cos
M sr cos( ) M sr cos( )

3
3

bs
2
4 ibs
M
l
M
M
cos(
)
M
cos
M
cos(
)
s
s
s
sr
sr
sr

3
3

4
2
cs
ics
cos(
)
cos(
)
cos
M
M
l
M
M
M
s
s
s
sr
sr
sr

3
3
=

2
4
M cos
iar
cos(
)
cos(
)
M
M
l
M
M
sr
sr
s
r
r
r
r
ar
3
3

4
2
M sr cos( )
M sr cos
M sr cos( )
Mr
lr
Mr
i
3
3
br
br

2
4

M sr cos
Mr
Mr
lr
M sr cos( ) M sr cos( )
i
3
3
cr
cr
(4.2)
93
o :
-
ls et lr sont les inductances propres statoriques et rotoriques.

Ms est linductance mutuelle entre deux phases statoriques.
Mr est linductance mutuelle entre deux phases rotoriques.
Msr est la valeur maximale de linductance mutuelle entre une phase du stator et une
phase du rotor.
est langle lectrique entre une phase statorique et une autre rotorique.
En utilisant les transformations de Park et de Concordia permettant la conservation des

puissances, la modlisation de la MADA dans un repre tournant diphas d,q, peut tre
tablie. Les quations dans un repre tournant la pulsation lectrique s et pour une vitesse
lectrique du rotor =pm (p tant le nombre de paires de ples) sont donnes comme suit :
d ds
sqs + Rs I ds
dt
d qs
Vqs =
+ sds + Rs I qs
dt
d
Vdr = dr rqr + Rr I dr
dt
d qr
Vqr =
+ rdr + Rr I qr
dt
ds = Ls I ds + MI dr
Vds =
qs = Ls I qs + MI qr
dr = Lr I dr + MI ds
qr = Lr I qr + MI qs
(4.3a)
(4.3b)
(4.3c)
(4.3d)
(4.3e)
(4.3f)
(4.3g)
(4.3h)
o :
Ls = ls M s
(4.4a)
(4.4b)
Lr = lr M r
3
M = M sr
2
(4.4c)
avec respectivement :
- Ls et Lr sont les inductances cycliques statorique et rotorique.
- M est linductance mutuelle cyclique entre le stator et le rotor.
- Vds, Vqs, Vdr et Vqr sont les tensions statoriques et rotoriques directes et en quadrature
du systme diphas.
- Ids, Iqs, Idr et Iqr sont les courants statoriques et rotoriques directs et en quadrature du
systme diphas.
- s et r sont la pulsation lectrique du champ tournant statorique et la pulsation
lectrique du champ tournant par rapport au rotor (r=spm).
- ds, qs, dr, qr sont les flux statoriques et rotoriques directs et en quadrature du
systme diphas.
Le couple lectromagntique de la MADA sexprime en fonction des flux et des courants
statoriques comme suit :
Tem = p (ds I qs qs I ds )
94
(4.5)
Ce couple lectromagntique peut galement sexprimer par les courants rotoriques et les
flux statoriques de la MADA de la faon suivante :
Tem =
pM
(qs I dr ds I qr )
Ls
(4.6)
Les puissances actives et ractives, statoriques et rotoriques de la MADA sont donnes

respectivement par :
Ps = Vds I ds + Vqs I qs
(4.7a)
Qs = Vqs I ds Vds I qs
(4.7b)
Pr = Vdr I dr + Vqr I qr
(4.7c)
Qr = Vqr I dr Vdr I qr
(4.7d)
La frquence de la tension statorique tant impose par le rseau lectrique, la pulsation

des courants rotoriques est dduite partir de la vitesse mcanique du rotor comme suit :
r = s p m
(4.8)
En dernier, il reste dcrire lquation mcanique de la MADA donne sous la

forme suivante :
JT
avec:
-
d m
+ fT m + Tm = Tem
dt
(4.9)
JT est linertie totale des masses tournantes du systme (MADA+turbine).

fT est le coefficient de frottement visqueux total du systme (MADA+turbine).
Tm est le couple mcanique dentrainement de la MADA (fourni par la turbine).
Tem est le couple lectromagntique de la MADA.
m est la vitesse mcanique de rotation de larbre de la MADA.
Les angles s et r ncessaires aux diffrentes transformations de Park au niveau du stator

et du rotor, peuvent tre obtenus au moyen dune boucle verrouillage de phase
conventionnelle appele communment PLL. Cette PLL permet destimer la frquence, la
pulsation, la phase instantane et lamplitude du vecteur tension rseau [97], [98].
Vue la ncessit et limportance de la synchronisation de la MADA au rseau lectrique, la
section suivante sera ddie la synthse dune PLL conventionnelle.
4.3
PLL conventionnelle pour la synchronisation de la MADA au rseau

lectrique
4.3.1
Principe de fonctionnement de la PLL conventionnelle
Le principe prsent dans cette soussection utilise une proprit fondamentale de la

transformation de Park, savoir que si la drive de langle instantan intervenant dans la
transformation est gale la pulsation du systme de tension triphas et quilibr alors les
composantes selon les axes dq seront constantes. Le systme de tensions triphas subit dans
un premier temps la transformation de Concordia. Les tensions ainsi obtenues sont exprimes
dans le repre de Park en les multipliant par une matrice de rotation note P(s-est) :
95
2V sin ( )
s
s
vas ( s )
vbs ( s ) = 2Vs sin s

3
v
(
)
cs s
4
2Vs sin s
3
(4.10)
avec : s =(skTe+s), et k et Te sont respectivement le nombre dchantillons et la priode

dchantillonnage.
2V sin ( )
s
s
Vds
2
T
V = P ( s est ) .[T32 ] . 2Vs sin s

3
qs
2Vs sin s
3
Vds
2 cos ( s est )
V =
3 sin ( s est )
qs
sin ( s est )
2
.
cos ( s est )
3
0 2
1 2Vs sin ( s )

2
2
. 2Vs sin s
3
3
2
4
2Vs sin s
3
sin ( s s est )
sin ( s )
Vds
= 3Vs
V = 3Vs
cos ( s s est )
cos ( s )
qs
(4.11a)
(4.11b)
(4.11c)
Langle de cette rotation s-est est calcul par intgration de la pulsation estime s-est du
rseau, obtenu par un rgulateur PI [112], [113]. La pulsation s-est du repre tournant doit
tre identique la pulsation s des tensions vabc-s(s). Lamplitude de la grandeur asservie Vds
dtermine ainsi le dphasage entre la valeur efficace Vs et sin(s-est). La diffrence de phase
sera contrle en agissant sur Vds-ref. La PLL sera verrouille lorsque langle estim s-est sera
gal langle rel s. Cette condition sera ralise si Vds-ref est nulle [112].
La condition ncessaire pour assurer le bon fonctionnement de cette PLL est que le
systme de tension, sur lequel on dsire se synchroniser, soit sinusodal et quilibr. En cas de
prsence de dsquilibre ou de dformation sur les tensions rseau lentre de la PLL, des
oscillations apparaissent sur s-est et se traduisent par une variation de la frquence du rseau
autour de 50Hz. Le schma de principe du systme base de PLL est reprsent sur la figure
4.2.
96

Vds ref = 0
+
-
s est
s est
+
Rgulateur
PI
1
s
s est
+
2 50
Vds
cos ( s est ) sin ( s est )
sin ( s est ) cos ( s est )
Vqs
V s ( s )
vas ( s )
V s ( s )
1
2
2
3
3
0 2
vbs ( s )
vcs ( s )
1
2
Figure 4.2. PLL conventionnelle pour lestimation de lamplitude, de la frquence et de langle de phase du
vecteur tension rseau.
Pour synthtiser le rgulateur de la PLL, on se base sur un modle linaris pour des
faibles variations de langle s. Lapproximation sin(s)s, conduit alors au modle
prsent sur la figure 4.3 qui permet une synthse aise du correcteur plac dans cette boucle.
Pour la rgulation, nous avons choisi un rgulateur de type PI. Dans [112], les avantages
dutiliser un rgulateur RST au lieu dun rgulateur PI classique ont t prsents.
Dans ce qui suit, nous prsentons la mthode de synthse des paramtres du rgulateur PI
pour la boucle dasservissement.
4.3.1.1 Synthse des paramtres du rgulateur PI
Selon la figure 4.3, nous obtenons :
Vds ref
Vds
3Vs ( K i pll + sK p pll )
(4.12)
s 3Vs K p pll s 3Vs K i pll

2
La dtermination des coefficients Kp-pll et Ki-pll du correcteur seffectue par lidentification

de la fonction de transfert en boucle ferme un second ordre. Nous fixons tout dabord le
coefficient damortissement z 1. Nous dterminons ensuite la pulsation naturelle n en
respectant le critre li la rapidit du systme en boucle ferme. Lidentification des
paramtres nous donne :
K i pll =
n2
et
3Vs
K p pll =
2 zn
(4.13)
3Vs
En choisissant un coefficient damortissement z=1 et un temps de rponse en boucle

ferme gal 10ms, nous obtenons : Kp-pll=2.5193, Ki-pll=604.6432. Les figures 4.4 et 4.5
montrent le rsultat de simulation de la PLL conventionnelle sur un rseau triphas quilibr.
Comme indiqu dans la figure 4.4, la totalit du vecteur tension rseau est orient suivant
laxe q tandis que la composante suivant laxe d est nulle. La figure 4.5 montre que la phase
instantane est bien estime. Il est noter galement que la tension daxe d constitue un
indice important sur le bon fonctionnement de la PLL.
Vds ref = 0
K p pll +
+
-
K i pll
s
3Vs
s
Figure 4.3. Modle linaire de la boucle de phase.
97
Vds
100
Vds
Tension rseau (V)
0
-100
-200
-300
Vqs
-400
-500
5
6
Temps (s)
Figure 4.4. Composantes directe et quadratique du vecteur tension rseau.

7
Phase estime (rad)
6
5
4
3
2
1
0
-1
2
2.02
2.04
2.06
Temps (s)
2.08
2.1
Figure 4.5. Phase instantane estime du vecteur tension rseau.
4.4 Modle de la MADA avec orientation du flux statorique

En vue de la commande vectorielle de la MADA, il est plus judicieux de choisir le repre
dq li au champ tournant statorique, lequel est relatif la frquence de 50Hz (frquence du
rseau industriel). Par consquent, le repre de Park sera synchronis avec le flux statorique
(figure 4.6) [87], [97], [98], [109].
Vqs = U s
ds = s
Figure 4.6. Orientation du repre de Park.
Souvent dans le cas dune MADA de moyenne et de grande puissance, la rsistance

statorique Rs est nglige lors de la synthse de son modle sous lhypothse dorientation du
flux statorique [114], [115]. Dans le cas de notre MADA qui est de faible puissance
98
(Pn=3kW), aprs des tests en simulation, nous avons galement remarqu que linfluence de
la rsistance statorique Rs reste minime sur les performances de la commande, et par
consquent, elle ne sera pas prise en compte lors de la synthse du modle de la MADA avec
orientation du flux statorique.
En alignant le vecteur flux statorique s suivant laxe d (figure 4.6), nous pouvons crire :
ds = s et qs = 0
(4.14)
A partir des quations magntiques (4.3e 4.3h) prsentes prcdemment, on dduit :
ds = Ls I ds + MI dr
(4.15a)
0 = Ls I qs + MI qr
(4.15b)
dr = Lr I dr +
M
ds
Ls
qr = Lr I qr
avec : = 1
(4.15c)
(4.15d)
M2
est le coefficient de dispersion.
Lr Ls
A partir des quations (4.15a) et (4.15b), les courants statoriques peuvent tre exprims en
fonction des courants rotoriques comme suit :
I ds =
ds
M
I dr
Ls
Ls
M
I qs = I qr
Ls
(4.16a)
(4.16b)
En orientant le vecteur tension rseau suivant laxe q, i.e., Vds=0 et Vqs=Us, une
simplification des composantes directe et quadratique des tensions statoriques et rotoriques de
la MADA peut tre obtenue partir des quations (4.14) et (4.16) :
dds
+ Rs I ds = 0
dt
Vqs = sds + Rs I qs
Vds =
(4.17a)
(4.17b)
dI dr
r Lr I qr
dt
dI qr
M
Vqr = Rr I qr + Lr
+ r Lr I dr + r ds
dt
Ls
Vdr = Rr I dr + Lr
(4.17c)
(4.17d)
Le choix dorientation du flux statorique suivant laxe d rend le couple lectromagntique

produit par la MADA, et par consquent la puissance active, dpendant uniquement du
courant rotorique daxe q. Lquation du couple lectromagntique scrit alors :
Tem =
pM
ds I qr
Ls
(4.18)
Les expressions des puissances active et ractive statoriques peuvent tre simplifies en
remplaant les quations (4.16a) et (4.16b) dans (4.7a) et (4.7b).
Ps = Vqs
M
I qr
Ls
99
(4.19a)
Qs =
Vqsds
Ls
Vqs M
Ls
I dr
(4.19b)
4.5 Modle moyen du convertisseur cot MADA

Dans cette section, on considre le convertisseur cot MADA montr sur la figure 4.7 o
les lments sont linaires et invariants dans le temps, de mme les interrupteurs et les sources
de tension sont considrs comme idaux. Ltat de chaque interrupteur Ki est indiqu par une
fonction de commutation Ci. Linterrupteur Ki est ferm ceci implique que Ci=1, inversement
Ci=0 correspond linterrupteur Ki ouvert. Notons par ailleurs que les interrupteurs dun
mme bras sont complmentaires.
K1
+
-
K2
K3
Udc
K1
K2
K3
iar
var
ibr
vbr
icr
vcr
Figure 4.7. Topologie du convertisseur cot MADA.
Les fonctions de commutation du convertisseur sont des signaux MLI. Si la frquence de

dcoupage de la MLI est assez importante devant la frquence des fondamentaux des
modulantes, alors les moyennes glissantes des fonctions de commutation peuvent tre
considres comme gales aux modulantes des signaux MLI [116]. Plus la frquence de
dcoupage est importante, plus la moyenne glissante de la MLI est proche de la moyenne
glissante de la modulante. Souvent, lhypothse faite est que la moyenne glissante des
fonctions de commutation est gale la modulante. Ainsi, les modles moyens peuvent tre
directement remplacs par les modulantes [94], [117].
Pour le convertisseur MLI, en supposant que la dynamique de la tension Udc du bus
continu est faible par rapport aux fonctions de commutations, et si la tension Udc est suppose
constante sur une priode de dcoupage, alors les tensions simples moyennes <var>, <vbr> et
<vcr> scrivent en fonction de ltat moyen des interrupteurs <C1>, <C2> et <C3> comme
suit :
var
vbr
v
cr
U dc
=
3
2 1 1 C1
1 2 1 C
2
1 1 2 C3
(4.20)
Si on considre que la frquence de dcoupage est importante devant celle des trois
modulantes 1(t), 2 (t), 3 (t) alors la moyenne des tats des interrupteurs <C1>, <C2> et <C3>
sur une priode de la MLI peut tre donne par les relations suivantes :
1 + 1 (t )
2
1 + 2 (t )
C2 =
2
C1 =
100
(4.21a)
(4.21b)
C3 =
1 + 3 (t )
2
(4.21c)
Avec comme modulante de rfrence :
1 (t ) = rmax cos(t + )
(4.22a)
2 (t ) = rmax cos(t +
(4.22b)
2
)
3
4
3 (t ) = rmax cos(t + )
3
4.6
(4.22c)
Commande de la MADA dans un systme olien
Dans cette partie, nous allons nous intresser la commande de la MADA connecte au
rseau ayant comme objectif le contrle de puissances active et ractive injectes au rseau.
Deux stratgies de commande existent ; la premire est base sur la commande dcouple des
puissances active et ractive tandis que la seconde repose sur la commande MPPT [87], [94],
[99], [118]. Lorientation du flux statorique permet de raliser un contrle indpendant des
puissances active et ractive, et par consquent, un contrle facile de production de
llectricit de lolienne est obtenu [109].
4.6.1
Dispositif de commande du systme olien
Le schma de principe de la commande du systme olien est reprsent la figure 4.8. Ce

schma indique que la commande de la MADA repose sur trois parties :
- La stratgie dextraction du maximum de puissance (MPPT) disponible dans le vent,
- La commande du CCM pour le contrle de la puissance ractive et de la puissance
active statorique ou du couple lectromagntique,
- La commande du CCR pour le contrle de la tension du bus continu et de la puissance
ractive au point de raccordement avec le rseau.
Il est noter que, dans le cadre de cette thse, la commande du CCR ne sera pas traite vu
que nous disposons dans notre laboratoire L2CSP dune source de tension continue. Il sagit
dun systme de batteries rgul 120V qui alimente directement le CCM.
Turbine
Rseau
Electrique
Multiplicateur
Puissance statorique
MADA
m
CCM
CCR
Bus continu
MPPT
Tem-ref
Ps-ref
Qs-ref
Puissance rotorique
Commande
du CCM
Commande
du CCR
Figure 4.8. Systme olien avec dispositif de commande.
101
Udc-ref
Qf-ref
4.6.2
Commande du convertisseur cot MADA
Le schma de principe de la commande du CCM est illustr dans la figure 4.9. Le contrle
de la puissance active statorique (et donc du couple lectromagntique) et de la puissance
ractive statorique se fait par le contrle des courants rotoriques daxes dq de la MADA.
Rseau Electrique
MADA
CCM
Bus continu
Udc
vabc-s
+
-
iab-s
MPPT
iab-r
Tem-ref
Ps-ref
Contrle des
courants rotoriques
vabcr-ref
Bloc MLI
Qs-ref
Figure 4.9. Principe de commande du CCM.
Reprenons maintenant les quations lectriques de la MADA tablies prcdemment dans

la section 4.4 sous lhypothse du flux statorique orient suivant laxe d. Les composantes
directe et quadratique des tensions rotoriques sont :
dI dr
+ eq
dt
dI qr
Vqr = Rr I qr + Lr
+ ed + e
dt
Vdr = Rr I dr + Lr
(4.23a)
(4.23b)
avec
eq = r Lr I qr
(4.24a)
ed = r Lr I dr
M
e = r ds
Ls
(4.24b)
(4.24c)
Lquation du couple lectromagntique est donne par :

Tem =
pM
ds I qr
Ls
(4.25)
Finalement, les expressions des puissances active et ractive statoriques sont exprimes
par :
M
I qr
Ls
Vqsds Vqs M
Qs =
I dr
Ls
Ls
Ps = Vqs
(4.26a)
(4.26b)
A partir de lquation (4.25), nous constatons que lorientation du flux statorique sur laxe
d rend le couple lectromagntique produit par la MADA, et par consquent la puissance
102
active statorique, proportionnel au courant rotorique daxe q. La puissance ractive statorique,

quant elle, reste proportionnelle au courant rotorique daxe d une constante prs impose
par le rseau. Ces puissances statoriques peuvent tre contrles indpendamment lune de
lautre. En effet, le modle de la MADA avec orientation du flux statorique montre que nous
pouvons mettre en place un contrle des courants rotoriques tant donn qu linfluence des
couplages prs (ed, eq et e), chaque courant peut tre command indpendamment avec pour
chacun son propre rgulateur. Les grandeurs de rfrence pour ces rgulateurs seront le
courant rotorique daxe q et le courant rotorique daxe d.
Afin dtablir les boucles de rgulation des courants rotoriques, nous supposons que le
CCM est idal (les temps morts imposs par les drivers des interrupteurs de puissance sont
ngligs) et modlis au sens des valeurs moyennes. Ainsi, le CCM peut tre reprsent par
un gain GCCM dont lexpression est :
GCCM =
U dc
2v p
(4.27)
o vp est lamplitude de la porteuse triangulaire servant la gnration des signaux de la MLI.

