Académique Documents
Professionnel Documents
Culture Documents
Boumediene
Faculté d’Electronique et Informatique
Département Electrotechnique
Techniques d’optimisation et
de contrôle de puissance
(TOCP)
Responsable du Module: Dr.N. KOUBA
nkouba@usthb.dz
M1/ER/ES
2017/2018
Objectifs :
1. Système PV,
2. Système Eolien,
3. Système de Stockage,
4. Techniques de commande (MPPT).
Contenu de la matière :
•Chapitre 0 : Le Réseau Electrique et les Energies Renouvelables.
-Algorithmes directs
la méthode Perturb & Observ (P&O),
algorithme basé sur la logique floue, adaptative
algorithme basé sur les réseaux de neurones, neuro-flou
-Algorithmes indirects.-
la méthode d’ajustement de courbe,
la méthode (” look-up table”),
la méthode de court circuit.
•Chapitre 3 : Les techniques d’optimisation dans les systèmes éoliens
-méthodes P&O, TSR, PSF, HCS, gradient, LF, adaptatives, prédictives……
•Chapitre 4 : Applications
•Chapitre 1 :
Part 1
Techniques
d’Optimisation
• 1.1) Méthodes Stochastiques.
• 1.2)Logique Floue / Réseaux de Neurones
Artificiels.
• 1.3) Méthodes Hybrides.
Techniques
d’optimisation
Qu'est-ce que
l'optimisation ?
Optimisation
Optimiser
Donner à quelque chose les meilleures conditions d'utilisation, de
fonctionnement ou de rendement .
Optimisation
•Action d'optimiser; résultat de cette action.
G (U , X ) = 0 Contraintes d’égalité
H (U , X ) ≤ 0 Contraintes d’inégalité
s.t
U min ≤ U ≤ U max Variables de contrôles
X ≤ X ≤ X
min max
Variables d’états
Méthodes
Méthodes Hybrides
DE - PSO BFA – PSO (2012)
SQP - PSO PSO – GSA (2013)
PSO - SA IP - PSO
15
Il existe un grand nombre de méthodes d’optimisation différentes, allant de la
simple recherche locale à des algorithmes complexes de recherche globale.
• Heuristique;
• Méta-heuristique.
Plus Utilisé
Utilisations
•Les problèmes de la dynamique des solide indéformable;
•Le problème de complémentarité linéaire, qui peut aussi être vu comme un problème
d'optimisation quadratique;
• Optimisation multidisciplinaire;
•Optimisation de forme;
•Ooptimisation topologique.
Algorithmes
d‘Optimisation
Inspirés de la
Nature
Algorithmes évolutionnaires
•Les algorithmes évolutionnaires (AEs), élaborés au cours des années
1950 , sont des techniques de recherche inspirées par l’évolution
biologique des espèces.
•L’idée est que, les individus qui ont hérité des caractères bien adaptés
à leur milieu ont tendance à vivre assez longtemps pour se reproduire,
alors que les plus faibles ont tendance à disparaître.
•Au cours des années 1970, avec l’avènement des calculateurs de forte
puissance, de nombreuses approches de modélisation de l’évolution
ont été réalisées.
Algorithme évolutionnaire est composé de:
• Les premiers travaux ont été menés par John Holland en 1975 dans l’ouvrage
"Adaptation of Natural and Artificial System" qui formalise les algorithmes
génétiques dans le cadre de l’optimisation mathématique.
•Selon ces concepts, lorsqu’une population est soumise aux contraintes d’un
milieu naturel, seuls les individus les mieux adaptés survivent et génèrent une
descendance.
Meilleure performance
individuelle
Meilleure performance des
Pbest-i voisins
Gbest
Position actuelle
Equilibrage de la recherche
W max − W min
W(Iter +1) = Wmax - . Iter
Iter max
Exemple de la fonction objectif.
Ant Colony Optimization (ACO)
Méthode de colonies de fourmis
ACO est s’inspiré du comportement des insectes sociaux, et en particulier les
fourmis. Le premier algorithme a été proposé en 1996 par Colorni.
Le but initial de cet algorithme était de résoudre le problème du voyageur de
commerce.
Le principe générale de cette méthode est le suivant : Malgré la vision très limitée de
chaque fourmi, une colonie de fourmis parvient à minimiser la longueur du chemin
conduisant à une source de nourriture, grâce aux traces chimiques appelées
PHEROMONES laissées par chacune des fourmis sur le sol. De cette manière, le plus
court chemin a une probabilité plus grande d’être pris par les fourmis que les autres
chemins, et il sera donc pris par toutes les fourmis.
Artificial Bee Colony (ABC)
Méthode de Colonie d'Abeilles
méta-heuristique
a1
en 2009 .
M3
F1
THE PHYSICS OF
SOUND
t −1
v=
t
i v i + ( x t
i − x∗ ) fi = xold + σ Amean
xnew old
Whale Optimization Algorithm (WOA)
L'algorithme d'optimisation des baleines
Butterfly Optimization (MBO)
Optimisation papillon (MBO)
Monarch Butterfly Optimization (MBO) was proposed for first time to enhance power
system restoration (PSR) loops. The main inspiration of this algorithm was based on the
migration behavior of Monarch Butterflies from the northern USA and southern Canada
to Mexico.
G.Wang en 2015.
Cuckoo search optimization (CSO)
Xin-She Yang, 2009
Logic, discrete
0 OR 1
and crisp
Some thing
Fuzzy logic
between 0 and 1
Data classification
Has Already Become
• the Standard
Decision analysis
Technique for Multi-
• Variable Control !
• Expert systems
• Computer vision
• Cameras
• Washing machines
• Microwave ovens
• Industrial process control
• Medical instrumentation
Fuzzy Logic Control: Elements
Fuzzy controller is composed of the following
elements:
1. A rule-base (a set of If-Then rules).
2. An inference mechanism. Fuzzy Logic Defines
the Control Strategy
3. A fuzzification interface. on a Linguistic Level!
4. A defuzzification interface.
Rule Table
dACE NB NS ZE PS PB
ACE
NB NB NB NS NS ZE
NS NB NB NS ZE ZE
ZE NS NS ZE PS PS
PS ZE PS PS PB PB
PB ZE ZE PS PB PB
Réseaux de Neurones