De plus, si nous posons vp=Udc/2 pour que les tensions rotoriques soient gales leurs
rfrences, alors le gain GCCM=1.
Pour raliser cette commande, nous utilisons deux rgulateurs de type PI. Les schmas des
boucles de rgulation des courants rotoriques daxes dq sont montrs par la figure 4.10.
Figure 4.10.
Pour la synthse des paramtres kpm et kim des rgulateurs, nous avons procd par la
mthode de compensation de ples. Cette mthode prsente lavantage dtre rapide mettre
en uvre sur une fonction de transfert de premier ordre [98]. Les paramtres kpm et kim sont
calculs en fonction des paramtres de la MADA et du temps de rponse tr du systme en
boucle ferme, comme suit :
4.6.3
3Rr
tr
3 Lr
=
tr
kim =
(4.28a)
k pm
(4.28b)
Gnration des courants rotoriques de rfrence
Comme il a t dj statu prcdemment, deux stratgies existent pour la commande de la

MADA dans un systme olien savoir celle base sur la commande MPPT et celle base sur
la commande dcouple des puissances active et ractive statoriques de la MADA. Par
103
consquent, la gnration des courants rotoriques de rfrence se ferra selon la stratgie

adopte pour la commande de cette machine. Chaque type de commande sera test et valid
par simulation.
Dans ce qui suit, nous allons considrer les deux cas de commande pour le calcul des
courants de rfrence imposer la MADA.
Figure 4.11.
4.6.3.1 Commande dcouple des puissances active et ractive statoriques

Dans le cas dune commande dcouple des puissances, le contrleur de puissance calcule
et envoie sa sortie les composantes du courant rotorique de rfrence en quadrature Iqr-ref et
directe Idr-ref de la MADA, images des puissances active et ractive statoriques de rfrence.
La composante quadratique du courant rotorique de rfrence peut tre facilement dduite
partir de lquation (4.26a) de la manire suivante :
I qr ref =
Ls
Ps ref
MVqs
(4.29)
De la mme faon, en observant lquation (4.26b), nous remarquons que la puissance

ractive statorique de la MADA peut tre contrle par action sur la composante directe du
courant rotorique. Ainsi, la composante directe du courant rotorique de rfrence est gnre
comme suit :
I dr ref =
ds
M
Ls
Qs ref
Vqs M
(4.30)
La connaissance du flux statorique est ncessaire pour le calcul des courants rotoriques de
rfrence daxes dq de la MADA. Dans notre cas, le repre dq choisi est li au champ
tournant statorique, ainsi, le flux statorique ds peut tre estim en boucle ouverte partir de
lquation (4.3e) comme suit :
104
ds est = Ls I ds + MI dr
(4.31)
La figure 4.11 montre le schma bloc de commande du CCM qui assure un contrle
indpendant des puissances active et ractive statoriques de la MADA.
4.6.3.2 Rsultats de simulation de la commande dcouple des puissances active et
ractive
Lensemble du systme olien ainsi que sa commande reprsent dans la figure 4.11 a t
implment sous MATLABSimulink, en considrant une MADA de 3kW dont les
paramtres sont rsums dans le tableau 4.1. Nous prsentons dans cette sous-section les
rsultats de la commande dcouple des puissances active et ractive statoriques de la MADA
travers le contrle de ses courants rotoriques.
Vitesse nominale Nn (tr/mn)
Rsistance statorique Rs ()
Inductance cyclique statorique Ls (mH)
Rsistance rotorique Rr ()
Inductance cyclique rotorique Lr (mH)
Inductance mutuelle M (mH)
Nombre de paires de ples p
Tableau 4.1. Paramtres de la MADA.
Les figures 4.12 4.14 montrent les rsultats de simulation de la commande dcouple des
puissances active et ractive statoriques de la MADA.
Durant cet essai, la vitesse mcanique de la MADA passe de 1050tr/mn 1950tr/mn,
correspondant un changement du glissement de +30% 30% (figure 4.12a). A t=2s la
puissance active statorique de rfrence impose passe de 0 2kW. A t= 8.5s, la puissance
ractive statorique de rfrence impose passe de 0 500VAR. Les figures 4.12d et 4.12e
montrent que les puissances active et ractive dlivres par la MADA suivent bien leurs
rfrences imposes. Ceci est d au contrle indpendant des composantes en quadrature et
directe du courant rotorique de la MADA (figure 4.12b) travers le contrle des tensions
rotoriques directe et quadratique (figure 4.12c). Nous constatons galement quau rgime
hyposynchrone, la MADA consomme de la puissance active et ractive travers son rotor
(Pr>0, Qr>0), tandis quau rgime hypersynchrone la MADA fournit de la puissance active
et ractive travers son rotor (Pr<0, Qr<0). Ceci peut sexpliquer par le fait quau rgime
hypersynchrone, la totalit de la puissance mcanique (Pm) fournie la MADA est transmise
au rseau aux pertes prs. Donc une partie de cette puissance correspondant sPm/(1s) (s
tant le glissement de la MADA) est transmise par lintermdiaire du rotor [87]. Nous
rappelons que le rotor de la MADA nest pas reli au rseau (le CCM est aliment par un
systme de batteries rgul 120V), ainsi dans le cas du rgime hypersynchrone, la
puissance rotorique est renvoye directement dans le systme de batteries.
105
Vitesse de la MADA (tr/mn)
2000
1800
1600
1400
1200
1000
1
5
6
Temps (s)
(a)
2
100
75
Tension rotorique (V)
Courant rotorique (A)
-2
-4
-6
-8
I
-10
qr
-12
qr
25
V
dr
-25
-50
dr
-75
-14
-16
50
5
6
Temps (s)
-100
(b)
5
6
Temps (s)
(c)
1000
1000
Puissance ractive (VAR)
Puissance active (W)
500
0
P
-500
-1000
-1500
P
-2000
500
Qs
-500
Qr
-1000
-2500
5
6
Temps (s)
5
6
Temps (s)
(d)
(e)
Figure 4.12. Rsultats de simulation de la commande dcouple des puissances active et ractive de la MADA :
(a) vitesse mcanique, (b) courants rotoriques daxe d et q, (c) tensions rotoriques daxe d et q, (d) puissances
actives statorique et rotorique et (e) puissances ractives statorique et rotorique.
La figure 4.13a montre lvolution de la tension rseau et du courant statorique de la

MADA. Durant la priode o la puissance ractive est nulle (Qs=0), le courant statorique
dlivr par la MADA est en opposition de phase par rapport la tension rseau (figure 4.13b).
Dans ce cas, la MADA ninjecte que de la puissance active dans le rseau. Durant la priode
o la MADA fournie de la puissance ractive au rseau (Qs<0), le courant statorique devient
en avance de phase par rapport la tension rseau (figure 4.13c). Dans ce cas, le stator de la
MADA se comporte comme un circuit capacitif. Par consquent, la MADA fournie de la
puissance ractive en plus de celle active.
Les figure 4.14a et 4.14b prsentent respectivement le courant et la tension dans une phase
rotorique et lallure des courants rotoriques au passage du rgime hyposynchrone au rgime
hypersynchrone. Ce rsultat confirme que pour les puissances active et ractive statoriques
imposes la MADA et la plage de variation de la vitesse choisie, la valeur maximale de la
106
tension rotorique ne dpasse pas 60V (Udc/2), une valeur limite ne pas dpasser pendant
lexprimentation. Nous constatons galement que la MADA peut fonctionner dans les deux
rgimes tout en permettant une transition douce pendant le changement de rgime (figure
4.14b).
400
as
as
Tension statorique (V)

Courant statorique (0.02A)
300
200
100
0
-100
-200
-300
-400
5
6
Temps (s)
(a)
400
400

300
as
as
300
i

as
200
100
0
-100
-200
-300
as
200
100
0
-100
-200
-300
-400
2.5
2.51
2.52
2.53
Temps (s)
2.54
2.55
-400
9
2.56
9.01
9.02
9.03
Temps (s)
9.04
9.05
9.06
(b)
(c)
Figure 4.13. Evolution du courant et de la tension statoriques : (a) courant et tension statoriques, (b) zoom sur
le courant et la tension Qs=0, (c) zoom sur le courant et la tension Qs<0.
15
v
60
10
ar

40
ar
20
0
-20
-40
5
0
-5
-10
-60
1
5
6
Temps (s)
-15
4
4.5
5
Temps (s)
5.5
(a)
(b)
Figure 4.14. (a) Evolution de la tension et du courant rotoriques et (b) allures des courants rotoriques au passage
du rgime hyposynchrone au rgime hypersynchrone.
4.6.3.3 Commande en couple de la MADA

Dans ce cas, la commande du CCM doit assurer le couple lectromagntique permettant de
faire varier la vitesse mcanique de la MADA afin dextraire le maximum de puissance
107
disponible dans le vent, ceci en imposant des tensions rotoriques adquates. La puissance
ractive statorique peut tre galement maintenue nulle par annulation de sa rfrence.
A partir de lquation (4.25), nous constatons que le couple lectromagntique peut tre
facilement contrl par action sur la composante en quadrature du courant rotorique Iqr, tant
donn que le flux statorique est dj bien estim. Ainsi, le courant rotorique en quadrature de
rfrence est gnr comme suit :
Ls
(4.32)
I qr ref =
Tem ref
pM ds est
La figure 4.15 montre le schma bloc de commande en couple lectromagntique de la
MADA.
Figure 4.15.
4.6.3.4 Rsultats de simulation de la commande en couple de la MADA

Lensemble du systme olien ainsi que sa commande reprsent dans la figure 4.15 a t
implment sous MATLABSimulink, en considrant une MADA de 3kW. Nous prsentons
dans cette soussection les rsultats de simulation de la commande du systme olien avec la
stratgie MPPT o un couple lectromagntique optimal est appliqu la MADA afin
dextraire le maximum de puissance disponible dans le vent. La commande en couple
lectromagntique et donc indirectement la commande de la puissance active statorique ainsi
que la commande de la puissance ractive statorique de la MADA se fera par lintermdiaire
108
des courants rotoriques. Quant aux conditions de simulation de la partie lie la turbine
olienne, nous avons gard le mme modle de turbine ainsi que le mme profil du vent que
ceux dj dvelopps dans le chapitre prcdent. Ainsi et par crainte de redondance les
rsultats de simulation de la commande MPPT ne seront pas exposs.
10
T
em-ref
Puissance ractive (VAR)
Couple lectromagntique (Nm)
-5
-10
em
-15
-20
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
5
Q
s-ref
0
Q
-10
5
60
10
15
20
25
(a)
0
Puissance ractive rotorique (VAR)
qr
-6
-8
-10
-12
I
-14
dr
-16
50
55
60
10
15
20
25
30 35 40
Temps (s)
45
50
55
45
50
55
60
45
50
55
60
250
0
-250
-500
-750
-1000
5
60
10
15
20
25
(c)
500
2200
2000
-500
-1000
-1500
-2000
10
15
20
25
30 35 40
Temps (s)
(d)
Puissance active (W)
45
500
I
-4
-2500
5
30 35 40
Temps (s)
(b)
-2
-18
5
-5
1800
1600
1400
1200
30 35 40
Temps (s)
45
50
55
1000
5
60
10
15
20
25
30 35 40
Temps (s)
(e)
(f)
Figure 4.16. Rsultats de simulation de la commande du systme olien par la stratgie MPPT : (a) couple
lectromagntique, (b) puissance ractive statorique, (c) courants rotoriques direct et quadratique, (d) puissance
ractive rotorique, (e) puissances actives statorique et rotorique et (f) vitesse de la MADA.
La figure 4.16 prsente les rsultats de simulation de la commande en couple de la MADA.

Le couple lectromagntique et la puissance ractive statorique fournis pas la MADA suivent
parfaitement leurs rfrences comme montr respectivement aux figures 4.16a et 4.16b. Ceci
a t ralis grce au contrle indpendant des composantes en quadrature et directe du
courant rotorique de la MADA (figure 4.16c). Les figures 4.16d, 4.16e et 4.16f illustrent
respectivement la puissance ractive rotorique, les puissances actives statorique et rotorique,
ainsi que la vitesse mcanique de la MADA. Nous constatons de ces figures, quen plus de la
109
puissance active statorique fournie au rseau lors des rgimes hypersynchrone, la MADA
fournit galement de la puissance active et ractive par son rotor. Comme dans le cas
prcdent. Ces puissances active et ractive dlivres par le rotor sont renvoyes directement
dans le systme de batterie alimentant le CCM.
400
400
v
as
200
100
0
-100
-200
-300
200
as
100
0
-100
-200
-300
-400
5
as
300

300
10
as
15
20
25
30 35 40
Temps (s)
45
50
55
-400
27
60
27.01
27.02
27.03
Temps (s)
27.04
27.05
27.06
(a)
(b)
Figure 4.17. (a) Evolution de la tension et du courant statoriques et (b) zoom sur le courant et la tension
statoriques.
50
v
40

30
ar
ar
20
10
0
-10
-20
-30
-40
-50
5
10
15
20
25
30 35 40
Temps (s)
45
50
55
60
15
15
10
10
(a)
5
0
-5
-10
-15
47
5
0
-5
-10
47.25
47.5
47.75
Temps (s)
48
48.25
-15
57.5
48.5
57.75
58
58.25 58.5 58.75

Temps (s)
59
59.25
59.5
(b)
(c)
Figure 4.18. (a) volution de la tension et du courant rotoriques, (b) zoom sur les courants rotoriques au passage
du rgime hypersynchrone au rgime hyposynchrone et (c) zoom sur les courants rotoriques au passage du
rgime hyposynchrone au rgime hypersynchrone.
Lvolution de la tension rseau et le courant statorique de la MADA est montre la

figure 4.17a. De ce rsultat, nous constatons que le courant statorique dlivr par la MADA
est en opposition de phase par rapport la tension rseau (figure 4.17b). Ceci confirme le fait
que la MADA ninjecte que de la puissance active au rseau.
110
La figure 4.18a montre la tension et le courant rotorique pendant toute la dure de

fonctionnement du systme olien. De ce rsultat, nous remarquons que la tension rotorique
ne dpasse pas 60V (Udc/2), limite ne pas dpasser lors de lexprimentation. Nous
illustrons galement les courants rotoriques durant la transition du rgime hypersynchrone
au rgime hyposynchrone et inversement (figures 4.18b et 4.18c). Ce rsultat confirme que
la MADA peut fonctionner dans les deux rgimes tout en permettant une transition douce
pendant le changement de rgime.
A la lumire de ces rsultats, nous pouvons conclure que les deux stratgies de commande
de la MADA proposes, savoir la commande dcouple en puissances et la commande en
couple (stratgie MPPT), permettent de commander efficacement ce systme et dassurer la
qualit dnergie souhaite. En effet, les puissances actives et ractives du systme olien
pouvaient tre contrles de faon indpendante tout en garantissant une puissance active
optimale fournie au rseau lectrique et un facteur de puissance unitaire (puissance ractive
statorique nulle) au point de raccordement de lolienne, quel que soit son mode de
fonctionnement.
Cependant, lors de nos diffrentes simulations effectues et dans le but de tenir compte des
contraintes lies la validation exprimentale des stratgies de commande proposes, nous
avons constat que si les tensions du rseau lectrique auquel la MADA est connecte
prsentent des dsquilibres, des fluctuations de la frquence ou encore des dfauts alors les
performances de la commande de la MADA deviennent compltement dgrades. Par
consquent, lnergie produite sera de mauvaise qualit. De plus, nous avons constat que
cette dgradation est due principalement la mauvaise estimation de lamplitude (Vqs), de la
pulsation (s) ainsi que de langle de phase instantan (s), du vecteur tension rseau, par la
PLL conventionnelle utilise.
En pratique, les tensions du rseau lectrique prsentent souvent des dsquilibres, des
bruits et des fluctuations de frquence [119], [120], [121]. A cet effet, nous allons proposer
dans la section suivante une alternative la PLL conventionnelle savoir une PLL adaptative
base sur les rseaux de neurones artificiels de type ADALINE [122].
4.7
PLL neuronale pour la synchronisation de la MADA au rseau

lectrique
La synchronisation approprie avec le rseau lectrique est lun des aspects les plus
importants considrer dans le contrle des dispositifs relis au rseau tels que les
redresseurs commands, les filtres actifs, et galement dans les systmes de gnration de
lnergie lectrique tels que les centrales oliennes et photovoltaques. La solution la plus
largement adopte pour la synchronisation est la PLL [123].
Dans la plupart des stratgies de commande conventionnelles pour les dispositifs
lectronique de puissance, lamplitude, la frquence et la phase du vecteur tension rseau sont
ncessaires. Ces grandeurs sont principalement utilises pour la synchronisation des variables
de sorties du systme, le calcul des flux de puissances ou pour la transformation des variables
dtat dans des rfrentiels tournants. Indpendamment de la technique utilise dans le
processus de dtection, lestimation de lamplitude, de la frquence et de la phase de la
composante fondamentale doit tre calcule dune manire aussi rapide et prcise que
possible, malgr les bruits invitables dans le rseau lectrique. Gnralement, les
perturbations peuvent tre des distorsions harmoniques, des dsquilibres et des variations de
frquence [124].
111
La technique la plus utilise pour la synchronisation des convertisseurs relis au rseau est
la PLL triphase conventionnelle base sur un rfrentiel synchrone. Cette technique utilise la
transformation de Concordia et la transformation de Park pour transformer les tensions
triphases du rfrentiel naturel celui tournant. Dans les conditions idales, la PLL
conventionnelle fournit des rsultats acceptables, cependant, en prsence de perturbations
dans les tensions rseau, cette technique nest pas une solution convenable [123], [124].
Afin de pallier ces inconvnients, plusieurs algorithmes de PLL avec diffrentes
caractristiques ont t dvelopps et prsents rcemment dans la littrature. Parmi ces
techniques ; une PLL bas sur un filtre linaire adaptatif optimal a t prsente dans [124].
Les auteurs dans [125] proposent une PLL base sur la transformation de Park et des filtres
passe-bas moyen (moving average filters). Une mthode de synchronisation dcoulant de la
PLL classique base sur la thorie de pq avec un modle de contrle utilisant la structure
qPLL classique a t prsente dans [126]. Une PLL base sur lannulation dun signal
retard et mont en cascade pour liminer les harmoniques est galement dveloppe dans
[127]. Dans [128], une PLL base sur le concept de la priode dchantillonnage variable, qui
permet de rgler automatiquement la frquence dchantillonnage, a t galement propose.
Les auteurs dans [129] proposent une PLL adaptative qui rejette les bruits de tensions en
utilisant plusieurs filtres adaptatifs rponse impulsionnelle infinie (infinite-impulseresponse). Une autre structure de PLL adaptative base sur un rglage adaptatif du gain de la
boucle destimation de la frquence est dveloppe dans [130] afin de rduire au minimum
leffet de la variation de la phase et de la frquence. Dans [131], des transformations
mathmatiques sont utilises pour extraire les composantes fondamentales, qui sont utilises
comme entre dune PLL pour dtecter la frquence et la position de la composante
fondamentale du vecteur tension. Une boucle verrouillage de frquence (frequencylocked
loop) utilisant un intgrateur dual gnralis de second ordre (dual second-order generalized
integrator) (SOGI) est galement propose dans [132]. Cette mthode est base sur deux
filtres adaptatifs, implments en utilisant le SOGI dans un repre fixe.
Dans cette section, nous prsentons une nouvelle PLL neuronale adaptative pour la
synchronisation des convertisseurs connects au rseau. Larchitecture de cette PLL
neuronale sera base sur le rseau de neurone ADALINE [122]. Les rseaux de neurones de
type ADALINE sont bien connus dans la thorie des RNA et appliqus avec succs dans
plusieurs domaines du gnie lectrique tels que la poursuite de la frquence [25], [133],
lestimation des harmoniques de courants [50], et lidentification des paramtres dune
machine asynchrone [53]. Lavantage principal de la PLL neuronale propose est li sa
prcision, sa robustesse et sa structure adaptative. Elle permet destimer avec prcision la
frquence, de filtrer et de reconstruire lamplitude du vecteur tension rseau contenant des
distorsions harmoniques. Langle de phase du vecteur tension rseau sera dtect par une PLL
en utilisant un systme triphas damplitude unit obtenu partir des composantes
fondamentales des tensions rseau.
4.7.1
Poursuite de la frquence du rseau par un ADALINE en prsence dharmoniques
Lobjectif vis dans cette sous-section est destimer la frquence du fondamental dun signal sinusodal contenant des bruits et des dformations harmoniques.
Dans lidentification des tensions rseau, il est indispensable de connaitre de manire prcise les principaux paramtres de ces tensions dont la frquence fondamentale du rseau qui
est un paramtre important [13]. Il existe plusieurs mthodes pour identifier la frquence fondamentale dun rseau en prsence des perturbations (les harmoniques et le dsquilibre).
Dans [25], les auteurs ont propos dutiliser un rseau de neurone ADALINE pour extraire la
112
frquence fondamentale en se servant des formes rcursives des tensions sinusodales [45].
Akagi [134] nous montre quil est possible de faire une poursuite de la frquence base sur la
thorie de la puissance instantane en utilisant des puissances fictives. Dans [135], le filtre de
Kalman est galement utilis pour estimer la frquence du signal.
Lestimation de la frquence en ligne avec ou sans connaissance dhypothse sur la tension
est un vrai challenge. En effet, la tension est caractrise par plusieurs paramtres, i.e.,
lamplitude, la frquence et la phase de chaque composante harmonique quelle contient. En
outre, il est possible de supposer que ces paramtres changent indpendamment chaque instant, changeant ainsi le contenu harmonique de la tension. Dans cette sous-section, nous proposons de dvelopper un estimateur de frquence qui est insensible lamplitude et la phase
de la tension mesure [25]. Cet estimateur est bas sur un rseau ADALINE, qui peut tre
considr comme tant un rseau linaire [14]. LADALINE est connu pour sa structure
simple, son apprentissage rapide et ses poids qui peuvent tre interprts physiquement
comme paramtres du systme identifi, ce qui nest pas le cas avec certains rseaux de neurones artificiels [20], [133].
4.7.1.1 Mthode base sur un ADALINE
LADALINE a t introduit par [25] pour lestimation de la frquence. Depuis, cette approche a t utilise pour lestimation des paramtres dun signal de tension de forme [45] :
v ( k ) = An sin (n kTe + n )
(4.33)
n =1
Avec An lamplitude du nme terme, n sa pulsation, n sa phase. Te est la priode

dchantillonnage. En calculant les signaux retards v(k+1) et v(k-1), nous obtenons :
v ( k + 1) = An sin (n ( k + 1) Te + n )
n =1
= An sin (n kTe + n ) .cos (nTe ) + An cos (n kTe + n ) .sin (nTe )
(4.34a)
n =1
v ( k 1) = An sin (n ( k 1) Te + n )
n =1
= An sin (n kTe + n ) .cos (nTe ) An cos (n kTe + n ) .sin (nTe )
(4.34b)
n =1
En combinant ces deux dernires quations, lexpression rcursive du signal discret peut
tre dduite comme suit :
v ( k + 1) + v ( k 1) = An sin (n kTe + n ) .2 cos (nTe )

n =1
= 2 cos (nTe ) .v ( k )
(4.35)
Ainsi :
v ( k ) = 2 cos (nTe ) .v ( k 1) v ( k 2 )
(4.36)
Dans le cas o les harmoniques ne sont pas prsents, le signal v(k) peut tre rcrit comme
suit :
v ( k ) = 2 cos ( 1Te ) .v ( k 1) v ( k 2 )
113
(4.37)
Comme montr la figure 4.19, en prenant v(k1) et v(k2) comme entres dun
ADALINE, ses poids w1(k) et w2(k) sadapteront, et aprs apprentissage, ils convergeront vers
les valeurs 2cos(1Te) et 1, respectivement. Lalgorithme dapprentissage de lADALINE de
type LMS (Least Mean Square) avec un coefficient dapprentissage peut tre utilis [14],
[25]. Ainsi, chaque itration nous pouvons rcuprer la frquence du signal fondamental de
la manire suivante :
f1 ( k ) =
w (k )
1
.arccos 1
2 Te
2
(4.38)
En outre, le poids w2(k) converge vers la valeur 1 et peut tre utilis pour valuer la
qualit de la convergence. Lun des avantages majeurs de cette mthode est son immunit par
rapport lamplitude et la phase du signal [133]. Une dmonstration de la preuve de
convergence des poids dun ADALINE peut tre trouve dans [25].
ADALINE
v
z-1
w1
-1
w2
vest
-
1
w
.arccos 1
2 Te
2
f1
Figure 4.19. Schma de principe de la poursuite de la frquence par un ADALINE.
Il est noter que les harmoniques sont des signaux sinusodaux ayant des frquences
multiples de la frquence du signal fondamental ce qui na pas tait pris en compte dans la
dcomposition que nous venons de prsenter.
4.7.1.2 Influence de la priode dchantillonnage sur les performances de lADALINE
Il est important de montrer que la frquence f1 estime dpend de la priode
dchantillonnage Te. Comme il sera dmontr ci-aprs, la priode dchantillonnage Te a une
grande influence sur les performances de cette approche. En effet, en prsence
dharmoniques, la fonction arccos dans (4.38) reste sensible [13], [133]. La figure 4.20
montre la valeur du poids w1 en fonction du temps dchantillonnage Te pour une frquence
du rseau de 50Hz. A partir de cette figure, nous pouvons facilement constater que la valeur
Te=5ms reprsente un bon choix dans le sens o il correspond une valeur de w1=0, qui est le
centre de lintervalle [+2, 2] des poids. Le choix de cette valeur de Te permet dloigner w1
des bornes 2 et 2 et donne une plus grande dynamique de valeur par rapport un
changement de la frquence fondamentale [133]. La figure 4.21 montre la frquence en
fonction du poids w1 pour diffrentes valeurs de Te. Comme statu prcdemment, nous
pouvons dduire que le maximum de variation du poids w1 est obtenu pour une priode
dchantillonnage Te=1/4f1 pour w1=0. Lexemple pour f1=50Hz est montr sur cette figure.
Par consquence, nous proposons de choisir une priode dchantillonnage Te=1/4f1 afin de
maximiser la dynamique et assurer la stabilit du systme. Il est noter que le choix de
Te=1/4f1 a pour consquence la suppression dune partie des harmoniques existants dans la
tension du rseau. Dans notre cas, la valeur de Te est de 5ms, ainsi toutes les frquences
suprieur 100Hz seront limines.
114
Limite de Shannon
2
w1 aprs convergence
1.5
1
0.5
0
-0.5
-1
-1.5
-2 -5
10
10
-4
-3
10
Te (s)
10
-2
10
-1
Figure 4.20. Influence de la priode dchantillonnage sur la valeur de convergence du poids w1.
100
Frequence Observable (Hz)
90
Te=10-3 s
80
-3
2.10
70
3.10-3
6.10-3
60
7.10-3
4.10-3
50
8.10-3
40
-3
5.10
9.10-3
10-2
30
20
10
0
-2
-1
0
w1
Figure 4.21. Frquence observable en fonction du poids w1 pour diffrentes valeurs de Te.
Dans la rfrence [133], il a t conclu que cette mthode nest pas adquate vis--vis des
harmoniques. Dans la soussection suivante, nous proposons dutiliser une variante de cette
approche afin damliorer la performance de lestimation de la frquence en prsence
dharmoniques dans le signal.
4.7.1.3 Mthode base sur le pseudosquare ADALINE
Afin daccentuer la diffrence entre deux signaux de frquences proches au bout dune
priode, les auteurs dans [133] ont propos de faire une pr-multiplication de ce signal au lieu
de le prendre directement pour faire les calculs. Cependant, en prsence dharmoniques, le
signal rsultant prsente des dformations importantes et le rapport cyclique est loin dtre de
50% [13]. Lide est donc de ne pas faire le produit du signal avec lui-mme, ce qui en plus
introduit une composante continue, mais avec le signal retard de D priodes
dchantillonnage. Ainsi, le nouveau signal lentre de lADALINE devient :
V ( k ) = v ( k ) .v ( k D )
=
A12
A2
{1 cos ( 21kTe + 21 )} 1 sin ( 21kTe + 21 )
2
2
(4.39)
avec =cos(1DTe) et =sin(1DTe). La variation de ces paramtres ( et ) est montre sur la

figure 4.22. Les courbes obtenues sont calcules en choisissant Te=1/(4f1)=2.5ms (ce qui
correspond f1=100Hz). Le paramtre D est calcul par D=d/Te avec d choisi gale
T/4=5ms (f=50Hz) pour conserver laspect sinusodal du signal aprs la pr-multiplication.
115
Daprs le rsultat obtenu, la valeur de est ngligeable devant la valeur de pour des
frquences proches de 50Hz.
1.005
0.2
0.15
0.1
Beta
Alpha
0.05
0
0.995
-0.05
0.99
-0.1
-0.15
-0.2
45
47.5
50
Frquence (Hz)
(a)
52.5
0.985
45
55
47.5
50
Frquence (Hz)
(b)
52.5
55
Figure 4.22. Variation des coefficients et en fonction de la frquence.
Ainsi, le signal V(k) peut scrire sous la forme :

A12
V ( k ) = sin ( 21kTe + 21 )
2
(4.40)
En utilisant un ADALINE et en suivant la mme procdure que celle dcrite dans la figure
4.19, nous pouvons estimer la frquence du signal contenant des harmoniques partir du
poids w1. Le principe est illustr par la figure 4.23.
v
z-1
z-1
ADALINE
V
z-1
w1
Prmultiplication
z-1
w2
Vest
-
1
w
.arccos 1
2 Te
2
2f1
Figure 4.23. Estimation de la frquence par un pseudo-square ADALINE en prsence dharmoniques.
Lalgorithme dapprentissage de lADALINE est de type LMS avec un coefficient

dapprentissage choisi gal 0.1. Le rsultat montr dans la figure 4.24, est obtenu avec une
tension comportant 30% dharmonique 3, 7% dharmonique 5, 5% dharmonique 11 et un
changement de frquence du signal fondamental en chelon de 50Hz 52Hz puis une autre
variation en chelon de 50Hz 48Hz. Nous constatons que la frquence de la tension
fondamentale est bien estime et lerreur statique reste trs faible. Cependant, nous pouvons
filtrer la frquence obtenue en diminuant la valeur du coefficient dapprentissage . Mais ceci
peut induire un temps de rponse suprieur celui obtenu. Il est noter quen ralit les sauts
aussi importants de la frquence napparaissent pas dans le rseau lectrique [20].
En plus des mthodes que nous venons de dvelopper, les auteurs de [133] ont prsent
dautres mthodes pour estimer la frquence fondamentale comme le filtre de Kalman, la
dtection du passage zro, etc.
116
55
54
Frquence (Hz)
53
52
51
50
49
Rfrence
48
47
Frquence estime
46
45
6
Temps (s)
Figure 4.24. Frquence estime avec un pseudo square ADALINE en prsence dharmoniques.
Aprs avoir estim la frquence dune tension contenant des harmoniques, la section
suivante sera consacre au filtrage des tensions rseau au moyen de rseaux de neurones
ADALINE, lestimation de la phase instantane et la dtection de lamplitude du vecteur
tension rseau.
4.7.2
Filtrage des tensions au moyen dADALINE. Dtermination de la phase

instantane au moyen dune PLL
4.7.2.1 Filtrage adaptatif des tensions rseau

Dans cette sous-section, nous allons procder au filtrage linaire adaptatif des tensions
rseau au moyen dADALINE. Pour ce faire, lide est deffectuer une dcomposition
approprie de la tension mesure de chaque phase et dextraire le fondamental, ce qui revient
ngliger touts les harmoniques suprieur 1. Ensuite, cette composante fondamentale sera
mise sous une forme adquate pour tre apprise par un ADALINE.
Les tensions mesures sur les trois phases a, b et c dun rseau lectrique sont constitues
dune composante fondamentale et dune srie dharmoniques. Sous une forme discrte, ces
tensions peuvent scrire comme suit :
v
k
=
2Va sn cos (n kTe + n )
(
)
as
n =1
vbs ( k ) = 2Vbsn cos n kTe + n
n =1
v
k
=
cs ( ) 2Vc sn cos n kTe + n
n =1
(4.41)
avec Vasn, Vbsn, Vcsn les valeurs efficaces du nme terme, n sa pulsation, n sa phase. Te est la
priode dchantillonnage. Dans ce qui suit, nous allons dvelopper les calculs de la mthode
de filtrage propose sur la tension de la phase a, et ces calculs peuvent tre gnraliss
facilement sur les phases b et c.
A prsent, considrons lexpression de la tension dans la phase a telle que donne par
(4.41) :
vas ( k ) = 2Vas n cos (n kTe + n )

n =1
117
= 2Va s1 cos (1kTe + 1 ) + 2Va sn cos ( n kTe + n )
(4.42)
n=2
Le processus de filtrage des tensions rseau revient extraire leurs composantes

fondamentales et ngliger toutes les composantes harmoniques suprieures 1. Ainsi, aprs
filtrage lexpression (4.42) devient :
vas ( k ) = 2Vas1 cos (1kTe + 1 )
(4.43)
et qui peut scrire encore sous la forme suivante :
vas ( k ) = 2Va s1 cos (1 ) .cos (1kTe ) 2Vas1 sin (1 ) .sin (1kTe )
(4.44)
Ainsi, nous pouvons exprimer en notation vectorielle lexpression (4.44) comme suit :
vas ( k ) = WaT X ( k )
(4.45)
avec
WaT = [ wa1
wa 2 ] = 2Vas1 cos (1 ) 2Vas1 sin (1 )
cos (1kTe )
X (k ) =
sin (1kTe )
(4.46)
Un seul ADALINE avec deux poids adaptatifs pourra estimer lquation (4.45), o X(k)
reprsente le vecteur dentre compos de deux sinusodes damplitude unitaire et de
frquence f1=1/2 (frquence du rseau) et WaT le vecteur poids. En suivant le mme
raisonnement que pour les deux autres phases, nous obtenons les notations vectorielles pour
les phases b et c, respectivement, comme suit :
vb ( k ) = WbT X ( k )
vc ( k ) = WcT X ( k )
(4.47)
(4.48)
avec
WbT = [ wb1
WcT = [ wc1
2
2
wb 2 ] = 2Vbs1 cos 1
2Vbs1 sin 1
3
3
4
4
wc 2 ] = 2Vcs1 cos 1
2Vcs1 sin 1
3
3
(4.49)
(4.50)
Il est noter que la valeur de la frquence f1 de la tension fondamentale du rseau est

obtenue partir de la stratgie dveloppe dans la section prcdente. Le schma de principe
du filtrage linaire adaptatif des tensions au moyen de rseaux ADALINE est montr sur la
figure 4.25.
118
va
f1
Pseudo-square
ADALINE
cos ( 2 f1kTe )
wa1
sin ( 2 f1kTe )
wa2
vaf
vb
+
wb1
wb2
vbf
vc
+
wc1
- e
wc2
vcf
Figure 4.25. Filtrage adaptatif des tensions rseau au moyen de rseaux ADALINE.
Aprs le processus de filtrage, nous obtenons la sortie des tensions triphases

sinusodales (sans harmoniques), damplitude gale lamplitude du fondamental de chaque
phase. Ce nouveau systme de tensions peut donc scrire sous la forme suivante :
v ( k ) = 2V cos ( kT + )
a s1
1
e
1
asf
vbsf ( k ) = 2Vb s1 cos 1kTe + 1
vcsf ( k ) = 2Vc s1 cos 1kTe + 1
(4.51)
500
250
250
Tension (V)
Tension (V)
Chute de tension
500
-250
-250
Tension rseau
Fondamental
Tension filtre
-500
1
1.01
1.02
Temps (s)
Tension rseau
Fondamental
Tension filtre
1.03
-500
1.04
Figure 4.26. Filtrage de la tension rseau vas.
2.05
2.1
Temps (s)
2.15
Figure 4.27. Chute de 50% dans la tension rseau vas.
A la figure 4.26, le rsultat de simulation du filtrage de la tension rseau vas par la stratgie
de filtrage adaptatif propose est montr. Le systme de tensions rseau triphases simul
possde
les
caractristiques
suivantes :
valeurs
efficaces
du
fondamental
Vas1=Vbs1=Vcs1=220V, frquence du fondamental f1=50Hz. Afin de tenir compte de leffet des
harmoniques, les tensions contiennent 30% dharmonique 3, 7% dharmonique 5 et 5%
dharmonique 11. Les coefficients dapprentissages des poids dADALINE sont fixs
0.004. Il est intuitif de conclure que le filtre linaire adaptatif propos estime avec prcision le
119
fondamental de la tension rseau et ne contient pas de dphasage par rapport ce dernier, ce

qui constitue un avantage majeur.
Ensuite, le comportement du filtre linaire adaptatif propos a t test lors dune variation
brusque de tension. Le rsultat de simulation obtenu est montr la figure 4.27. A t=2s, une
chute de tension de 50% est applique sur la phase a. Nous constatons que le filtre linaire
adaptatif a retrouv le fondamental de la tension au bout de 9 priodes (environ 0.18s), ce qui
justifie la robustesse du filtre linaire adaptatif propos.
A la figure 4.28 nous prsentons un systme de tensions triphases sinusodales
dsquilibres et filtres obtenu partir dun rseau ayant les mmes caractristiques que
celui tudi prcdemment, mais de valeurs efficaces diffrentes (Vas1=220V, Vbs1=190V,
Vcs1=110V).
400
v
asf
300
Tension (V)
200
b sf
csf
100
0
-100
-200
-300
-400
5
5.02
5.04
5.06
Temps (s)
5.08
5.1
Figure 4.28. Tensions rseau dsquilibres filtres au moyen de rseaux ADALINE.
Dans la sous-section suivante, nous allons chercher dterminer la phase instantan s1 des
tensions rseau laide dune PLL et ce en exploitant le systme de tensions filtr donn par
(4.51) que nous venons dtablir.
4.7.2.2 Dtermination de la phase instantane laide dune PLL
Avant de dterminer la phase instantane des tensions rseau laide dune PLL, nous
allons dabord dfinir un nouveau systme triphas partir du systme de tension filtr donn
par (4.51) et cela en divisant chaque tension par son amplitude maximale. Par consquent,
nous allons obtenir un systme triphas sinusodal et quilibr damplitude unit. Ce nouveau
systme sera indpendant des niveaux des tensions du rseau mais en phase avec celles-ci.
En appliquant ce principe aux quations donnes par (4.51), nous obtenons le systme de
tensions rduit suivant :
v ( k ) = 2V cos ( kT + )
as r
1
e
1
as r
vbs r ( k ) = 2Vbs r cos 1kTe + 1
vcs r ( k ) = 2Vcs r cos 1kTe + 1
avec
2Vas r = 2Vbs r = 2Vcs r = 2Vr = 1.

120
(4.52)
Les amplitudes des tensions rseau ont t dtectes en utilisant loutil enveloppe detector
disponible dans la bibliothque Simulink du logiciel MATLAB. Le schma bloc de
dtermination du systme de tensions unitaires ainsi que le schma bloc de lalgorithme de
dtection damplitude maximale sont montrs la figure 4.29. Le rsultat de simulation
obtenu est donn la figure 4.30. A partir de l, nous pouvons appliquer une PLL pour
dterminer avec exactitude la phase instantane des tensions rseau.
Tensions unitaires
Tensions filtres
vasf
Dtection
damplitude
vbsf
Dtection
damplitude
vcsf
Dtection
damplitude
(a)
vas-r
vbs-r
vcs-r
(b)
Figure 4.29. (a) Principe de dtermination du systme de tensions unitaires et (b) algorithme de dtection de
lamplitude des tensions rseau.
1.5
v
as-r
bs-r
cs-r
Tension (v/Vmax)
0.5
0
-0.5
-1
-1.5
5
5.02
5.04
5.06
Temps (s)
5.08
5.1
Figure 4.30. Systme de tensions rseau triphas unitaire.
Enfin, une valeur moyenne Vmoy des amplitudes dtectes peut tre facilement dduite
comme suit :
Vmoy =
2Vas1 + 2Vbs1 + 2Vc s1

3
(4.53)
La figure 4.31 montre le rsultat de calcul de lamplitude moyenne Vmoy des tensions
rseau (4.51). Le rgime transitoire observ au dbut de la simulation est d lapprentissage
des poids des rseaux ADALINE qui mettent un certain temps pour approximer le
121
fondamental de chaque tension (le temps de convergence des poids vers leurs valeurs
optimales), qui est denviron 0.18s.
Puisque le vecteur tension rseau est maintenu suivant laxe q, alors son amplitude peut
galement tre estime partir des amplitudes dtectes des phases a, b et c de la faon
suivante :
U s est =
Vas1 + Vbs1 + Vcs1
(4.54)
Le schma de principe de dtection de la phase instantane du vecteur tension rseau

laide dune PLL est reprsent sur la figure 4.32.
300
250
Amplitude moyenne
Tension (V)
200
150
100
50
0
0
Temps (s)
Figure 4.31. Amplitude moyenne des tensions rseau.
Vds* r = 0 +
-
Rgulateur
PI
s1est
s1 est
1
p
s1est
+
2 50
Vds r
cos ( s1 est ) sin ( s1est )
sin ( s1est ) cos ( s1est )

V s r ( s1 )
vas r (1 )
vbs r (1 )
vcs r (1 )
2
2
3
3
0 2
V s r ( s1 )
1
2
Figure 4.32. Schma de principe de la PLL.
Les figures 4.33 et 4.34 montrent le rsultat de simulation de la PLL triphase en utilisant
le systme de tensions unitaire obtenu (figure 4.30). Comme indiqu la figure 4.33, la
totalit du vecteur tension rduit est orient suivant laxe q pendant que la composante suivant
laxe d est nulle. A la figure 4.34, la phase instantane estime est donne. Nous constatons
que cette phase instantane est bien estime. Ceci prouve que les tensions unitaires lentre
de la PLL sont effectivement sinusodales et quilibres [112]. Il est noter galement que la
tension daxe d constitue un indice important sur le bon fonctionnement de la PLL.
122
0.2
dr-r
Tension (pu)
-0.2
-0.4
-0.6
-0.8
-1
qr-r
-1.2
-1.4
0.52
0.54
0.56
0.58
Temps (s)
0.6
Figure 4.33. Composantes directe et quadratique du systme de tensions rseau rduit.
Phase (rad)
5
4
3
2
1
0
0.52
0.54
0.56
0.58
Temps (s)
0.6
Figure 4.34. Phase instantane estime de la tension directe.
4.7.3
Comparaison des performances entre la PLL neuronale et la PLL conventionnelle
Dans cette sous-section, une comparaison entre la PLL neuronale propose et la PLL
conventionnelle est prsente. La tension Vds daxe d, lamplitude Us, la frquence ainsi que la
phase instantane du vecteur tension rseau sont prises comme grandeurs de comparaison vue
que ces grandeurs sont utilises, par exemple, pour la gnration des signaux de rfrence
pour les rgulateurs des boucles de courants dans des applications o les convertisseurs sont
connects au rseau [124]. Par consquent, lexactitude de la frquence estime, de
lamplitude ainsi que de la phase instantane du vecteur tension rseau sont dune importance
capitale pour assurer une efficacit et un fonctionnement stable [124]. Les algorithmes de la
PLL conventionnelle et de la PLL neuronale ont t implments sous MATLABSimulink
avec une priode dchantillonnage Te=0.1ms et en utilisant une mthode de rsolution
RungeKutta dordre 4. Le coefficient dapprentissage du pseudo-square ADALINE
(estimateur de frquence) est fix 0.04 et les coefficients dapprentissage des ADALINE
(filtres de tensions) sont fixs 0.01. Il est noter que ces valeurs choisies ont t optimises
par une srie dajustements successifs.
Plusieurs perturbations dans les lignes du rseau lectrique, savoir, chute de tension
triphase, augmentation de tension triphase, saut de phase, saut de frquence, dfaut
monophas et dfaut biphas ont t considrs. Comme il a t signal prcdemment, les
123
performances dune PLL se dgradent fortement en prsence dharmoniques, par consquent,

toutes les simulations ont t effectues en prsence dharmoniques dans les tensions rseau
savoir lharmonique 3 (30%), lharmonique 5 (7%) et lharmonique 11 (5%). Au rgime
normal, la valeur efficace du fondamental des tensions rseau est de 220V et sa frquence est
de 50Hz. Les paramtres du rgulateur PI de la PLL conventionnelle ont t calculs pour
obtenir un coefficient damortissement z=1 et un temps de rponse de 10ms. Le schma de
principe de la stratgie PLL neuronale propose est montr la figure 4.35. Les blocs
Amplitude (dcrits par la figure 4.29) divisent tout simplement la tension dentre par son
amplitude. Le schma de principe de la PLL conventionnelle est donn la figure 4.36.
vas
f1
Pseudo-square
ADALINE
ADALINE 1
(Filtrage Phase a)
vasf
Amplitude
vas-r
vbs
ADALINE 2
(Filtrage Phase b)
vbsf
Amplitude
vbs-r
PLL
Vas1
s1est
Vbs1
vcs
ADALINE 3
(Filtrage Phase c)
vcsf
Amplitude
vcs-r
Vcs1 Vbs1 Vas1
Va s1 + Vbs1 + Vcs1
3
U s est
Figure 4.35. Schma de principe de la PLL neuronale.
Vds ref = 0 +
-
Rgulateur
PI
s est
+
Vds
Vqs
s est
+
2 50
vbs ( s )
vcs ( s )
1
p
f est
s est
cos ( s est ) sin ( s est )
sin ( s est ) cos ( s est )

V s ( )
vas ( s )
1
2
2
2
3
3
0 2
V s ( )
1
2
Figure 4.36. Schma de principe de la PLL conventionnelle.
4.7.3.1 Comparaison des performances sous une chute de tensions

La figure 4.37 montre la comparaison des performances entre la PLL conventionnelle et la
PLL neuronale sous une chute de tension rseau de 50% apparue linstant t=3s. La tension
Vds fournie par la PLL conventionnelle, lamplitude Us, la frquence ainsi que la phase
124
instantane estimes du vecteur tension rseau sont montres aux figures 4.37a, b, c et d,
respectivement. Nous pouvons constater quen prsence dharmoniques, la tension Vds oscille
autour de zro (figure 4.37a) et lamplitude des oscillations reste importante avant et aprs la
perturbation. Ceci montre que la PLL conventionnelle ne prsente pas de bonnes
performances en prsence dharmoniques. Lamplitude Us du vecteur tension rseau est
mieux estime par la PLL neuronale compare celle estime par la PLL conventionnelle
(figure 4.37b). Cependant, nous remarquons que la PLL neuronale prend un certain temps
pour reconstituer de nouveau lamplitude Us du vecteur tension rseau. Ceci est prvisible car
les ADALINE prennent un certain temps (environ 0.08s) pour apprendre le fondamental de
chaque tension (processus dadaptation et de convergence des poids). La frquence estime
par la PLL neuronale reste constante et insensible la perturbation par contre la frquence
estime par la PLL conventionnelle prsente dimportantes oscillations avant et aprs la
perturbation (figure 4.37c). La phase estime par la PLL neuronale reste insensible par
rapport la perturbation introduite, tandis que la phase instantane estime par la PLL
conventionnelle est dforme car celle-ci est calcule directement partir de la frquence
estime (figure 4.37d).
(V)
50
(a)
0
-50
2.9
2.95
3.05
3.1
3.15
3.2
(V)
0
-200
(b)
PLL conventionnelle
PLL neuronale
-400
(Hz)
-600
2.9
70
60
50
40
30
2.9
2.95
3.05
3.1
3.15
3.2
(c)
PLL conventionnelle
PLL neuronale
2.95
3.05
3.1
3.15
3.2
(rad)
6
4
(d)
PLL conventionnelle
PLL neuronale
2
0
2.9
2.95
3.05
Temps (s)
3.1
3.15
3.2
Figure 4.37. Comparaison des performances entre la PLL conventionnelle et la PLL neuronale sous une chute
de 50% dans les tensions rseau : (a) tension Vds (PLL conventionnelle), (b) amplitude Us, (c) frquence et (d)
angle de phase.
4.7.3.2 Comparaison des performances sous une augmentation de tensions

PLL neuronale sous une augmentation de tension rseau de 50% apparue linstant t=3s.
Nous constatons quen prsence dharmoniques la tension Vds oscille autour de zro (figure
4.38a) et lamplitude des oscillations devient plus importante aprs la perturbation (t3s).
Lamplitude Us du vecteur tension rseau est mieux estime en utilisant la PLL neuronale
125
compare celle estime par la PLL conventionnelle (figure 4.38b). Cependant, nous
remarquons que la PLL neuronale prend un temps pour reconstituer de nouveau lamplitude
du vecteur tension. Ceci est prvisible car les ADALINE prennent un temps (environ 0.08s)
pour reconstituer le fondamental de chaque tension (processus dadaptation et de convergence
des poids). La frquence estime par la PLL neuronale reste constante et insensible aux
variations brusques des amplitudes de tensions rseau par contre la frquence estime par la
PLL conventionnelle prsente dimportantes oscillations avant et aprs la perturbation (figure
4.38c). La phase instantane estime par la PLL neuronale reste insensible par rapport la
perturbation introduite, tandis que la phase instantane estime par la PLL conventionnelle est
dforme car celle-ci est calcule directement partir de la frquence estime (figure 4.38d).
(V)
50
(a)
0
-50
2.9
2.95
3.05
3.1
3.15
3.2
(V)
-200
PLL conventionnelle
PLL neuronale
-400
(b)
-600
2.9
2.95
3.05
3.1
3.15
3.2
(Hz)
80
60
(c)
PLL conventionnelle
PLL neuronale
40
20
2.9
2.95
3.05
3.1
3.15
3.2
(rad)
6
4
(d)
PLL conventionnelle
PLL neuronale
2
0
2.9
2.95
3.05
Temps (s)
3.1
3.15
3.2
Figure 4.38. Comparaison des performances entre la PLL conventionnelle et la PLL neuronale sous une
augmentation de 50% dans les tensions rseau : (a) tension Vds (PLL conventionnelle), (b) amplitude Us, (c)
frquence et (d) angle de phase.
4.7.3.3 Comparaison des performances sous un saut dangle de phase

PLL neuronale sous un saut dangle de phase de 45 dans les tensions rseau introduit
linstant t=2s. La tension Vds prsente des oscillations et au moment du saut de phase un pic
de tension apparait, ensuite, Vds revient son tat initial (figure 4.39a). Lamplitude Us du
vecteur tension rseau est mieux estime en utilisant la PLL neuronale compar la PLL
conventionnelle. Lamplitude estime par la PLL conventionnelle prsente des oscillations et
un pic, sa valeur chute jusqu 250V au moment du saut de phase. Par contre, celle estime
par la PLL neuronale scarte un peu et ensuite revient sa valeur initiale constante au bout
de 0.08s (figure 4.39b). La frquence estime par PLL neuronale reste constante est insensible
la perturbation. Par contre, celle estime par la PLL conventionnelle prsente dimportantes
126
oscillations et un pic de valeur de 150Hz au moment du saut (figure 4.39c). Compare celle
estime par la PLL conventionnelle, la phase instantane estime par la PLL neuronale reste
insensible par rapport la perturbation (figure 4.39d).
(V)
50
(a)
0
-50
1.9
1.95
2.05
2.1
(V)
-250
-300
2.15
PLL conventionnelle
PLL neuronale
-350
2.2
(b)
-400
-450
1.9
1.95
2.05
2.1
(Hz)
80
2.15
PLL conventionnelle
PLL neuronale
60
2.2
(c)
40
20
1.9
1.95
2.05
2.1
2.15
2.2
(rad)
6
4
(d)
PLL conventionnelle
PLL neuronale
2
0
1.9
1.95
2.05
Temps (s)
2.1
2.15
2.2
Figure 4.39. Comparaison des performances entre la PLL conventionnelle et la PLL neuronale sous un saut
dangle de phase de 45 : (a) tension Vds (PLL conventionnelle), (b) amplitude Us, (c) frquence et (d) angle de
phase.
4.7.3.4 Comparaison des performances sous un saut de frquence

PLL neuronale propose sous un saut de frquence de 5Hz apparu linstant t=2s. Aprs
application du saut de frquence, nous constatons que la tension Vds (figure 4.40a) ainsi que
lamplitude Us du vecteur tension rseau estime par la PLL conventionnelle (figure 4.40b)
gardent leurs allures et oscillent autour de valeurs relativement importantes. Par contre, la
PLL neuronale estime mieux lamplitude Us et garde une valeur moyenne constante aprs le
changement de la frquence du rseau (figure 4.40b). La PLL neuronale estime la frquence
du rseau dune faon trs satisfaisante mme aprs son changement (t2s). La frquence
estime par la stratgie PLL conventionnelle prsente dimportantes oscillations avant et
aprs la perturbation (figure 4.40c). La phase instantane estime par la PLL neuronale reste
insensible par rapport au changement de frquence (figure 4.40d).
127
(V)
50
(a)
0
-50
1.9
1.95
2.05
2.1
2.15
2.2
2.25
2.3
(V)
-300
PLL conventionnelle
PLL neuronale
-350
(b)
-400
-450
1.9
1.95
2.05
2.1
2.15
2.2
(Hz)
80
2.25
PLL conventionnelle
PLL neuronale
60
2.3
(c)
40
20
1.9
1.95
2.05
2.1
2.15
2.2
2.25
2.3
(rad)
6
4
(d)
PLL conventionnelle
PLL neuronale
2
0
1.9
1.95
2.05
2.1
Temps (s)
2.15
2.2
2.25
2.3
Figure 4.40. Comparaison des performances entre la PLL conventionnelle et PLL neuronale sous un saut de
frquence de 5Hz : (a) tension Vds (PLL conventionnelle), (b) amplitude Us, (c) frquence et (d) angle de phase.
4.7.3.5 Comparaison des performances sous un dfaut monophas

PLL neuronale sous un dfaut monophas. A linstant t=3s, une chute de tension de 90% sur
la phase c est introduite afin de simuler un dfaut monophas. Sur les figures 4.41a et 4.41b,
nous constatons que les tensions estimes par la PLL conventionnelle prsentent
dimportantes oscillations surtout au rgime de dfaut (t3s). Cependant, la PLL neuronale
estime bien la valeur de lamplitude Us mme pendant le rgime de dfaut (figure 4.41b). La
frquence estime par la PLL neuronale reste constante mme au rgime de dfaut. Par
contre, celle estime par la PLL conventionnelle prsente dimportantes oscillations avant et
surtout au moment du dfaut (figure 4.41c). La phase instantane estime par la PLL
neuronale reste insensible par rapport au dfaut apparu, en contrepartie, la phase instantane
estime par la PLL conventionnelle oscille et perd sa forme de droite au rgime de dfaut
(figure 4.41d). Au fait, ceci est d aux oscillations prsentes dans la frquence estime par la
PLL conventionnelle (figure 4.41c).
128
(V)
100
(a)
0
-100
2.9
2.95
3.05
3.1
3.15
3.2
(V)
0
-200
(b)
PLL conventionnelle
PLL neuronale
-400
-600
2.9
2.95
3.05
3.1
(Hz)
100
3.15
PLL conventionnelle
PLL neuronale
50
0
2.9
2.95
3.05
3.1
3.15
3.2
(c)
3.2
(rad)
6
4
(d)
PLL conventionnelle
PLL neuronale
2
0
2.9
2.95
3.05
Temps (s)
3.1
3.15
3.2
Figure 4.41. Comparaison des performances entre la PLL conventionnelle et la PLL neuronale sous un dfaut
monophas chute de 90% sur la phase c : (a) tension Vds (PLL conventionnelle), (b) amplitude Us, (c)
4.7.3.6 Comparaison des performances sous un dfaut biphas

PLL neuronale propose sous un dfaut biphas. A linstant t=3s, une chute de tension de
90% sur les phases b et c est introduite afin de simuler un dfaut biphas. L encore, sur les
figures 4.42a et 4.42b, nous remarquons que les tensions estimes par la PLL conventionnelle
prsentent dimportantes oscillations surtout au rgime de dfaut (t3s). Cependant, la PLL
neuronale estime la valeur de lamplitude Us dune faon trs satisfaisante mme pendant le
rgime de dfaut (figure 4.42b). La frquence estime par la PLL neuronale reste bien
constante mme au rgime de dfaut. Par contre, celle estime par la PLL conventionnelle
prsente dimportantes oscillations avant et surtout pendant le rgime du dfaut (figure
4.42c). La phase instantane estime par la PLL neuronale reste insensible par rapport au
dfaut introduit, tandis que la phase instantane estime par la PLL conventionnelle oscille et
perd sa forme de droite au rgime de dfaut (figure 4.42d).
129
(V)
100
(a)
0
-100
2.9
2.95
3.05
3.1
3.15
3.2
(V)
0
-200
(b)
PLL conventionnelle
PLL neuronale
-400
-600
2.9
2.95
3.05
3.1
(Hz)
100
3.15
PLL conventionnelle
PLL neuronale
50
0
2.9
2.95
3.05
3.1
3.15
3.2
(c)
3.2
(rad)
6
4
(d)
PLL conventionnelle
PLL neuronale
2
0
2.9
2.95
3.05
Temps (s)
3.1
3.15
3.2
Figure 4.42. Comparaison des performances entre la PLL conventionnelle et la PLL neuronale sous un dfaut
biphas chute de 90% sur la phase b et c : (a) tension Vds (PLL conventionnelle), (b) amplitude Us, (c)
4.7.4
Validation exprimentale
Pour valider et comparer la PLL neuronale propose avec la PLL conventionnelle, une
exprimentation a t mise en uvre. Une carte numrique dSPACE DS1104 base sur le
processeur numrique de signal (DSP) TMS320F240 est utilise. Les algorithmes de la PLL
neuronale et de la PLL conventionnelle ont t implments sous MATLABSimulink avec
une priode dchantillonnage de 0.1ms et une mthode de rsolution RungeKutta dordre 4.
Loutil RTI (Real Time Interface) est utilis pour charger et excuter ces codes sur la carte
numrique dSPACE. Les tensions rseau sont mesures laide de trois capteurs de tension
effet Hall de type LV25P de la socit LEMComponents. Ces tensions sont mesures en
temps rel et acquises au moyen dun convertisseur analogiquenumrique (A/D) sur la carte
dSPACE. Tous les signaux peuvent tre visualiss et enregistrs sur le PC via le logiciel de
visualisation ControlDesk. Un schma de principe de la plateforme exprimentale est montr
la figure 4.43.
Ci-aprs, les rsultats exprimentaux de comparaison entre la PLL neuronale et la PLL
conventionnelle sont prsents. Les grandeurs estimes telles que : lamplitude Us, la
frquence et la phase instantane du vecteur tension rseau, sont pris comme grandeurs de
comparaison. Cependant, nous prsentons galement les tensions rseau mesures, les
tensions filtres ainsi que les tensions triphases unitaires obtenues afin de mieux analyser le
fonctionnement de la PLL neuronale. Le coefficient dapprentissage du pseudo-square
ADALINE (estimateur de frquence) est fix 0.04, tandis que, les coefficients
dapprentissage des ADALINE sont fixs 0.01. Il est noter que ces valeurs ont t
optimises par une srie de tests exprimentaux. Les paramtres des diffrents rgulateurs PI
130
ont t synthtiss pour avoir un temps de rponse de 10ms, un coefficient damortissement

z=1 et une pulsation naturelle n=4.8rad/s. Plusieurs perturbations dans les lignes du rseau
lectrique, savoir, chute de tensions rseau, augmentation de tensions rseau, dfaut
monophas et dfaut biphas ont t effectus. Il est noter que, pendant nos diffrentes
exprimentations, nous avons constat que la valeur de la frquence du rseau varie lentement
dans lintervalle [49.95, 50.05Hz] pour un rgime normal sans dfaut.
Nous commencerons cette tude exprimentale par lanalyse des performances de la PLL
neuronale propose au rgime normal sans dfaut et nous terminerons par une tude
exprimentale comparative des performances entre la PLL neuronale et la PLL
conventionnelle.
Rseau lectrique
Carte dSPACE DS 1104

Capteurs
de tensions
LV 25-P
PC
MATLABSimulink
ControlDesk
Conversion A/D
Estimation de la frquence
Filtrage des tenions rseau
Estimation de lamplitude du
vecteur tension rseau
- Estimation de la phase
instantane
Figure 4.43. Schma de la plateforme exprimentale.
4.7.4.1 Performances de la PLL neuronale au rgime sans dfaut

La figure 4.44 prsente les performances de la PLL neuronale au rgime normal sans
dfaut. Les tensions rseau mesures, les tensions filtres ainsi que les tensions rduites sont
donnes aux figures 4.44a, b et c, respectivement. Tandis que, lamplitude Us, la frquence
ainsi que la phase instantane du vecteur tension rseau sont montres aux figures 4.44d, e, f,
respectivement. Le systme de tensions rseau filtres obtenu (figure 4.44b) est en phase avec
les tensions rseau mesures (figure 4.44a). Chaque tension filtre reprsente effectivement la
composante fondamentale de sa tension mesure. Ainsi, nous avons obtenu un systme de
tensions triphas sinusodal. Il est vident que le systme filtr sera quilibr si et seulement
si les amplitudes des tensions rseau sont gales (Vas=Vbs=Vcs). Alors, en dtectant
lamplitude maximale de chaque tension filtre et en la divisant par son amplitude, nous
obtenons un systme de tension triphas sinusodal quilibr damplitude unit (figure 4.44c)
qui reste en phase avec les tensions rseau mesures. Entre temps, les amplitudes maximales
dtectes seront exploites pour le calcul de lamplitude Us du vecteur tension rseau.
Lamplitude Us est estime avec une grande prcision (figure 4.44d) et ne contient presque
pas doscillation. Le pseudo-square ADALINE conu pour lestimation de la frquence du
rseau en prsence dharmoniques montre de trs bonnes performances (figure 4.44e) et les
faibles oscillations prsentes dans le signal estim sont en ralit dues aux faibles variations
de la frquence du rseau. Le systme de tensions triphas sinusodal quilibr rduit obtenu
(figure 4.44c) a t exploit pour dtecter la phase instantane des tensions rseau en utilisant
une PLL (figure 4.44f). Celle-ci est donne sous forme dune droite de priode gale la
frquence des tensions rseau. Ceci prouve donc le bon fonctionnement de la PLL neuronale
propose dans un rgime normal sans dfaut.
131
400
200
0
-200
-400
400
200
0
-200
-400
1
(pu)
(V)
(V)
(a)
(b)
(c)
(V)
-1
-380
(d)
-400
(Hz)
-420
50.2
(e)
50
(rad)
49.8
6
4
2
0
(f)
0.01
0.02
0.03
0.04
Temps (s)
0.05
0.06
0.07
0.08
Figure 4.44. Performances de la PLL neuronale au rgime permanent sans dfaut : (a) tensions rseau, (b)
tensions rseau filtres, (c) tensions unitaire, (d) amplitude Us, (e) frquence et (f) angle de phase.
4.7.4.2 Comparaison des performances sous une chute de tensions

PLL neuronale sous une chute de tensions triphases. A linstant t=0.63s, une chute de 50%
est apparue dans les tensions rseau mesures (figure 4.45a). Les rseaux ADALINE suivent
parfaitement lvolution des tensions rseau et estime le fondamental de chaque tension en un
temps de 0.08s (figure 4.45b). Par consquent, le systme de tensions triphas rduit a t
reconstitu au bout de 0.08s aprs apparition de la perturbation (figure 4.45c). Lamplitude Us
des tensions rseau est estime de faon plus prcise par la PLL neuronale compare la PLL
conventionnelle (figure 4.45d). Cependant, un rgime transitoire est observ sur lamplitude
estime par la PLL neuronale qui est d lapprentissage et ladaptation des poids des
ADALINE face aux changement des tensions rseau. La mme remarque peut tre observe
aussi concernant lestimation de la frquence du rseau, o celle estime par la PLL neuronale
est presque constante et insensible aux variations des tensions rseau compare celle
estime par la PLL conventionnelle (figure 4.45e). Compare celle fournie par la PLL
conventionnelle, la phase instantane estime par la PLL neuronale reste insensible par
rapport la perturbation introduite (figure 4.45f).
132
400
200
0
-200
-400
400
200
0
-200
-400
1
(pu)
(V)
(V)
(a)
(b)
(c)
0
-1
(V)
-200
PLL conventionnelle
-400
(d)
PLL neuronale
(Hz)
60
(e)
50
PLL conventionnelle
PLL neuronale
(rad)
40
6
4
2
0
0.55
PLL conventionnelle
(f)
PLL neuronale
0.6
0.65
0.7
Temps (s)
0.75
0.8
0.85
Figure 4.45. Comparaison des performances de la PLL conventionnelle et de la PLL neuronale sous une chute
de 50% des tensions rseau : (a) tensions rseau, (b) tensions rseau filtres, (c) tensions unitaires, (d) amplitude
Us, (e) frquence et (f) angle de phase.
4.7.4.3 Comparaison des performances sous une augmentation de tensions

PLL neuronale sous une augmentation de tensions rseau. A linstant t=0.55s, une
augmentation de 50% est apparue sur les tensions rseau mesures (figure 4.46a). Les rseaux
ADALINE suivent parfaitement lvolution des tensions rseau et estiment correctement le
fondamental de chaque tension en un temps de 0.08s (figure 4.46b). Par consquent, le
systme de tensions triphas rduit a t reconstitu au bout de 0.08s aprs la perturbation
(figure 4.46c). Lamplitude Us du vecteur tension rseau est estime de faon plus prcise par
la PLL neuronale compare celle estime par la PLL conventionnelle (figure 4.46d). La
mme remarque peut tre signale aussi concernant lestimation de la frquence du rseau, o
celle estime par la PLL neuronale est presque constante et insensible aux variations des
tensions rseau compare celle estime par PLL conventionnelle (figure 4.46e). Compare
celle estime par la PLL conventionnelle, la phase instantane estime par la PLL neuronale
reste insensible par rapport la perturbation introduite (figure 4.46f).
133
(V)
500
(a)
0
-500
(V)
500
(b)
0
-500
(pu)
1
(c)
0
-1
PLL conventionnelle
-400
(d)
(V)
PLL neuronale
-600
(Hz)
60
(e)
50
PLL conventionnelle
(rad)
40
PLL neuronale
6
4
2
0
0.45
PLL conventionnelle
(f)
PLL neuronale
0.5
0.55
0.6
Temps (s)
0.65
0.7
0.75
Figure 4.46. Comparaison des performances de la PLL conventionnelle et de la PLL neuronale sous une
augmentation de 50% des tensions rseau : (a) tensions rseau, (b) tensions rseau filtres, (c) tensions rduites,
(d) amplitude Us, (e) frquence et (f) angle de phase.
4.7.4.4 Comparaison des performances sous un dfaut monophas

PLL neuronale propose sous un dfaut monophas. A linstant t=0.58s, une chute de tension
de 50% sur la phase c est introduite (figure 4.47a). Les rseaux ADALINE suivent
parfaitement lvolution des tensions rseau et estiment correctement le fondamental de
chaque tension en un temps de 0.08s (figure 4.47b). Le systme de tensions triphas rduit
sinusodal et quilibr a t reconstitu galement au bout de 0.08s aprs le dfaut (figure
4.47c). Ceci montre particulirement lintrt de la mthode propose, en rcuprant un
systme triphas sinusodal et quilibr partir dun systme compltement dsquilibr et
contenant des harmoniques. A partir de la figure 4.47d, nous constatons que la tension Us
estime par la PLL conventionnelle prsente dimportantes oscillations surtout au rgime de
dfaut (t0.58s). Cependant, la PLL neuronale estime bien lamplitude du vecteur tension
mme au rgime de dfaut. La frquence estime par la PLL neuronale reste bien constante et
insensible lapparition du dfaut, par contre, celle estime par la PLL conventionnelle
prsente dimportantes oscillations avant et surtout pendant le rgime de dfaut (figure 4.47e).
La phase instantane estime par PLL neuronale reste insensible par rapport au dfaut,
cependant, la phase estime par la PLL conventionnelle oscille et perd sa forme de droite
surtout au rgime de dfaut (figure 4.47f), ce qui est d aux oscillations prsentes dans la
frquence estime par la PLL conventionnelle.
134
400
200
0
-200
-400
400
200
0
-200
-400
1
(pu)
(V)
(V)
(a)
(b)
(c)
(V)
-1
-200
-300
PLL conventionnelle
-400
(d)
PLL neuronale
(Hz)
-500
80
60
(e)
PLL conventionnelle
40
PLL neuronale
(rad)
20
6
4
PLL conventionnelle
2
0
0.5
(f)
PLL neuronale
0.55
0.6
0.65
Temps (s)
0.7
0.75
0.8
Figure 4.47. Comparaison des performances de la PLL conventionnelle et de la PLL neuronale sous un dfaut
monophas : (a) tensions rseau, (b) tensions rseau filtres, (c) tensions unitaires, (d) amplitude Us, (e)
frquence et (f) angle de phase.
4.7.4.5 Comparaison des performances sous un dfaut biphas

PLL neuronale propose sous un dfaut biphas. A linstant t=0.925s, une chute de tension de
50% sur la phase a et b est apparue (figure 4.48a). Les rseaux ADALINE suivent
parfaitement lvolution des tensions rseau et estiment correctement le fondamental de
chaque tension en un temps de 0.08s (figure 4.48b). Le systme de tensions triphas rduit
sinusodal et quilibr a t reconstitu galement au bout de 0.08s aprs le dfaut (figure
4.48c). Ceci montre particulirement lintrt de la mthode propose, en rcuprant un
systme triphas sinusodal et quilibr partir dun systme compltement dsquilibr et
contenant des harmoniques. A partir de la figure 4.48d, nous constatons que lamplitude Us
estime par la PLL conventionnelle prsente dimportantes oscillations surtout au rgime de
dfaut (t0.925s). Cependant, la PLL neuronale estime bien lamplitude Us mme au rgime
de dfaut. La frquence estime par la PLL neuronale propose reste bien constante et
insensible lapparition du dfaut, par contre, la frquence estime par la PLL
conventionnelle prsente dimportantes oscillations avant et surtout pendant le rgime de
dfaut (figure 4.48e). La phase instantane estime par la PLL neuronale reste insensible par
rapport au dfaut, cependant, la phase instantane estime par la PLL conventionnelle oscille
et perd sa forme de droite surtout au rgime de dfaut (figure 4.48f).
135
(pu)
(V)
(V)
400
200
0
-200
-400
400
200
0
-200
-400
1
(a)
(b)
(c)
0
-1
-200
(V)
(d)
PLL conventionnelle
-400
PLL neuronale
(Hz)
100
(e)
50
PLL conventionnelle
(rad)
PLL neuronale
0
6
4
2
0
0.85
(f)
PLL conventionnelle
PLL neuronale
0.9
0.95
1
Temps (s)
1.05
1.1
1.15
Figure 4.48. Comparaison des performances de la PLL conventionnelle et de la PLL neuronale sous un dfaut
biphas : (a) tensions rseau, (b) tensions rseau filtres, (c) tensions unitaires, (d) amplitude Us, (e) frquence et
(f) phase instantane.
A la lumire de ces rsultats, nous pouvons conclure que, compare aux performances de
la PLL conventionnelle, la nouvelle PLL neuronale propose pour la synchronisation de la
MADA au rseau permet destimer avec prcision lamplitude, la frquence et la phase
instantane du vecteur tension rseau. Larchitecture de la PLL neuronale propose a t
implmente sur une carte numrique dSPACE et ensuite teste avec succs sur un rseau
lectrique rel de frquence industrielle. La PLL neuronale montre bien que, les performances
dynamiques et statiques de lestimation ont t amliores considrablement notamment dans
des conditions extrmes de dfauts dans le rseau lectrique.
Par consquent, cette PLL neuronale adaptative sera exploite pour la synchronisation au
rseau lectrique de la MADA commande pour la conversion de lnergie olienne.
4.8
Exprimentation de la commande dcouple des puissances active et

ractive statoriques de la MADA raccorde au rseau lectrique
4.8.1
Plateforme exprimentale
Afin de valider exprimentalement la commande dcouple des puissances active et

ractive de la MADA dveloppe prcdemment, un banc dessai a t utilis. Ce dernier est
constitu principalement dune MADA de 3kW dont les paramtres sont dj rsums au
136
tableau 4.1. Le contrle de cette machine est effectu travers un convertisseur MLI (CCM)
connect son enroulement rotorique dun cot et un systme de batterie rgul 120V de
lautre cot servant de bus continu. Lalgorithme de commande par dcouplage des
puissances a t implment grce une carte numrique dSPACE DS 1104 base sur le
processeur numrique de signal (Digital Signal Processor) (DSP) TMS320F240. Lalgorithme
de contrle a t implment sous MATLABSimulink avec une priode dchantillonnage
de 0.25ms et une mthode de rsolution de RungeKutta dordre 4.
Figure 4.49.
Principalement, deux essais vont tre raliss. Un premier essai puissance active
statorique non nulle o une puissance active est dbite dans le rseau lectrique (Ps<0) et un
deuxime essai puissance ractive non nulle o une puissance ractive est dbite dans le
rseau lectrique (Qs<0). Cependant, il est signaler que ces deux essais sont prcds par
137
une procdure de dmarrage et daccrochage du systme (constitu de MADA, convertisseur

et commande vectorielle) au rseau lectrique. Vu son importance, nous avons jug utile de
mettre en vidence cette procdure.
Durant ces essais, la MADA est entraine par un moteur courant continu (MCC) de 3kW
dont les caractristiques sont dj donnes au tableau 3.4 (voir Chapitre 3). Il est noter que
dans notre cas, le MCC nest pas command et fonctionne en boucle ouverte. Ceci implique
que sa vitesse de rotation est susceptible de changement lorsque la MADA change de la
puissance active avec le rseau lectrique.
Le schma de principe du systme exprimental est montr par la figure 4.49. Les photos
et les dtails des lments constituant de la plateforme exprimentale sont montrs dans
lAnnexe.
4.8.2
Accrochage de la MADA au rseau
4.8.2.1 Conditions de dmarrage et daccrochage au rseau
4.8.2.2 Rsultats dexprimentation

Les figures 4.50 et 4.51 illustrent les rsultats dexprimentation obtenus aprs dmarrage
et accrochage de la MADA au rseau lectrique dans les conditions dfinies prcdemment.
138
Les performances de la PLL neuronale sont montres la figure 4.50. Comme prvu, cette
PLL estime avec prcision la pulsation (figure 4.50a), lamplitude (figure 4.50b) et la phase
instantane (figure 4.50c) du vecteur tension rseau. Ces grandeurs sont directement
exploites dans la commande dcouple des puissances de la MADA. Il est signaler que la
tension dune phase statorique de la MADA a t rgle 110V, soit la moiti de la tension
nominale.
Les rsultats de la commande de la MADA puissances active et ractive statoriques
nulles sont montrs la figure 4.51. La figure 4.51a montre bien que les puissances active et
ractive statoriques de la MADA sont nulles. Cette MADA est entraine une vitesse de
1530 tr/mn (figure 4.51b) laide dun MCC. Afin davoir des puissances nulles au stator, la
commande applique des tensions rotoriques (figure 4.51c) pour que le courant rotorique en
quadrature (Iqr) sera maintenu nul (donc puissance active statorique nulle) et que le courant
rotorique direct (Idr) sera maintenu une valeur suffisante pour annuler le flux statorique
(figure 4.51d). Ceci va annuler effectivement les courants statoriques (figures 4.51e et 4.51f).
318
-190
Tension statorique, Vqs (V)
Pulsation statorique (rad/s)
317
316
315
314
313
312
311
-191
-192
-193
-194
1s
1s
310
-195
Temps (s)
Temps (s)
(a)
(b)
7
6
Phase (rad)
5
4
3
2
1
0
0.02 s
-1
Temps (s)
(c)
Figure 4.50. Performances de la PLL neuronale : (a) pulsation des tensions statoriques, (b) amplitude du vecteur
tension rseau et (c) angle de phase.
139
2000
1650
Ps (W); Q s (VAR)
1000
Ps
500
0
-500
Qs
-1000
-1500
1500
1600
1550
1500
1450
1s
1s
-2000
1400
Temps (s)
Temps (s)
(a)
(b)
15
10
10
0
Vdr
-5
Iqr
5
Vqr
-10
-5
Idr
-10
-15
1s
1s
-20
-15
Temps (s)
Temps (s)
(c)
(d)
10
20
v
6
I
ds
2
0
-2
Iqs
-4
Tension statorique (10 V)

15
as
10
5
i
as
0
-5
-10
-6
-8
-15
1s
0.02 s
-10
-20
Temps (s)
Temps (s)
(e)
(f)
Figure 4.51. Commande puissances active et ractive statoriques nulles de la MADA accrochage au rseau :
(a) puissances active et ractive statoriques, (b) vitesse de rotation, (c) tensions rotoriques, (d) courant
rotoriques, (e) courants statoriques et (f) zoom sur la tension et le courant statoriques de la phase a.
4.8.3
Commande de la MADA puissance active non nulle
Aprs avoir ralis le raccordement de la MADA au rseau, un premier essai puissance

active non nulle a t effectu.
Lessai consiste appliquer un chelon de puissance active de rfrence au stator de la
MADA dans le but de dbiter une puissance active au rseau lectrique (Ps-ref<0). La figure
4.52a montre que la puissance active statorique de la MADA suit parfaitement sa rfrence
pendant que la puissance ractive statorique est impose nulle (Qs-ref=0). La vitesse
dentrainement de la MADA chute de 1530 tr/mn 1430 tr/mn et ce en raison du couple
rsistant appliqu par la MADA sur le MCC fonctionnant en boucle ouverte (figure 4.52b).
140
Le changement de vitesse correspond un changement de glissement de 2% 4.66%. La

figure 4.52c montre les tensions rotoriques calcules par la commande afin de maintenir Qs=0
et Ps=1kW. La figure 4.52d montre que la variation brusque du courant rotorique en
quadrature (Iqr) naffecte pas le courant rotorique direct (Idr), ce qui dmontre que la
commande des axes dq est parfaitement dcouple. Les courants rotoriques dans le repre
naturel abc sont montrs la figure 4.52e. La frquence et lamplitude des ces courants
changent en fonction de la vitesse de la MADA et de la puissance statorique dbite. Les
courants statoriques direct et en quadrature sont montrs la figure 4.52f o nous constatons
que le courant Ids et maintenu nul et le courant Iqs prend une valeur denviron 5.2A,
correspondant Ps=1kW. La figure 4.52g montre le courant dans la phase statorique a. Un
zoom sur la tension et le courant statoriques de la phase a est montr la figure 4.52h. Nous
constatons clairement que le courant et la tension son en opposition de phase, ce qui
correspond un fonctionnement gnrateur de la MADA (Ps<0) puissance ractive
statorique nulle (Qs=0).
1500
1650
1000
1600
s
P (W); Q (VAR)
500
-500
-1000
-1500
s-ref
1550
1500
1450
1400
1350
-2000
2s
2s
-2500
1300
Temps (s)
Temps (s)
(a)
(b)
20
15
10
I
Vqr
V
10
dr
-10
qr
5
Idr
0
-5
-10
-15
-20
-20
2s
2s
-30
-25
Temps (s)
Temps (s)
(c)
(d)
Figure 4.52. Rsultats exprimentaux de commande de la MADA puissance active non nulle (Ps<0) : (a)
puissances active et ractive statoriques, (b) vitesse rotorique, (c) tensions rotoriques daxes dq, (d) courants
rotoriques daxes dq, (e) courants rotoriques des phases abc, (f) courants statoriques daxes dq, (g) courant
statorique ias et (h) zoom sur vas et ias Ps<0 et Qs=0.
141
15
ar
br
5
0
-5
qs
7.5
cr
10
10
-10
5
2.5
0
-2.5
ds
2s
2s
-15
-5
Temps (s)
Temps (s)
(e)
(f)
10
v
6
7.5
4
2
0
-2
-4
as
as
2.5
0
-2.5
-5
-7.5
2s
-6
0.02 s
-10
Temps (s)
Temps (s)
(g)
(h)
Figure 4.52. (Suite)
4.8.4
Commande de la MADA puissance ractive non nulle
Le deuxime essai ralis consiste en la commande de la MADA puissance ractive

statorique non nulle (Qs<0) et puissance active statorique nulle (Ps=0). Un chelon de
puissance ractive statorique (Qs-ref=500VAR) est appliqu la MADA. La figure 4.53a
montre que la puissance ractive statorique de la MADA suit parfaitement sa rfrence et la
puissance active statorique est maintenue nulle. La vitesse de rotation de la MADA subi une
petite chute lorsque Qs<0, car le MCC est toujours command en boucle ouverte (figure
4.53b). La figure 4.53c montre les tensions rotoriques calcule par la commande pour avoir
Ps=0 et Qs=500VAR. Les courants rotoriques Idr et Iqr sont illustrs par la figure 4.53d, o
nous constatons un dcouplage parfait dans la commande de ces courants. Le courant Iqr est
maintenu nul, tandis que le courant Idr augmente jusqu 11A Qs= 500VAR. Les courants
rotoriques dans le repre abc sont montrs la figure 4.53e. La frquence et lamplitude de
ces courants changent en fonction de la vitesse de la MADA et de la puissance ractive
injecte au rseau lectrique. La figure 4.53f montre les courants statoriques daxes dq, le
courant Iqs est maintenu nul et le courant Ids prend une valeur de 2.6A. La figure 4.53g montre
le courant statorique dans la phase a. Un zoom sur la tension et le courant statoriques de la
phase a est montr la figure 4.53h, o nous constatons que le courant et la tension sont en
quadrature ce qui correspond au fonctionnement de la MADA puissance active nulle (Ps=0)
et une puissance ractive injecte au rseau (Qs<0).
142

1000
Ps (W); Q s (VAR)
500
1650
-500
Q
s-ref
-1000
1600
1550
1500
1450
2s
2s
-1500
1400
Temps (s)
Temps (s)
(a)
(b)
20
20
10
qr
10
0
V
dr
-10
-20
qr
-10
I
dr
-20
2s
2s
-30
-30
Temps (s)
Temps (s)
(c)
(d)
15
7.5
i
ar
br
cr
ds
5
10
5
0
-5
2.5
0
I
-2.5
-10
qs
2s
2s
-15
-5
Temps (s)
Temps (s)
(e)
(f)
10
7.5
3
2
1
0
-1
-2
vas
5
2.5
i as
0
-2.5
-5
-3
-7.5
-4
2s
0.02 s
-10
-5
Temps (s)
Temps (s)
(g)
(h)
Figure 4.53. Rsultats exprimentaux de commande de la MADA puissance ractive non nulle (Qs<0) : (a)
puissances active et ractive statoriques, (b) vitesse rotorique, (c) tensions rotoriques daxes dq, (d) courants
rotoriques daxes dq, (e) courants rotoriques des phases abc, (f) courants statoriques daxes dq, (g) courant
statorique ias et (h) zoom sur vas et ias Ps=0 et Qs<0.
143
4.9
Conclusion
Dans ce chapitre, nous nous sommes intresss la modlisation et la commande dune

MADA ddie la conversion de lnergie olienne.
En premier lieu, la modlisation de la MADA dans le repre triphas et dans le repre
diphas a t prsente. Une mthode de synchronisation de la MADA avec le rseau
lectrique dite PLL conventionnelle a t galement dveloppe avant de dcrire le modle de
la MADA avec orientation du flux statorique. Ensuite, deux stratgies de commande de la
MADA ont t dtailles ; la commande en couple de la MADA o le couple
lectromagntique de rfrence est obtenu partir de la stratgie MPPT qui permet de fournir
la totalit de la puissance active produite par lolienne au rseau lectrique avec un facteur
de puissance unitaire et la commande dcouple des puissances active et ractive qui permet
une rgulation de ces puissances fournis au rseau selon des consignes bien dfinies par le
gestionnaire du rseau. Ces deux stratgies de commande ont t valides par des tests en
simulation.
En second lieu, nous avons trait le problme de la synchronisation de la MADA au rseau
lectrique. En effet, dans le cas dun rseau dsquilibr ou contenant des harmoniques de
distorsion, la PLL conventionnelle manque de prcision et de robustesse et la qualit de
lnergie produite devient dgrade. Afin de surmonter cet inconvnient, nous avons propos
une PLL neuronale adaptative base sur les rseaux de neurones ADALINE. Compare la
PLL conventionnelle, les rsultats dexprimentation de la nouvelle PLL neuronale sur un
rseau rel prsentant des dfauts ont montr son efficacit et sa robustesse.
En dernier lieu, une validation exprimentale de la commande dcouple des puissances
active et ractive de la MADA a t prsente. Au dbut, la procdure de dmarrage et
daccrochage de la MADA au rseau a t expose. Les rsultats mettant en vidence les
performances de la PLL neuronale ont t prsents aussi bien que les performances de la
commande de la MADA puissances active et ractive statoriques nulles. A la fin, deux tests
ont t effectus ; un test puissance active statorique non nulle et un test puissance ractive
statorique non nulle. Les diffrents rsultats exprimentaux obtenus ont valid les thories et
les stratgies dveloppes de la commande de la MADA ddie la conversion olienne.
144
Conclusion gnrale
Conclusion gnrale
Contribution et bilan de la thse
OUS AVONS TUDI dans cette thse lapport des techniques avances de
lautomatique tels que les rseaux de neurones artificiels (RNAs) appliqus
lidentification de la machine asynchrone, puis la commande dun systme de conversion
dnergie olienne bas sur une machine asynchrone double alimentation (MADA).
Le premier chapitre avait pour objectif de prsenter un tat de lart sur les RNAs appliqus
lidentification et la commande des systmes dynamiques complexes. Aprs avoir donn
quelques gnralits sur les RNAs, nous avons abord le processus dapprentissage. Pour leur
large utilisation, nous avons dtaill lalgorithme dapprentissage par correction derreur et
lalgorithme dapprentissage rtropropagation du gradient derreur. Ensuite, nous avons
discut diffrents schmas didentification et de commande neuronale. Dautres schmas de
commande base dapprentissage de rgulateurs conventionnels ont t galement prsents.
Vers la fin de ce chapitre, nous avons voqu quelques avantages des RNAs par rapport aux
techniques conventionnelles dans la commande et lidentification des systmes dynamiques.
La suite de ce mmoire a t consacre lapplication de ces RNAs pour la rsolution de
certains problmes, notamment dans lidentification, la modlisation et la commande de systmes lectriques.
En effet au deuxime chapitre, nous avons propos une nouvelle stratgie didentification
des paramtres de la machine asynchrone en utilisant les rseaux de neurones ADAptive LInear NEuron (ADALINE). Cette identification a t ralise en deux tapes; une tape
didentification des paramtres lectriques de la machine larrt et une autre didentification
des paramtres mcaniques de la machine commande flux rotorique orient.
La mthode didentification dveloppe a permis davoir les quatre paramtres lectriques
en deux essais seulement, lun est effectu aux basses frquences (BFs) et lautre est effectu
aux hautes frquences (HFs). Aprs avoir dtermin le modle de la machine asynchrone
larrt et laide du diagramme de Bode, nous avons vrifi que ce modle pourrait tre approxim par deux soussystmes de premier ordre ; lun est valide aux BFs et lautre est valide aux HFs. Cette dcomposition a permis en effet de contourner plusieurs difficults lies
lexprimentation. Nous avons identifi chaque soussystme en utilisant un rseau
ADALINE. La rsistance et linductance statoriques ont t identifies aux BFs, tandis que le
coefficient de dispersion et la constante de temps rotorique ont t identifis aux HFs. Les
paramtres lectriques identifis ont t tests avec succs dans un fonctionnement larrt
145
Conclusion gnrale
puis dans un fonctionnement de commande en vitesse de la machine. Compars aux paramtres identifis par la mthode classique, ceux identifis par la technique ADALINE ont t
plus prcis.
Ensuite, nous avons tendu lapplication de la technique ADALINE lidentification des
paramtres mcaniques. Deux nouvelles mthodes didentification en ligne du moment
dinertie et du coefficient de frottement visqueux ont t proposes. Lune exploite lquation
dynamique du systme mcanique et le couple lectromagntique de la machine, lautre exploite la rponse harmonique de la vitesse mcanique. Ces techniques ont t faciles implmenter et leur faisabilit a t vrifie par exprience. A la fin, nous avons test lexactitude
des paramtres identifis par des dmarrages directs de la machine.
Le troisime chapitre a t ddi ltude et au dimensionnement dun mulateur de la
turbine olienne bas sur un moteur courant continu (MCC). Au dbut, nous avons labor
une nouvelle mthode de modlisation de la caractristique de puissance dune turbine olienne partir de mesures exprimentales. Cette mthode, base essentiellement sur un rseau
multilayer perceptron (MLP) une couche cache, nous a permis dobtenir un modle prcis
de la caractristique de puissance. Nous avons prsent par la suite deux mthodes de commande de la turbine fonctionnant vitesse variable permettant dextraire le maximum de la
puissance disponible dans le vent. La comparaison de ces mthodes a montr que la commande maximum power point tracking (MPPT) avec asservissement de la vitesse de rotation
est plus robuste et performante par rapport la commande MPPT sans asservissement de la
vitesse de rotation. Nous avons propos galement un estimateur de la vitesse du vent bas sur
un MLP. Cet estimateur neuronal nous a permis de reconstituer la vitesse du vent avec prcision. Vers la fin de ce chapitre, le couple mcanique de la turbine a t mul au moyen dun
MCC command en couple. Les rsultats de simulations obtenus par lmulateur ont montr
son efficacit et son aptitude reproduire fidlement le comportement de la turbine sur larbre
du gnrateur.
Enfin, nous nous sommes intresss dans le dernier chapitre la modlisation et la commande dune MADA ddie la conversion de lnergie olienne. Aprs avoir prsent la
modlisation de la MADA, nous avons synthtis une mthode conventionnelle de synchronisation de la MADA avec le rseau lectrique (phase-locked loop (PLL) conventionnelle).
Nous avons dtaill par la suite deux stratgies de commande de la MADA; la commande en
couple et la commande dcouple des puissances active et ractive. Ces deux stratgies de
commande ont t valides par des tests en simulation. Ensuite, nous avons trait le problme
de la synchronisation de la MADA au rseau lectrique o nous avons propos une nouvelle
PLL neuronale adaptative base sur les rseaux de neurones ADALINE. Les rsultats
dexprimentation de la nouvelle PLL neuronale sur un rseau rel prsentant des dfauts ont
montr son efficacit et sa robustesse par rapport la PLL conventionnelle. A la fin de ce
chapitre, une validation exprimentale de la commande dcouple des puissances active et
ractive de la MADA a t prsente. Dans cette partie, nous avons dfini une procdure de
dmarrage et daccrochage de la MADA au rseau. Les rsultats mettant en vidence les performances de la PLL neuronale ont t prsents ainsi que les performances de la commande
de la MADA puissances active et ractive statoriques nulles. Deux tests ont t effectus ;
un test puissance active statorique non nulle et un autre puissance ractive statorique non
nulle. Les diffrents rsultats exprimentaux obtenus ont valid avec succs les thories et les
stratgies dveloppes de la commande de la MADA dans un systme de conversion de
lnergie olienne.
146
Conclusion gnrale
Perspectives
LA LUMIRE des observations et des rsultats prsents dans cette thse, des perspectives intressantes pouvant contribuer lamlioration du fonctionnement de notre dispositif exprimental mulateurMADAConvertisseurs sont envisageables. Parmi ces perspectives, nous pouvons citer :
-
Du point de vue exprimental, un hacheur srie est en cours de ralisation. Il permettra de

complter la commande en couple du MCC dans le but de valider exprimentalement
lmulateur de la turbine olienne dvelopp au Chapitre 3.
Le systme de batteries utilis pour alimenter le convertisseur cot machine (CCM)
(Chapitre 4) peut tre remplac par un convertisseur IGBT (convertisseur cot rseau)
command et connect au rseau lectrique dun cot et reli au CCM de lautre cot. En
rgime hypersynchrone, ce convertisseur permettra de renvoyer de la puissance au rseau
lectrique en plus de celle fournie par le stator de la MADA.
Sur ce plan, deux thses sont en cours de ralisation au sein de notre laboratoire L2CSP
qui visent complter et perfectionner notre banc dessais.
Du point de vue de la commande, dautres techniques dintelligence artificielle telles que

les rseaux neuro-flous peuvent tre testes pour commander le systme olien.
La commande de la MADA dans un systme de conversion de lnergie olienne sans
capteur de vitesse mcanique est un vrai dfi industriel et reste un sujet ouvert pour optimiser le systme. Dans cette direction, les RNAs peuvent tre appliqus lestimation de
la vitesse et la dtection de la position du rotor de la MADA.
147
Annexe
Annexe
Plateforme exprimentale
La figure 1 montre la disposition des lments de la plateforme exprimentale utilise dans
le Chapitre 4 pour la validation de la commande dcouple des puissances active et ractive
statoriques de la MADA.
La figure 2 montre quelques photos des lments de cette plateforme.
148
Annexe
ias, vers dSPACE (ADCH5)
ibs, vers dSPACE (ADCH6)
vas, vers dSPACE (ADCH1)

vbs, vers dSPACE (ADCH2)
vcs, vers dSPACE (ADCH3)
11
9
4
m
vers dSPACE (Inc1)
iar, vers dSPACE (ADCH7)
10
ibr, vers dSPACE (ADCH8)
de dSPACE
(Slave I/O PWM)
12
Udc
vers dSPACE (ADCH4)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
Rseau lectrique triphas dalimentation (50Hz, 220/380V) de la MADA et tension

continue dalimentation du moteur courant continu.
Capteurs des courants statoriques de la MADA (type LA55P).
Capteurs des tensions statoriques de la MADA (type LV25P).
MADA dune puissance de 3kW.
Systme de batteries (120V).
Capteur de la tension du bus continu du convertisseur cot MADA (type LV25P).
Convertisseur cot MADA.
Capteurs des courants rotoriques de la MADA (type LA55P).
Moteur courant continu dune puissance de 3kW.
Excitatrice du moteur courant continu.
Capteur de la vitesse mcanique de la MADA.
PC+dSPACE DS1104+ControlDesk+MATLABSimulink.
Figure 1. Disposition des lments de la plateforme exprimentale utilise lors de la validation de la

commande dcouple des puissances active et ractive statoriques de la MADA.
149
Annexe
Mesures des courants

statoriques
Source de tension continue
Source de tension triphase
Mesures des tensions

statoriques
Sortie des batteries

(Bus continu)
Sortie du Convertisseur
cot MADA
Mesure de la tension
du bus continu
Mesures des courants

rotoriques
Figure 2. Photos des lments de la plateforme exprimentale.
150
Annexe
Excitation de la machine
courant continu
10
11
Capteur de vitesse mcanique

de la MADA
12
Figure 2. (Suite)
151
Bibliographie
Bibliographie
[1] B. K. Bose, Expert system, fuzzy logic, and neural network applications in power
electronics and motion control, Proceedings of the IEEE, vol. 82, no. 8, pp. 1303
1323, August 1994.
[2] B. K. Bose, Artificial intelligence techniquesA new and advancing frontier in power
electronics and motor drives, Proceedings of the 5th International Power Electronics
Conference (IPEC2005), pp. 100109, Niigata, Japan, April 48, 2005.
[3] H. S. Tsoukalas, R. E. Uhrig, Fuzzy and neural approaches in engineering. New
York: Wiley, 1997.
[4] B. K. Bose, Artificial neural network applications in power electronics, Proceedings
of the IEEE Industrial Electronics Society (IECON2001), pp.16311638, Denver,
CO, November-December 2001.
[5] B. K. Bose, Neural network applications in power electronics and motor drives an
introduction and perspective, IEEE Transactions on Industrial Electronics, vol. 54,
no. 1, pp. 1433, 2007.
[6] K. S. Narendra, K. Parthasarathy, Identification and control of dynamical systems
using neural networks, IEEE Transactions on Neural Networks, vol. 1, no. 1, pp. 4
27, March 1990.
[7] K. J. Hunt, D. Sbarbaro, R. Zbikowski, P. J. Gawthrop, Neural networks for control
systems A survey, Automatica, vol. 28, no. 6, pp. 10831112, 1992.
[8] J. Zhao, B. K. Bose, Neural network based waveform processing and delayless filtering in power electronics and ac drives, IEEE Transactions on Industrial Electronics,
vol. 51, no. 5, pp. 981991, October 2004.
[9] S. Haykin, Neural Networks : A comprehensive foundation, Prentice Hall PTR, Upper Saddle River, New Jersey, USA, 1994.
[10] J. Hrault, C. Jutten, Rseau neuronaux et traitement du signal, Herms science publications, Paris, 1994.
152
Bibliographie
[11] G. Dreyfus, J. Martinez, M. Samuelides, M. Gordon, F. Badran, S. Thiria, L. Hrault,

Rseaux de neurones : mthodologie et application, Eyrolles, Paris, 2002.
[12] M. Parizeau, Rseaux de neurones, Notes de cours, Universit Laval, Canada, Automne 2004.
[13] N. K. Nguyen, Approche neuromimtique pour lidentification et la commande des
systmes lectriques : Application au filtrage actif et aux actionneurs synchrones,
Thse de Doctorat, Universit de Haute Alsace, Dcembre 2010.
[14] S. Haykin, Neural Networks : A comprehensive foundation, Prentice Hall International, Upper Saddle River, New Jersey, USA, 1999.
[15] B. Widrow, E. Walach, Adaptive inverse control, Prentice Hall, Inc, 1996.
[16] G. Irwin, K. Warwick, K. Hunt, Neural network applications in control, The Institution of Electrical Engineers, London, 1995.
[17] S. Narendra, K. Parthasarathy, Identification and control of dynamical systems using
neural networks, IEEE Transactions on neural networks, vol. 1, no. 1, pp. 427,
1990.
[18] K. Hunt, D. Sbarbaro, Neural networks for nonlinear internal model control, IEE
Proceedings-D, vol. 138, no. 5, pp. 431438, 1991.
[19] G. Dreyfus, J. Martinez, M. Samuelides, M. Gordon, F. Badran, S. Thiria, L. Hrault,
Apprentissage statique : Rseaux de neurones, cartes topologiques, machine vecteur supports, Eyrolles, Paris, 2008.
[20] D. Ould Abdeslam, Techniques neuromimtiques pour la commande dans les systmes lectriques : Application au filtrage actif parallle dans les rseaux lectriques
basse tension, Thse de Doctorat, Universit de Haute Alsace, Dcembre 2005.
[21] P. Wira, Approches neuromimtiques pour lidentification et la commande, Habilitation Diriger des Recherches, Universit de Haute Alsace, Novembre 2009.
[22] D. Ould Abdeslam, P. Wira, J. Merckl, D. Flieller, Distortions identification with
artificial neural networks based on symmetrical components, International Symposium on Industrial Electronics (ISIE2007), pp.28532858, Vigo, Spain, 2007.
[23] S. Kuntanapreeda, R. R. Narendra, A training rule which guarantees finite-region
stability for a class of closed-loop neural-network control systems, IEEE Transactions on Neural Networks, vol. 7, no. 3, pp. 745751, 1996.
[24] A. Levin, K. S. Narendra, Control of nonlinear dynamical systems using neural networks: Controllability and stabilization, IEEE Transactions on Neural Networks, vol.
4, no. 2, pp. 192206, 1993.
[25] P. K. Dash, D. P. Swain, A. Routary, A. C. Liew, An adaptive neural network approach for the estimation of power system frequency, Electric Power systems Research, vol. 41, pp. 203210, 1997.
153
Bibliographie
[26] H. Demuth, M. Beale, M. Hagan, Neural network toolbox for use with MATLAB,
Users guide, Version 5, Natick: The MathWorks, Inc., 2006.
[27] G. Edwards, Target recognition and classification using neural networks, Proceedings of the MILCON2002, vol. 2, pp. 14391442, October 2002.
[28] B. Abdelhadi, A. Benoudjit, N. NaitSaid, Application of genetic algorithm with a
novel adaptive scheme for the identification of induction machine parameters, IEEE
Transactions on Energy Conversion, vol. 20, no. 2, pp. 284291, June 2005.
[29] K. Wang, J. Chiasson, M. Bodson, L. M. Tolbert, An online rotor time constant estimator for the induction machine, IEEE Transactions on Control System Technology,
vol. 15, no. 2, pp. 339348, March 2007.
[30] J. W. Kim, T. Kim, Y. Park, S. W. Kim, On-load motor parameter identification
using univariate dynamic encoding algorithm for searches, IEEE Transactions on
Energy Conversion, vol. 23, no. 3, pp. 804813, September 2008.
[31] M. Wlas, Z. Krzeminski, H. A. Toliyat, Neural-network-based parameter estimations
of induction motors, IEEE Transactions on Industrial Electronics, vol. 55, no. 4, pp.
17831794, April 2008.
[32] B. Karanayil, M. F. Rahman, C. Grantham, Online stator and rotor resistance estimation scheme using artificial neural networks for vector controlled speed sensorless
induction motor drive, IEEE Transaction on Industrial Electronics, vol. 54, no. 1, pp.
167176, February 2007.
[33] E. Laroche, M. Boutayeb, Identification of the induction motor in sinusoidal mode,
IEEE Transactions on Energy Conversion, vol. 25, no. 1, pp. 1119, March 2010.
[34] J. R. Willis, G. J. Brook, J. S. Edmonds, Derivation of induction motor models from
standstill frequency tests, IEEE Transactions on Energy Conversion, vol. 4, no. 4, pp.
608615, 1989.
[35] A. Ganji, P. Guillaume, R. Pintelon, P. Lataire, Induction motor dynamic and static
inductance identification using a broadband excitation technique, IEEE Transactions
on Energy Conversion, vol. 13, no. 1, pp. 15, March 1997.
[36] C. H. Fang, S. K. Lin, S. J. Wang, On-line parameter estimator of an induction motor at standstill, Control Engineering Practice, vol. 13, no. 5, pp. 535540, July 2005.
[37] P. Castaldi, A. Tilli, Parameter estimation of induction motor at standstill with magnetic flux monitoring, IEEE Transactions on Control System Technology, vol. 13, no.
3, pp. 386400, May 2005.
[38] M. O. Sonnaillon, G, Bisheimer, C. De Angelo, G. O. Garcia, Automatic induction
machine parameters measurements using standstill frequency-domain tests, IET
Electric Power Applications, vol. 1, no. 5, pp. 833838, 2007.
[39] T. Orlowska-Kowalska, J. Lis, K. Szabat, Identification of the induction motor parameters at standstill using soft computing methods, The International Journal for
Computation and Mathematics in Electrical and Electronic Engineering, vol. 25, no.
154
Bibliographie
1, pp.181194, 2006.
[40] Y. S. Kwon, J. H. Lee, S. H. Moon, B. K. Kwon, C. H. Choi, J. K. Seok, Standstill
parameter identification of vector-controlled induction motors using the frequency
characteristics of rotor bars, IEEE Transactions on Industry Applications, vol. 45,
no. 5, pp. 16101618, September/October 2009.
[41] T. Caussat, X. Roboam, J. C. Hapiot, J. Faucher, M. Tientcheu, Self-commissioning
for PWM voltage source inverter-fed induction motor at standstill, Proceedings of
the IEEE Industrial Electronics Conference (IECON94), pp. 198203, Bologna ,
Italy, September 1994.
[42] A. Bechouche, H. Sediki, D. Ould Abdeslam, S. Haddad, Identification of induction motor at standstill using artificial neural network, Proceedings of the IEEE
Industrial Electronics Conference (IECON2010), pp. 29082913, Arizona, USA,
November 2010.
[43] Z. Hengbing, Q. M. Wu, A. Kawamura, An accurate approach of nonlinearity compensation for VSI inverter output voltage, IEEE Transactions on Power Electronics,
vol. 19, no. 4, pp. 10291035, July 2004.
[44] S. H. Hwang, J. M. Kim, Dead time compensation method for voltage-fed PWM inverter, IEEE Transactions on Energy Conversion, vol. 25, no. 1, pp. 110, March
2010.
[45] Q. Ai, Y. Zhou, W. Xu, ADALINE and its application in power quality disturbances
detection and frequency tracking, Electric Power Systems Research, vol. 77, no. 56,
pp. 462469, 2007.
[46] P. Dash, A. Liew, D. Swain, B. Mishra, Fast tracking of transient power system signals using fuzzy LMS algorithm, International Journal of Electrical Power and Energy
Systems, vol. 20, no. 8, pp. 555561, 1998.
[47] O. Karacasu, M. H. Hocaoglu, An ADALINE based arcing fault detection algorithm
for single-pole autoreclosers, Electric Power Systems Research, vol. 81, no. 2, pp.
367376, 2011.
[48] D. Flieller, D. Ould Abdeslam, P. Wira, J. Merckl, Distortions identification and
compensation based on artificial neural networks using symmetrical components of
the voltages and the currents, Electric Power Systems Research, vol. 79, no. 7, pp.
11451154, 2009.
[49] T. K. Abdel-Galil, E. F. El-Saadany, M. M. A. Salama, Power quality event detection
using ADALINE, Electric Power Systems Research, vol. 64, no. 2, pp. 137144, February 2003.
[50] D. Ould Abdeslam, P. Wira, J. Merckl, D. Flieller, Y. A. Chapuis, A unified artificial neural network architecture for active power filters, IEEE Transactions on Industrial Electronics, vol. 54, no. 1, pp. 6176, February 2007.
[51] B. Widrow, M. Kamenetsky, Statistical efficiency of adaptive algorithms, Neural
155
Bibliographie
Networks, vol. 16, no. 56, pp. 735744, June 2003.

[52] Z. Q. Wang, M. T. Manry, J. L. Schiano, LMS learning algorithms: Misconceptions
and new results on convergence, IEEE Transactions on Neural Networks, vol.11,
no.1, pp. 4756, January 2000.
[53] A. Bechouche, H. Sediki, D. Ould Abdeslam, S. Haddad. A novel method for
identifying parameters of induction motors at standstill using ADALINE. IEEE
Transactions on Energy Conversion, vol. 27, no. 1, pp. 105116, Mars 2012.
[54] W. Leonard, Control of electrical drives, SpringerVerlag, New York, 1996.
[55] V. V. Pankratov, Y. A. Zima, New off-line identification method of induction motor
parameters, Proceedings of the Siberian Russian Electron Devices and Materials
(SREDM), IEEE, Russia, 2002, pp. 85-87.
[56] P. Vas, Parameter estimation, condition monitoring, and diagnosis of electrical machines, Oxford University Press, Oxford, 1993.
[57] R. Krishnan, Electric motor drives: Modeling, analysis and control, Prentice Hall,
2001.
[58] B. Robyns, H. Buyse, F. Labrique, Fuzzy logic based field orientation in an indirect
FOC strategy of an induction actuator, Mathematics and Computers in Simulation,
vol. 46, pp. 265274, 1998.
[59] D. Telford, M. W. Dunnigan, B. W. Williams, Online identification of induction machine electrical parameters for vector control loop tuning, IEEE Transactions on
Industrial Electronics, vol. 50, no. 2, pp. 253261, 2003.
[60] C. Ilas, G. Griva, F. Profumo, On-line identification of mechanical parameters and
load torque in induction machine field oriented drives, Proceedings of ISIE96,
IEEE, vol. 2, pp. 985989, 1996.
[61] E. Laroche, E. Sedda, E. Durieu, Methodological insights for online estimation of
induction motor parameters, IEEE Transactions on Control System Technology, vol.
16, no. 5, pp. 10211028, 2008.
[62] J.-W. Choi, S. C. Lee, H.-G. Kim, Inertia identification algorithm for highperformance speed control of electric motors, Proceedings of the Electric Power Applications, IEE, vol. 153, no. 3, pp. 379386, 2006.
[63] K. B. Lee, J. Y. Yoo, J. H. Song, I. Choy, Improvement of low speed operation of
electric machine with an inertia identification using ROELO, Proceedings of the
Electric Power Applications, IEE, vol. 151, no. 1, pp. 116120, 2004.
[64] A. Trentin, P. Zanchetta, P. Wheeler, J. Clare, R. Wood, D. Katsis, A new method for
induction motors parameter estimation using genetic algorithms and transient speed
measurements, Proceedings of the Industry Applications Conference (IAS), IEEE,
vol. 5, pp. 24352440, 2006.
156
Bibliographie
[65] C. Picardi, N. Rogano, Parameter identification of induction motor based on particle

swarm optimization, Proceedings of SPEEDAM, IEEE, pp. 968973, Taormina,
2006.
[66] Y. Oguz, M. Dede, Speed estimation of vector controlled squirrel cage asynchronous
motor with artificial neural networks, Energy Conversion and Management, vol. 52,
pp. 675686, 2011.
[67] B. Pryymak, J. M. Moreno-Eguilaz, J. Peracaula, Neural network flux optimization
using a model of losses in induction motor drives, Mathematics and Computers in
Simulation, vol. 71, pp. 290298, 2006.
[68] L. Kruger, D. Naunin, C. Garbrecht, Stochastic and neural models of an induction
motor, Mathematics and Computers in Simulation, vol. 46, pp. 313324, 1998.
[69] R.-J. Wai, J.-M. Chang, Intelligent control of induction servo motor drive via wavelet
neural network, Electric Power Systems Research, vol. 61, pp. 6776, 2002.
[70] A. Geodtel, I. N. da Silva, P. J. A. Serni, Load torque identification in induction motor using neural networks techniques, Electric Power Systems Research, vol. 77, pp.
3545, 2007.
[71] H. Sediki, A. Bechouche, D. Ould Abdeslam, S. Haddad. ADALINEbased mechanical parameters identification of induction motor. Proceedings of the International Conference on Modeling and Simulation of Electric Machines, Converters
and Systems (ELECTRIMACS2011), pp. 17, Paris, France, 68 June 2011.
[72] M. Jannati, B. Vahidi, S.H. Hosseinian, S.M. Ahadi, A novel approach to adaptive
single phase auto-reclosing scheme for EHV transmission lines, Electrical Power and
Energy Systems, vol. 33, pp. 639646, 2011.
[73] B. Widrow, M. A. Lehr, 30 years of adaptive neural networks: Perceptron,
Madaline, and Backpropagation, Proceedings of the IEEE, vol. 78, no.9, pp. 1415
1442, 1990.
[74] H. Sediki, A. Bechouche, D. Ould Abdeslam, S. Haddad. ADALINE approach for
induction motor mechanical parameters identification. Mathematics and Computers in Simulation, DOI: 10.1016/j.matcom.2012.05.003, May 2012.
[75] P. E. Battaiotto, R. J. Mantz, P. F. Puleston, A wind turbine emulator based on a dual
DSP processor system, Control Engineering Practice, vol. 4, no. 9, pp. 12611266,
1996.
[76] M. Monfared, H. M. Kojabadi, H. Rastegar, Static and dynamic wind turbine simulator using a converter controlled dc motor, Renewable Energy, vol. 33, pp. 906913,
2008.
[77] C. Saudemont, L. Leclercq, B. Robyns, G. Cimuca, M. M. Radulescu, Dveloppement dun mulateur temps rel dun systme de gnration olienne associ un
stockage inertiel dnergie, Revue REE, no. 11. pp. 4959, Dcembre 2004.
157
Bibliographie
[78] A. Bouscayrol, X. Guillaud, R. Teodorescu, P. Delarue, Validation of MPPT strategy

for wind energy conversion system using a hardwareintheloop simulation, IEEE
Optim06, Brasov, pp. 16, Romania, May 2006.
[79] H. M. Kojabadi, L. Chang, T. Boutot, Development of a novel wind turbine simulator
for wind energy conversion systems using an inverter-controlled induction motor,
IEEE Transactions on Energy Conversion, vol. 19, no. 3, pp. 547552, September
2004.
[80] R. G. de Oliveira, G. G. Parma, S. R. Silva, Development of a wind turbine simulator
for wind energy conversion systems experimental results, 9th Brazilian Power Electronics Conference, pp. 313318, Brazil, 2007.
[81] B. Neammanee, S. Sirisumrannukul, S. Chatratana, Development of wind turbine
simulator for wind generator testing, International Energy Journal, vol. 8, pp. 2128,
2007.
[82] M. Arifujjaman, M. T. Iqbal, J. E. Quaicoe, Emulation of small wind turbine system
with a separatelyexcited DC machine, Journal of Electrical & Electronics Engineering, Istanbul University, vol. 8, no. 1, pp. 569579, 2008.
[83] M. Monfared, H. Rastegar, B. Moradzadeh, A more accurate dynamic wind energy
conversion system emulator, 2nd International Conference on Electrical and Control
Technologies (ECT2007), pp. 151156, Kaunas, Lithuania, 34 May 2007.
[84] D. S. L. Dolan, P. W. Lehn, Real-Time wind turbine emulator suitable for power
quality and dynamic control studies, International Conference on Power Systems
Transients (IPST05), Montral, Canada, pp. 16, 1923 Juin 2005.
[85] A. Abdelli, Optimisation multicritre dune chaine olienne passive, Thse de Doctorat, Institut National Polytechnique de Toulouse, Octobre 2007.
[86] A. Mirecki, Etude comparative de chaines de conversion dnergie ddies une
olienne de petite puissance, Thse de Doctorat, Institut National Polytechnique de
Toulouse, 2005.
[87] T. Ghennam, Supervision dune ferme olienne pour son intgration dans la gestion
dun rseau lectrique, Apports des convertisseurs multi niveau au rglage des oliennes base de machine asynchrone double alimentation, Thse de Doctorat,
Ecole Militaire Polytechnique dAlger Ecole Centrale de Lille, 2011.
[88] B. Boukhezzar, Sur les stratgies de commande pour loptimisation et la rgulation
de puissance des oliennes vitesse variable, Thse de Doctorat, Universit Paris
XI, Fvrier 2006.
[89] S. Rechka, G. Roy, S. Dennetiere, J. Mahserdjian, Modlisation des systmes mcaniques multi-masses base de machine asynchrone, laide des outils Matlab et
EMTP, avec application aux oliennes, Ecole Polytechnique de Montral, EPMRT
200404, 2004.
[90] L. Krichen, H. Ben Aribia, H. Hadj Abdellah, A. Ouali, ANN for multiobjective
optimal reactive compensation of a power system with wind generators, Electric
158
Bibliographie
Power Systems Research, vol. 78, pp. 15111519, 2008.

[91] A. H. M. A. Rahim, I. O. Habiballah, DFIG rotor voltage control for system dynamic
performance enhancement, Electric Power Systems Research, vol. 81, pp. 503509,
2011.
[92] W.M. Lin, C.M. Hong, Intelligent approach to maximum power point tracking
control strategy for variablespeed wind turbine generation system, Energy, vol. 35,
pp. 24402447, 2010.
[93] H. Li, K. L. Shi, P. G. McLaren, Neuralnetwork-based sensorless maximum wind
energy capture with compensated power coefficient, IEEE Transactions on Industry
Applications, vol. 41, no. 6, pp. 15481556, NovembreDecembre 2005.
[94] S. El Aimani, Modlisation de diffrentes technologies doliennes intgres dans un
rseau de moyenne tension, Thse de Doctorat, Ecole centrale de Lille Universit
des Sciences et Technologies de Lille, Dcembre 2004.
[95] A. Davigny, Participation aux services systme de fermes doliennes vitesse variable intgrant du stockage inertiel dnergie, Thse de Doctorat, Universit des
Sciences et Technologies de Lille, 2007.
[96] S. Lepeng, T. Dedong, W. Debiao, L. Hui, Simulation for strategy of maximal
wind energy capture of doubly fed induction generators, Proceedings of the 9th IEEE
International Conference on Cognitive Informatics (ICCI10), pp. 869873, 2010.
[97] A. Gaillard, Systme olien bas sur une MADA : contribution ltude de la qualit
de lnergie lectrique et de la continuit de service, Thse de Doctorat, Universit
Henri Poincar de Nancy, Avril 2010.
[98] F. Poitiers, Etude et commande de gnratrices asynchrones pour lutilisation de
lnergie olienne : machine asynchrone cage autonome, Machine asynchrone
double alimentation relie au rseau, Thse de Doctorat, Universit de Nantes, Dcembre 2003.
[99] R. Pena, J. C. Clare, G. M. Asher, Doubly fed induction generator using backto
back PWM converters and its application to variablespeed windenergy generation,
IEE Proceedings of Electrical Power Application, vol. 143, no. 3, pp. 231241, May
1996.
[100] I. Moore, J. Ekanayake, Design and development of a hardware based wind turbine
simulator, 45th International Universities Power Engineering Conference (UPEC),
pp. 15, Cardiff, Wales, UK, 31 August 3 September 2010.
[101] J. F. Manwell, J. G. Mc Gowan, A. L. Rogers, Wind energy explained: theory, design
and application, John Wiley & Sons, Ltd, UK, 2002.
[102] O. Anaya-Lara, N. Jenkins, J. Ekanayake, P. Cartwright, M. Hughes, Wind energy
generation: Modelling and control, John Wiley & Sons, Ltd, UK, 2009.
[103] F. M. Hughes, O. AnayaLara, N. Jenkins, G. Strbac, Control of DFIGbased wind
generation for power network support, IEEE Transaction on Power Electronics, vol.
159
Bibliographie
20, no. 4, pp. 19581966, November 2005.

[104] B. Nait-Kaci, M. L. Doumbia, K. Agbossou, A. Yousif, Active and reacrive power
control of a doubly fed induction generator for wind applications, Proceedings of the
IEEE EUROCON (EUROCON09), pp. 20342039, St.-Petersburg, 2009.
[105] A. Petersson, Analysis, modeling and control of doubly-fed induction generators for
wind turbines, Thse de Doctorat, Chalmers University of Technology, Goteborg,
Sweden, 2005.
[106] F. Poitiers, T. Bouaouiche, M. Machmoum, Advanced control of a doubly-fed induction generator for wind energy conversion, Electric power systems research, vol. 79,
pp. 10851096, 2009.
[107] J. Yao, H. Li, Y. Liao, Z. Chen, An improved control strategy of limiting the DCLink voltage fluctuation for a doubly fed induction wind generator, IEEE Transactions on Power Electronics, vol. 23, no. 3, pp. 12051213, May 2008.
[108] A. Bechouche, H. Sediki, D. Ould Abdeslam, S. Haddad, Commande en puissance dune olienne base sur une gnratrice asynchrone double alimentation.
2me Confrence Nationale sur les Systmes dOrdre Fractionnaires et ses Applications (SOFA2011), pp. 16, Universit Mouloud Mammeri, TiziOuzou, 2426
octobre, 2011.
[109] A. Boyette, Contrlecommande dun gnrateur asynchrone double alimentation
avec systme de stockage pour la production olienne, Thse de Doctorat, Universit
Henri Poincar de Nancy, Dcembre 2006.
[110] J. G. Slootweg, H. Polinder, W. L. Kling, Representing wind turbine electrical generating systems in fundamental frequency simulations, IEEE Transactions on Energy
Conversion, vol. 18, no. 4, pp. 516524, December 2003.
[111] N. AbuTabak, Stabilit dynamique des systmes lectriques multi-machines : modlisation, commande, observation et simulation, Thse de Doctorat, Ecole Centrale de
Lille, Novembre 2008.
[112] S.H. Shahalami, Filtrage hybride des perturbations harmoniques produites par des
systmes dentranement asynchrone vitesse variable, Thse de Doctorat, Universit Henri Poincar, Nancy-I, Novembre 2001.
[113] E. Gholipour Shahraki, Apport de lUPFC lamlioration de la stabilit transitoire
des rseaux lectriques, Thse de Doctorat, Universit de Henri Poincar, Nancy-I,
Octobre 2003.
[114] S. Muller, M. Deicke, R. W. De Doncker, Doubly fed induction generator systems
for wind turbines, IEEE Industry Applications Magazine, pp. 2633,MayJune 2002.
[115] A. Tapia, G. Tapia, X. Ostolaza, J. R. Saenz, Modeling and control of a wind turbine
driven doubly fed induction generator, IEEE Transactions on Energy Conversion,
vol. 18, no. 2, pp. 194204, June 2003.
160
Bibliographie
[116] G. Seguier, Electronique de puissance les fonctions de base et leurs applications,

Edition Lavoisier, 1999.
[117] F. Labrique, G. Seguier, R. Bausiere, Les convertisseurs de llectronique de puissance la conversion continu-alternatif , Edition Lavoisier, 1995.
[118] G. Tapia, A. Tapia, Wind generation optimization algorithm for a doubly fed induction generator, IEE Proceedings Generation, Transmission and Distribution, vol.
152, no. 2, pp. 253263, March 2005.
[119] D. Yazdani, A. Bakhshai, P. K. Jain, A three phase adaptive notch filter based approach to harmonic/Reactive current extraction and harmonic decomposition, IEEE
Transactions on Power Electronics, vol. 25, no. 4, pp. 914923, April 2010.
[120] I. Carugati, P. Donato, S. Maestri, D. Carrica, M. Benedetti, Frequency adaptive PLL
for polluted single-phase grids, IEEE Transactions on Power Electronics, vol. 27, no.
5, pp. 23962404, May 2012.
[121] M. F. Martinez-Montejano, G. Escobar, R. E. Torres-Olguin, Fixed reference frame
phase-locked loop (FRF-PLL) for unbalanced line voltage conditions, IEEE Power
Electronics Specialists Conference (PESC2008), Rhodes, pp. 47234728, June 2008.
[122] A. Bechouche, H. Sediki, D. Ould Abdeslam, S. Haddad. An adaptive neural PLL
for grid synchronization. Proceedings of the IEEE Industrial Electronics Conference (IECON2012), pp. 44514456, Montral, Qubec, Canada, 2528 October,
2012.
[123] P. Rodriguez, J. Pou, J. Bergas, J. I. Candela, R. P. Burgos, D. Boroyevich, Decoupled double synchronous reference frame PLL for power converters control.
IEEE Transactions on Power Electronics, vol. 22, no. 2, pp. 584592, Mars 2007.
[124] Y. Han, L. Xu, M. M. Khan, G. Yao, L.-D. Zhou, C. Chen, A novel synchronization
scheme for grid-connected converters by using adaptive linear optimal filter based
PLL (ALOF-PLL), Simulation Modelling Practice and Theory, vol.17, pp. 1299
1345 , 2009.
[125] E. Robels, S. Caballos, J. Pou, J. L. Martin, J. Zaragoza, P. Ibanez, Variablefrequency grid-sequence detector based on a quasi-ideal low-pass filter stage and a
phase-locked loop. IEEE Transactions on Power Electronics, vol. 25, no. 10, pp.
25522563, Octobre 2010.
[126] F. Liccardo, P. Morino, G. Raimondo, Robust and fast three-phase PLL tracking
system. IEEE Transactions on Industrial Electronics, vol. 58, no. 1, pp. 221231,
January 2011.
[127] Y. F. Wang, Y. W. Li, Grid synchronization PLL based on cascaded delayed signal
cancellation. IEEE Transactions on Power Electronics, vol. 26, no. 7, pp. 1987
1997, Juillet 2011.
[128] I. Carugati, S. Maestri, P. G. Donato, D. Carrica, M. Benedetti, Variable sampling
period filter PLL for distorted three-phase systems. IEEE Transactions on Power
161
Bibliographie
Electronics, vol. 27, no. 1, pp. 321330, January 2012.

[129] F. GonzlezEspn, E. Figueres, G. Garcer, An adaptive synchronous referenceframe phase-locked loop for power quality improvement in a polluted utility grid.
IEEE Transactions on Industrial Electronics, vol. 59, no. 6, pp. 27182731, June
2012.
[130] M. K. Ghartemani, S. A. Khajehoddin, P. K. Jain, A. Bakhshai, Problems of startup
and phase jumps in PLL systems. IEEE Transactions on Power Electronics, vol. 27,
no. 4, pp. 18301838, April 2012.
[131] H. E. P. de Souza, F. Bradaschia, F. A. S. Neves, M. C. Cavalcanti, G. M. S. Azevedo, J. P. de Arruda, A method for extracting the fundamental-frequency positivesequence voltage vector based on simple mathematical transformations. IEEE Transactions on Industrial Electronics, vol. 56, no. 5, pp. 15391547, May 2009.
[132] P. Rodriguez, A. Luna, R. S. MunozAguilar, I. Etxeberria-Otadui, R. Teodorescu,
F. Blaabjerg, A stationary reference frame grid synchronization system for threephase grid connected power converters under adverse grid conditions. IEEE Transactions on Power Electronics, vol. 27, no. 1, pp. 99112, January 2012.
[133] D. Halbwachs, P. Wira, J. Merckl, ADALINE-based approachs for time-varying
frequency estimation in power systems. 2nd IFAC International Conference on Intelligent Control Systems and Signal Processing (ICONS2009), Instanbul, Turky, September 2009.
[134] H. Akagi, E. H. Watanabe, M. Aredes, Instantaneous power theory and applications
to power conditionning. John Wiley and Son, Inc., New Jersey, 2007.
[135] T. Gouraud, Identification et rejet de perturbations harmoniques dans les rseaux de
distribution lectrique, Thse de Doctorat, Universit de Nantes, 1997.
162
Articles de revues internationales

1. A. Bechouche, H. Sediki, D. Ould Abdeslam and S. Haddad. A novel method for identifying parameters of induction motors at standstill using ADALINE. IEEE Transactions on
Energy Conversion, vol. 27, no. 1, pp. 105116, March 2012.
2. H. Sediki, A. Bechouche, D. Ould Abdeslam, S. Haddad. ADALINE approach for induction motor mechanical parameters identification. Mathematics and Computers in Simulation, Digital object identifier: 10.1016/j.matcom.2012.05.003, May 2012.
Articles de confrences internationales

1. A. Bechouche, H. Sediki, D. Ould Abdeslam, S. Haddad. An adaptive neural PLL for
grid synchronization. Proceedings of the IEEE Industrial Electronics Conference
(IECON2012), pp. 44514456, Montral, Qubec, Canada, 2528 October, 2012.
2. H. Sediki, A. Bechouche, D. Ould Abdeslam, S. Haddad. ADALINE-based mechanical
parameters identification of induction motor. Proceedings of the International conference
on modeling and simulation of electric machines, converters and systems
(ELECTRIMACS2011), pp. 17, Paris, France, 68 June 2011.
3. A. Bechouche, H. Sediki, D. Ould Abdeslam, S. Haddad. Identification of induction motor at standstill using artificial neural network. Proceedings of the IEEE Industrial Electronics Conference (IECON2010), pp. 29082913, AZ, USA, 710 November, 2010.
Articles de confrences nationales

1. A. Bechouche, H. Sediki, D. Ould Abdeslam, S. Haddad, Commande en puissance dune
olienne base sur une gnratrice asynchrone double alimentation. 2me Confrence
Nationale sur les Systmes dOrdre Fractionnaires et ses Applications (SOFA2011), pp.
16, Universit Mouloud Mammeri, TiziOuzou, 2426 Octobre 2011.
163
UNIVERSIT MOULOUD MAMMERI DE TIZIOUZOU
THSE DE DOCTORAT
Ali Bechouche
Titre :
Title:
Utilisation des techniques avances pour lobservation

et la commande dune machine asynchrone :
application une olienne
Advanced techniques for observation and control of an

induction machine : application to a wind turbine
Rsum : Cette thse traite de lutilisation des techniques
Abstract: This thesis deals with the use of adaptive and

neural strategies for the identification and the control of an
induction machine (IM) and their application in wind energy
conversion system.
A new method for identifying the IM parameters using adaptive linear neuron (ADALINE) was developed. A method
for the IM electric parameters identification at standstill is
proposed. Thereafter, two methods to identify the IM mechanical parameters are also presented. The first method is
based on the IM mechanical model, while the second method is based on the speed harmonic response. The effectiveness of the methods and the accuracy of the identified
parameters are validated by experimental tests.
Thereafter, a study of a wind turbine emulator was also
presented. A new method based on ANNs (artificial neural
networks) for modeling the wind turbine power characteristic is proposed. Two methods to control the wind turbine in
order to extract the maximum power from the wind are presented and a neural estimator of the wind velocity is also
developed. The obtained simulation results of the developed
wind turbine emulator showed its effectiveness and accuracy
to reproduce the turbine behavior in the generator shaft.
Finally, two control strategies of the doubly fed induction
machine (DFIM) for wind energy conversion were presented. A new adaptive neural PLL (phase-locked loop)
based on the ADALINE networks was proposed. Compared
to the conventional PLL, the testing results of the new adaptive neural PLL showed its superiority and accuracy. An
experimental validation of the stator active and reactive
power decoupled control of the DFIM using the proposed
adaptive neural PLL was presented. The obtained results
validate the developed DFIM control strategy.
neuronales pour lidentification et la commande de la machine asynchrone avec une application dans un systme de
conversion dnergie olienne.
Une nouvelle stratgie didentification des paramtres de la
machine asynchrone, utilisant les rseaux de neurones artificiels (RNAs) de type ADALINE (adaptive linear neuron), a
t dveloppe. Une mthode didentification des paramtres lectriques de la machine larrt base sur deux
tests a t propose. Par la suite, deux nouvelles mthodes
didentification des paramtres mcaniques ont t prsentes. La premire mthode est base sur le modle mcanique de la machine tandis que la seconde mthode est base
sur la rponse harmonique en vitesse de la machine. Les
paramtres lectriques et mcaniques identifis ont t valids par des tests exprimentaux.
Ensuite, une tude dun mulateur dune turbine olienne
base dun moteur courant continu a t prsente. Une
nouvelle mthode de modlisation de la caractristique de
puissance de la turbine base de RNA a t propose. Un
estimateur neuronal de la vitesse du vent a t aussi dvelopp. Les rsultats de simulation de lmulateur ont montr
son efficacit et son exactitude reproduire le comportement
de la turbine sur larbre du gnrateur.
Finalement, deux stratgies de commande de la machine
asynchrone double alimentation (MADA) destine la
conversion de lnergie olienne ont t prsentes. Une
nouvelle PLL (phase-locked loop) neuronale adaptative
base sur les ADALINE a t propose. Compare la PLL
conventionnelle, les rsultats dexprimentation ont montr
la supriorit de la nouvelle PLL neuronale. Une validation
exprimentale de la commande dcouple des puissances de
la MADA utilisant la PLL neuronale a t prsente. Les
rsultats obtenus valident la stratgie dveloppe de la
commande de la MADA.
Mots-cls : ADALINE, rseaux de neurones artificiels,

identification neuronale, machine asynchrone, mulateur,
machine asynchrone double alimentation, boucle verrouillage de phase, commande neuronale, systmes de conversion dnergie olienne.
Keywords: ADALINE, artificial neural networks, neural

identification, induction machine, emulator, doubly fed
induction machine, phase-locked loop, neural control, wind
energy conversion systems.

Bechouche Ali

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Bechouche Ali

Transféré par

Droits d'auteur :

Formats disponibles

RPUBLIQUE ALGRIENNE DMOCRATIQUE ET POPULAIRE

MINISTRE DE LENSEIGNEMENT SUPRIEUR ET DE LA RECHERCHE SCIENTIFIQUE

FACULT DE GNIE LECTRIQUE ET DINFORMATIQUE

UTILISATION DES TECHNIQUES AVANCES POUR LOBSERVATION

Soutenue publiquement le 22 avril 2013 devant le jury dexamen compos de :

Professeur, UMM, TiziOuzou

Thse prpare au Laboratoire L2CSP de lUniversit Mouloud Mammeri de TiziOuzou en collaboration

A mon pre et ma mre,

ES TRAVAUX DE RECHERCHE prsents dans ce mmoire de thse ont t raliss au

Je remercie Monsieur Tahar OTMANE-CHERIF, Matre de Confrences l UMMTO et

Table des matires

Table des matires

Table des matires

Techniques neuronales pour lidentification et la commande des systmes dynamiques

Identification des paramtres de la machine asynchrone par les rseaux

Table des matires

2.3.1 Modle de la machine asynchrone en commande vectorielle . . . . . . . . . . . .

Emulation de la turbine olienne par un moteur courant continu

Table des matires

4.7.4 Validation exprimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Techniques neuronales pour lidentification et la commande des systmes dynamiques

Techniques neuronales pour lidentification et

Techniques neuronales pour lidentification et la commande des systmes dynamiques

1.3 Mthodes neuronales didentification et de commande de systmes

Mthodes didentification de systmes dynamiques . . . . . . . . . . . . . . . . . . . 23

1.4 Avantages des techniques neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Techniques neuronales pour lidentification et la commande des systmes dynamiques

Techniques neuronales pour lidentification et la commande des systmes dynamiques

Rseaux de neurones artificiels

Techniques neuronales pour lidentification et la commande des systmes dynamiques

Figure 1.1. Topologie dun neurone formel

1.2.2 Processus dapprentissage

Techniques neuronales pour lidentification et la commande des systmes dynamiques

1.2.3 Types dapprentissage

Figure 1.2. Apprentissage supervis

1.2.4 Algorithmes dapprentissage

Techniques neuronales pour lidentification et la commande des systmes dynamiques

avec E lesprance mathmatique. Le facteur est utilis dans la mthode de correction de

Mise jour des poids

Techniques neuronales pour lidentification et la commande des systmes dynamiques

Considrons un vecteur dentre X(k) de dimension m comme le montre la figure 1.4. La

Figure 1.4. Topologie dun ADALINE

Techniques neuronales pour lidentification et la commande des systmes dynamiques

Lalgorithme dapprentissage consiste minimiser la fonction J en modifiant les poids wi.

La convergence de lalgorithme est atteinte pour une valeur minimale de la fonction de

Techniques neuronales pour lidentification et la commande des systmes dynamiques

Figure 1.5. Principe de la mthode de la descente du gradient

En remplaant (1.14a) et (1.14b) dans lquation (1.13), nous obtenons :

Techniques neuronales pour lidentification et la commande des systmes dynamiques

1. Initialiser le vecteur poids W(k) et le paramtre dapprentissage (les lments de

Choix du coefficient dapprentissage

Le coefficient dapprentissage dtermine la stabilit et le taux dapprentissage dun

o i et f sont respectivement la valeur initiale et la valeur finale du coefficient

Techniques neuronales pour lidentification et la commande des systmes dynamiques

(a) fonction bipolaire linaire

(b) fonction de seuil

(c) fonction de seuil bipolaire

(e) fonction tangente hyperbolique

Figure 1.6. Fonctions dactivation dun neurone artificiel

Techniques neuronales pour lidentification et la commande des systmes dynamiques

dient de lerreur obtenu partir de la drivation et le stockage local de la sortie de chaque

O (1) ( k ) = f (1) ( X (1) ( k ) )

X (2) ( k ) = W (2) ( k ) O (1) ( k )

O (2) ( k ) = f (2) ( X (2) ( k ) )